Modelado sencillo del comportamiento dinámico del material rodante ferroviario para el mantenimiento conectado
Contenido principal del artículo
Resumen
En la actualidad, la integración de los diferentes pilares en los que se basa el paradigma de la industria 4.0 o 5.0 permite digitalizar todas las tareas relacionadas con el ciclo de vida de un producto o servicio. Sin embargo, la mayoría de los esfuerzos se han realizado en el ámbito organizativo y de toma de decisiones. En este sentido, las tareas de mantenimiento, y en particular las actividades relacionadas con el análisis del estado de funcionamiento de los elementos de un sistema mecánico deben reformularse y orientarse hacia la digitalización. Para lograr este objetivo con éxito, una de las posibilidades es el desarrollo de gemelos digitales para la monitorización del estado. En particular, la implantación de este tipo de sistemas en la industria ferroviaria tiene el potencial de reducir significativamente los costes de mantenimiento tanto del ferrocarril como del material rodante y predecir su vida útil. En este trabajo se presenta un método para estimar fallos en los componentes del material rodante ferroviario. Este método implica el uso de técnicas que conducen al desarrollo de un gemelo digital de este complejo sistema mecánico. El modelo propuesto comprende un modelo dinámico de masa distribuida y un filtro de Kalman para predecir el comportamiento dinámico del sistema a partir de la información obtenida con datos reales de un banco de pruebas que han sido utilizadas para su validación. Se ha realizado un análisis de los parámetros de configuración del filtro para optimizar la estimación. Los resultados demuestran la solidez de la investigación ya que el modelo sigue el comportamiento real en el tiempo.
Detalles del artículo

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
CC BY-NC-SA 4.0)
El lector puede compartir, copiar y redistribuir el material en cualquier medio o formato, siempre y cuando cumpla con las siguientes condiciones:
-
Atribución (BY): Debe dar crédito adecuado al autor original, proporcionando un enlace a la licencia y señalando si se han realizado cambios.
-
No Comercial (NC): No puede utilizar el material con fines comerciales. Esto significa que no puede venderlo ni obtener ganancias directas de su uso.
-
Compartir Igual (SA): Si adapta, transforma o construye sobre el material, debe distribuir sus contribuciones bajo la misma licencia que el original.
Recuerda que esta licencia no afecta los derechos legales del autor, como el derecho moral o las excepciones de uso justo.
Citas
A. Diez-Olivan, J. A. Pagan, R. Sanz, y B. Sierra, «Data-driven prognostics using a combination of constrained K-means clustering, fuzzy modeling and LOF-based score», Neurocomputing, vol. 241, pp. 97-107, 2017, doi: 10.1016/j.neucom.2017.02.024.
K. T. Koskinen et al., «Maintenance 4.0 in Railway Transportation Industry», en PROCEEDINGS OF THE 10TH WORLD CONGRESS ON ENGINEERING ASSET MANAGEMENT (WCEAM 2015), en Lecture Notes in Mechanical Engineering. , Springer International Publishing AG, 2016, pp. 317-331.
R. Sahal, J. G. Breslin, y M. I. Ali, «Big data and stream processing platforms for Industry 4.0 requirements mapping for a predictive maintenance use case», J Manuf Syst, vol. 54, pp. 138-151, 2020, doi: 10.1016/j.jmsy.2019.11.004.
I. Errandonea, S. Beltrán, y S. Arrizabalaga, «Digital Twin for maintenance: A literature review», Comput Ind, vol. 123, p. 103316, 2020.
M. Grieves y J. Vickers, «Digital Twin: Mitigating Unpredictable, Undesirable Emergent Behavior in Complex Systems», en Transdisciplinary Perspectives on Complex Systems. , Springer International Publishing, 2016, 4, pp. 85-113. doi: 10.1007/978-3-319-38756-7_4.
E. H. Glaessgen y D. S. Stargel, «The Digital Twin Paradigm for Future NASA and U.S. Air Force Vehicles», en NASA Center for AeroSpace Information (CASI). Conference Proceedings, NASA/Langley Research Center, 2012, pp. 1-14. [En línea]. Disponible en: https://search.proquest.com/docview/2128291978?pq-origsite=primo
R. Ganguli y S. Adhikari, «The digital twin of discrete dynamic systems: Initial approaches and future challenges», Appl Math Model, vol. 77, pp. 1110-1128, 2020, doi: 10.1016/j.apm.2019.09.036.
R. E. Kalman, «A New Approach to Linear Filtering and Prediction Problems», Journal of Basic Engineering, vol. 82, n.o 1, pp. 35-45, 1960, doi: 10.1115/1.3662552.
R. G. Brown y P. Y. C. Hwang, Introduction to Random Signals and Applied Kalman Filtering with Matlab Exercises, 4.a ed. Wiley, 2012.
E. N. Chatzi y A. W. Smyth, «The unscented Kalman filter and particle filter methods for nonlinear structural system identification with non-collocated heterogeneous sensing», Struct Control Health Monit, vol. 16, n.o 1, pp. 99-123, 2009.
Y.-H. Park, H.-B. Lee, y G.-W. Kim, «Crack Monitoring in Rotating Shaft Using Rotational Speed Sensor-Based Torsional Stiffness Estimation with Adaptive Extended Kalman Filters», Sensors, vol. 23, n.o 5, p. 2437, 2023.
M. Impraimakis y A. W. Smyth, «A new residual-based Kalman filter for real time input–parameter–state estimation using limited output information», Mech Syst Signal Process, vol. 178, p. 109284, 2022.
S. Akhlaghi, N. Zhou, y Z. Huang, «Adaptive adjustment of noise covariance in Kalman filter for dynamic state estimation», en 2017 IEEE Power & Energy Society General Meeting, 2017, pp. 1-5. doi: 10.1109/PESGM.2017.8273755.
P. Matisko y V. Havlena, «Noise covariances estimation for Kalman filter tuning», IFAC Proceedings Volumes, vol. 43, n.o 10, pp. 31-36, 2010, doi: https://doi.org/10.3182/20100826-3-TR-4015.00009.
M. Karasalo y X. Hu, «An optimization approach to adaptive Kalman filtering», Automatica, vol. 47, n.o 8, pp. 1785-1793, 2011, doi: https://doi.org/10.1016/j.automatica.2011.04.004.
A. Bustos, M. Tomas-Rodriguez, H. Rubio, y C. Castejon, «On the nonlinear hunting stability of a high-speed train bogie», Nonlinear Dyn, vol. 111, n.o 3, pp. 2059-2078, 2023, doi: 10.1007/s11071-022-07937-y.
X. Lei, High Speed Railway Track Dynamics: Models, Algorithms and Applications, Second edition. en Advances in High-speed Rail Technology. Springer Singapore Pte. Limited, 2021. doi: 10.1007/978-981-16-4593-8.
M. Melis Maynar, Apuntes de introducción a la dinámica vertical de la vía y a las señales digitales en ferrocarriles: con 151 programas en Matlab, Simulink, Visual C++, Visual Basic y Excel. Toledo: Escuela de Ingenieros de Caminos, Canales y Puertos, 2008.
J. C. O. Nielsen y A. Igeland, «Vertical Dynamic Interaction Between Train and Track Influence of Wheel and Track Imperfections», J Sound Vib, vol. 187, n.o 5, pp. 825-839, 1995, doi: 10.1006/jsvi.1995.0566.
M. Dumitriu, «Analysis of the Dynamic Response in the Railway Vehicles to the Track Vertical Irregularities. Part I: The Theoretical Model and the Vehicle Response Functions», Journal of engineering science and technology review, vol. 8, n.o 4, pp. 24-31, 2015, doi: 10.25103/jestr.084.04.
M. J. Gómez, E. Corral, C. Castejón, y J. C. García-Prada, «Effective Crack Detection in Railway Axles Using Vibration Signals and WPT Energy», Sensors, vol. 18, n.o 5, p. 1603, 2018, doi: 10.3390/s18051603.
K. Knothe y S. Stichel, Rail Vehicle Dynamics, 1st ed. Springer International Publishing, 2017.