Procedimiento de mejora de la gestion de la información técnica del mantenimiento de equipos industriales en entornos de industria 4.0: aplicación a un compresor de hidrógeno

• Autores: Salvador Pérez García
• Directores de la Tesis: Miguel Ángel Sebastián Pérez (dir. tes.), Cristina González Gaya (dir. tes.)
• Lectura: En la UNED. Universidad Nacional de Educación a Distancia ( España ) en 2025
• Idioma: español
• Número de páginas: 182
• Tribunal Calificador de la Tesis: Juan Carlos García Prada (presid.), Cristina Castejón Sisamón (secret.), Emilio Gómez García (voc.)
• Programa de doctorado: Programa Oficial de Doctorado en Tecnologías Industriales
• Enlaces
  • Tesis en acceso abierto en: TESEO
• Resumen

  • Esta investigación doctoral analiza la aplicabilidad de técnicas de deep learning para predecir el comportamiento futuro de un compresor de hidrógeno. El estudio integra los Objetivos de Desarrollo Sostenible, las prácticas actuales de mantenimiento preventivo del equipo y configuraciones avanzadas de redes neuronales, con el objetivo de desarrollar un modelo de mantenimiento predictivo y sostenible de un compresor de hidrógeno, que pueda extenderse al resto de la organización.

    Varios son los objetivos que se pretende alcanzar con esta investigación: (1) analizar la idoneidad del empleo de Deep Learning para la resolución de este tipo de situaciones. (2) Comparar de rendimiento entre modelos basados en LSTM (Long Short-Term Memory), tradicionalmente utilizadas en predicción de series temporales, y arquitecturas basadas en Transformers, originariamente desarrolladas para el procesamiento de lenguaje natural. Por último, (3) evaluar la capacidad predictiva del modelo seleccionado y viabilidad de su implantación.

    Una vez definidas las arquitecturas se evalúan frente a los mismos datos reales de funcionamiento, mediante pruebas estadísticas avanzadas y con el fin de determinar cuál tiene un mejor rendimiento y cuál es el ajuste óptimo de los hiperparámetros de funcionamiento de la red.

    Los resultados evidencian que las arquitecturas basadas en Transformers empleando mecanismos de atención destacan en cuanto a capacidad predictora, siendo muy superior a otros modelos. Su integración en actividades de mantenimiento predictivo debe ser paulatina y paso a paso, sirviendo de fuente de información y ayuda para estabilizar los procesos y servir de palanca impulsora con el fin de obtener más información (mayor número de sensores) y mejorar la capacidad de determinar el estado real del equipo. De este modo se consigue una gestión adecuada de los recursos, reduciendo el empleo de mano de obra y repuestos innecesarios, eliminando los intervalos de mantenimiento planificados y reorientando la política de mantenimiento de la organización al empleo de un modelo predictivo.