En Energesis queremos felicitar a nuestro compañero José Guerra Carmenate por la culminación de su doctorado, un logro que refleja años de rigor académico, investigación profunda y una clara orientación hacia la aplicación práctica del conocimiento en entornos reales.
Su tesis doctoral aborda uno de los grandes retos de la industria actual: el análisis y reconocimiento de patrones en series temporales complejas, generadas a partir de señales eléctricas y ambientales en condiciones operativas cambiantes. Este tipo de señales, caracterizadas por ruido, no estacionariedad y alta variabilidad, requieren enfoques robustos, no intrusivos y adaptables, precisamente el eje central de su investigación.
El trabajo integra técnicas avanzadas de análisis de señales, como el análisis multifractal, la bicoherencia y las estadísticas de orden superior, con modelos de aprendizaje automático, en particular arquitecturas híbridas basadas en redes neuronales convolucionales y recurrentes (CNN–LSTM). El objetivo común es extraer información discriminante y útil en contextos industriales reales.
Una tesis estructurada en tres estudios aplicados
La investigación se organiza en tres estudios principales, conectados por una misma filosofía metodológica: convertir señales complejas en información accionable.
En primer lugar, se propone un método de detección temprana de chispas en motores de corriente continua, combinando el espectro multifractal de la corriente de armadura y el flujo disperso con un nuevo indicador basado en el cepstrum complejo. Los resultados muestran una clara capacidad de discriminación entre distintos niveles de presencia de chispas, especialmente durante el arranque del motor, reforzando el potencial de los sistemas de mantenimiento predictivo embebidos.
El segundo estudio se centra en la detección automática de fallos en el bobinado de campo de motores síncronos con devanado. Para ello, se emplean análisis de bicoherencia y estadísticas de orden superior aplicadas a señales de flujo disperso. Como aportación innovadora, se introduce una técnica de segmentación de imágenes de bicoherencia mediante recorrido espiral ponderado, que permite cuantificar visualmente la severidad del fallo sin intervención humana, aumentando el grado de automatización del diagnóstico.
Finalmente, la tesis aborda la predicción de variables ambientales en interiores, como CO₂ y temperatura, mediante una arquitectura IoT que integra dispositivos de adquisición basados en microcontroladores con modelos híbridos CNN–LSTM. El análisis comparativo frente a otras arquitecturas de aprendizaje profundo demuestra que el modelo propuesto ofrece el mejor rendimiento global en términos de precisión, estabilidad y tiempo de respuesta, validando su aplicación en sistemas de gestión ambiental en tiempo casi real.
Investigación aplicada con impacto industrial
Los resultados obtenidos evidencian el potencial de combinar análisis avanzado de señales e inteligencia artificial para abordar problemáticas complejas en el ámbito industrial. Las soluciones desarrolladas destacan no solo por sus aportaciones teóricas y metodológicas, sino también por su capacidad de integración en sistemas reales y su aplicabilidad práctica.
Desde Energesis, celebramos este logro como un ejemplo de cómo la investigación rigurosa y el desarrollo tecnológico pueden avanzar de la mano, generando conocimiento que aporta valor real a la industria y a la sociedad.
