Este Trabajo de Fin de Grado surge con la intención de aplicar Machine Learning a ciertos procesos que toman lugar dentro del departamento de iMaintenance de la empresa Patentes Talgo S.L., una empresa del sector ferroviario español responsable del diseño, construcción y mantenimiento de sus propios trenes.
Para ello se han propuesto dos objetivos; a día de hoy, la salud de cada componente del TCMS (sistema de control y monitorización del tren) se fija mediante unos Thresholds obtenidos mediante un análisis matemático simple y se quiere estudiar si aplicando Machine Learning podemos obtener unos resultados más completos para fijar dichos thresholds. El segundo objetivo estudia aplicar Machine Learning para encontrar correlaciones entre componentes de dicho sistema, es decir, poder ver si cuando un componente falla hay otros componentes que fallen simultáneamente.
Tras un primer análisis de las diferentes técnicas existentes, se ha decidido centrar el trabajo en la técnica de Aprendizaje no Supervisado de Clustering para alcanzar los objetivos propuestos. Cabe mencionar que ha sido necesario el uso de más estrategias ligadas a Machine Learning, como el Preprocesamiento de Datos o el ajuste de Hiperparámetros de los algoritmos, técnicas las cuales se irán mencionando y explicando a lo largo del trabajo.
Por cada objetivo se ha probado una serie de enfoques y mediante un análisis de resultados se ha justificado adecuadamente si ha tenido éxito o no; para la mejora de la evaluación de la salud se toma la salud fijada antes de utilizar Aprendizaje Automático y se compara con las predicciones obtenidas, permitiendo ver las diferencias entre estas, mientras que para el segundo enfoque, se incluyen una serie de diagramas que aportan información sobre las coincidencias entre componentes.
Abstract:
This Final Degree Project aims to apply Machine Learning to specific processes within the iMaintenance department at Patentes Talgo S.L., a Spanish railway company responsible for designing, constructing, and maintaining its trains.
Two main objectives were defined: currently, the health status of each component in the TCMS (Train Control and Monitoring System) is determined using a fixed Thresholds derived from simple mathematical analysis. The goal is to explore whether using Machine Learning can yield more complete results to define those thresholds. The second objective focuses on identifying correlations between system components, meaning determining whether the failure of one component tends to coincide with the failure of others.
After reviewing several existing techniques, the project focused on Unsupervised Learning using Clustering methods to achieve the proposed goals. It is also worth noting that other strategies closely related to Machine Learning, such as Data Preprocessing and hyperparameter tuning, were necessary and are discussed throughout the work.
For each objective, several approaches were tested. Results were analyzed to determine whether each approach was successful. For the first goal, predictions made by the clustering models were compared with the original health assignments to evaluate the differences. For the second goal, a set of diagrams was included to illustrate correlations and patterns between component failures.
Este Trabajo de Fin de Grado surge con la intención de aplicar Machine Learning a ciertos procesos que toman lugar dentro del departamento de iMaintenance de la empresa Patentes Talgo S.L., una empresa del sector ferroviario español responsable del diseño, construcción y mantenimiento de sus propios trenes.
Para ello se han propuesto dos objetivos; a día de hoy, la salud de cada componente del TCMS (sistema de control y monitorización del tren) se fija mediante unos Thresholds obtenidos mediante un análisis matemático simple y se quiere estudiar si aplicando Machine Learning podemos obtener unos resultados más completos para fijar dichos thresholds. El segundo objetivo estudia aplicar Machine Learning para encontrar correlaciones entre componentes de dicho sistema, es decir, poder ver si cuando un componente falla hay otros componentes que fallen simultáneamente.
Tras un primer análisis de las diferentes técnicas existentes, se ha decidido centrar el trabajo en la técnica de Aprendizaje no Supervisado de Clustering para alcanzar los objetivos propuestos. Cabe mencionar que ha sido necesario el uso de más estrategias ligadas a Machine Learning, como el Preprocesamiento de Datos o el ajuste de Hiperparámetros de los algoritmos, técnicas las cuales se irán mencionando y explicando a lo largo del trabajo.
Por cada objetivo se ha probado una serie de enfoques y mediante un análisis de resultados se ha justificado adecuadamente si ha tenido éxito o no; para la mejora de la evaluación de la salud se toma la salud fijada antes de utilizar Aprendizaje Automático y se compara con las predicciones obtenidas, permitiendo ver las diferencias entre estas, mientras que para el segundo enfoque, se incluyen una serie de diagramas que aportan información sobre las coincidencias entre componentes.
Abstract:
This Final Degree Project aims to apply Machine Learning to specific processes within the iMaintenance department at Patentes Talgo S.L., a Spanish railway company responsible for designing, constructing, and maintaining its trains.
Two main objectives were defined: currently, the health status of each component in the TCMS (Train Control and Monitoring System) is determined using a fixed Thresholds derived from simple mathematical analysis. The goal is to explore whether using Machine Learning can yield more complete results to define those thresholds. The second objective focuses on identifying correlations between system components, meaning determining whether the failure of one component tends to coincide with the failure of others.
After reviewing several existing techniques, the project focused on Unsupervised Learning using Clustering methods to achieve the proposed goals. It is also worth noting that other strategies closely related to Machine Learning, such as Data Preprocessing and hyperparameter tuning, were necessary and are discussed throughout the work.
For each objective, several approaches were tested. Results were analyzed to determine whether each approach was successful. For the first goal, predictions made by the clustering models were compared with the original health assignments to evaluate the differences. For the second goal, a set of diagrams was included to illustrate correlations and patterns between component failures. Read More
Related posts:
Impacto del deporte extraescolar en el rendimiento académico: una revisión teórica
Análisis de las lesiones más comunes en pádel y desarrollo de un programa integral de prevención
Análisis de diferentes enfoques de Machine Learning y métodos estadísticos para la creación de modelos en el ámbito de Team Diagnostic Survey
Simbiosis Natural: Diseño biofílico para el bienestar y la sostenibilidad
Consumo moderado de alcohol y rendimiento deportivo. Análisis de la literatura científica
Beneficios y diferencias de diferentes tipos de entrenamiento en embarazadas