Investigaciones recientes:
La investigación se centra en el avance del mantenimiento basado en la condición y la detección de fallas industriales mediante la integración de procesamiento de señales, aprendizaje automático y marcos de transferencia tecnológica colaborativa. Una parte significativa del trabajo aborda el desafío de la disponibilidad limitada de datos en entornos industriales mediante el desarrollo de modelos de aprendizaje no supervisado y de una sola clase, como autoencoders y redes generativas antagónicas (GAN), para identificar anomalías en maquinaria rotativa como compresores reciprocantes y bombas centrífugas. Estos esfuerzos técnicos se complementan con la aplicación de análisis en el dominio de la frecuencia, específicamente el análisis de firmas de corriente del motor, para diagnosticar fallas mecánicas con diversos niveles de severidad. Más allá de los diagnósticos técnicos, la investigación explora la implementación de arquitecturas en la nube sin servidor (serverless) para el monitoreo en línea. Además, el trabajo enfatiza la aplicación práctica de estas tecnologías a través de asociaciones estructuradas entre universidades, empresas y municipios. Mediante el empleo de metodologías ágiles, design thinking y la participación de actores bajo el modelo de la Cuádruple Hélice, estas colaboraciones facilitan la transferencia efectiva de soluciones basadas en investigación hacia desafíos reales de infraestructura y mantenimiento industrial, garantizando la sostenibilidad y la eficiencia operativa en contextos con recursos limitados.

Temas Clave:

• Detección de fallas industriales
• Monitoreo de condición de maquinaria rotativa
• Detección de anomalías de una sola clase
• Marcos de transferencia tecnológica
• Aprendizaje automático para mantenimiento predictivo
• Procesamiento de señales y análisis de frecuencia
• Analítica industrial basada en la nube