Investigaciones recientes:
El trabajo del investigador se centra en el monitoreo predictivo y la detección de fallas en sistemas industriales, con un fuerte énfasis en aprendizaje automático, análisis basados en datos y soluciones escalables. A lo largo de las publicaciones, los temas centrales incluyen aprendizaje de una sola clase para detección de fallas con datos limitados, análisis de series temporales y señales de vibración para la evaluación de la salud, y arquitecturas prácticas (incluyendo enfoques sin servidor y en la nube) para monitoreo en línea o casi en tiempo real. Las metodologías combinan aprendizaje no supervisado y semi-supervisado (autoencoders, GANs, SVM de una clase), análisis en el dominio de la frecuencia de corrientes de motor y señales de vibración, y enfoques de implementación que integran diseño ágil con colaboración con la industria. Su impacto reside en demostrar detección de fallas robusta ante la escasez de datos, ilustrar cómo las características espectrales y las representaciones aprendidas se correlacionan con la severidad de las fallas, y probar arquitecturas escalables y relevantes para la industria para acciones de mantenimiento preventivo tempranas.

Temas Clave:

• Inteligencia artificial, aprendizaje automático y ciencia de datos
• Sistemas de fabricación, Mantenimiento, Fiabilidad y Mantenimiento predictivo (PHM)
• Sensores, Instrumentación y Sistemas de Medición