Resumen
La presente tesis doctoral aborda el problema del análisis y reconocimiento de patrones en series temporales generadas en entornos industriales, centrándose en señales eléctricas y ambientales cuya complejidad exige enfoques robustos, no intrusivos y adaptables a condiciones operativas cambiantes. Para ello, se integran técnicas estadísticas de alto orden, como el análisis multifractal, la bicoherencia y los cumulantes centrales, con metodologías de aprendizaje automático, particularmente modelos híbridos basados en redes neuronales recurrentes y convolucionales.
La tesis se estructura en tres estudios principales, cada uno centrado en un problema concreto, pero unidos por una misma filosofía metodológica: extraer información discriminante a partir de señales ruidosas, no estacionarias y con estructura compleja, en situaciones reales de operación.
En primer lugar, se propone un método de diagnóstico para la detección temprana de chispas en motores de corriente continua, combinando el análisis del espectro multifractal de la corriente de armadura y el flujo disperso con un nuevo indicador basado en el \textit{cepstrum} complejo. Los resultados muestran una clara discriminación entre distintos niveles en cuanto a la presencia de chispas, especialmente durante el arranque del motor, lo que refuerza la viabilidad de sistemas de monitorización embebidos para mantenimiento predictivo.
A continuación, se desarrolla una metodología para la detección automática de fallos en el bobinado de campo de motores síncronos con devanado, empleando análisis de bicoherencia y estadísticas de orden superior (asimetría y curtosis) aplicadas a señales de flujo disperso. Además, se introduce una técnica novedosa de segmentación de imágenes de bicoherencia mediante recorrido espiral ponderado, que permite cuantificar visualmente la severidad del fallo sin intervención humana. La estrategia demuestra una alta capacidad de detección y automatización bajo distintos regímenes de operación.
Finalmente, se presenta una arquitectura IoT para la predicción de variables ambientales en interiores (CO\textsubscript{2} y temperatura), que integra dispositivos de adquisición basados en microcontroladores, con modelos híbridos CNN-LSTM. Se realiza un análisis comparativo frente a otras arquitecturas de aprendizaje profundo, demostrando que el modelo propuesto ofrece el mejor rendimiento global (precisión, estabilidad y tiempo de respuesta), lo que valida su aplicación en entornos de gestión ambiental en tiempo casi real.
Los resultados obtenidos a lo largo de la tesis evidencian el potencial del enfoque adoptado para abordar problemáticas complejas en el ámbito industrial, combinando técnicas de análisis avanzado de señales con modelos de predicción basados en inteligencia artificial. Las soluciones desarrolladas, además de aportar nuevas herramientas teóricas y metodológicas, se caracterizan por su aplicabilidad práctica y su capacidad de integración en sistemas reales.
