Doctorado en IA Informada por la Física y Explicable para el Diagnóstico de Aerogeneradores

Para disfrutar en este equipo necesitarás:

• Máster finalizado, o próximo a finalizar, en Ingeniería Industrial, Mecánica, Mecatrónica, Automática, Ciencia de Datos, Inteligencia Artificial, Matemáticas, Física o titulaciones afines.
• Conocimientos de programación, preferentemente en Python.
• Conocimientos de aprendizaje automático, inteligencia artificial o análisis de datos.
• Interés por el modelado físico de sistemas, la monitorización de maquinaria y el mantenimiento predictivo.
• Capacidad para comprender y trabajar con modelos matemáticos y datos procedentes de sensores.
• Nivel de inglés suficiente para leer documentación científica, redactar publicaciones y participar en congresos internacionales.
• Capacidad de relación, organización del trabajo, iniciativa, autonomía y trabajo en equipo.
• Capacidad de comunicación oral y escrita.
• Motivación para desarrollar una carrera investigadora aplicada a problemas industriales.
• Y, sobre todo, pasión por la tecnología.

¿Te gustaría desarrollar una inteligencia artificial que no solo detecte anomalías, sino que también sea capaz de explicar qué está ocurriendo físicamente en una máquina?

Te incorporarás al equipo de especialización de Operaciones de Datos (DAE) de IKERLAN, donde desarrollamos y productivizamos soluciones basadas en datos, modelos y gemelos digitales para el diagnóstico, pronóstico y optimización de sistemas industriales.

Tu tesis se desarrollará en el marco del proyecto PhIE-WinTurCoM, en colaboración con la Universitat Politècnica de Catalunya (UPC). Investigarás nuevas técnicas de inteligencia artificial informada por la física y explicable para mejorar el diagnóstico de los trenes de potencia de aerogeneradores. El objetivo será superar la escasez de datos de fallo, estimar parámetros físicos asociados a la degradación, cuantificar la severidad de las anomalías y proporcionar explicaciones útiles para ingeniería sobre su causa raíz.

Combinarás modelos físicos, datos SCADA y señales de vibración procedentes de sistemas CMS para convertir la IA en una herramienta de diagnóstico fiable, interpretable y aplicable en condiciones industriales reales.

• Analizar el estado del arte en inteligencia artificial informada por la física, diagnóstico explicable y monitorización de maquinaria rotativa.
• Investigar modelos híbridos que integren datos de operación, señales de vibración y conocimiento físico del sistema.
• Desarrollar modelos inversos basados en redes neuronales informadas por la física para estimar parámetros no observables relacionados con la degradación, como cambios de rigidez, amortiguamiento o generación de calor por fricción.
• Investigar técnicas para cuantificar la incertidumbre de las estimaciones y proporcionar intervalos de confianza asociados al diagnóstico.
• Desarrollar métodos de IA explicable que identifiquen qué señales y variables han provocado una anomalía y traduzcan los resultados a conceptos comprensibles para ingeniería.
• Contribuir al desarrollo del framework software de diagnóstico, integrando modelos físicos, algoritmos de IA y herramientas de análisis.
• Validar las metodologías mediante datos reales, datos sintéticos y bancos de ensayo.
• Participar en la difusión científica mediante publicaciones y congresos internacionales.
• Colaborar en actividades de transferencia y divulgación con empresas.
• Generar resultados transferibles a otros sistemas rotativos y sectores industriales.
• Y, por supuesto, escribir y defender tu tesis doctoral.