[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-seo-291077-110":3,"detail-sidebar-cat-0-es-110":80,"doc-detail-291077-es":123},{"code":4,"msg":5,"data":6},0,"ok",{"site_id":7,"language":8,"slug":9,"title":10,"keywords":11,"description":12,"schema_data":13,"social_meta":73,"head_meta":75,"extra_data":77,"updated_unix":79},110,"es","application-of-machine-learning-techniques-in-the-analysis-of-sensor-data-in-railway-systems-summary-abstract-and-keywords","Aplicación de técnicas de Machine Learning en el análisis de datos de sensores en sistemas ferroviarios - Resumen, Abstract y KeyWords","","Este trabajo fin de grado aplica técnicas de Machine Learning y análisis de datos para evaluar el impacto de las operaciones de mantenimiento en un tren de alta velocidad. Se emplean datos reales de acelerómetros para estudiar el comportamiento dinámico antes y después del mantenimiento, considerando la necesidad de cambios en métricas de aceleración. El proceso incluye preprocesamiento, extracción de características y el uso combinado de clasificación supervisada con Random Forest y clustering no supervisado con DBSCAN.",{"@graph":14,"@context":72},[15,34,55],{"@type":16,"itemListElement":17},"BreadcrumbList",[18,23,27,31],{"item":19,"name":20,"@type":21,"position":22},"https://docshare.wps.com","Home","ListItem",1,{"item":24,"name":25,"@type":21,"position":26},"https://docshare.wps.com/es/document/","Document",2,{"item":28,"name":29,"@type":21,"position":30},"https://docshare.wps.com/es/document/investigación-e-informes/","Investigación e Informes",3,{"item":32,"name":10,"@type":21,"position":33},"https://docshare.wps.com/es/document/application-of-machine-learning-techniques-in-the-analysis-of-sensor-data-in-railway-systems-summary-abstract-and-keywords/291077/",4,{"url":32,"name":10,"@type":35,"image":36,"author":41,"headline":10,"publisher":44,"fileFormat":47,"inLanguage":8,"description":12,"dateModified":48,"datePublished":49,"encodingFormat":47,"isAccessibleForFree":50,"interactionStatistic":51},"DigitalDocument",{"url":37,"@type":38,"width":39,"height":40},"https://docshare.wps.com/thumbnails/application-of-machine-learning-techniques-in-the-analysis-of-sensor-data-in-railway-systems-summary-abstract-and-keywords/291077.png","ImageObject",300,407,{"name":42,"@type":43},"Theodora","Person",{"url":19,"name":45,"@type":46},"DocShare","Organization","application/pdf","2026-10-03","2026-09-17",true,{"@type":52,"interactionType":53,"userInteractionCount":30},"InteractionCounter",{"@type":54},"ViewAction",{"@type":56,"mainEntity":57},"FAQPage",[58,64,68],{"name":59,"@type":60,"acceptedAnswer":61},"Cuál es el objetivo principal del proyecto?","Question",{"text":62,"@type":63},"Determinar si las operaciones de mantenimiento producen un cambio significativo en las métricas de aceleración del tren, comparando el comportamiento dinámico antes y después del mantenimiento.","Answer",{"name":65,"@type":60,"acceptedAnswer":66},"Qué datos se utilizan en el estudio?",{"text":67,"@type":63},"Se emplean datos reales de acelerómetros del tren para analizar su comportamiento dinámico y relacionarlo con el estado antes y después del mantenimiento.",{"name":69,"@type":60,"acceptedAnswer":70},"Qué métodos de Machine Learning se aplican?",{"text":71,"@type":63},"Se utiliza clasificación supervisada con Random Forest y clustering no supervisado con DBSCAN, tras realizar preprocesamiento y extracción de características.","https://schema.org",{"og:url":32,"og:type":74,"og:title":10,"og:site_name":45,"og:description":12},"article",{"robots":76,"canonical":32},"index,follow",{"doc_id":78,"site_id":7},291077,1790671872,{"code":4,"msg":81,"data":82},"success",[83,88,92,96,100,103,107,111,115,119],{"id":84,"doc_module":4,"doc_module_name":25,"category_name":85,"show_sort_weight":86,"slug":87},39,"Cómic",60,"comic",{"id":89,"doc_module":4,"doc_module_name":25,"category_name":90,"show_sort_weight":86,"slug":91},43,"Estilo de Vida","lifestyle",{"id":93,"doc_module":4,"doc_module_name":25,"category_name":94,"show_sort_weight":86,"slug":95},38,"Examen","exam",{"id":97,"doc_module":4,"doc_module_name":25,"category_name":98,"show_sort_weight":86,"slug":99},44,"General","general",{"id":101,"doc_module":4,"doc_module_name":25,"category_name":29,"show_sort_weight":86,"slug":102},41,"research-report",{"id":104,"doc_module":4,"doc_module_name":25,"category_name":105,"show_sort_weight":86,"slug":106},37,"Literatura","literature",{"id":108,"doc_module":4,"doc_module_name":25,"category_name":109,"show_sort_weight":86,"slug":110},22,"Relatos y Novelas","story-novel",{"id":112,"doc_module":4,"doc_module_name":25,"category_name":113,"show_sort_weight":86,"slug":114},42,"Religión y Espiritualidad","religion-spirituality",{"id":116,"doc_module":4,"doc_module_name":25,"category_name":117,"show_sort_weight":86,"slug":118},40,"Salud y Atención Médica","healthcare",{"id":120,"doc_module":4,"doc_module_name":25,"category_name":121,"show_sort_weight":86,"slug":122},24,"Tecnología","technology",{"code":4,"msg":81,"data":124},{"doc_id":78,"user_id":125,"nickname":42,"user_avatar":126,"doc_module":4,"category_id":101,"category_name":29,"doc_title":10,"doc_description":12,"doc_content":127,"file_id":128,"file_url":129,"file_type":130,"file_size":131,"view_count":30,"is_deleted":4,"is_public":22,"is_downloadable":22,"audit_status":22,"page_count":132,"language":133,"language_code":8,"site_id":7,"html_lang":8,"table_of_contents":134,"faqs":135,"seo_title":136,"seo_description":12,"update_tm":137,"read_time":138},687197207919,"https://ap-avatar.wpscdn.com/avatar/a000253d6f5f7c60be?x-image-process=image/resize,m_fixed,w_180,h_180&k=1779446848396160552","'REOH *UDGR 8QLYHUVLWDULR HQ ,QJHQLHUtD ,QIRUPiWLFD \\ $'(  \n􀀕􀀓􀀕􀀗􀀐􀀕􀀓􀀕􀀘  \n7UDEDMR )LQ GH *UDGR  \n$SOLFDFLyQ GH WpFQLFDV GH 0DFKLQH /HDUQLQJ HQ HO DQiOLVLV GH GDWRV GH VHQVRUHV HQ VLVWHPDV IHUURYLDULRV  \n$OEHUWR *DOOHJRV 0DUWtQH]  \n7XWRU􀀒HV 0LJXHO ÈQJHO 3DWULFLR *XLVDGR &ROPHQDUHMR􀀏 VHSWLHPEUH GH 􀀕􀀓􀀕􀀘  \n>,QFOXLU HQ HO FDVR GHO LQWHUpV GH VX SXEOLFDFLyQ HQ HO DUFKLYR DELHUWR@  \n(VWD REUD VH HQFXHQWUD VXMHWD D OD OLFHQFLD &UHDWLYH &RPPRQV  \nReconocimiento – No Comercial – Sin Obra Derivada  \nA mi padres, hermana y abuelos, por apoyarme, ayudarme y aconsejarme en mi vida académica, profesional y personal siempre mirandopor mi.  \nEn especial a mi abuelo Albertopor ser un ejemplo a seguir en el mundo de laingeniería, y a mi abuelo Salvador, que le echamos mucho de menos.  \nA mi mayor apoyo, Rocíopor acompañarme estos seis años en todo momento.  \nResumen, Abstract y KeyWords  \nResumen  \nEste trabajo fin de grado se enfoca en el uso de técnicas de machine learning y análisis de datos para evaluar el impacto de las operaciones de mantenimiento en un tren de alta velocidad. Se utilizan datos reales de acelerómetros del tren para analizar el comportamiento dinámico antes y después del mantenimiento.  \nEl trabajo incluye el preprocesamiento de los datos, la extracción de características y la aplicación de algoritmos de clasificación supervisada (Random Forest) y clustering no supervisado (DBSCAN). El objetivo principal es identificar si el mantenimiento produce un cambio significativo en las métricas de aceleración.  \nAbstract  \nThis final-degree project focuses on using machine learning and data analysis techniques to evaluate the impact of maintenance operations on high-speed trains. Real data from the train's accelerometers is analysed to examine its dynamic behaviour before and after maintenance.  \nThe project involves data pre-processing and feature extraction, as well as applying supervised classification (Random Forest) and unsupervised clustering (DBSCAN) algorithms. The main objective is to determine whether maintenance results in significant changes to acceleration metrics.  \nKeyWords  \nMantenimiento predictivo, Machine Learning, Análisis de Datos, Sensores, Acelerómetros, Clasificación supervisada, Clustering no supervisado, Ingeniería ferroviaria.  \nPredictive maintenance, machine learning, data analysis, sensors, accelerometers, supervised classification, unsupervised clustering, railway engineering.  \nÍndice  \n1. Introducción y Objetivos .......................................................................................... 9  \n1.1. Motivación ........................................................................................................ 9  \n1.2. Objetivos del proyecto .................................................................................... 10  \n1.3. Estructura de la memoria ................................................................................. 11  \n2. Estado del arte ........................................................................................................ 13  \n2.1. Mantenimiento predictivo en el sector ferroviario ......................................... 13  \n2.2. Sensores y parámetros relevantes en dinámica ferroviaria............................. 14  \n2.3. Patrones de aceleración y su relación con fallos mecánicos .......................... 15  \n2.4. Técnicas estadísticas para la comparación de señales en series temporales... 17  \n2.5. Métodos de clustering aplicados a datos de series temporales ....................... 18  \n2.6. Clasificación supervisada y no supervisada en contextos industriales........... 20  \n2.7. Herramientas y librerías de machine learning aplicadas ................................ 21  \n3. Descripción de los datos ......................................................................................... 24  \n3.1. Fuente y adquisición de datos......................................................................... 24  \n3.2. Variables registradas y descr","cbCaijq0qKG4Hsm7","https://ap.wps.com/l/cbCaijq0qKG4Hsm7","pdf",5533385,123,"Spanish","# Resumen, Abstract y KeyWords\n## Resumen\n## Abstract\n## KeyWords\n# Índice\n## 1. Introducción y Objetivos\n### 1.1. Motivación\n### 1.2. Objetivos del proyecto\n### 1.3. Estructura de la memoria\n## 2. Estado del arte\n### 2.1. Mantenimiento predictivo en el sector ferroviario\n### 2.2. Sensores y parámetros relevantes en dinámica ferroviaria\n### 2.3. Patrones de aceleración y su relación con fallos mecánicos\n### 2.4. Técnicas estadísticas para la comparación de señales en series temporales\n### 2.5. Métodos de clustering aplicados a datos de series temporales\n### 2.6. Clasificación supervisada y no supervisada en contextos industriales\n### 2.7. Herramientas y librerías de machine learning aplicadas\n## 3. Descripción de los datos\n### 3.1. Fuente y adquisición de datos\n### 3.2. Variables registradas y descripción de sensores\n### 3.3. Estructura temporal y granularidad\n### 3.4. Preprocesado inicial: limpieza, filtrado y sincronización\n### 3.5. Etiquetado de trayectos pre y post mantenimiento\n### 3.6. Limitaciones y posibles sesgos en los datos\n## 4. Metodología\n### 4.1. Arquitectura general del análisis\n### 4.2. Herramientas de software utilizadas (Python, librerías, entornos)\n### 4.3. Técnicas de preprocesamiento y extracción de características","[{\"question\":\"Cuál es el objetivo principal del proyecto?\",\"answer\":\"Determinar si las operaciones de mantenimiento producen un cambio significativo en las métricas de aceleración del tren, comparando el comportamiento dinámico antes y después del mantenimiento.\"},{\"question\":\"Qué datos se utilizan en el estudio?\",\"answer\":\"Se emplean datos reales de acelerómetros del tren para analizar su comportamiento dinámico y relacionarlo con el estado antes y después del mantenimiento.\"},{\"question\":\"Qué métodos de Machine Learning se aplican?\",\"answer\":\"Se utiliza clasificación supervisada con Random Forest y clustering no supervisado con DBSCAN, tras realizar preprocesamiento y extracción de características.\"}]","Aplicación de técnicas de Machine Learning en el análisis de datos de sensores en sistemas ferroviarios - Resumen, Abstract y KeyWords | PDF",1789643388,189]