La línea trabaja sobre el sistema pantógrafo-catenaria para mejorar la captación de corriente combinando simulación y validación experimental. Sus objetivos específicos son:

Objetivos específicos

1. Obtener modelos realistas de la catenaria ferroviaria que consideren la geometría real existente, afectada por el viento, las dilataciones térmicas y la eficiencia del sistema de compensación.
2. Generar modelos de elementos finitos de la catenaria que incluyan errores de montaje y defectos.
3. Proponer métodos de detección de defectos basados en redes neuronales, entrenados mediante simulaciones del sistema pantógrafo-catenaria.
4. Ajustar el entrenamiento y validar los métodos desarrollados en el banco de ensayos HiL de pantógrafos.

El plan de trabajo se apoya en tres metodologías complementarias: la obtención de modelos de elementos finitos realistas de la catenaria a partir de medidas experimentales, el uso de técnicas de inteligencia artificial para detectar errores de montaje y defectos en el funcionamiento (entrenadas con simulaciones del sistema pantógrafo-catenaria) y la validación experimental de los procedimientos en el banco de ensayos HiL, teniendo en cuenta las limitaciones de los sensores reales.

La validación en banco permite hacerlo de forma mucho más económica y segura que los ensayos en vía, y comprobar que las técnicas desarrolladas pueden transferirse a vehículos reales.

La geometría del hilo de contacto depende de parámetros de diseño como las tensiones impuestas por el sistema de compensación, las distancias entre postes y las posiciones y longitudes de las péndolas, y durante la instalación se producen errores que la alejan de la configuración nominal. Recuperar la geometría real se formula como un problema de optimización: la función objetivo es la diferencia entre la fuerza de contacto medida en vía y la simulada, y los parámetros de diseño son, fundamentalmente, las longitudes de péndola y las posiciones de las ménsulas.

Para que la búsqueda de la geometría sea viable se construye un modelo eficiente de elementos finitos con la herramienta propia PACDIN, mediante base modal con método de Newmark, estrategia de cálculo offline-online para la no linealidad de las péndolas y truncamiento modal. La optimización se resuelve con algoritmos genéticos y con un procedimiento secuencial e iterativo que aprovecha que, a medida que el pantógrafo avanza por la vía, los parámetros de los cantones siguientes aún no influyen en la solución.

Con medidas de fuerza de contacto de la catenaria C270 italiana (tren de alta velocidad con pantógrafo ATR95) y de la red CA-220 española, los resultados esperados son un modelo ajustado a la geometría real de ambas catenarias y una geometría optimizada para mejorar la calidad de la captación de corriente.

Las desviaciones de la geometría de la catenaria respecto de la configuración nominal pueden agravarse con el tiempo por la eficiencia del sistema de compensación mecánica y las dilataciones térmicas, y durante el servicio pueden aparecer fallos como la rotura súbita de una péndola o el bloqueo del sistema de compensación. Detectarlos de forma autónoma, sin inspeccionar todos los kilómetros de catenaria instalada, es uno de los objetivos clave de la línea.

Con el modelo validado se generará una base de datos con miles de simulaciones de catenarias nominales y con distintos tipos de errores de montaje, para una amplia variedad de condiciones de funcionamiento (velocidad del vehículo, fuerza estática del pantógrafo, desgaste del hilo de contacto). Sobre las señales resultantes se entrenarán redes neuronales capaces de clasificar: i) desviación demasiado elevada de la fuerza de contacto, ii) péndola ausente o inclinada, iii) desgaste anormalmente alto e iv) geometría fuera de los límites permitidos por la normativa.

Las señales candidatas son señales de bajo coste que pueden medirse en un pantógrafo en servicio: aceleraciones, desplazamientos en distintas partes del pantógrafo y una estimación indirecta de la fuerza de contacto. El ajuste de los hiperparámetros de las redes se abordará con algoritmos genéticos, y se seleccionará la combinación de sensores y arquitectura de red que ofrezca mayor precisión con una sensorización realizable.

Los modelos de catenaria se adaptarán para ejecutarse en tiempo real en el PC del banco (coste por paso menor de 2 ms) y se seleccionarán las catenarias simuladas más significativas para los ensayos. Sobre el pantógrafo se implementará una instrumentación de bajo coste —acelerómetros tipo MEMS como los de los dispositivos móviles, sensores de desplazamiento y técnicas de visión artificial—, gestionada con procesadores de bajo coste que puedan instalarse en cualquier pantógrafo.

Se valorará entrenar las redes con los datos de simulación o directamente en el banco, y la validación final se medirá con métricas estándar de precisión y de capacidad de generalización sobre datos no vistos por la red.

1. Modelos de elementos finitos de las catenarias C270 y CA-220 ajustados a su geometría real, y geometrías optimizadas para mejorar la calidad de la captación de corriente.
2. Modelos de redes neuronales para la detección autónoma de errores de montaje y defectos en la catenaria, y selección de la tecnología de sensores de bajo coste para su implementación en pantógrafos.
3. Procedimientos de detección entrenados y validados experimentalmente en el banco de ensayos HiL de pantógrafos, con potencial para transferirse a vehículos reales.