Detección de anomalías en los componentes de la catenaria de sistemas ferroviarios usando imágenes tomadas en inspecciones y algoritmos de Machine Learning

Abstract

Este Trabajo Fin de Máster aborda la detección de anomalías en componentes de catenaria ferroviaria mediante técnicas de aprendizaje profundo aplicadas a datos tridimensionales de inspección. La motivación principal del proyecto surge de la necesidad de mejorar los procesos de mantenimiento predictivo en infraestructuras ferroviarias, donde la identificación temprana de defectos puede contribuir a reducir incidencias, optimizar recursos y aumentar la seguridad operativa.

El trabajo se centra en el análisis de elementos clave del sistema de catenaria, como el cable de contacto, el cable sustentador, los péndolas y los soportes. Para ello, se plantea un flujo metodológico completo que abarca desde la adquisición y preparación de los datos hasta la segmentación semántica, la evaluación de modelos y la posterior detección de regiones potencialmente anómalas. Durante el desarrollo se han aplicado técnicas de preprocesado, normalización, voxelización y partición de los datos, así como diferentes estrategias de entrenamiento y validación.

Se han estudiado y comparado varias arquitecturas de aprendizaje profundo orientadas al tratamiento de nubes de puntos y datos 3D, incluyendo modelos basados en puntos, convoluciones espaciales y redes eficientes para grandes volúmenes de información. A partir de los resultados obtenidos, se seleccionan las configuraciones más robustas para construir una etapa posterior de detección de anomalías, entendida como una priorización de zonas sospechosas que requieren revisión.

Los resultados muestran el potencial de estas técnicas para automatizar parte del análisis de inspecciones ferroviarias y servir como apoyo a los procesos de mantenimiento predictivo, sentando las bases para futuros desarrollos con validación en entornos reales.

This Master’s Thesis addresses anomaly detection in railway catenary components using deep learning techniques applied to three-dimensional inspection data. The main motivation of the project arises from the need to improve predictive maintenance processes in railway infrastructure, where the early identification of defects can help reduce incidents, optimize maintenance resources, and enhance operational safety.

The work focuses on the analysis of key catenary system components, such as the contact wire, messenger wire, droppers, and supports. To this end, a complete methodological workflow is proposed, covering data acquisition and preparation, semantic segmentation, model evaluation, and the subsequent detection of potentially anomalous regions. During the development of the project, several preprocessing techniques were applied, including denoising, normalization, voxelization, dataset partitioning, and data augmentation, together with different training and validation strategies.

Several deep learning architectures designed for point clouds and 3D data processing were studied and compared, including point-based models, spatial convolution approaches, and efficient networks for large-scale data. Based on the obtained results, the most robust configurations were selected to build a subsequent anomaly detection stage, understood as a prioritization process for suspicious areas requiring expert review.

The results show the potential of these techniques to automate part of the analysis of railway inspection data and to support predictive maintenance decision-making. Overall, this thesis provides a reproducible framework for catenary component segmentation and anomaly-oriented analysis, laying the groundwork for future developments involving larger datasets, explicit anomaly ground truth, and validation in real operational environments.