Líneas de Investigación
Líneas de investigación
CoDAlab se estructura en cuatro líneas de investigación interdisciplinarias, cada una orientada a un reto social distinto mediante inteligencia artificial, análisis de datos y teoría de control. Las metodologías transversales en IA y control favorecen sinergias activas entre las cuatro líneas.
WinTurCoM
Monitorización de condición de aerogeneradoresWinTurCoM aborda el reto de la transición energética, medioambiental y verde mediante la maximización de la fiabilidad y la vida útil de los aerogeneradores. Esta línea desarrolla marcos basados en IA para infraestructuras energéticas resilientes, validados con datos reales de parques eólicos en operación, alcanzando un Nivel de Madurez Tecnológica 5 (TRL5) a través de colaboraciones industriales activas bajo acuerdos de confidencialidad con Ocean Winds y RAVE Alpha Ventus.
Entre sus aportaciones se incluyen la monitorización de condición basada en datos y la monitorización de salud estructural (SHM) de estructuras soporte offshore: sensorización virtual basada en transformers para la reconstrucción de respuesta dinámica, identificación de aflojamiento de pernos y detección temprana y prognosis del deterioro mecánico en componentes del tren de potencia a partir de datos SCADA.
El plan de trabajo futuro pasa de la monitorización aislada de activos a un marco centrado en datos y basado en poblaciones, desplegando redes neuronales de grafos para modelar parques eólicos como redes colaborativas de sensores, integrando IA explicable para traducir características latentes en modos físicos de fallo y avanzando hacia TRL6 mediante despliegue cuasi-operacional semanal.
Reto
Transición energética, medioambiental y verde
TRL actual
5 → objetivo 6
Métodos
Socios industriales
Ocean Winds (OW) · RAVE Alpha Ventus · IKERLAN · Smartive
Publicaciones representativas
Encalada-Dávila et al. y Y. Vidal - "Early Fault Detection in the Main Bearing of Wind Turbines Based on GRU Neural Networks and SCADA Data." IEEE/ASME Trans. Mechatronics, 2022. 114 citas (GScholar) · Field Citation Ratio ×32.7
Wang, Vidal y Pozo - "An unsupervised approach to early fault detection and performance degradation assessment in bearings." Advanced Engineering Informatics, 2025. Puesto 4/179 · Acceso abierto
AIWinTurCoM · AEI
Deep learning y machine learning para mantenimiento predictivo en aerogeneradores · 2022-2026 · €103,697
DTWinTurCoM · AEI
Gemelos digitales para monitorización de condición de aerogeneradores · 2022-2024 · €181,815
STOR-HY · Horizon Europe
Resiliencia de la red energética de la UE · SHM en hidroelectricidad · 2024-2028
Sistemas de Control
Modelado, diseño en realimentación y sistemas ciberfísicosLa línea de Control se centra en el modelado y diseño de sistemas de realimentación para estabilidad y robustez, contribuyendo a infraestructuras industriales resilientes alineadas con el reto de la transición energética y verde. El grupo ha validado técnicas como control por modos deslizantes, control predictivo basado en modelos y enfoques adaptativos basados en funciones barrera, al tiempo que mejora de forma sistemática controladores PID clásicos con rigor matemático.
Para facilitar la difusión global, se ha priorizado el desarrollo de plataformas experimentales de bajo coste. Una convergencia reciente con WinTurCoM ha iniciado el estudio de compuestos termoplásticos, diseñando estrategias de control robustas para sistemas con sensores embebidos y dinámicas termo-mecánicas acopladas, avanzando desde el modelado hacia validación TRL 4-5 mediante sistemas Hardware-in-the-Loop e IA informada por física.
La línea se organiza en torno a cuatro nodos complementarios de experiencia: monitorización guiada por IA (Mujica), hardware embebido y realimentación (Acho), harvesting piezoeléctrico de energía para autonomía del sistema (Pujol-Vázquez) y estrategias de control descentralizado para sistemas a gran escala con múltiples actuadores (Rubió).
Reto
Digitalización industrial e infraestructura resiliente
TRL objetivo
4-5 validación mediante HIL
Métodos
Laboratorio
Technologic Development and Control Lab
ESEIAAT · Campus Terrassa
Publicaciones representativas
Mobayen, Vargas, Acho, Pujol-Vázquez y Caruntu - "Stabilization of two-dimensional nonlinear systems through barrier-function-based integral sliding-mode control: application to a magnetic levitation system." Nonlinear Dynamics, 2023. Puesto 17/182 · Validación experimental en plataforma MagLev
SNAPSHOT · AEI
Sistemas guiados por IA para proceso de fabricación y SHM de compuestos · 2025-2028 · €100,000
Unite Energy · Horizon Europe
Red doctoral europea sobre almacenamiento químico de energía mediante hidrógeno · 2024-2027
E-ROTORS · Unite! Seed Fund
Módulos de Industria 5.0 para estudiantes de Máster y doctorado · 2025-2026
Monitorización de Salud Estructural
Structural Health Monitoring (SHM)La línea SHM se centra en el desarrollo y aplicación de metodologías inteligentes para monitorizar la integridad estructural de sistemas de ingeniería, desde infraestructuras civiles y estructuras offshore hasta materiales compuestos y maquinaria industrial. Esta línea conecta IA basada en datos con modelado físico para permitir detección temprana de daño, localización y prognosis en estructuras complejas que operan en condiciones reales.
Entre sus aportaciones destacan el reconocimiento de patrones avanzado y el procesamiento estadístico de señales para identificación de daño, estrategias de fusión multivariante de datos para redes distribuidas de sensores y el desarrollo de marcos SHM basados en poblaciones que aprovechan datos a nivel de flota para generalizar entre estructuras nominalmente idénticas. Estas metodologías se han validado en bancos de laboratorio y en estructuras reales en colaboración con socios internacionales de investigación.
La línea mantiene sinergias estrechas con WinTurCoM, aportando experiencia en monitorización estructural a aplicaciones de energía eólica offshore, y con la línea de Control mediante trabajo conjunto en materiales compuestos y sistemas de sensorización embebida. Las colaboraciones internacionales con grupos de referencia en SHM de la UPM, Rice University, JKU Linz, University of Catania, Zhejiang University y Universidad Nacional de Colombia refuerzan además el alcance de la investigación.
Reto
Transición energética, medioambiental y verde · Digitalización industrial
Alcance
Estructuras y compuestos
Offshore · Civil · Industrial · Aeroespacial
Métodos
Colaboradores principales
UPM Madrid · Rice University · JKU Linz · Univ. Catania · Zhejiang Univ. · Univ. Nacional de Colombia
Congresos y foros representativos
European Workshop on Structural Health Monitoring - miembros de CoDAlab forman parte del Comité Científico y participan regularmente en este foro europeo de referencia en SHM.
L. Mujica fundó y preside el Latin American Workshop on Structural Health Monitoring - primera edición, Cartagena de Indias, Colombia, 2023; segunda edición, Santiago de Chile, 2026.
SNAPSHOT · AEI
SHM guiado por IA para procesos de fabricación y estructuras compuestas · 2025-2028 · €100,000
STOR-HY · Horizon Europe
Monitorización de condición basada en sensores para centrales hidroeléctricas · 2024-2028
WeDoWind · ASCE EMI 2025
Reto SHM para energía eólica - 1er puesto · S. Wang, Y. Vidal, F. Pozo
CellsiLab
Hematopatología computacional e IA biomédicaCellsiLab reúne a especialistas de la UPC y del Hospital Clínic de Barcelona / IDIBAPS, alineados con el reto de Conocimiento y Calidad de Vida. Su doble objetivo es desarrollar modelos computacionales a partir de imágenes microscópicas para el reconocimiento automático de células sanguíneas en sangre periférica y apoyar la medicina de laboratorio clínica mediante el diagnóstico automatizado de enfermedades hematológicas.
Desde 2022 se han desarrollado modelos de deep learning para detección de blastos y células linfoides atípicas en linfoma y leucemia, identificación de anomalías en neutrófilos, generación de imágenes sintéticas de células (SyntheticCellGAN) para abordar clases de baja prevalencia y normalización de coloración de imagen entre laboratorios. Un sistema completo, CellsiMatic, se ha validado en un estudio multicéntrico de prueba de concepto en cinco hospitales y actualmente está desplegado en una plataforma industrial.
El plan futuro se centra en consolidar CellsiMatic como herramienta de apoyo a la decisión clínica, desarrollar nuevos modelos para detección de MDS y seguimiento de terapia CAR-T, y avanzar mediante validación multicéntrica iterativa, armonización de datos usando modelos de difusión y vías de transferencia tecnológica con socios industriales como Sysmex R&D Center Europe.
Reto
Conocimiento y calidad de vida
Sistema desplegado
CellsiMatic
Prueba de concepto en 5 hospitales · Plataforma industrial · Leucemia y linfoma
Métodos
Socios clínicos e industriales
Hospital Clínic de Barcelona · IDIBAPS · Sysmex R&D Center Europe · Hospital Sant Joan de Déu
Publicaciones representativas
Barrera, Merino, Molina y Rodellar - "Automatic generation of artificial images of leukocytes and leukemic cells using generative adversarial networks (SyntheticCellGAN)." Computer Methods and Programs in Biomedicine, 2023. 58 citas · FWCI 3.22 (percentil 94)
Barrera, Rodellar, Alférez y Merino - "Automatic normalized digital color staining in the recognition of abnormal blood cells using generative adversarial networks." Computer Methods and Programs in Biomedicine, 2023. FWCI 1.57 · Top 10% en popularidad e influencia
xAI-HEALTH · AEI
Deep learning explicable en análisis de imagen médica · UPC + Hospital Clínic + Hospital Sant Joan de Déu · 2024-2027 · €128,750
CellsiMaticPlus · AEI
Prueba de concepto y hoja de ruta de valorización para diagnóstico de leucemia/linfoma · 2022-2024 · €90,000
Contrato Sysmex R&D
Modelos de IA para detección de MDS/LMMC y seguimiento de CAR-T · Sysmex R&D Center Europe · 2025-2027 · €50,000
Sinergias internas
CoDAlab funciona como un grupo unificado en el que metodologías transversales de IA y control favorecen la colaboración entre líneas - especialistas en visión por computador de CellsiLab trabajan con WinTurCoM en detección de daño estructural; la línea SHM aporta experiencia en monitorización basada en poblaciones a aplicaciones de energía eólica; la línea de Control contribuye a la optimización de estrategias de monitorización en todas las líneas.
43
artículos JCR
desde 2022
24
en revistas
Q1
€843K
financiación como
IP desde 2022
20+
tesis doctorales
finalizadas
Compartir: