Biografía:
Miguel A. Sanz Bobi desarrolla su trabajo en IIT desde 1985 y ha estado involucrado en más de veinte proyectos de investigación en colaboración con la industria, muchos de los cuales han sido para el sector eléctrico. Sus actividades han estado centradas fundamentalmente alrededor de aplicaciones industriales en el campo de la fiabilidad y mantenibilidad por un lado, y por otro, en el del desarrollo de sistemas expertos y aplicación de técnicas de Inteligencia Artificial para la supervisión y diagnóstico de procesos industriales complejos tales como centrales de generación eléctrica y máquinas herramientas. En el campo docente ha dirigido tesis doctorales sobre aplicación de nuevos enfoques de redes neuronales y lógica borrosa en diagnóstico. Es actualmente profesor en la Escuela Técnica Superior de Ingenieros Industriales de ICAI de la Universidad Pontificia Comillas. Obtuvo el grado de Doctor en 1992 con una tesis doctoral sobre una metodología de mantenimiento predictivo de equipos industriales basada en el estado de salud de sus componentes. Tesis doctoral que fue galardonada con el Premio Viesgo.
Áreas de interés:
Seguimiento y diagnóstico de procesos industriales. Modelado y simulación del comportamiento de componentes de equipos industriales. Sistemas expertos. Redes neuronales. Lógica borrosa. Algoritmos genéticos. Técnicas de detección incipiente de fallos. Fiabilidad. Mantenimiento predictivo. Tratamiento de imagen y voz.
Domínguez-Barbero, D., García-González, J., Sanz-Bobi, M.A. Twin-delayed deep deterministic policy gradient algorithm for the energy management of microgrids. Engineering Applications of Artificial Intelligence. Vol. 125, pp. 106693-1 - 106693-11, Octubre 2023. [Online: Julio 2023] 
JCR: 8,000 Q1 (2022) - SJR: 1,729 Q1 (2022) Calvo-Báscones, P., Voisin, A., Do, P., Sanz-Bobi, M.A. A collaborative network of digital twins for anomaly detection applications of complex systems. Snitch Digital Twin concept. Computers in Industry. Vol. 144, pp. 103767-1 - 103767-17, Enero 2023. [Online: Septiembre 2022]
JCR: 10,000 Q1 (2022) - SJR: 2,646 Q1 (2022) Calvo-Báscones, P., Sanz-Bobi, M.A. Advanced prognosis methodology based on behavioral indicators and chained sequential memory neural networks with a diesel engine applicat. Computers in Industry. Vol. 144, pp. 103771-1 - 103771-13, Enero 2023. [Online: Septiembre 2022]
JCR: 10,000 Q1 (2022) - SJR: 2,646 Q1 (2022) Álvarez-Monteserín, I., Sanz-Bobi, M.A. An online fade capacity estimation of lithium-ion battery using a new health indicator based only on a short period of the charging voltage profile. IEEE Access. Vol. 10, pp. 1138 - 11146, 2022. [Online: Enero 2022]
JCR: 3,900 Q2 (2022); - SJR: 0,926 Q1 (2022); 
Santos, H., Sanz-Bobi, M.A. Research on the pollution performance and degradation of superhydrophobic nano-coatings for toughened glass insulators. Electric Power Systems Research. Vol. 191, pp. 106863-1 - 106863-8, Febrero 2021. [Online: Octubre 2020]
JCR: 3,818 Q2 (2021); 3,900 Q2 (2022) - SJR: 1,109 Q1 (2021); 1,099 Q1 (2022)
JCR: 11,245 Q1 (2021); 10,000 Q1 (2022) - SJR: 2,427 Q1 (2021); 2,646 Q1 (2022)
JCR: 4,131 Q1 (2020); 4,400 Q2 (2022) - SJR: 1,570 Q1 (2020); 1,920 Q1 (2022) Domínguez-Barbero, D., García-González, J., Sanz-Bobi, M.A., Sánchez-Úbeda, E.F. Optimising a microgrid system by deep reinforcement learning techniques. Energies. Vol. 13, nº. 11, pp. 2830-1 - 2830-19, Junio 2020. [Online: Junio 2020]
JCR: 3,004 Q3 (2020); 3,200 Q3 (2022) - SJR: 0,598 Q2 (2020); 0,632 Q1 (2022)
JCR: 3,806 Q1 (2018); 6,400 Q1 (2022) - SJR: Q1 (2018); 2,371 Q1 (2022) Gil, A., Sanz-Bobi, M.A., Rodríguez López, M.A. Behavior anomaly indicators based on reference patterns - application to the gearbox and electrical generator of a wind turbine. Energies. Vol. 11, nº. 1, pp. 87-1 - 87-15, Enero 2018. [Online: Enero 2018]
JCR: 2,707 Q3 (2018); 3,200 Q3 (2022) - SJR: Q1 (2018); 0,632 Q1 (2022)
JCR: 1,373 Q3 (2017); 2,100 Q3 (2022) - SJR: Q2 (2017); 0,520 Q2 (2022)
JCR: 1,373 Q3 (2017); 2,100 Q3 (2022) - SJR: Q2 (2017); 0,520 Q2 (2022)
JCR: 2,856 Q2 (2017); 3,900 Q2 (2022) - SJR: Q1 (2017); 1,099 Q1 (2022)
JCR: 1,373 Q3 (2017); 2,100 Q3 (2022) - SJR: Q2 (2017); 0,520 Q2 (2022) Mazidi, P., Tohidi, Y., Sanz-Bobi, M.A. Strategic maintenance scheduling of an offshore wind farm in a deregulated power system. Energies. Vol. 10, nº. 3, pp. 313-1 - 313-20, Marzo 2017. [Online: Marzo 2017]
JCR: 2,676 Q3 (2017); 3,200 Q3 (2022) - SJR: Q1 (2017); 0,632 Q1 (2022)
JCR: 2,207 Q1 (2014); 8,000 Q1 (2022) - SJR: Q1 (2014); 1,729 Q1 (2022)
JCR: 2,771 Q1 (2014); 5,500 Q1 (2022) - SJR: Q1 (2014); 1,161 Q1 (2022)
JCR: Q1 (2013); 5,200 Q1 (2022) - SJR: Q1 (2013); 1,533 Q1 (2022)
JCR: 3,530 Q1 (2013); 6,600 Q1 (2022) - SJR: Q1 (2013); 3,726 Q1 (2022)
JCR: 1,657 Q1 (2013); 5,900 Q1 (2022) - SJR: Q1 (2013); 1,296 Q1 (2022)
JCR: 0,788 Q3 (2013); 1,500 Q4 (2022) - SJR: Q1 (2013); 0,516 Q2 (2022)
JCR: 3,432 Q1 (2012); 5,200 Q1 (2022) - SJR: Q1 (2012); 1,533 Q1 (2022)
JCR: 2,921 Q1 (2012); 6,600 Q1 (2022) - SJR: Q1 (2012); 3,726 Q1 (2022)
JCR: 1,478 Q2 (2011); 3,900 Q2 (2022) - SJR: Q1 (2011); 1,099 Q1 (2022)
JCR: 2,596 (2008); 8,500 Q1 (2022) - SJR: 1,873 Q1 (2022)
JCR: 1,141 (2006); 10,000 Q1 (2022) - SJR: 2,646 Q1 (2022)
JCR: 0,265 (2006); 3,300 Q3 (2022) - SJR: 0,861 Q1 (2022)
JCR: 1,236 (2005); 8,500 Q1 (2022) - SJR: 1,873 Q1 (2022)
JCR: 0,254 (2004); 3,300 Q3 (2022) - SJR: 0,861 Q1 (2022)
JCR: 0,326 (2004); 8,300 Q1 (2022) - SJR: 1,719 Q1 (2022)
JCR: 6,000 Q2 (2022) - SJR: 1,481 Q1 (2022) 
