Programa formación:
Mantenimiento Predictivo con IA/ML
Machine Learning aplicado al Mantenimiento Industrial
Convierta datos reales de planta en decisiones de mantenimiento fiables, aprendiendo a interpretar y validar modelos de Machine Learning en escenarios industriales prácticos.
Presentación del programa
El curso introductorio de Mantenimiento Predictivo con Machine Learning (PdM con ML) está diseñado para proporcionar a ingenieros y responsables de gestión una visión aplicada de cómo los datos industriales y la inteligencia artificial pueden transformar la gestión de activos y la toma de decisiones de mantenimiento.
A lo largo de tres talleres secuenciales, el participante desarrolla una comprensión progresiva del ciclo de analítica predictiva: caracterizar el comportamiento de los activos a partir de los datos, modelar la evolución de su degradación y detectar y clasificar condiciones anómalas en operación. El recorrido conecta los fundamentos analíticos con situaciones reales de ingeniería, poniendo el foco en la interpretación de resultados y en su utilidad para la gestión de la confiabilidad y el desempeño de los equipos.
El enfoque es práctico, industrial y orientado a la toma de decisiones. Cada sesión trabaja con datos reales de bombas centrífugas y utiliza Google Colab y Python como entorno de experimentación, permitiendo concentrar el aprendizaje en los conceptos, los modelos y su aplicación al mantenimiento, sin que la infraestructura tecnológica constituya una barrera.
Más que aprender algoritmos de forma aislada, el curso busca desarrollar la capacidad de entender qué información aportan los datos, qué puede predecirse con Machine Learning y cómo convertir esas predicciones en conocimiento útil para anticipar fallas y mejorar las estrategias de mantenimiento.
Objetivos del programa
El curso busca desarrollar una comprensión integral del mantenimiento predictivo basado en datos, integrando tres perspectivas complementarias: el pensamiento técnico, la analítica de datos y la comprensión fenomenológica del fallo.
Al finalizar el curso, el participante será capaz de:
- Interpretar el valor de los datos industriales y comprender cómo se transforman en información relevante para la toma de decisiones de mantenimiento.
- Utilizar Google Colab y las principales bibliotecas de análisis de datos como entorno de trabajo para desarrollar y evaluar modelos de Machine Learning.
- Explorar, depurar y visualizar datos operativos procedentes de equipos industriales, identificando patrones, tendencias y comportamientos relevantes.
- Desarrollar modelos de regresión capaces de representar la evolución de la degradación y contribuir a la anticipación de condiciones de falla.
- Construir modelos de clasificación para identificar condiciones anómalas, discriminar estados operativos y generar alertas con criterios de confiabilidad.
- Integrar los modelos de Machine Learning con la fenomenología del fallo, relacionando las señales observadas en los datos con los mecanismos físicos de degradación del activo.
- Conectar la analítica predictiva con la estrategia de mantenimiento, interpretando los resultados de los modelos desde una perspectiva de confiabilidad, riesgo y toma de decisiones.
Metodología del programa
La metodología se estructura en una secuencia progresiva, desde la comprensión del dato industrial hasta la aplicación de modelos predictivos para la detección de fallas.
1. Exploración de datos
Análisis, limpieza y visualización de datos operativos para identificar patrones, tendencias y relaciones relevantes.
2. Modelamiento predictivo
Construcción de modelos de regresión lineal y Random Forest para representar la degradación y estimar su evolución.
3. Diagnóstico y clasificación
Aplicación de modelos de clasificación para detectar anomalías, distinguir estados operativos y anticipar condiciones de falla.
Cada taller combina fundamentos conceptuales, demostración técnica y aplicación práctica sobre datos industriales reales, conectando el análisis de datos con la interpretación de fenómenos de degradación y la toma de decisiones de mantenimiento.
Información general:
- Programa Virtual presencial
- Cuatro Sesiones de tres horas
- Google Colab + Google Drive
- Materiales: Notebooks de Colab, datasets industriales, dashboards y guías de trabajo.
- Perfil del participante: ingenieros de mantenimiento
- Valor de la inscripción: COP$ 980.000 más IVA. Tres participantes de la empresa tendrán 15% de descuento.
Contenido del programa
Sesión 1 — Introducción al Mantenimiento con IA/ML
“De la estrategia al piloto escalable”
- Fundamentos del Mantenimiento Predictivo con IA y Machine Learning y arquitectura de un sistema PdM.
- Identificación de decisiones de mantenimiento, activos y datos relevantes para el proyecto.
- Diseño y preparación de experiencias piloto, definiendo alcance, objetivos e indicadores.
- Organización del proyecto, roles y estructura de actividades para su ejecución.
- Diseño de una hoja de ruta orientada a un piloto escalable a nivel de planta.
Sesión 2 — Fundamentos Técnicos y Analíticos – Taller 1
“Aprender a ver los datos”
- Introducción a Google Colab y al entorno de trabajo.
- Carga y exploración de archivos CSV.
- Identificación y análisis de variables industriales.
- Aplicación de filtros y consultas básicas.
- Creación de gráficos para visualizar tendencias y anomalías.
- Análisis de variables como temperatura, vibración y presión.
- Integración de resultados en un dashboard de mantenimiento predictivo.
- Desarrollo de las bases necesarias para los talleres posteriores.
Sesión 3 — Modelos de Degradación – taller 2
“Aprender a predecir la evolución de la falla”
- Caso de estudio: bomba centrífuga con desgaste progresivo de rodamientos.
- Análisis exploratorio de datos (EDA).
- Identificación de patrones y tendencias de degradación.
- Construcción de modelos de Regresión Lineal.
- Construcción de modelos Random Forest.
- Comparación del desempeño e interpretabilidad de ambos modelos.
- Estimación de la evolución del desgaste.
- Uso de datos históricos para anticipar fallas y planificar intervenciones.
Sesión 4 — Clasificación y Alertas – taller 3
“Aprender a detectar y clasificar fallas en operación”
- Introducción a la detección de anomalías.
- Definición de umbrales y criterios de normalidad.
- Análisis de la distancia respecto al comportamiento normal.
- Construcción de modelos Random Forest Classifier.
- Predicción de condiciones de falla en las próximas 48 horas.
- Evaluación mediante precisión, recall y matriz de confusión.
- Análisis de la curva ROC.
- Ajuste de umbrales según el nivel de sensibilidad y confiabilidad requerido por la operación.
Instructores
Hector René Alvarez Laverde. Licenciado en Matemáticas. Maestría en Estadística aplicada. Maestría en Dirección de Producción. Doctor (Ph.D) en Ingeniería Industrial (Ciencia de datos aplicada a la industria) por la Universidad Politécnica de Cataluña. Recibió entrenamiento como científico de datos industriales en la empresa Fuji Xerox de Japón. Certificado como Seis Sigma nivel Master. Formador experto en RAM 4.0 y RCM. Ha desarrollado proyectos de ciencia de datos en sectores como industria petrolera, siderúrgica, alimentación, bebidas, cosmética, cuidado personal, papel, automotriz, química y tecnología.
Humberto Alvarez Laverde. Ingeniero Mecánico. MBA por el IESE Business School. Formación avanzada en electrónica. Graduado en Dirección Industrial en el Instituto Asia Bunka Kaikan de Tokio. Instructor internacional TPM. Certificado en Gestión de Proyectos de Innovación Tecnológica por la Universidad de Texas A&M. Formado en tecnologías de mantenimiento con la Comisión Internacional de Energía de Naciones Unidas. Ex director de formación de la Asociación Española de Mantenimiento. Dilatada carrera profesional como ingeniero, directivo y consultor industrial.
¿Está su organización preparada para tomar decisiones de mantenimiento basadas en predicciones?
Solicita mayor información en el siguiente enlace.
Este programa lo podemos impartir para el equipo de ingenieros de su empresa en forma presencial y en sus instalaciones. Consúltenos alternativas.