IA para la Industria: Predicción de Fallas y Optimización del Mantenimiento

Presentación

El mantenimiento predictivo basado en aprendizaje automático (Machine Learning) es una herramienta clave en la industria moderna. Su objetivo es anticipar fallas en equipos críticos, optimizando tiempos de operación y reduciendo costos por paradas no planificadas. Gracias a sensores instalados en la maquinaria, se recopilan datos en tiempo real como temperatura, presión, vibración, entre otros. A través del aprendizaje automático, se identifican patrones que permiten detectar anomalías y planificar el mantenimiento de forma precisa.

Este curso combina teoría y práctica para aplicar el aprendizaje automático al mantenimiento predictivo. Cada sesión incluye casos de estudio relacionados con la industria, análisis de datos, construcción y validación de modelos. Además, se utilizarán asistentes de inteligencia artificial generativa como herramienta de apoyo.

Objetivos

• Comprender y aplicar los principios del aprendizaje automático para desarrollar estrategias de mantenimiento predictivo en entornos industriales reales.
• Desarrollar habilidades prácticas en la recolección, análisis y modelado de datos provenientes de sensores industriales, utilizando herramientas y algoritmos de aprendizaje automático (Machine Learning).
• Diseñar, entrenar y validar modelos predictivos que permitan anticipar fallas y optimizar la operación de equipos críticos
• Integrar herramientas de inteligencia artificial generativa como apoyo en la visualización de resultados, automatización de reportes técnicos y mejora de procesos de análisis.

Dirigido a

Profesionales de mantenimiento, ingenieros y técnicos industriales que desean aplicar aprendizaje automático (Machine Learning) para anticipar fallas y mejorar la eficiencia operativa.

Contenido

Tema I: Introducción al mantenimiento predictivo inteligente

• • Tipos de mantenimiento: correctivo, preventivo, predictivo.
  • Concepto y beneficios del mantenimiento basado en datos.
  • Casos de aplicación en industrias como energía, minería y manufactura.

Tema II: Fundamentos de estadística y funciones de distribución

• • Media, varianza, desviación estándar y percentiles.
  • Distribuciones comunes: normal, uniforme, exponencial.
  • Aplicación de estadística en datos de sensores industriales.

Tema III: Recolección y limpieza de datos

• • Adquisición de datos de sensores (temperatura, vibración, presión)
  • Manejo de datos faltantes, ruido y detección de anomalías
  • Preprocesamiento de datos de series temporales industriales

Tema IV: Análisis exploratorio de datos

• • Visualización de datos con Seaborn, Plotly.
  • Análisis de correlación entre variables operativas y fallas.
  • Generación de visualizaciones asistida por IA en notebooks.

Tema V: Extracción de características (Feature engineering)

• • Estadísticas en el dominio del tiempo.
  • Análisis en el dominio de frecuencia: FFT, espectrogramas.
  • Selección de características relevantes para clasificación/regresión.

Tema VI: Modelos supervisados para diagnóstico de fallas

• • Problemas de clasificación binaria y multiclase.
  • Implementación con algoritmos: Random Forest, SVM, Logistic Regression.
  • Métricas de evaluación: Precisión, F1, matriz de confusión y curva ROC.

Tema VII: Modelos no supervisados y detección de anomalías

• • Clustering para mantenimiento sin etiquetas: K-Means, DBSCAN.
  • Detección de anomalías con Isolation Forest y autoencoders.
  • Interpretación de resultados sin etiquetas conocidas.

Tema VIII: Tuning de hiperparámetros y validación cruzada

• • Uso de GridSearchCV y RandomizedSearchCV para optimización.
  • Comparación de resultados mediante visualización de métricas.
  • Apoyo con IA generativa para interpretación de resultados y recomendaciones.

Tema IX: Redes neuronales para diagnóstico y predicción I

• • Arquitectura del perceptrón multicapa (MLP): Estructura de capas (entrada, ocultas y salida).
  • MLP para problemas de clasificación multiclase y regresión continua, Funciones de Activación, Sigmoid, Tanh, etc
  • Entrenamiento de Redes Neuronales: Uso de frameworks como Keras y PyTorch, División de datos: entrenamiento, validación y prueba. Ajuste de hiperparámetros: número de neuronas, tasa de aprendizaje, etc.

Tema X: Redes neuronales para diagnóstico y predicción II

• • Problemas de clasificación multiclase: clasificación de tipos de fallas en sistemas, Métricas de evaluación: precisión, recall, f1-score, matriz de confusión.
  • Problemas de regresión continua: predicción de tiempo hasta la falla o magnitud de daño, métricas de evaluación: MAE, RMSE, R².
  • Comparación entre modelos de clasificación y regresión.

Tema XI: Análisis exploratorio de datos

• • Introducción al concepto de Remaining Useful Life.
  • Modelado con algoritmos avanzados.

Tema XII: Predicción de Vida Útil Restante (RUL)

• • Aplicación de asistentes de IA generativa (ChatGPT, Gemini, etc.) en proyectos tecnológicos.
  • Detección de anomalías en señales eléctricas y series temporales mediante análisis asistido.
  • Generación de modelos predictivos y código a través de prompts.
  • Automatización de reportes técnicos y presentaciones.

Expositores

Hernan Charca Morocco

Ingeniero Electrónico egresado de la Universidad Nacional de San Agustín (UNSA), con grado de maestría en Internet de las Cosas por la Universidad Católica San Pablo (UCSP). Cuenta con sólida experiencia en el desarrollo de soluciones inteligentes basadas en IoT y aprendizaje automático (machine learning), aplicadas en ámbitos como la agricultura de precisión, el monitoreo estructural y las ciudades inteligentes. Ha diseñado e implementado sistemas embebidos inteligentes, que integran sensores, algoritmos de machine learning y tecnologías de comunicación en tiempo real, para aplicaciones como el riego automatizado, la detección de tensiones en cables mineros y la caracterización del comportamiento animal.

Metodología

Se emplearán herramientas digitales como Google Colab con diversas librerías especializadas de Python (NumPy, Pandas, Scikit-learn, TensorFlow, Keras, Matplotlib, Seaborn, entre otras) para facilitar el aprendizaje práctico y colaborativo se hará uso de herramientas de IA generativa.

Requisitos de admisión

Experiencia básica en programación con Python, especialmente en manipulación de datos y uso de librerías estándar para análisis numérico. No se requiere experiencia previa en Machine Learning.

Duración

08 sesiones

Calendario

Inversión

• Precio: S/ 280.00.
• Pronto pago hasta el 10 de junio: S/ 250.00
• Descuento:
  • 5% de descuento corporativo (2 personas).
  • 10% de descuento corporativo (3 personas a más).
  • 20% de descuento para alumnos y antiguos alumnos UCSP.
  • 10% de descuento para los Colegiados del Colegio de Ingenieros del Perú.
  • 10% de descuento para los miembros de la Cámara de Comercio e Industria de Arequipa.
• Cierre de inscripciones: 20 de junio de 2025.

Certificación

Certificado virtual otorgado por la Escuela de Postgrado y el Departamento de Ingeniería Eléctrica y Electrónica.

Organiza