Mantenimiento Predictivo con IA Aplicado a la Industria

Presentación

La industria moderna depende de equipos y dispositivos avanzados, cuyo funcionamiento continuo es esencial para evitar altos costos. Un enfoque de mantenimiento reactivo, en el que se reacciona solo cuando surge una falla, puede generar riesgos graves para la producción y frecuentemente requiere reemplazos costosos en partes fundamentales de la cadena. Aunque el mantenimiento preventivo es una opción más segura, el avance hacia la integración de la Inteligencia Artificial en procesos industriales ha abierto la puerta al Mantenimiento Predictivo, una alternativa innovadora que permite anticipar fallas con amplio margen, de forma automatizada y a gran escala.

Gracias a la tecnología de transmisión en tiempo real, como el Internet de las Cosas (IoT), que incluye dispositivos, sensores y aplicaciones interconectadas, es posible recopilar y analizar datos en tiempo real. Estos datos se convierten en insumos valiosos para modelos analíticos avanzados. Los sistemas reciben información continua de sensores distribuidos, que alimentan algoritmos de Aprendizaje Automático (especialmente redes neuronales), y monitorean automáticamente el estado de los activos, alertando sobre la necesidad de mantenimiento en el momento oportuno. Esto se traduce en menores tiempos de reparación y una drástica reducción de paradas no planificadas.

En este curso, exploraremos cómo la IA, particularmente mediante redes neuronales, se aplica en el mantenimiento predictivo para identificar patrones de anomalías, prever fallas y calcular la vida útil restante de los equipos (RUL). Abordaremos las herramientas de Aprendizaje Automático que automatizan estas tareas, brindando a los participantes un conocimiento detallado para implementar soluciones predictivas en entornos industriales.

Objetivos

• Visualizar y analizar señales temporales de sensores para identificar patrones específicos que puedan indicar la necesidad de mantenimiento, logrando una detección anticipada de problemas en los equipos.
• Reconocer las tareas clave que pueden beneficiarse de herramientas de Inteligencia Artificial, especialmente de Aprendizaje Automático, optimizando los procesos de mantenimiento predictivo.
• Identificar y seleccionar algoritmos de Aprendizaje Automático adecuados para entornos industriales, priorizando aquellos que permitan un análisis efectivo y preciso en el monitoreo y diagnóstico de activos.

Dirigido a

• Profesionales con conocimientos básicos de programación en carreras relacionadas, como Ingeniería Electrónica, Ingeniería de Sistemas, Ciencias de la Computación, Ingeniería Industrial, Ingeniería de Telecomunicaciones, Geología, Minas y Ciencias Naturales (Física, Química, Matemática), que busquen automatizar procesos mediante el reconocimiento y detección automática de fallas o anomalías.
• Este curso es ideal para quienes desean aprender a utilizar algoritmos de Inteligencia Artificial y Machine Learning en aplicaciones de diagnóstico y mantenimiento predictivo.

Contenido

Sesión 1:

• Gestión del mantenimiento: Beneficios del mantenimiento predictivo.
• Introducción a la IA y al Machine Learning (ML).
• Aplicaciones del Machine Learning en tareas del mantenimiento preventivo.
• Introducción a Python y herramientas para ML: Pandas, Scipy, Keras (sobre TensorFlow).

Sesión 2:

• Características y espacios multidimensionales: Formación de bases de bases de datos a partir de series temporales.
• Análisis de vibraciones e indicadores de condición.
• Tareas en el mantenimiento predictivo y su relación con los tipos de Aprendizaje Máquina.

Sesión 3:

• Modelos lineales y no lineales.
  Ejemplos:
  – Estimación de RUL.

Sesión 4:

• Regresión no-lineal y validación de hiper-parámetros.
  Ejemplos:
  – Estimación de RUL

Sesión 5:

• Regresión Logística
  Ejemplos:
  – Clasificación de eventos anómalos en motores.

Sesión 6:

• Redes Neuronales (I)
  Ejemplos:
  – Diagnóstico de fallas en los rodamientos de elementos rodantes

Sesión 7:

• Redes Neuronales (II)
  Ejemplos:
  – Diagnóstico de fallas en los rodamientos de elementos rodantes

Sesión 8:

• Redes Neuronales para series temporales: RNNs
  Ejemplos:
  – Detección de anomalías en series temporales
  – Detección de fallas de rotor roto en motores de inducción de CA

Sesión 9:

• Redes neuronales convolucionales
• Ejemplos de clasificación sobre imágenes

Sesión 10:

• Redes neuronales convolucionales
  Ejemplos:
  – Estimación de RUL con CNNs.

Sesión 11:

• Redes neuronales para series temporales: LSTMs (I)
  Ejemplos:
  – Detección de anomalías con LSTMs.

Sesión 12:

• Redes Neuronales para series temporales: LSTMs (I)
  Ejemplos:
  – Estimación de RUL con LSTMs.

Expositores

M.Sc. Juan José Choquehuanca Zevallos

Egresado de la Universidad Nacional de San Agustín. Posee estudios de maestría en la Universidad Carlos III de Madrid, España. Se especializa en el procesamiento de datos espaciales y temporales utilizando técnicas de Aprendizaje Automático. Posee publicaciones en el campo del procesamiento de la señal en revistas indizadas y congresos. Actualmente se desempeña como docente de la Universidad Católica San Pablo.

Metodología

Teórica-Práctica.

Requisitos de admisión

Conocimientos básicos de programación.

Duración

12 sesiones.

Calendario

Inversión

• Precio: S/ 280.00
• Descuento:
  • 5% de descuento corporativo (2 personas)
  • 10% de descuento corporativo (3 personas a más).
  • 20% de descuento a comunidad UCSP.
  • 5% de descuento para los Colegiados del Colegio de Ingenieros del Perú.
  • 5% de descuento para los miembros de la Cámara de Comercio e Industria de Arequipa.
• Cierre de inscripciones: 07 de febrero de 2025.

Certificación

Certificado digital otorgado por la Escuela de Postgrado y el Departamento de Ingeniería Eléctrica y Electrónica de la Universidad Católica San Pablo.

Organiza