Mantenimiento Predictivo con Machine Learning – Segundo grupo

Presentación

Hoy en día, la industria depende de equipos y dispositivos modernos de primera para su correcto funcionamiento. Por lo tanto, el costo de fallas puede ser enorme si las medidas para prevenirlo llegan demasiado tarde. Algunas personas eligen el mantenimiento preventivo o incluso el mantenimiento reactivo, que es el más peligroso, pero a medida que el mundo se dirige hacia la integración de la inteligencia artificial a los diferentes procesos en la industria, es posible escoger el mantenimiento predictivo como opción para descubrir posibles errores con tiempo de antelación. Aún más, la tecnología de transmisión en tiempo real es más popular, y esta es la razón principal por la que el mercado de mantenimiento predictivo está creciendo. Los datos en tiempo real se transmiten desde dispositivos, sensores y aplicaciones, que luego son la base de los cálculos analíticos. Los sistemas de transmisión entrega datos provenientes de diferentes sensores recolectados en tiempo real a los sistemas que realizan un monitoreo automatizado, con la intención de preservar la salud de los activos o para que el personal sepa cuándo se deben tomar medidas de mantenimiento. Esto resulta en reducciones del tiempo de reparación y el tiempo de inactividad no planificado.

Al finalizar el curso, el participante tendrá la habilidad visualizar y analizar las señales provenientes de sensores para plantear tareas de reconocimiento de patrones de la señal que puedan indicar la necesidad de mantenimiento utilizando los algoritmos presentados. Además, podrá definir los requisitos de los datos para poder optimizar los modelos de aprendizaje automático.

Objetivo

El curso tiene como principal objetivo dar una visión del campo del Aprendizaje Máquina y su aplicación a la detección de anomalías que habiliten acciones preventivas de mantenimiento analizando señales de sensores. Luego de presentar la teoría, los participantes podrán definir una tarea supervisada (clasificación o regresión) utilizando librerías del ecosistema de Python.

Dirigido a

• Público interno UCSP: Estudiantes de Ingeniería Electrónica, Ingeniería Mecatrónica, Ingeniería Industrial.
• Público externo: El principal público objetivo son supervisores de mantenimiento y técnicos de mantenimiento.
• Estudiantes y profesionales de las carreras afines a Ingeniería Electrónica, Ingeniería Industrial, Ingeniería de Telecomunicaciones interesados al análisis de datos de los sensores de maquinarias.

Contenido

Tema 1:

• Introducción al Machine Learning.
• Aplicaciones del Machine Learning.
• Series temporales.
• Series temporales univariables vs multivariables.
• Bases de datos.

Tema 2:

• Descomposición de series temporales.
• Herramientas de visualización de Series Temporales.
• Preparación de datos.

Tema 3:

• Aprendizaje supervisado vs No supervisado.
• Clasificación vs Regresión.

Tema 4:

• Regresión polinómica: Regresión lineal 2.
• Regresión No-Lineal.
• Evaluación de modelos.

Tema 5:

• Regresión No-Lineal.
• Evaluación de modelos.
• Dominios transformados.

Tema 6:

• Regresión logística.
• Introducción a redes neuronales.

Tema 7:

• Redes neuronales para regresión.

Tema 8:

• Redes recurrentes I.

Tema 9:

• Redes recurrentes II.

Tema 10:

• Problema de memoria de corto y largo plazo.
• Redes LSTM I.

Tema 11:

• Redes LSTM II

Práctica:

• Visualización de señales temporales.
• Ingeniería de características.
• Predicción de fallas en señales de sensores.
• Detección de anomalías en señales de sensores.

Expositor

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

Programación básica en Python.

Creditaje

01 Crédito Interno para las carreras profesionales de:

• Ingeniería Electrónica y Telecomunicaciones.
• Ingeniería Mecatrónica.

Duración

12 sesiones.

Calendario

Inversión

• Inversión: S/ 280.00
• Descuentos:
  • 15% de descuento a comunidad UCSP.
  • 10% de descuento corporativo (3 personas).
  • 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.

Certificación

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

Organiza