Inteligencia artificial aplicada al mantenimiento industrial

Duración: 16 horas.

Objetivo: Profundizar en las técnicas de aprendizaje supervisado para el desarrollo de modelos predictivos aplicados a escenarios industriales, como la predicción de fallos y la clasificación de estados operativos.

Contenidos:

Fundamentos Teóricos del Aprendizaje Supervisado:

• Definición y características de problemas de regresión y clasificación.
• Selección de algoritmos adecuados en función de las variables y el contexto.

Algoritmos Clásicos y Avanzados:

• Regresión lineal y logística.
• Árboles de decisión, Random Forest y Support Vector Machines.
• Breve introducción a métodos ensemble y su aplicación en entornos industriales.

Evaluación y Validación de Modelos:

• Métricas de desempeño (error cuadrático medio, precisión, recall, F1-score).
• Técnicas de validación cruzada y ajuste de hiperparámetros.
• Análisis de sesgos y sobreajuste (overfitting).

Aplicación Práctica:

• Desarrollo de un modelo predictivo con datasets de mantenimiento.
• Interpretación de resultados y discusión de implicaciones operativas.

Duración: 16 horas.

Objetivo: Introducir las técnicas de aprendizaje no supervisado para la identificación de patrones, segmentación de datos y detección de anomalías, aplicables al análisis de datos operativos en mantenimiento industrial.

Contenidos:

Conceptos y Diferencias con el Aprendizaje Supervisado:

• Características y aplicaciones del aprendizaje no supervisado.
• Relevancia en la detección de comportamientos atípicos y agrupación de variables.

Técnicas de Clustering:

• Algoritmo K-means y sus variantes.
• Clustering jerárquico y DBSCAN.
• Evaluación y validación de grupos obtenidos.

Reducción de Dimensionalidad:

• Análisis de Componentes Principales (PCA).
• Técnicas de visualización de datos de alta dimensionalidad (t-SNE).

Detección de Anomalías:

• Métodos estadísticos y algoritmos basados en distancias.
• Aplicaciones prácticas para identificar fallos incipientes en equipos.

Ejercicios Prácticos:

• Implementación de algoritmos no supervisados en conjuntos de datos reales.
• Análisis crítico de los resultados y su aplicabilidad en contextos industriales.

Duración: 16 horas.

Objetivo: Capacitar a los participantes en el manejo y modelado de series temporales, fundamentales para la monitorización y predicción en el mantenimiento de equipos e infraestructuras.

Contenidos:

Introducción al Análisis de Series Temporales:

• Componentes de una serie: tendencia, estacionalidad y ruido.
• Técnicas de descomposición y análisis exploratorio.

Modelos y Técnicas de Predicción:

• Modelos ARIMA y modelos de suavizamiento exponencial.
• Introducción a modelos basados en redes neuronales y enfoques híbridos.

Validación y Evaluación de Pronósticos:

• Métricas específicas para series temporales (MAPE, RMSE).
• Estrategias de ajuste y selección de modelos.

Herramientas en Python:

• Uso de bibliotecas como statsmodels y Prophet.
• Prácticas de implementación y análisis de datos históricos de mantenimiento.

Caso Práctico:

• Desarrollo de un modelo de pronóstico aplicado a datos reales de monitoreo industrial.
• Discusión sobre ajustes de modelo y aplicaciones operativas.

Duración: 16 horas.

Objetivo: Integrar las técnicas de machine learning desarrolladas en módulos anteriores para diseñar, implementar y evaluar soluciones de mantenimiento predictivo, abordando aspectos técnicos, estratégicos y éticos.

Contenidos:

Panorama del Mantenimiento Predictivo:

• Comparativa entre mantenimiento reactivo, preventivo y predictivo.
• Beneficios, retos y retorno de inversión en la implementación de soluciones predictivas.

Integración de Tecnologías Emergentes:

• Incorporación de IoT para la recolección de datos en tiempo real.
• Estrategias de manejo de Big Data en entornos industriales.
• Conexión y fusión de datos provenientes de múltiples fuentes.

Diseño e Implementación de Proyectos Predictivos:

• Planificación, definición de objetivos y selección de indicadores clave de desempeño (KPIs).
• Integración de modelos de machine learning en sistemas operativos existentes.
• Estrategias para el despliegue, escalabilidad y mantenimiento de los modelos.

Aspectos Éticos y de Ciberseguridad:

• Consideraciones sobre la privacidad y seguridad de los datos.
• Normativas y estándares en la industria relacionados con la gestión de datos y la ciberseguridad.

Proyecto Integrador:

• Desarrollo de un caso de estudio basado en un problema real de mantenimiento industrial.
• Presentación, discusión crítica y retroalimentación grupal que fomente el análisis y la toma de decisiones fundamentadas.

Este diplomado se encuentra homologado con las dos materias: Logística documental para la toma de decisiones y Acciones predictivas, que hacen parte de la especialización en Mantenimiento industrial de la universidad Eafit.

El diplomado se fundamenta en un enfoque pedagógico activo y participativo, que fomenta el aprendizaje a través de la aplicación práctica y la reflexión crítica. Se integran metodologías innovadoras que trascienden la tradicional clase magistral, permitiendo a los participantes adquirir competencias mediante experiencias reales y colaborativas. A continuación se describen las principales estrategias metodológicas:

• Aprendizaje Basado en Proyectos (ABP): Los estudiantes trabajarán en proyectos integradores que simulan desafíos del mantenimiento industrial. Este enfoque les permitirá aplicar conceptos de machine learning y análisis de datos en situaciones reales, promoviendo la solución de problemas y el pensamiento crítico.
• Laboratorios Prácticos y Talleres: Se organizarán sesiones de laboratorio en las que se utilizarán herramientas como Python, Google Colab y bibliotecas especializadas (Scikit-Learn, Pandas, Statsmodels, entre otras). Estos talleres permitirán experimentar con datos reales, implementar modelos y evaluar resultados en un entorno controlado.
• Estudio de Casos y Simulaciones: Se analizarán casos de mantenimiento predictivo extraídos de la industria, y se llevarán a cabo simulaciones que permitan evaluar la efectividad de distintas estrategias y modelos. Esto facilitará la comprensión del impacto operativo y económico de las soluciones implementadas.