Predicción de fallos con aprendizaje automático

Resumen

A los ingenieros se les asigna la tarea de minimizar el tiempo de inactividad y mejorar la fiabilidad operativa. El mantenimiento predictivo se ha convertido en una poderosa herramienta para prever fallos en el equipo antes de que ocurran, lo que resulta en un aumento de la eficiencia y ahorro de costos.

Con la eficiencia operativa siendo crucial para la competitividad, las empresas están buscando ingenieros con habilidades en la aplicación de técnicas de mantenimiento predictivo. Este curso proporciona a los ingenieros habilidades en inteligencia artificial (IA) para identificar proactivamente posibles fallos de equipos, aumentando así la eficiencia y reduciendo los costos operativos.

Programa de estudio

• Introducción al Mantenimiento Predictivo
Importancia y beneficios del mantenimiento predictivo
Visión general de las estrategias de mantenimiento predictivo
Comparación con mantenimiento reactivo y preventivo
• Fundamentos del Aprendizaje Automático en el Mantenimiento Predictivo
Conceptos y terminología clave del aprendizaje automático
Tipos de aprendizaje automático: supervisado, no supervisado y por refuerzo
Fundamentos del entrenamiento y evaluación de modelos
• Recolección y Gestión de Datos
Identificación de fuentes de datos relevantes para el mantenimiento predictivo
Evaluación de la calidad de los datos y preprocesamiento
Datos de series temporales y detección de anomalías
• Ingeniería de Características para Modelos Predictivos
Identificación de características importantes en el mantenimiento predictivo
Técnicas de extracción y selección de características
Creación y validación de conjuntos de datos
• Construcción de Modelos de Mantenimiento Predictivo
Clasificación vs. regresión en la predicción de fallos
Visión general de algoritmos comunes (ej., Árboles de Decisión, Bosque Aleatorio, Redes Neuronales)
Implementación de modelos utilizando scikit-learn y TensorFlow de Python
• Evaluación y Optimización de Modelos
Métricas para evaluar modelos de mantenimiento predictivo (ej., precisión, puntuación, cobertura)
Técnicas de validación cruzada
Ajuste de hiperparámetros y optimización de modelos
• Implementación de Sistemas de Mantenimiento Predictivo
Integración de modelos de aprendizaje automático en flujos de trabajo de mantenimiento
Monitoreo en tiempo real y sistemas de alerta
Estudios de caso y aplicaciones industriales
• Desafíos y Mejores Prácticas
Manejo de conjuntos de datos desbalanceados
Tratamiento de la escasez de datos y el ruido
Consideraciones éticas y prácticas en el mantenimiento predictivo
• Tendencias Emergentes y Direcciones Futuras
El papel del IoT en el mantenimiento predictivo
Avances en IA y aprendizaje automático para monitoreo de equipos
Perspectivas para la toma de decisiones de mantenimiento automatizado
• Proyecto Final
Desarrollo de una solución completa de mantenimiento predictivo
Aplicación de conceptos aprendidos a un escenario del mundo real
Presentación y defensa de los hallazgos del proyecto

---

Enseñado por

Kathy Tao, Rohit Ramanathan, Marissa D'Alonzo, Brian Buechel and Megan Thompson

---

Asignaturas

Ciencias de la Computación