Descripción

La transformación digital en la industria ha impulsado el uso intensivo de datos para optimizar la eficiencia, confiabilidad y seguridad de los activos físicos. En este contexto, el mantenimiento predictivo se ha consolidado como una herramienta clave para anticipar fallas, reducir costos y tomar decisiones técnicas basadas en evidencia. Las empresas líderes buscan hoy profesionales capaces de combinar el conocimiento técnico con habilidades en ciencia de datos y machine learning. Este programa está diseñado para que desarrolles una comprensión sólida de los fundamentos del mantenimiento predictivo y su integración con las tecnologías de la industria 4.0. Aprenderás a trabajar con datos industriales, a programar en Python, a construir modelos de predicción de fallas, estimar vida útil remanente (RUL) y visualizar los resultados en dashboards interactivos. Además, aplicarás lo aprendido en un proyecto final basado en un caso real de la industria, integrando herramientas como Power BI, Streamlit y bases de datos industriales. No te quedes atrás en esta nueva era de la analítica industrial. Conviértete en el profesional que lidera la toma de decisiones con datos. ¡Impulsa tu perfil hacia el futuro!

¿Qué aprenderás?

El programa a desarrollar está orientado para que el participante pueda aplicar modelos de ciencia de datos y machine learning para predecir fallas, optimizar la gestión de activos y crear visualizaciones de alto impacto.
  • Entender cómo la ciencia de datos potencia el mantenimiento predictivo.
  • Dominar el uso de Python para el análisis de datos industriales.
  • Aplicar modelos de machine learning (Random Forest, XGBoost) para predecir fallas y detectar anomalías en equipos críticos.
  • Predecir el tiempo de vida útil remanente (RUL) de activos.
  • Integrar modelos con sistemas industriales reales, automatizando la adquisición de datos y conectando predicciones.
  • Crear dashboards interactivos y reportes ejecutivos de alto nivel, utilizando Power BI y Streamlit.

Malla Curricular

7 Módulos
40 horas
  • Conceptos clave: TPM, RCM, CBM, mantenimiento predictivo
  • Evolución del mantenimiento con la industria 4.0
  • Fundamentos de ciencia de datos aplicados a mantenimiento
  • Tipos de datos industriales: sensores, SCADA, IoT, ERP y CMMS
  • Introducción a Python para mantenimiento predictivo
  • Limpieza, integración y análisis exploratorio de datos
  • Pandas, NumPy y visualización de datos con Matplotlib y Seaborn
  • Detección de anomalías y outliers en datos de sensores y activos
  • Supervisados vs no supervisados: clasificación y regresión
  • Modelos para mantenimiento predictivo: Random Forest, SVM, KNN, XGBoost
  • Clustering para segmentación de equipos (K-means, DBSCAN)
  • Validación de modelos, métricas de rendimiento, tuning y evaluación
  • Análisis de series temporales con sensores
  • Modelos ARIMA, Prophet, LSTM y otros enfoques de predicción
  • Estimación de vida útil remanente (RUL) de activos críticos
  • Aplicaciones reales: motores, bombas, compresores, etc.
  • Adquisición de datos en tiempo real (MQTT, Modbus, OPC-UA)
  • Uso de bases de datos industriales: SQL, InfluxDB
  • Integración con sistemas CMMS y tableros de visualización
  • Automatización del pipeline de monitoreo y alertas
  • Creación de dashboards de mantenimiento en Power BI
  • Integración de predicciones de fallas en tiempo real
  • Diseño de reportes ejecutivos y operativos
  • Uso de Streamlit/Plotly Dash para visualización interactiva
  • Definición del caso real y levantamiento de requerimientos
  • Desarrollo de modelo de machine learning o series de tiempo
  • Implementación del dashboard con visualización y alarmas
  • Presentación de resultados ante comité de expertos

Conoce a tus instructores

Ivan
PERFIL DEL MENTOR

Ivan Turco Aliaga

Ingeniero electricista

Ingeniero electricista, especialista en Sistemas de Distribución de Energía para la industria y minería. Maestría en Gestión del Mantenimiento y Postgrado en Gerencia de Proyectos. Cuenta con 20 años de experiencia profesional, especializado en sistemas de Transmisión y distribución de energía para la minería e industria, logrando destacar en las actividades de planeamiento, diseño, ejecución y supervisión, operación y mantenimiento de equipamiento en subestaciones de potencia, líneas de transmisión, sistemas eléctricos industriales y mineros, conocimientos de análisis de criticidad, ACR, RCM, indicadores KPI y mercado eléctrico. Actualmente laboro como Subgerente de Operaciones de Geyer Kabel Perú SAC, trabajó como Superintendente de Mantenimiento eléctrico e Instrumentación en Sociedad Minera El Brocal SAA., también fue Superintendente de Proyectos Eléctricos en HOCSCHILD Mining. Docente en la universidad de Piura (UDEP) para los programas de postgrado, dicto curso de especialización en TECSUP y, ponente en diversos congresos.