Machine Learning y Visión Artificial · ML-114

Mantenimiento predictivo con datos de planta

De la señal de vibración o consumo a una alerta que mantenimiento se cree y atienda.

Bajo demanda Especialización 7 módulos · 30 clases

Formato asíncrono Ingeniería / Industria, Empresa / PYME Python, InfluxDB, Grafana

INDUSTRIA40 DATOS IA

Lo que aprenderás

Instrumentar un activo con medidas de vibración, corriente o temperatura e ingestarlas en InfluxDB.
Extraer características de la señal en tiempo y en frecuencia con FFT, RMS, curtosis y envolvente.
Relacionar los picos de frecuencia con modos de fallo típicos de rodamientos, desalineación y desequilibrio.
Entrenar modelos de detección de anomalías y de estimación de vida útil restante con histórico de planta.
Fijar umbrales de alerta a partir del coste de la parada y de la tasa de avisos falsos admisible.
Publicar en Grafana un panel de estado de activos que el equipo de mantenimiento use en su rutina diaria.

Contenido del curso

7 módulos · 30 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · Del mantenimiento correctivo al predictivo 4 clases

Modos de fallo y coste real de la parada
Qué activos merecen instrumentación
Qué promete y qué no promete un modelo predictivo
Entorno de trabajo del curso

Módulo 2 · Instrumentación y adquisición 5 clases

Acelerómetros, sondas de corriente y sondas de temperatura
Frecuencia de muestreo y aliasing
Montaje del sensor y su influencia en la medida
Ingesta de datos en InfluxDB
Política de retención y de agregación

Módulo 3 · Análisis de la señal 5 clases

Estadísticos en el dominio del tiempo: RMS, cresta y curtosis
FFT y lectura del espectro
Análisis de envolvente para rodamientos
Espectrograma y arranques de máquina
Filtrado y eliminación de ruido de fondo

Módulo 4 · Firmas de fallo 4 clases

Desequilibrio, desalineación y holgura
Frecuencias características de rodamiento
Engranajes y bandas laterales
Firma eléctrica del motor y consumo anómalo

Módulo 5 · Modelos sobre datos de planta 4 clases

Detección de anomalías sin etiquetas de fallo
Clasificación con histórico de averías etiquetado
Estimación de vida útil restante y sus supuestos
Validación con eventos reales del histórico

Módulo 6 · Alertas que se atienden 4 clases

Umbral, histéresis y confirmación temporal
Coste del aviso falso frente al de la avería no detectada
Niveles de aviso y responsable de cada uno
Integración con el sistema de órdenes de trabajo

Módulo 7 · Panel y caso práctico 4 clases

Panel de estado de activos en Grafana
Vista de detalle para el análisis de una alarma
Caso completo sobre un motor o una bomba
Informe de resultados y cálculo del retorno

Requisitos

Python para análisis de datos con NumPy y pandas.
Conocimiento del proceso o de la máquina que se quiere vigilar y acceso a su histórico de averías.
Nociones de instrumentación: acelerómetros, sondas de corriente y frecuencia de muestreo.
Nociones básicas de bases de datos de series temporales, aunque el curso las introduce.

Descripción

El mantenimiento predictivo suele fallar por el mismo motivo: el sistema avisa demasiado y con poca precisión, el equipo deja de hacerle caso y en la siguiente avería nadie mira el panel. La diferencia entre un proyecto que se usa y uno que se abandona está en el criterio de alerta y en que la señal medida tenga relación física con el fallo que se quiere anticipar.

El curso empieza por la instrumentación y por el registro de datos en InfluxDB, con una frecuencia de muestreo justificada por la física del activo. Después trabaja la extracción de características en tiempo y en frecuencia, y su interpretación mecánica: qué banda delata un rodamiento, qué armónico indica desalineación, qué evolución de la envolvente adelanta un fallo.

La parte final combina modelos de anomalía con el histórico de intervenciones para fijar umbrales defendibles, calcular el ahorro esperado frente al coste de la parada y montar en Grafana un panel que el equipo consulte en su rutina. Continúa de forma natural con el análisis de series temporales y con la puesta en servicio y supervisión de modelos.

¿Para quién es este curso?

Responsables de mantenimiento industrial que quieren pasar de rutas periódicas a decisiones por condición.
Ingeniería de planta que ya registra datos de máquina y no sabe qué hacer con ellos.
Dirección técnica de PYME industrial que necesita justificar la inversión en sensorización con cifras propias.