Machine Learning y Visión Artificial · ML-115

Series temporales y detección de anomalías

Estacionalidad, tendencia y umbrales adaptativos sobre datos industriales y de consumo energético.

Próximamente Avanzado 7 módulos · 29 clases

Formato asíncrono Ingeniería / Industria, Desarrollo Python, InfluxDB

DATOS IA

Lo que aprenderás

Preparar una serie temporal tratando huecos, frecuencias irregulares y cambios de huso horario.
Descomponer una serie en tendencia, estacionalidad y residuo, y decidir qué componente vigilar.
Construir una línea base con modelos clásicos como media móvil, suavizado exponencial y ARIMA.
Detectar anomalías puntuales, de cambio de nivel y de patrón con métodos estadísticos y de aprendizaje.
Definir umbrales adaptativos que se ajusten al turno, al día de la semana y a la estación del año.
Consultar y agregar series almacenadas en InfluxDB con ventanas y funciones de agregación adecuadas.

Contenido del curso

7 módulos · 29 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · Series temporales en entorno industrial 4 clases

Qué distingue una serie temporal de una tabla cualquiera
Fuentes típicas: sensores, contadores y consumos
Entorno de trabajo y conexión a InfluxDB
Consultas con ventanas y agregaciones

Módulo 2 · Preparación de la serie 4 clases

Huecos, duplicados y muestreo irregular
Remuestreo y agregación temporal
Husos horarios y cambios de hora
Valores atípicos evidentes frente a anomalías reales

Módulo 3 · Estructura de la serie 4 clases

Tendencia, estacionalidad y residuo
Estacionalidad múltiple: diaria, semanal y anual
Autocorrelación y autocorrelación parcial
Estacionariedad y diferenciación

Módulo 4 · Modelos de referencia 4 clases

Media móvil y suavizado exponencial
ARIMA y SARIMA en la práctica
Regresión con variables de calendario y de proceso
Validación temporal sin mirar al futuro

Módulo 5 · Detección de anomalías 5 clases

Anomalías puntuales por residuo del modelo
Detección de cambio de nivel
Derivas lentas y su dificultad
Isolation forest y autoencoders sobre ventanas
Comparación de métodos con el mismo criterio

Módulo 6 · Umbrales adaptativos 4 clases

Bandas dinámicas por franja horaria y turno
Histéresis y confirmación de alarma
Control de la tasa de falsas alarmas
Evaluación contra eventos conocidos del histórico

Módulo 7 · Caso práctico 4 clases

Vigilancia de un consumo energético real
Modelo base y detección conjunta
Panel de seguimiento y catálogo de alarmas
Documentación del criterio de alerta

Requisitos

Python con NumPy y pandas, incluyendo manejo de índices de fecha y hora.
Estadística básica: distribución, desviación típica, correlación y contraste de hipótesis.
Haber trabajado con datos de sensores o de consumo, o disponer de un histórico propio.
Nociones de machine learning supervisado, aunque el curso repasa lo necesario.

Descripción

Un umbral fijo sobre una serie industrial genera alarmas cada mañana al arrancar la línea y se calla justo cuando algo empieza a torcerse por la noche. El comportamiento normal de un consumo o de una temperatura depende del turno, del día de la semana y de la época del año, y cualquier vigilancia útil tiene que incorporar esa estructura.

El curso trabaja con series reales de planta y de energía almacenadas en InfluxDB. Se limpia la serie, se descompone en tendencia y estacionalidad, y se construyen líneas base con modelos clásicos antes de recurrir a nada complejo. Sobre esa referencia se detectan anomalías puntuales, cambios de nivel y derivas lentas, comparando métodos con la misma metodología de evaluación.

El bloque de cierre convierte la detección en vigilancia operativa: umbrales adaptativos por franja horaria, control de la tasa de falsas alarmas y evaluación con eventos reales conocidos. Encaja con el mantenimiento predictivo, con los paneles de operación y con la monitorización de modelos ya desplegados en servicio.

¿Para quién es este curso?

Ingeniería de energía que vigila consumos y necesita distinguir un pico normal de un problema real.
Perfiles de desarrollo que mantienen sistemas de alarmas y quieren reducir el ruido de avisos falsos.
Personal de planta que analiza históricos de proceso y busca anticipar desviaciones antes del fallo.