FECHA DE INICIO: 25 de setiembre 2024
DÍAS: Martes y Miércoles
HORARIO: 20.00 a 22.00 hs
DURACIÓN: 20 horas
FUNDAMENTACIÓN
En el contexto actual, la competitividad de las empresas depende de varios factores críticos: Calidad, Costo, Plazos y Productividad. Para alcanzar estos objetivos, es esencial invertir en nuevas tecnologías y bienes de capital, como maquinaria avanzada, automatizaciones más eficientes y métodos innovadores. Asimismo, la optimización de los recursos existentes mediante reconversiones y mejoras es fundamental.
El uso de la Estadística de Mantenimiento basada en el Registro Histórico de Fallas es un componente esencial para asegurar la Confiabilidad, el quinto factor clave de la competitividad. Un análisis estadístico adecuado y bien planificado es crucial, ya que permite predecir y prevenir fallas antes de que ocurran, lo que resulta en una reducción de costos y un aumento de la eficiencia operativa. Este curso se centra en las prácticas y técnicas modernas para recopilar, analizar e interpretar datos históricos de fallas, proporcionando a los participantes las herramientas necesarias para implementar estrategias de mantenimiento predictivo y preventivo.
OBJETIVOS
- Entender la importancia del análisis de datos históricos de fallas en el mantenimiento predictivo.
- Aprender a utilizar Python para el análisis y visualización de datos de fallas.
- Aplicar técnicas estadísticas para la identificación de patrones y tendencias en los datos de fallas.
- Desarrollar y evaluar modelos predictivos para optimizar las estrategias de mantenimiento.
DIRIGIDO A:
Ingenieros de mantenimiento, analistas de datos, técnicos de mantenimiento, y cualquier profesional interesado en el análisis de datos de mantenimiento.
CALIFICACIÓN
TEMARIO
- Módulo 1: Introducción al Análisis de Datos de Mantenimiento
- 1.1. Importancia del análisis de datos históricos de fallas.
- 1.2. Conceptos básicos de mantenimiento predictivo y basado en condición.
- 1.3. Introducción a Python y sus bibliotecas para el análisis de datos (pandas, numpy, matplotlib, seaborn).
- 1.4. Carga y limpieza de datos históricos de fallas.
- Módulo 2: Estadística Descriptiva y Exploración de Datos
- 2.1. Medidas de tendencia central y dispersión.
- 2.2. Distribuciones de frecuencia y visualización de datos.
- 2.3. Identificación de patrones y tendencias en los datos.
- 2.4. Análisis de correlación y detección de outliers.
- Módulo 3: Análisis de Fiabilidad y Modelos de Fallos
- 3.1. Conceptos de fiabilidad y vida útil de los equipos.
- 3.2. Análisis de vida de fallas: distribuciones de Weibull, Exponencial y Log-Normal.
- 3.3. Estimación de parámetros de distribución.
- 3.4. Gráficas de probabilidad y análisis de supervivencia.
- Módulo 4: Modelos Predictivos y Análisis de Regresión
- 4.1. Introducción a la regresión lineal y no lineal.
- 4.2. Regresión logística para la predicción de fallas.
- 4.3. Evaluación y validación de modelos predictivos.
- 4.4. Implementación de modelos de predicción de fallas en Python.
CERTIFICADO:
Los participantes que aprueban el 100% de la capacitación y asistencia reciben un Certificado visado por:
– IPEMAN (Instituto Peruano de Mantenimiento)
– COPIMAN (Comité Panamericano de Ingeniería de Mantenimiento de la UPADI).
INVERSIÓN:
– Tarifa Recursos Propios: S/. 400
– Tarifa Empresarial: S/. 750 +igv (Si su empresa lo paga)
– Tarifa Corporativa: S/. 700 +igv (Si son de 3 a más de una misma empresa)
CONDICIONES DE INSCRIPCIÓN:
- El inicio del grupo inicia con la inscripción mínima de 10 participantes
- Máxima cantidad de participantes por grupo (25 personas)
- Los pagos efectuados a cuenta de inscripciones no son devueltos o consignados a cuenta o reembolso en efectivo, si el participante inscrito no asiste al curso programado.
- Si el participante incurre en inasistencia a 1 o más módulos programados, por razones de fuerza mayor, Las fechas no son recuperables, recibiendo el material PPT. La inasistencia hasta 2 sesiones de las clases programadas le invalida a recibir el certificado de capacitación.
- Por algún motivo o circunstancia el docente asignado del curso tenga alguna dificultad para brindar el curso será reemplazado por otro especialista que cumpla los requisitos como experiencia y capacidad en el tema.
INSTRUCTOR(A)
Actualmente diseña e implementa modelos predictivos aplicados tanto a los negocios como a la industria, permitiendo conocer y aplicar tecnologías emergentes y la inteligencia artificial utilizando redes neuronales artificiales (Deep learning).
Cuenta con estudios académicos en el campo del machine Learning (modelos predictivos), visual Analytics, estadística aplicada a la ciencia de datos, lenguajes de programación R y Python, Power BI, conocimientos en cloud computing AWS e IOT. Experiencia en Analítica aplicada de mantenimiento y gestión de activos.
REGISTRESE Y SEPARE SU INSCRIPCIÓN