se centra en el diseño y la implementación avanzada de sistemas para el tratamiento eficiente de time-series y la integración de historiadores en entornos industriales críticos. Esta disciplina involucra áreas técnicas como procesamiento en pipelines de datos, análisis en tiempo real con BI (Business Intelligence) y la gestión de grandes volúmenes de información en arquitecturas distribuidas, optimizando la adquisición y transformación de datos conforme a métodos de ingeniería de software, stream processing y edge computing. El enfoque está alineado con estándares de interoperabilidad y confiabilidad en sistemas SCADA, IoT industrial y protocolos de comunicación como OPC UA, garantizando el cumplimiento de normativas aplicables en el sector aeroespacial y manufacturero para eVTOL, UAVs y plataformas de alta criticidad.
Los laboratorios especializados facilitan la simulación en HIL y SIL, la adquisición sincronizada de señales multicanal y el análisis de integridad en tiempo real, siguiendo marcos de seguridad estructurada y trazabilidad bajo normativas aplicables internacionalmente, integrando aspectos de IEC 61508, ISO 27001 y estándares de ciberseguridad industrial. Los perfiles profesionales capacitados en esta área incluyen data engineers, machine learning engineers, industrial IoT architects, cloud data specialists y BI analysts, fundamentales para entornos de producción automatizada y mantenimiento predictivo.
5.800 €
Aprenderás a integrar todo el proceso de desarrollo de producto desde la concepción del modelo hasta su validación final, aplicando metodologías centradas en el usuario. Desarrollarás competencias en diseño paramétrico, ergonomía, simulación, materiales sostenibles, visualización 3D y gestión de manufactura, garantizando soluciones eficientes, seguras y alineadas con los estándares industriales actuales.
Requisitos Sugeridos: Conocimientos básicos de aerodinámica, control de sistemas y estructuras. Nivel de idioma Español/Inglés B2+ o C1. Posibilidad de acceso a cursos de nivelación (bridging tracks) disponibles.
1.1 Fundamentos de Time-Series en entornos industriales y navales
1.2 Historizadores: almacenamiento y consulta de series temporales en buques y plantas industriales
1.3 Arquitecturas de Edge para Time-Series: procesamiento local frente a centralizado
1.4 Diseño de pipelines de datos para sensores industriales y navales
1.5 Ingesta de datos y streaming: conectores, broker, y resiliencia en entornos marítimos
1.6 BI y visualización para operaciones marinas: dashboards en tiempo real
1.7 Calidad de datos, gobernanza y trazabilidad en Edge & Data Engineering Naval
1.8 Evaluación de madurez tecnológica: TRL/CRL/SRL aplicados a soluciones de Time-Series
1.9 IP, certificaciones y time-to-market de soluciones de Time-Series para la industria naval
1.10 Caso práctico: go/no-go con matriz de riesgos para implementación de Time-Series en buque o plataforma offshore
2.1 Contexto y motivación de la Ingeniería de Datos en el Borde
2.2 Time-Series en el Borde: fundamentos, casos de uso y retos
2.3 Historizadores y almacenamiento de series temporales: formatos, retención y compresión
2.4 Pipelines de datos en el borde: diseño, orquestación y procesamiento en tiempo real
2.5 BI en Edge: conceptos, visualización, dashboards y KPIs en local
2.6 Arquitecturas de borde: dispositivos, gateways y edge/cloud híbrido
2.7 Integración con sistemas industriales: OPC UA, SCADA, MES y ERP
2.8 Seguridad, gobernanza y cumplimiento en Data Engineering de borde
2.9 Rendimiento, escalabilidad y eficiencia en el borde
2.10 Casos prácticos y evaluación: go/no-go con matriz de riesgos
3.1 Contexto y fundamentos de Edge Data en la industria
3.2 Time-Series: definiciones, valores y casos de uso en ingeniería de datos
3.3 Historizadores e almacenamiento de series temporales
3.4 Arquitecturas de Edge para data engineering industrial
3.5 Ingesta de datos en el borde: protocolos, formatos y estándares
3.6 Pipelines de datos en Edge: ETL/ELT, streaming y procesamiento en tiempo real
3.7 Procesamiento en el borde vs en la nube: trade-offs y consideraciones
3.8 Visualización y BI en el borde: dashboards y reporting cercano al punto de generación
3.9 Gobernanza, seguridad y cumplimiento de datos en Edge Data
3.10 Proyecto práctico: diseño de un pipeline básico de Time-Series en Edge
4.1 Introducción a Time-Series en Edge Industrial: fundamentos, terminología y casos de uso
4.2 Arquitecturas de Time-Series en Edge: dispositivos, gateways y sincronización
4.3 Historizadores en Edge Industrial: selección, estructuras de datos y retención
4.4 Pipelines de datos en Edge: ingestión, procesamiento en streaming y entrega a BI
4.5 Integración con BI en entornos industriales: dashboards, reporting y KPIs
4.6 Calidad de datos, gobernanza y lineage en Time-Series
4.7 Almacenamiento y rendimiento de Time-Series en Edge: formatos, compresión y indexación
4.8 Seguridad, cumplimiento y gestión de accesos en Time-Series Edge
4.9 Pruebas, validación y métricas de desempeño para Time-Series en Edge
4.10 Caso práctico: go/no-go con matriz de riesgos para implementación de Time-Series en Edge
5.1 Fundamentos de Time-Series: Definición, Aplicaciones en la Industria.
5.2 Tipos de Datos Time-Series: Estructurados, semiestructurados y no estructurados.
5.3 Conceptos Clave: Timestamp, frecuencia, agregación, tendencia, estacionalidad.
5.4 Herramientas y Plataformas: Introducción a Historizadores y Bases de Datos Time-Series.
5.5 El Rol de las Time-Series en la Toma de Decisiones Industriales.
5.6 Desafíos Comunes y Mejores Prácticas en el Manejo de Datos Time-Series.
5.7 Casos de Estudio: Ejemplos de Aplicación en la Industria (Manufactura, Energía, etc.).
5.8 Introducción a la Visualización y Análisis Básico de Datos Time-Series.
5.9 Preparación del Entorno: Instalación y Configuración de Herramientas Básicas.
5.10 Práctica: Importación y Análisis Inicial de un Dataset Time-Series.
6.1 Conceptos Fundamentales de Time-Series: Definición, importancia y aplicaciones en la industria.
6.2 Introducción a Edge Computing: Definición, arquitectura y beneficios para la recopilación de datos.
6.3 Recolección de Datos en el Borde: Fuentes de datos, sensores y protocolos de comunicación.
6.4 Almacenamiento de Time-Series: Tipos de bases de datos, selección y consideraciones de rendimiento.
6.5 Visualización y Análisis Básico: Herramientas y técnicas para la interpretación de datos.
6.6 Introducción a Historizadores: Funciones y beneficios en el almacenamiento y gestión de datos.
6.7 Introducción a Pipelines: Conceptos y arquitectura para el procesamiento de datos en tiempo real.
6.8 Integración con Sistemas BI: Introducción a la visualización y análisis de datos.
6.9 Casos de Uso en la Industria: Ejemplos prácticos de la aplicación de Time-Series en la industria Edge.
6.10 Tendencias Futuras: Inteligencia artificial y análisis predictivo aplicado a Time-Series.
7.1 Fundamentos de Time-Series: Definición, características y aplicaciones en la industria.
7.2 Tipos de datos Time-Series: Discretos, continuos, regulares e irregulares.
7.3 Importancia de Time-Series en Edge & Data Engineering Industrial.
7.4 Herramientas y tecnologías clave para el análisis de Time-Series.
7.5 Conceptos básicos de Historización: Almacenamiento y gestión de datos Time-Series.
7.6 Introducción a Pipelines de datos: Proceso de ingesta, procesamiento y análisis.
7.7 Introducción a BI: Visualización y análisis de datos Time-Series.
7.8 Ejemplos prácticos de aplicaciones Time-Series en la industria.
7.9 Desafíos y consideraciones en el manejo de datos Time-Series.
7.10 Caso de estudio: Aplicaciones de Time-Series en diferentes sectores industriales.
8.1 Fundamentos de la Ingeniería de Datos Industrial en el Borde
8.2 El Rol de Time-Series en Entornos Industriales
8.3 Historizadores: Almacenamiento y Recuperación de Datos Temporales
8.4 Introducción a los Pipelines de Datos Industriales
8.5 Conceptos Clave de Business Intelligence (BI) en el Contexto Industrial
8.6 Arquitectura de Datos en el Borde: Desafíos y Oportunidades
8.7 Edge Computing y su Impacto en la Ingeniería de Datos
8.8 Herramientas y Tecnologías Comunes en la Industria
8.9 Casos de Uso: Ejemplos de Aplicación de Time-Series, Historizadores y BI
8.10 Tendencias Futuras en la Ingeniería de Datos Industrial
9.1 Introducción a Time-Series: Conceptos Clave y Aplicaciones Industriales
9.2 Edge Computing: Arquitectura, Beneficios y Desafíos
9.3 Recolección de Datos en el Borde: Sensores y Protocolos Industriales
9.4 Almacenamiento Inicial de Time-Series en el Edge: Optimización
9.5 Introducción a Historizadores de Datos: Funcionalidades y Selección
9.6 Análisis Básico de Time-Series en el Edge: Tendencias y Anomalías
9.7 Pipelines de Datos en el Edge: Diseño y Componentes Esenciales
9.8 Visualización de Datos en el Borde: Dashboards y Métricas Clave
9.9 Seguridad y Gobernanza de Datos en el Edge: Consideraciones
9.10 Casos de Uso Iniciales: Aplicaciones Prácticas en la Industria
10.1 Fundamentos de la Ingeniería de Datos Edge: Conceptos clave y arquitectura.
10.2 El papel de Time-Series en entornos industriales y de borde (Edge).
10.3 Introducción a los Historizadores: Almacenamiento y gestión de datos temporales.
10.4 Pipelines de Datos: Diseño y construcción de flujos de datos eficientes.
10.5 Business Intelligence (BI) en Edge: Análisis y visualización de datos en tiempo real.
10.6 Desafíos y oportunidades en la Ingeniería de Datos Edge.
10.7 Hardware y software para la Ingeniería de Datos Edge.
10.8 Casos de uso y aplicaciones prácticas en la industria.
10.9 Herramientas y tecnologías esenciales para el Edge Data Engineering.
10.10 Planificación y estrategia para proyectos de Ingeniería de Datos Edge.
Director Académico del DSD — SEIUM Design & Industrial Design Institute
Profesor de Diseño Industrial, Diseño de Vehículos, Transportation Design, UX/HMI, Color & Trim, Iluminación y Desarrollo de Producto
El Prof. Luca Benedetti, de nacionalidad italiana, es Director Académico del DSD — SEIUM Design & Industrial Design Institute y responsable de diseño industrial, de producto y vehículos, experiencia de usuario, interacción persona-máquina, interfaces HMI, Color & Trim y prototipado.
Director Académico del SRA — SEIUM Robotics & Autonomous Systems Institute
Profesor de Robótica, Automatización Inteligente, Sistemas Autónomos, Percepción Artificial, Control Avanzado y Mecatrónica.
El Prof. Kenji Takahashi, de nacionalidad japonesa, es Director Académico del SRA — SEIUM Robotics & Autonomous Systems Institute y responsable de robótica industrial, robots móviles, mecatrónica, control avanzado, percepción artificial, navegación e inteligencia embebida y autónoma.
Directora Académica del DAIS — SEIUM Data, Artificial Intelligence & Simulation Institute
Profesora de Inteligencia Artificial, Ciencia de Datos, Ingeniería de Datos, MLOps, Simulación, Gemelos Digitales y Computación Científica
La Dra. Lucía Hernández Vega, de nacionalidad española, es Directora Académica del DAIS — SEIUM Data, Artificial Intelligence & Simulation Institute y responsable de inteligencia artificial, ciencia e ingeniería de datos, visión artificial, IA generativa, MLOps y gemelos digitales.
Director Académico del EET — SEIUM Electronics & Embedded Technologies Institute
Profesor de Electrónica, Sistemas Embebidos, Telecomunicaciones, Diseño de Hardware, FPGA, IoT y Sistemas de Tiempo Real
El Dr. Kevin O’Connor, de nacionalidad irlandesa, es Director Académico del EET — SEIUM Electronics & Embedded Technologies Institute y responsable de electrónica, sistemas embebidos, telecomunicaciones, diseño de circuitos, microcontroladores, FPGA, IoT y desarrollo de hardware electrónico.
Director Académico del SNO — SEIUM Naval & Offshore Institute
Profesor de Arquitectura Naval, Ingeniería Marítima, Sistemas de Propulsión, Construcción Naval e Ingeniería Offshore
El Dr. Javier Ferrer Salvatierra, de nacionalidad española, es Director Académico del SNO — SEIUM Naval & Offshore Institute y responsable de arquitectura naval, ingeniería marítima, construcción, propulsión, sistemas auxiliares, ingeniería offshore, seguridad y descarbonización marítima.
Directora Académica del RSC — SEIUM Rail & Smart Cities Institute
Profesora de Ingeniería Ferroviaria, Señalización, Movilidad Urbana, Infraestructuras Inteligentes y Sistemas de Transporte
La Dra. Isabel Martín Robles, de nacionalidad española, es Directora Académica del RSC — SEIUM Rail & Smart Cities Institute y profesora responsable de las áreas de ingeniería ferroviaria, señalización, sistemas de control del tráfico, movilidad urbana, transporte inteligente, infraestructuras conectadas y planificación de ciudades inteligentes.
Director Académico del SEN — SEIUM Energy & Networks Institute
Profesor de Sistemas Eléctricos de Potencia, Smart Grids, Energías Renovables, Almacenamiento y Digitalización de Redes
El Dr. Carlos Navarro Sanz, de nacionalidad española, es Director Académico del SEN — SEIUM Energy & Networks Institute y responsable de sistemas eléctricos, redes inteligentes, renovables, almacenamiento, operación, protecciones, subestaciones, digitalización y planificación energética.
Director Académico del Departamento PTW — Motorcycle & Two-Wheel Engineering
Profesor de Ingeniería de Motocicletas, Dinámica de Vehículos de Dos Ruedas, Chasis, Suspensiones y Sistemas de Propulsión
El Prof. Hiroshi Nakamura, de nacionalidad japonesa, es Director Académico del Dpto. de Motorcycle & Two-Wheel Engineering — PTW de SEIUM y responsable de ingeniería de motocicletas, dinámica, chasis, suspensiones, propulsión térmica y eléctrica, telemetría y validación experimental.
Director Académico del SAS — SEIUM Aero & Space Institute
Profesor de Ingeniería Aeroespacial, Helicópteros, Tiltrotor, eVTOL, Aviónica y Sistemas de Vuelo
El Dr. James Whitmore, de nacionalidad británica, es Director Académico del SAS — SEIUM Aero & Space Institute y responsable de ingeniería aeroespacial, diseño de aeronaves, helicópteros, eVTOL, movilidad aérea, aviónica, control de vuelo, sistemas espaciales y certificación.
Director Académico del Departamento EMH — Electromobility, Batteries & Hydrogen
Profesor de Electromovilidad, Ingeniería de Baterías, Sistemas BMS, Electrónica de Potencia e Hidrógeno Aplicado a la Movilidad
El Dr. Markus Schneider, de nacionalidad alemana, es Director Académico del Dpto. de Electromobility, Batteries & Hydrogen — EMH de SEIUM y responsable de electromovilidad, baterías, BMS, electrónica de potencia, infraestructura de recarga e hidrógeno aplicado al transporte.
Director Académico del SEIUM MotorSport Institute — SMI
Profesor de Ingeniería Motorsport, Dinámica Vehicular, Aerodinámica de Competición y Race Performance Engineering
El Dr. Alessandro Moretti, de nacionalidad italiana, es Director Académico del SEIUM MotorSport Institute — SMI y responsable de ingeniería motorsport, dinámica vehicular, aerodinámica de competición, chasis, suspensiones, telemetría y optimización del rendimiento en pista.
Consulta “Calendario & convocatorias”, “Becas & ayudas” y “Tasas & financiación” en el mega-menú de SEIUM
Nuestro equipo está listo para ayudarte. Contáctanos y te responderemos lo antes posible.
Si, contamos con certificacion internacional
Sí: modelos experimentales, datos reales, simulaciones aplicadas, entornos profesionales, casos de estudio reales.
No es obligatoria. Ofrecemos tracks de nivelación y tutorización
Totalmente. Cubre e-propulsión, integración y normativa emergente (SC-VTOL).
Recomendado. También hay retos internos y consorcios.
Sí. Modalidad online/híbrida con laboratorios planificados y soporte de visados (ver “Visado & residencia”).
Testimonios de clientes que avalan nuestra calificación