Admisión abierta 2026-2027Rellenar solicitud

Máster en Ingeniería de Mantenimiento Predictivo con IA

Máster online de 1900 h: 12 módulos y 120 submódulos, de «Mantenimiento y datos» a «Trabajo Fin de Máster», pasando por «IA aplicada por tecnología de activo».

Mapa del programa · pulsa un módulo
Módulo 1 · Mantenimiento y datos
1900 hDuración total
12Módulos
120Submódulos
OnlineModalidad

Competencias y resultados

6 bloques de competencia, sacados de los módulos de este programa. Pulsa cualquiera y ves qué vas a saber hacer.

Mantenimiento y datos

Saldrás manejando estrategias de mantenimiento y su evolución, mantenimiento basado en condición según ISO 17359 y fuentes de datos: sensores, GMAO y SCADA. Es lo que se trabaja en «Mantenimiento y datos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Ingeniería de características predictivas

Saldrás manejando características de vibración por bandas, indicadores de temperatura y corriente y características de procesos y cargas. Es lo que se trabaja en «Ingeniería de características predictivas», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Detección de anomalías en activos

Saldrás manejando modelos de comportamiento normal, regresión de residuos de modelos y autoencoders sobre datos SCADA. Es lo que se trabaja en «Detección de anomalías en activos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

IA aplicada por tecnología de activo

Saldrás manejando máquinas rotativas y motores eléctricos, transformadores y análisis de gases disueltos y bombas y compresores. Es lo que se trabaja en «IA aplicada por tecnología de activo», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Despliegue y MLOps

Saldrás manejando arquitecturas edge y nube, pipelines de inferencia periódica y integración con GMAO y generación de avisos. Es lo que se trabaja en «Despliegue y MLOps», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

IA generativa y gobernanza

Saldrás manejando asistentes LLM para técnicos de mantenimiento, recuperación de manuales e historiales y generación de informes de avería. Es lo que se trabaja en «IA generativa y gobernanza», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Preparar datos de mantenimiento combinando sensores y GMAO.
  • 02Construir indicadores de salud a partir de señales de activos.
  • 03Desarrollar modelos de diagnóstico de fallos con aprendizaje automático.
  • 04Estimar la vida útil remanente con cuantificación de incertidumbre.
  • 05Integrar modelos físicos y de datos en gemelos digitales.
  • 06Desplegar soluciones predictivas con prácticas MLOps.
  • 07Transformar pronósticos en decisiones de mantenimiento óptimas.

Plan de estudios

12 módulos, 120 submódulos, 1900 h. Elige un módulo y ves su contenido completo.

1 de 12 módulos abiertos
Módulo 1 de 12 · 10 submódulos

Mantenimiento y datos

1.1Estrategias de mantenimiento y su evolución
1.2Mantenimiento basado en condición según ISO 17359
1.3Fuentes de datos: sensores, GMAO y SCADA
1.4Mapeo de modos de fallo a variables medibles
1.5Criticidad de activos y priorización
1.6Madurez digital del mantenimiento
1.7Casos de éxito en industria y energía
1.8Errores comunes en proyectos predictivos
1.9Construcción del caso de negocio
1.10Caso práctico: selección de activos para un piloto predictivo
Módulo 2 de 12 · 10 submódulos

Preparación de datos de mantenimiento

2.1Extracción de históricos de GMAO
2.2Texto libre de órdenes de trabajo
2.3Procesamiento de lenguaje natural de averías
2.4Alineación de eventos con señales
2.5Etiquetado de fallos y ventanas previas
2.6Gestión de datos faltantes
2.7Datos desbalanceados de fallos
2.8Datos de condiciones operativas
2.9Fuga de información en etiquetado
2.10Laboratorio: etiquetado de fallos a partir de órdenes de trabajo
Módulo 3 de 12 · 10 submódulos

Ingeniería de características predictivas

3.1Características de vibración por bandas
3.2Indicadores de temperatura y corriente
3.3Características de procesos y cargas
3.4Agregados temporales y tendencias
3.5Características basadas en física
3.6Indicadores de salud compuestos
3.7Selección por monotonicidad y prognosabilidad
3.8Normalización por régimen operativo
3.9Automatización de características
3.10Práctica: indicador de salud para una turbomáquina
Módulo 4 de 12 · 10 submódulos

Clasificación y diagnóstico de fallos

4.1Clasificadores de árboles y gradient boosting
4.2Máquinas de vectores soporte
4.3Redes convolucionales sobre espectrogramas
4.4Diagnóstico multiclase de fallos
4.5Aprendizaje con pocas etiquetas
4.6Transfer learning entre máquinas
4.7Validación por activo y por tiempo
4.8Matrices de confusión y costes
4.9Interpretabilidad del diagnóstico
4.10Laboratorio: diagnóstico de fallos de rodamiento con CNN
Módulo 5 de 12 · 10 submódulos

Detección de anomalías en activos

5.1Modelos de comportamiento normal
5.2Regresión de residuos de modelos
5.3Autoencoders sobre datos SCADA
5.4Isolation Forest en condiciones operativas
5.5Umbrales y persistencia de alarmas
5.6Separación de anomalías de proceso y de equipo
5.7Fusión de múltiples detectores
5.8Reducción de falsas alarmas
5.9Validación con expertos
5.10Taller: modelo de comportamiento normal de un aerogenerador
Módulo 6 de 12 · 10 submódulos

Pronóstico de vida útil remanente

6.1Formulación del problema de RUL
6.2Modelos de supervivencia y Cox
6.3Procesos estocásticos de degradación
6.4Regresión directa de RUL
6.5LSTM y CNN para RUL
6.6Conjunto C-MAPSS y benchmarks
6.7Cuantificación de incertidumbre en RUL
6.8Modelos bayesianos y bootstrapping
6.9Métricas de prognosis
6.10Práctica: RUL en el conjunto C-MAPSS
Módulo 7 de 12 · 10 submódulos

IA aplicada por tecnología de activo

7.1Máquinas rotativas y motores eléctricos
7.2Transformadores y análisis de gases disueltos
7.3Bombas y compresores
7.4Aerogeneradores y SCADA
7.5Material rodante ferroviario
7.6Activos de oil and gas
7.7Infraestructura civil y estructuras
7.8Flotas de vehículos
7.9Equipos de climatización
7.10Caso práctico: análisis de gases disueltos con aprendizaje automático
Módulo 8 de 12 · 10 submódulos

Modelos híbridos y gemelos digitales

8.1Modelos físicos de degradación
8.2Redes neuronales informadas por la física
8.3Calibración de modelos con datos
8.4Gemelos digitales para mantenimiento
8.5Simulación de fallos para generar datos
8.6Datos sintéticos y aumento
8.7Modelos sustitutos de simulaciones de degradación
8.8Validación de modelos híbridos
8.9Escalado a flotas
8.10Laboratorio: modelo híbrido de desgaste
Módulo 9 de 12 · 10 submódulos

Despliegue y MLOps

9.1Arquitecturas edge y nube
9.2Pipelines de inferencia periódica
9.3Integración con GMAO y generación de avisos
9.4Monitorización de deriva de modelos
9.5Reentrenamiento por nuevos fallos
9.6Gestión de modelos por activo
9.7Plataformas industriales comerciales
9.8Ciberseguridad OT en soluciones predictivas
9.9Escalabilidad de la solución
9.10Taller: pipeline de inferencia integrado con GMAO
Módulo 10 de 12 · 10 submódulos

Decisión y optimización del mantenimiento

10.1Del pronóstico a la decisión
10.2Mantenimiento prescriptivo y recomendaciones de acción
10.3Optimización de calendario con restricciones
10.4Gestión de repuestos con pronósticos
10.5Análisis coste-beneficio de alertas
10.6Teoría de decisión bajo incertidumbre
10.7Aprendizaje por refuerzo en mantenimiento
10.8Indicadores de valor del programa
10.9Comunicación a dirección
10.10Práctica: optimización de intervenciones con pronósticos de RUL
Módulo 11 de 12 · 10 submódulos

IA generativa y gobernanza

11.1Asistentes LLM para técnicos de mantenimiento
11.2Recuperación de manuales e historiales
11.3Generación de informes de avería
11.4Riesgos de alucinación en entornos críticos
11.5Ley de IA y supervisión humana
11.6Gestión de IA según ISO/IEC 42001
11.7Responsabilidad y trazabilidad de decisiones
11.8Gestión del cambio en equipos técnicos
11.9Ética y empleo
11.10Caso práctico: asistente RAG sobre manuales de equipos
Módulo 12 de 12 · 10 submódulos

Trabajo Fin de Máster

12.1Definición del activo y del problema
12.2Preparación de datos
12.3Características e indicadores de salud
12.4Modelos de diagnóstico y pronóstico
12.5Integración en la toma de decisiones
12.6Arquitectura de despliegue
12.7Evaluación técnico-económica del programa
12.8Conclusiones y plan de escalado
12.9Memoria del TFM
12.10Defensa ante tribunal

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 1900 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 1900 horas · 12 a 18 meses previstos

¿Qué nivel tienes ya?

Cinco conceptos del propio temario. Marca lo que ya controlas y te decimos si te conviene el curso, el diplomado o el máster.

Construcción del caso de negocio
Módulo 1 · Mantenimiento y datos
Indicadores de salud compuestos
Módulo 3 · Ingeniería de características predictivas
Autoencoders sobre datos SCADA
Módulo 5 · Detección de anomalías en activos
Caso práctico: análisis de gases disueltos con aprendizaje automático
Módulo 7 · IA aplicada por tecnología de activo
Plataformas industriales comerciales
Módulo 9 · Despliegue y MLOps

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

ISO 17359ISO 13374-1ISO 13381-1Reglamento (UE) 2024/1689 (Ley de IA)ISO 55001IEC 60599ISO/IEC 42001ISO 20816-1

Cuerpo docente y expertos

Este programa se imparte en el área de Data, IA, Simulación & Analytics, que dirige Dra. Lucía Hernández Vega. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.

Dra. Lucía Hernández Vega Dra. Lucía Hernández VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’Connor Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji Takahashi Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.

El claustro completo y los once institutos, con sus líneas de trabajo, están en institutos SEIUM y en liderazgo y consejo asesor.

Dónde se trabaja con esto

Perfiles a los que da acceso el programa.

Ingeniero de mantenimiento predictivo
Científico de datos de activos
Ingeniero de fiabilidad
Ingeniero MLOps industrial
Responsable de gestión de activos
Consultor de mantenimiento 4.0

Para quién es

Ingeniero de mantenimiento predictivo
Científico de datos de activos
Ingeniero de fiabilidad
Ingeniero MLOps industrial
Responsable de gestión de activos
Consultor de mantenimiento 4.0
Titulados en ingeniería o ciencias que busquen entrar en energía eólica

Otras formaciones del área

Del mismo área y nivel, para completar tu itinerario.

En el blog técnico: Machine learning con datos de flotas: de la telemetría al mantenimiento predictivo · Motores fueraborda: mantenimiento, diagnóstico y averías más frecuentes.

Áreas cercanas: todas las de Data, IA, Simulación & Analytics · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Autónomos, ADAS & Vehículo Definido por Software · Civil, Rail & Smart Cities · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Diseño, HMI & Producto · Electromovilidad, Baterías & Hidrógeno · todas las facultades.

Opiniones de alumnos

Opiniones verificadas de alumnos de SEIUM, recogidas en Opynio.

Ver reseñas completas

De la solicitud al aula, sin esperas

  1. 1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
  2. 2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
  3. 3Eliges modalidad de pago y reservas tu plazaPago único con descuento o entrada más cuotas mensuales. La matrícula de esta semana cierra el 27-11-2026.

El proceso completo, con documentación, plazos, convalidaciones y becas, está en admisión, cómo aplicar y becas y ayudas.

Comprueba tu acceso en tres respuestas

¿Tienes titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional equivalente?
¿Trabajas o quieres trabajar en Data, IA, Simulación & Analytics?
¿Puedes mantener un ritmo de estudio constante durante 1900 horas · 12 a 18 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente.
  • ·Conexión a internet y un ordenador capaz de ejecutar el software del programa.
  • ·Nivel de español suficiente para seguir lectura de normativa técnica.

Cómo se estudia

Formación 100 % online en el campus de SEIUM, con material descargable, clases grabadas y tutor técnico asignado. Sin horarios fijos: el alumno avanza a su ritmo dentro de la convocatoria, lo que permite compatibilizarlo con el trabajo.

Cada módulo combina teoría, lectura guiada de la norma original y ejercicios aplicados. El software de trabajo es Python con scikit-learn y PyTorch, MATLAB Predictive Maintenance Toolbox, MLflow, Azure Machine Learning, Grafana, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de pronóstico de vida útil de motores con el conjunto C-MAPSS, modelos de comportamiento normal con datos SCADA, diagnóstico de transformadores por gases disueltos. La evaluación es continua por módulo más el TFM final.

Las modalidades, el calendario y las tasas son comunes a todos los programas: modalidades, calendario académico y tasas y financiación.

Preguntas frecuentes

Son 12 módulos con 120 submódulos y 1900 h de trabajo total. Abre por «Mantenimiento y datos» y cierra con «Trabajo Fin de Máster».

Se trabajan ISO 17359, ISO 13374-1, ISO 13381-1, Reglamento (UE) 2024/1689 (Ley de IA), ISO 55001 y IEC 60599.

Los perfiles más directos son Ingeniero de mantenimiento predictivo, Científico de datos de activos, Ingeniero de fiabilidad, Ingeniero MLOps industrial y Responsable de gestión de activos.

En un pago son 4.984 €, sobre una tarifa de 6.230 €. A plazos, una entrada de 2.486 € y 12 cuotas de 312 €, 6.230 € en total, sin intereses: lo mismo que la tarifa.

Titulación universitaria en ingeniería, ciencias o arquitectura, o experiencia profesional acreditable equivalente, Conexión a internet y un ordenador capaz de ejecutar el software del programa y Nivel de español suficiente para seguir lectura de normativa técnica.

El programa son 1900 horas totales repartidas en 12 a 18 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con Python con scikit-learn y PyTorch, MATLAB Predictive Maintenance Toolbox, MLflow, Azure Machine Learning, Grafana. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.

Diploma propio de SEIUM al superar la evaluación continua y el Trabajo Fin de Máster. Es formación propia, no un título oficial del Ministerio.

Sí. Los módulos superados en un curso o diplomado del mismo área convalidan en el programa superior. Consulta la política de convalidaciones al matricularte.

Las dudas comunes a todos los programas (titulación, convalidaciones, visado, idiomas) están resueltas en preguntas frecuentes, equivalencias y convalidaciones e idiomas.

Inicio de clases: 22 de diciembre de 20264.984 € Matricularme
Contactar con Seium
Pago al contado4.984 €ahorras 1.246 €
Reservar plaza
Seium - Universidad de ingeniería avanzada
Resumen de privacidad

Esta web utiliza cookies para que podamos ofrecerte la mejor experiencia de usuario posible. La información de las cookies se almacena en tu navegador y realiza funciones tales como reconocerte cuando vuelves a nuestra web o ayudar a nuestro equipo a comprender qué secciones de la web encuentras más interesantes y útiles.