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 VegaDirectora Académica del DAIS — Data, Artificial Intelligence & Simulation Institute.
Dr. Kevin O’ConnorDirector Académico del EET — Electronics & Embedded Technologies Institute.
Prof. Kenji TakahashiDirector Académico del SRA — Robotics & Autonomous Systems Institute.
1Rellenas la solicitud de admisiónTitulación o experiencia y firma, en una sola página.
2El sistema verifica la documentación al instanteEl sistema comprueba los datos y la firma al momento.
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.
¿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.
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.
Inicio de clases: 22 de diciembre de 20264.984 €Matricularme
Antes de decidir
¿Qué sacarías tú de este máster?
No es lo mismo llegar aquí recién titulado que con diez años en el sector. Dinos de dónde vienes.
Qué te aportaPasar de la teoría de carrera al criterio de proyecto: qué norma aplica a cada parte del trabajo, qué criterios de aceptación se fijan antes de ejecutar y cómo se deja todo documentado.
Dónde vas a sudarEl módulo de normativa y evidencia documental, si todavía no has trabajado dentro de un proyecto real con auditoría de por medio.
Con qué salesCon una memoria técnica propia, sobre un caso real, que puedes poner encima de la mesa en una entrevista.
Qué te aportaFormalizar lo que ya haces por oficio: distinguir requisito obligatorio de buena práctica, justificar por escrito las decisiones técnicas y dejar el trabajo trazable.
Dónde vas a sudarPoco en contenido. El esfuerzo real está en el proyecto final y en su defensa.
Con qué salesCon el máster acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Data, IA, Simulación & Analytics y el marco normativo del ámbito desde cero, sin dar por sabido el vocabulario del sector.
Dónde vas a sudarLas primeras semanas, por terminología. A partir del segundo módulo se nivela.
Con qué salesCon un perfil de entrada acreditado en Data, IA, Simulación & Analytics y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 1900 horas. Mueve el control y mira cuánto tardarías tú de verdad.
—para terminar
¿Y esto para qué me sirve?
Marca lo que más te interesa
Elige hasta 3 módulos y te digo cuánto pesan en el programa y a qué perfiles prepara.
Perfiles a los que prepara
Ingeniero de mantenimiento predictivo
Científico de datos de activos
Ingeniero de fiabilidad
En energía eólica, ferroviario y oil and gas.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Data, IA, Simulación & Analytics con criterio de norma, no solo de intuición.
Saber justificar por escrito por qué tomaste una decisión técnica.
Terminar con una memoria técnica tuya, sobre un caso real.
Avanzar a tu ritmo, compatible con una jornada completa.
No, si buscas…
Un título rápido sin entregar trabajo propio.
Clases en directo con horario fijo: el programa es asíncrono.
Empezar mañana: las clases empiezan justo un mes después de matricularte.
Formación de taller o práctica presencial con maquinaria.
¿Te queda una duda?
Pregunta algo concreto
Escríbela aquí y la pasamos al formulario de contacto con la formación ya identificada.