Diplomado en Edge Analytics para Mantenimiento Predictivo
Diplomado online de 800 h: 8 módulos y 80 submódulos, de «Mantenimiento predictivo en vehículos» a «Proyecto de edge analytics predictivo», pasando por «Modelos de pronóstico y RUL».
Mapa del programa · pulsa un módulo
Módulo 1 · Mantenimiento predictivo en vehículos
800 hDuración total
8Módulos
80Submódulos
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 predictivo en vehículos
Saldrás manejando mantenimiento correctivo, preventivo y predictivo, mantenimiento basado en condición según ISO 17359 y arquitectura de ISO 13374 para monitorización. Es lo que se trabaja en «Mantenimiento predictivo en vehículos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Computación en el borde del vehículo
Saldrás manejando edge, fog y nube en movilidad, recursos de cómputo en ECU y unidades telemáticas y sistemas operativos y contenedores embarcados. Es lo que se trabaja en «Computación en el borde del vehículo», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Adquisición y preprocesado de señales
Saldrás manejando señales de CAN, sensores y registros, frecuencia de muestreo y antialiasing y filtrado digital y eliminación de ruido. Es lo que se trabaja en «Adquisición y preprocesado de señales», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Modelos de pronóstico y RUL
Saldrás manejando modelos de degradación y fiabilidad, distribución de Weibull y análisis de supervivencia y filtros de partículas para pronóstico. Es lo que se trabaja en «Modelos de pronóstico y RUL», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Despliegue de modelos en el borde
Saldrás manejando cuantización y poda de modelos, tensorFlow Lite y ONNX Runtime y microcontroladores y TinyML. Es lo que se trabaja en «Despliegue de modelos en el borde», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Integración con operaciones de mantenimiento
Saldrás manejando del aviso a la orden de trabajo, integración con sistemas de gestión de mantenimiento y planificación de talleres y repuestos. Es lo que se trabaja en «Integración con operaciones de mantenimiento», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.
Objetivos de aprendizaje
01Diseñar programas de mantenimiento predictivo para vehículos.
02Arquitecturar el análisis de datos en el borde del vehículo.
03Preprocesar señales y extraer características relevantes.
04Construir modelos de detección de anomalías.
05Estimar la vida útil remanente con incertidumbre.
06Desplegar modelos optimizados en hardware embarcado.
07Integrar las predicciones en la operación de mantenimiento.
Plan de estudios
8 módulos, 80 submódulos, 800 h. Elige un módulo y ves su contenido completo.
1 de 8 módulos abiertos
Módulo 1 de 8 · 10 submódulos
Mantenimiento predictivo en vehículos
1.1Mantenimiento correctivo, preventivo y predictivo
1.2Mantenimiento basado en condición según ISO 17359
1.3Arquitectura de ISO 13374 para monitorización
1.4Diagnóstico frente a pronóstico
1.5Vida útil remanente RUL
1.6Componentes candidatos: batería, frenos, neumáticos y motor
1.7Beneficios para flotas y fabricantes
1.8Retorno de la inversión del mantenimiento predictivo
1.9Casos de éxito en transporte pesado
1.10Caso práctico: priorización de componentes para un programa predictivo
Módulo 2 de 8 · 10 submódulos
Computación en el borde del vehículo
2.1Edge, fog y nube en movilidad
2.2Recursos de cómputo en ECU y unidades telemáticas
2.3Sistemas operativos y contenedores embarcados
2.4Eclipse Kuksa y señales COVESA VSS
2.5Procesamiento de flujos en el vehículo
2.6Compromiso entre cómputo local y transmisión
2.7Consumo energético del análisis embarcado
2.8Actualización remota de modelos analíticos
2.9Seguridad de las cargas en el borde
2.10Laboratorio: servicio de análisis con Kuksa en Raspberry Pi
Módulo 3 de 8 · 10 submódulos
Adquisición y preprocesado de señales
3.1Señales de CAN, sensores y registros
3.2Frecuencia de muestreo y antialiasing
3.3Filtrado digital y eliminación de ruido
3.4Ventanas y segmentación por condiciones de operación
3.5Extracción de características temporales
3.6Análisis espectral y envolvente
3.7Transformada wavelet para transitorios
3.8Normalización por carga, temperatura y velocidad
3.9Compresión de características para envío
3.10Práctica: características de vibración de un rodamiento de rueda
Módulo 4 de 8 · 10 submódulos
Modelos de detección de anomalías
4.1Métodos estadísticos y gráficos de control
4.2Bosques de aislamiento
4.3Autocodificadores para series temporales
4.4Modelos de una sola clase
4.5Modelos basados en física y residuos
4.6Umbrales adaptativos
4.7Gestión de falsas alarmas
4.8Explicabilidad de anomalías
4.9Evaluación sin etiquetas abundantes
4.10Taller: detector de anomalías en datos de frenos
Módulo 5 de 8 · 10 submódulos
Modelos de pronóstico y RUL
5.1Modelos de degradación y fiabilidad
5.2Distribución de Weibull y análisis de supervivencia
5.3Filtros de partículas para pronóstico
5.4Redes LSTM y transformers para RUL
5.5Directrices de ISO 13381-1
5.6Incertidumbre del pronóstico
5.7Estado de salud de baterías de tracción
5.8Validación con históricos de averías
5.9Métricas de pronóstico
5.10Laboratorio: estimación de RUL con el conjunto C-MAPSS
Módulo 6 de 8 · 10 submódulos
Despliegue de modelos en el borde
6.1Cuantización y poda de modelos
6.2TensorFlow Lite y ONNX Runtime
6.3Microcontroladores y TinyML
6.4Aprendizaje federado entre vehículos
6.5Gestión del ciclo de vida de modelos en flota
6.6Monitorización del rendimiento en campo
6.7Sincronización con la nube
6.8Seguridad y firma de modelos
6.9Coste por vehículo
6.10Práctica: despliegue de un modelo cuantizado en microcontrolador
Módulo 7 de 8 · 10 submódulos
Integración con operaciones de mantenimiento
7.1Del aviso a la orden de trabajo
7.2Integración con sistemas de gestión de mantenimiento
7.3Planificación de talleres y repuestos
7.4Gestión de activos según ISO 55001
7.5Alertas al conductor y al gestor de flota
7.6Indicadores de disponibilidad y coste
7.7Garantías y calidad de campo
7.8Protección de datos y Ley de Datos europea
7.9Mejora continua del programa
7.10Caso práctico: programa predictivo para una flota de autobuses
Módulo 8 de 8 · 10 submódulos
Proyecto de edge analytics predictivo
8.1Selección del componente y la flota
8.2Plan de adquisición de datos
8.3Extracción de características
8.4Modelo de anomalías
8.5Modelo de pronóstico
8.6Despliegue en el borde
8.7Integración con mantenimiento
8.8Análisis económico
8.9Memoria y presentación
8.10Revisión final con el tutor
¿Cuánto me va a llevar?
Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 800 h del programa.
—meses a ese ritmo
—semanas por módulo
—frente a los 800 horas · 6 a 8 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.
Mantenimiento correctivo, preventivo y predictivo
Módulo 1 · Mantenimiento predictivo en vehículos
Actualización remota de modelos analíticos
Módulo 2 · Computación en el borde del vehículo
Extracción de características temporales
Módulo 3 · Adquisición y preprocesado de señales
Bosques de aislamiento
Módulo 4 · Modelos de detección de anomalías
Métricas de pronóstico
Módulo 5 · Modelos de pronóstico y RUL
Marca los cinco conceptos y te damos tu resultado.
Este programa se imparte en el área de Autónomos, ADAS & Vehículo Definido por Software, que dirige Dr. Markus Schneider. Debajo, los directores académicos más cercanos a este programa. El detalle de cada instituto está en la página de institutos.
Dr. Markus SchneiderDirector Académico del Departamento EMH — Electromobility, Batteries & Hydrogen.
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 Autónomos, ADAS & Vehículo Definido por Software?
¿Puedes mantener un ritmo de estudio constante durante 800 horas · 6 a 8 meses?
Responde las tres y te decimos por dónde seguir.
Requisitos de acceso
·Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria.
·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 Eclipse Kuksa, TensorFlow Lite, AWS IoT Greengrass, Apache Kafka, Python con scikit-learn, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de detección de anomalías en datos de flota, estimación de vida útil remanente de componentes, despliegue de modelos en hardware embarcado. La evaluación es continua por módulo más el proyecto integrador final.
Son 8 módulos con 80 submódulos y 800 h de trabajo total. Abre por «Mantenimiento predictivo en vehículos» y cierra con «Proyecto de edge analytics predictivo».
Se trabajan ISO 13374-1, ISO 17359:2018, ISO 13381-1:2015, ISO 55001:2024, Reglamento (UE) 2023/2854 y Reglamento (UE) 2016/679.
Los perfiles más directos son Ingeniero de mantenimiento predictivo, Científico de datos de flota, Ingeniero de edge computing, Gestor de mantenimiento de flotas y Ingeniero de fiabilidad.
En un pago son 1.032 €, sobre una tarifa de 1.290 €. A plazos, una entrada de 516 € y 6 cuotas de 129 €, 1.290 € en total, sin intereses: lo mismo que la tarifa.
Formación técnica previa o experiencia profesional en el sector. No se exige titulación universitaria, 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 800 horas totales repartidas en 6 a 8 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.
Se trabaja con Eclipse Kuksa, TensorFlow Lite, AWS IoT Greengrass, Apache Kafka, Python con scikit-learn. 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 proyecto integrador. 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 20261.032 €Matricularme
Antes de decidir
¿Qué sacarías tú de este diplomado?
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 diplomado acreditado y un proyecto hecho sobre un caso de tu propio trabajo.
Qué te aportaLa base técnica de Autónomos, ADAS & Vehículo Definido por Software 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 Autónomos, ADAS & Vehículo Definido por Software y un proyecto que demuestra que sabes aplicarlo.
¿Te va a dar la vida?
Calcula tu ritmo real
Son 800 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 flota
Ingeniero de edge computing
En operadores de flotas, fabricantes de vehículos industriales y transporte público.
Con sinceridad
¿Es para ti?
Sí, si quieres…
Trabajar en Autónomos, ADAS & Vehículo Definido por Software 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.