SEIUM, Universidad de Ingenieria Avanzada
Campus virtual
SEIUM, Universidad de Ingenieria Avanzada

Curso de Mantenimiento predictivo con big data

Sobre nuestro Curso de Mantenimiento predictivo con big data

El curso en mantenimiento predictivo con big data de SEIUM es una formación 100 % online de 300 horas, estructurada en 6 módulos y 60 submódulos. Cubre mantenimiento predictivo con big data desde los fundamentos hasta la validación y la puesta en operación, con el marco normativo de referencia del sector —IEC 61850, IEC 60909 y IEEE 1547— aplicado sobre casos reales y no como un anexo teórico.

El trabajo práctico se realiza con las herramientas que se usan en la industria: DIgSILENT PowerFactory, PSS/E, PSCAD y ETAP. Cada módulo cierra con un entregable que el tutor corrige individualmente, y el programa culmina en un proyecto integrador documentado. Está orientado a perfiles de ingeniero de red eléctrica, especialista en hvdc y analista de mercados eléctricos en transporte y distribución, generación renovable y almacenamiento.

Curso de Ética en certificación académica de aeronaves
Curso de Mantenimiento predictivo con big data
  • Modalidad: Online
  • Duración: 4 meses
  • Horas: 300 H
  • Idioma: ES / EN
  • Fecha de matrícula: 16-10-2026
  • Plazas disponibles: 11

545 €

Aplicar Ahora

Competencias y resultados

Qué aprenderás

Base técnica aplicada

Explicarás los principios físicos y de ingeniería que gobiernan Mantenimiento predictivo con big data, con las magnitudes, el vocabulario y los órdenes de medida que se usan en proyecto real.

Marco normativo y criterios

Identificarás la normativa aplicable, distinguirás el requisito obligatorio de la buena práctica y sabrás qué evidencia documental exige cada criterio de aceptación.

Análisis y dimensionado

Plantearás las hipótesis de partida, resolverás el cálculo o el dimensionado de los elementos críticos y justificarás cada decisión con criterios trazables.

Herramientas y software

Manejarás las herramientas de cálculo, simulación, medida y documentación habituales en Energía & Redes, desde la preparación del modelo hasta la validación del resultado.

Diagnóstico y resolución

Detectarás los fallos y las desviaciones más frecuentes, los clasificarás por criticidad y propondrás la corrección con su plan de verificación.

Entrega profesional

Redactarás la documentación técnica —memoria, cálculos, planos o informe de ensayo— en el formato que esperan el cliente, la dirección facultativa y el organismo de control.

Curso de Ética en certificación académica de aeronaves

Para quien va dirigido nuestro:

Curso de Mantenimiento predictivo con big data

  • Ingenieros/as con títulos en Ingeniería Aeroespacial, Mecánica, Industrial, Automática o campos relacionados.
  • Expertos de la industria en roles como OEM rotorcraft/eVTOL, MRO, consultoría especializada y personal de centros tecnológicos.
  • Profesionales de áreas como Flight Test, certificación de aeronaves, aviónica, sistemas de control y dinámica de vuelo que deseen profundizar sus conocimientos.
  • Representantes de organismos reguladores y autoridades, así como perfiles clave en el sector de UAM/eVTOL que requieran conocimientos específicos en compliance y normativas.

Requisitos deseables: Se recomienda contar con conocimientos previos en aerodinámica, sistemas de control y estructuras. Se valora un nivel de ES/EN B2+/C1. Se ofrece la posibilidad de acceder a bridging tracks para aquellos que necesiten fortalecer sus conocimientos.

  • Standards-driven curriculum: trabajarás con CS-27/CS-29, DO-160, DO-178C/DO-254, ARP4754A/ARP4761, ADS-33E-PRF desde el primer módulo.
  • Laboratorios acreditables (EN ISO/IEC 17025) con banco de rotor, EMC/Lightning pre-compliance, HIL/SIL, vibraciones/acústica.
  • TFM orientado a evidencia: safety case, test plan, compliance dossier y límites operativos.
  • Mentorado por industria: docentes con trayectoria en rotorcraft, tiltrotor, eVTOL/UAM y flight test.
  • Modalidad flexible (híbrido/online), cohortes internacionales y soporte de SEIUM Career Services.
  • Ética y seguridad: enfoque safety-by-design, ciber-OT, DIH y cumplimiento como pilares.

6 módulos · 60 submódulos · 300 horas

1Introducción al Análisis Predictivo Naval (50 h)
  • 1.1. Fundamentos del Análisis Predictivo en la Industria Naval
  • 1.2. Introducción al Big Data y su Aplicación en el Sector Marítimo
  • 1.3. Importancia del Mantenimiento Predictivo en la Reducción de Costos
  • 1.4. Recopilación y Gestión de Datos en Entornos Navales
  • 1.5. Herramientas y Tecnologías para el Análisis de Datos en el Sector Naval
  • 1.6. Introducción al Modelado Predictivo en el Mantenimiento Naval
  • 1.7. Aplicaciones Prácticas del Análisis Predictivo en Diferentes Sistemas Navales
  • 1.8. Ética y Responsabilidad en el Uso del Análisis Predictivo en la Industria Naval
  • 1.9. Casos de Estudio: Ejemplos de Éxito en la Aplicación del Análisis Predictivo
  • 1.10. Tendencias Futuras y el Impacto del Análisis Predictivo en la Innovación Naval
2Fundamentos Big Data Naval (50 h)
  • 2.1. Introducción al Big Data en el contexto naval
  • 2.2. Fuentes de datos navales: sensores, registros, sistemas
  • 2.3. Almacenamiento y gestión de datos: bases de datos y plataformas
  • 2.4. Fundamentos de la analítica de datos y machine learning
  • 2.5. Herramientas y tecnologías para el análisis de Big Data
  • 2.6. Ética y seguridad de los datos en el ámbito naval
  • 2.7. Casos de estudio: aplicaciones iniciales de Big Data en la industria naval
  • 2.8. Recopilación y preprocesamiento de datos de maquinaria naval
  • 2.9. Selección y preparación de variables predictivas
  • 2.10. Modelado predictivo: algoritmos de machine learning aplicados a la maquinaria naval
3Predicción del Rendimiento Naval con Big Data (50 h)
  • 3.1. Introducción al Rendimiento Naval: Parámetros Clave y Desafíos
  • 3.2. Fuentes de Datos para Análisis de Rendimiento: Sensores, Registros y Big Data
  • 3.3. Fundamentos de Big Data: Almacenamiento, Procesamiento y Herramientas Específicas
  • 3.4. Modelado Predictivo: Técnicas y Algoritmos Aplicados al Rendimiento Naval
  • 3.5. Análisis de Variables Clave: Velocidad, Consumo de Combustible y Eficiencia
  • 3.6. Modelado de Rotores: Impacto en el Rendimiento y la Eficiencia Energética
  • 3.7. Predicción de Tendencias: Análisis de Datos Históricos y en Tiempo Real
  • 3.8. Optimización del Rendimiento: Estrategias Basadas en Predicciones
  • 3.9. Estudios de Caso: Aplicaciones Prácticas y Resultados en la Industria Naval
  • 3.10. Integración de la Predicción de Rendimiento en la Gestión Naval
4Mantenimiento Naval Proactivo: Big Data (50 h)
  • 4.1. Introducción al Mantenimiento Naval Proactivo y Big Data
  • 4.2. Recolección y Gestión de Datos en Entornos Navales
  • 4.3. Análisis de Datos con Big Data: Técnicas y Herramientas
  • 4.4. Modelado Predictivo Aplicado a Sistemas Navales
  • 4.5. Identificación de Patrones y Anomalías en Maquinaria Naval
  • 4.6. Implementación de Estrategias de Mantenimiento Basadas en Datos
  • 4.7. Optimización del Mantenimiento Preventivo y Correctivo
  • 4.8. Casos de Estudio: Aplicaciones Reales del Mantenimiento Proactivo
  • 4.9. Evaluación de la Eficiencia y Rentabilidad del Mantenimiento Proactivo
  • 4.10. Tendencias Futuras y Desafíos en el Mantenimiento Naval Proactivo con Big Data
5Análisis de Datos y Rotores Navales (50 h)
  • 5.1. Introducción al Big Data en la Industria Naval
  • 5.2. Recopilación y Limpieza de Datos de Maquinaria Naval
  • 5.3. Análisis Descriptivo y Exploratorio de Datos
  • 5.4. Modelado Predictivo con Datos de Rotores
  • 5.5. Selección y Validación de Modelos Predictivos
  • 5.6. Aplicaciones Prácticas: Predicción de Fallos en Rotores
  • 5.7. Visualización y Comunicación de Resultados
  • 5.8. Estudios de Caso: Análisis de Fallos en Rotores
  • 5.9. Herramientas y Software para el Análisis Predictivo
  • 5.10. Estrategias de Implementación en el Mantenimiento Naval
6Predicción del Estado de Equipos Navales (50 h)
  • 6.1. Introducción a la Predicción del Estado de Equipos Navales
  • 6.2. Recopilación y Gestión de Datos en la Industria Naval
  • 6.3. Análisis de Datos con Big Data: Herramientas y Técnicas
  • 6.4. Modelado Predictivo para el Estado de Equipos Navales
  • 6.5. Aplicaciones de Modelado: Motores, Bombas y Sistemas Críticos
  • 6.6. Evaluación y Validación de Modelos Predictivos
  • 6.7. Mantenimiento Basado en Condición y la Toma de Decisiones
  • 6.8. Implementación Práctica y Estudios de Caso
  • 6.9. Integración de Big Data y Modelado en Plataformas Navales
  • 6.10. Tendencias Futuras y Avances en la Predicción del Estado
  • Metodología hands-on: test-before-you-trust, design reviews, failure analysis, compliance evidence.
  • Software (según licencias/partners): MATLAB/Simulink, Python (NumPy/SciPy), OpenVSP, SU2/OpenFOAM, Nastran/Abaqus, AMESim/Modelica, herramientas de acústica, toolchains de planificación DO-178C.
  • Laboratorios SEIUM: banco de rotor a escala, vibraciones/acústica, EMC/Lightning pre-compliance, HIL/SIL para AFCS, adquisición de datos con strain gauging.
  • Estándares y cumplimiento: EN 9100, 17025, ISO 27001, GDPR.

Lo que sales sabiendo hacer

Objetivos de aprendizaje

  • Dominar los fundamentos técnicos de mantenimiento predictivo con big data y su vocabulario normativo.
  • Aplicar IEC 61850, IEC 60909 y IEEE 1547 a decisiones reales de diseño y validación.
  • Construir y correlacionar modelos de cálculo con DIgSILENT PowerFactory y PSS/E.
  • Planificar y ejecutar campañas de ensayo en simulador de red en tiempo real (RTDS) y banco de ensayo de protecciones.
  • Analizar datos de operación y traducirlos en decisiones de ingeniería.
  • Elaborar el dossier técnico y de cumplimiento que exige el cliente o el regulador.
  • Dirigir técnicamente un proyecto de mantenimiento predictivo con big data de principio a fin.

Cómo se estudia

Metodología

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 DIgSILENT PowerFactory, PSS/E, PSCAD, ETAP, MATLAB/Simulink, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de simulador de red en tiempo real (RTDS), banco de ensayo de protecciones, laboratorio de potencia. La evaluación es continua por módulo más el proyecto integrador final.

El marco con el que se trabaja

Normas y estándares

  • IEC 61850
  • IEC 60909
  • IEEE 1547
  • ENTSO-E Network Codes
  • Reglamento (UE) 2016/631 (RfG)
  • IEC 62443
  • IEC 61400 (eólica)
  • IEC 62933 (almacenamiento)
  • NERC CIP
  • UNE-EN 50160

Dónde se aplica

Salidas profesionales

  • Ingeniero de red eléctrica
  • Especialista en HVDC
  • Analista de mercados eléctricos
  • Ingeniero de protecciones
  • Responsable de integración renovable
  • Especialista en almacenamiento
  • Ingeniero de operación de sistema

Sectores de destino: transporte y distribución, generación renovable, almacenamiento, hidrógeno, industria electrointensiva, comercialización. SEIUM no garantiza la obtención de empleo: se trata de una formación propia orientada a la capacitación técnica.

Anatomía del sistema

Cómo se construye el modelo

Pulsa cada etapa para ver qué es y en qué módulo se estudia.

ABCD1234560102030405060708realimentaciónMANTENIMIENTO PREDICTIVO CON BIG DATADIAGRAMA DE BLOQUESSEIUMESC. S/E12345678

Adquisición

De dónde salen los datos, con qué frecuencia y qué sesgos trae el muestreo.

Se trabaja en el Módulo 3 del plan de estudios.

Preparación

Limpieza, valores ausentes, normalización y construcción de variables.

Se trabaja en el Módulo 4 del plan de estudios.

Modelado

Elección del algoritmo, ajuste de hiperparámetros y control del sobreajuste.

Se trabaja en el Módulo 5 del plan de estudios.

Simulación

Modelos físicos y gemelos digitales: hipótesis, mallado y coste de cálculo.

Se trabaja en el Módulo 6 del plan de estudios.

Validación

Métricas, validación cruzada y contraste contra datos reales medidos.

Se trabaja en el Módulo 6 del plan de estudios.

Despliegue

Puesta en producción, latencia, versionado y trazabilidad de las decisiones.

Se trabaja en el Módulo 6 del plan de estudios.

Monitorización

Deriva de los datos, reentrenamiento y alertas cuando el modelo se degrada.

Se trabaja en el Módulo 6 del plan de estudios.

Gobernanza

Reproducibilidad, documentación del modelo y requisitos regulatorios.

Se trabaja en el Módulo 2 del plan de estudios.

Marco de referencia

Normas y estándares que vas a manejar

ISO/IEC 25012

Modelo de calidad del dato: exactitud, completitud, coherencia y actualidad.

ISO/IEC 42001

Sistema de gestión de la inteligencia artificial dentro de una organización.

ASME V&V 10 y 20

Verificación y validación de modelos de simulación frente a datos experimentales.

Reglamento europeo de IA

Clasificación por riesgo y obligaciones de documentación y supervisión.

Tu dedicación

300 horas: cuánto te va a llevar

La formación es 100 % online y asíncrona, así que el calendario lo pones tú. Estas son las tres velocidades más habituales.

5 h por semana

60

semanas

13,9 meses aproximadamente

10 h por semana

30

semanas

6,9 meses aproximadamente

15 h por semana

20

semanas

4,6 meses aproximadamente

Proyectos tipo capstones

Definición del alcance

Eliges un caso real de Energía & Redes relacionado con Mantenimiento predictivo con big data, acotas el problema, fijas los requisitos de partida y los criterios con los que se va a medir el resultado.

Datos y estado del arte

Reúnes datos, normativa y referencias técnicas, justificas cada fuente y documentas de forma explícita las hipótesis que no puedas medir.

Desarrollo técnico

Resuelves el cálculo, el modelo o el diseño con las herramientas del programa y registras cada iteración junto al motivo que la provocó.

Validación y contraste

Compruebas los resultados frente a la normativa y a casos de referencia, haces el análisis de sensibilidad y cierras las desviaciones detectadas.

Memoria y defensa

Entregas el proyecto final con sus anexos y defiendes las decisiones ante el tutor, que evalúa rigor, trazabilidad y aplicabilidad industrial.

CUERPO DOCENTE Y EXPERTOS

Conoce a nuestros profesores

Prof. Luca Benedetti, director academico del SEIUM Design & Industrial Design Institute

Prof. Luca Benedetti

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.

Conocer al Profesor
Prof. Kenji Takahashi, director academico del SEIUM Robotics & Autonomous Systems Institute

Prof. Kenji Takahashi

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.

Conocer al Profesor
Dra. Lucia Hernandez Vega, directora academica del SEIUM Data, Artificial Intelligence & Simulation Institute

Dra. Lucía Hernández Vega

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.

Conocer al Profesor
Dr. Kevin O’Connor, director academico del SEIUM Electronics & Embedded Technologies Institute

Dr. Kevin O’Connor

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.

Conocer al Profesor
Dr. Javier Ferrer Salvatierra, director academico del SEIUM Naval & Offshore Institute

Dr. Javier Ferrer Salvatierra

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.

Conocer al Profesor
Dra. Isabel Martin Robles, directora academica del SEIUM Rail & Smart Cities Institute

Dra. Isabel Martín Robles

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.

Conocer al Profesor
Dr. Carlos Navarro Sanz, director academico del SEIUM Energy & Networks Institute

Dr. Carlos Navarro Sanz

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.

Conocer al Profesor

Admisiones

Cómo se accede a este curso

  1. 1
    Solicitud

    Rellenas el formulario con tu perfil y la formación que te interesa. Sin coste ni compromiso.

  2. 2
    Evaluación del perfil

    Revisamos formación y experiencia para confirmar que el programa encaja con tu punto de partida.

  3. 3
    Entrevista técnica

    Una conversación con el equipo académico para ajustar objetivos, ritmo y dedicación.

  4. 4
    Matrícula

    Se confirma la plaza y recibes los accesos. El programa arranca cuando tú decides.

Qué documentación hace falta

Currículum actualizado y titulación o acreditación de experiencia equivalente. Si quieres, puedes añadir ejemplos de proyectos o de código; no son obligatorios, pero ayudan a afinar el itinerario.

Becas y formas de pago

Hay descuento por pago único y becas parciales por mérito académico, por situación económica y por fomento de la inclusión, además de convenios con empresas del sector. En la entrevista se revisa cuál te corresponde.

Cuándo puedes empezar

La matrícula está abierta todo el año. Al ser un programa online y asíncrono no hay que esperar a una convocatoria: se empieza en cuanto se formaliza la matrícula.

¿Tienes dudas?

Nuestro equipo está listo para ayudarte. Contáctanos y te responderemos lo antes posible.

Por favor, activa JavaScript en tu navegador para completar este formulario.

F. A. Q

Preguntas frecuentes

¿Cuántas horas de dedicación semanal exige?

El programa son 300 horas totales repartidas en 3 a 5 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

¿Qué software necesito?

Se trabaja con DIgSILENT PowerFactory, PSS/E, PSCAD, ETAP. Se usan versiones gratuitas, académicas o de evaluación, y el tutor indica la alternativa libre cuando existe.

¿Qué titulación obtengo?

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

¿Se puede convalidar con otra formación de SEIUM?

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

Contáctanos

Lo que se busca en Google

Las preguntas que más se hacen sobre Mantenimiento predictivo con big data

¿Qué es Mantenimiento predictivo con big data?

Es una especialidad propia de los datos y la simulación en ingeniería. En la práctica consiste en aplicar un método de ingeniería concreto (requisitos, diseño, cálculo, ensayo y puesta en servicio) a ese ámbito, con sus propias normas, herramientas y criterios de aceptación. Este curso recorre ese método completo en 6 módulos.

¿Qué salidas profesionales tiene Mantenimiento predictivo con big data?

Contratan sobre todo departamentos de I+D, consultoras de cálculo y equipos de ciencia de datos industrial. Los puestos habituales son los de ingeniero de diseño, de cálculo, de ensayo, de puesta en marcha y de calidad o cumplimiento normativo, además de los perfiles de proyecto que coordinan a los anteriores.

¿Qué normas hay que conocer para trabajar en Mantenimiento predictivo con big data?

Las de referencia son ISO/IEC 25012, ISO/IEC 42001, ASME V&V 10 y 20, entre otras. No basta con saber que existen: lo que piden las empresas es saber qué exige cada una, qué evidencia hay que generar y cómo se documenta. Es lo que se trabaja en el módulo de marco normativo.

¿Qué herramientas se usan en Mantenimiento predictivo con big data?

En el día a día se trabaja con entornos de análisis y aprendizaje automático, software de simulación numérica y plataformas de datos. Durante la formación se usan en los ejercicios y en el proyecto final, de modo que lo que se practica es lo mismo que se pide en una oferta de empleo.

¿Cuánto se tarda en especializarse en Mantenimiento predictivo con big data?

Este programa son 300 horas. Con 10 horas a la semana salen unas 30 semanas; con 5 horas, el doble. Al ser 100 % online y asíncrono, el calendario lo marca el alumno y no hay clases a hora fija.

¿Se puede estudiar Mantenimiento predictivo con big data online?

Sí. Todo el programa es online y asíncrono: material, ejercicios y entregas quedan disponibles desde el primer día y cada módulo se cierra con un entregable que el tutor corrige de forma individual. No hay desplazamientos ni horarios.

¿Qué nivel previo hace falta?

Se parte de una base técnica: formación en ingeniería o experiencia equivalente en el sector. No se exige experiencia previa en la especialidad concreta, porque los primeros módulos reconstruyen los fundamentos antes de entrar en los métodos avanzados.

Testimonios & trayectorias

Otras formaciones de Energía y Redes

Curso de Ingeniería energética en data centersCurso · 300 h · 100 % onlineCurso de Electrificación portuaria (cold-ironing)Curso · 300 h · 100 % onlineCurso de Electrificación aeroportuariaCurso · 300 h · 100 % onlineCurso de Redes aisladas e islas con alta penetración renovableCurso · 300 h · 100 % onlineCurso de Project Finance en proyectos energéticosCurso · 300 h · 100 % onlineCurso de Gestión de riesgos en mercados energéticosCurso · 300 h · 100 % online

Ver todas las formaciones de Energía y Redes

Ficha del programa

El programa en datos

6módulosEstructura
60submódulosUnidades de trabajo
300horasCarga total
3-5mesesDedicación
Modalidad
online, 100 % a distancia.
Duración
300 horas · 3 a 5 meses.
Estructura
6 módulos y 60 submódulos.
Área
Energía & Redes.
Titulación
diploma propio de SEIUM.
Convocatorias
abiertas, matrícula continua.
Tutorización
tutor técnico asignado y corrección individual.
Idioma
español.

Compara antes de decidir

Esta formación frente a otra del catálogo

Curso · estás aquíCurso de Mantenimiento predictivo con big dataDiplomadoDiplomado en Mantenimiento Predictivo y Health Index
Horas300 h800 h
Módulos68
Submódulos6080
Precio545 €1.090 €

Ver Diplomado en Mantenimiento Predictivo y Health Index

Formaciones relacionadas

Programa revisado el .

Seium - Universidad de ingeniería avanzada
Powered by  GDPR Cookie Compliance
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.