Admisión abierta 2026-2027Rellenar solicitud

Curso de Machine Learning en mantenimiento de maquinaria

Curso online de 300 h: 6 módulos y 60 submódulos, de «Mantenimiento basado en condición: fundamentos» a «Industrialización, gobierno y proyecto final», pasando por «Detección de anomalías y vida útil restante».

Mapa del programa · pulsa un módulo
Módulo 1 · Mantenimiento basado en condición: fundamentos
300 hDuración total
6Módulos
60Submódulos
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 basado en condición: fundamentos

Saldrás manejando modos de fallo y mecanismos de degradación, curva de degradación y ventana de detección y señales que delatan un fallo incipiente. Es lo que se trabaja en «Mantenimiento basado en condición: fundamentos», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Procesado de señales y variables

Saldrás manejando muestreo, aliasing y filtrado, dominio del tiempo: valores estadísticos y de forma y dominio de la frecuencia y transformada. Es lo que se trabaja en «Procesado de señales y variables», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Modelos supervisados y de clasificación

Saldrás manejando clasificación de estado y de modo de fallo, regresión para estimar nivel de degradación y modelos de árboles y modelos lineales regularizados. Es lo que se trabaja en «Modelos supervisados y de clasificación», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Detección de anomalías y vida útil restante

Saldrás manejando aprendizaje de la normalidad y desviaciones, modelos de reconstrucción y de densidad y índices de salud del componente. Es lo que se trabaja en «Detección de anomalías y vida útil restante», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Validación con el taller y puesta en uso

Saldrás manejando validación de los avisos con el personal técnico, protocolo de verificación tras una alerta y documentación del caso y realimentación. Es lo que se trabaja en «Validación con el taller y puesta en uso», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Industrialización, gobierno y proyecto final

Saldrás manejando puesta en producción del modelo, monitorización del rendimiento y deriva y reentrenamiento y gestión de versiones. Es lo que se trabaja en «Industrialización, gobierno y proyecto final», un módulo de 10 submódulos que puedes abrir completo en el plan de estudios.

Objetivos de aprendizaje

  • 01Explicar los fundamentos del mantenimiento basado en condición.
  • 02Extraer variables de señales de vibración, presión y temperatura.
  • 03Entrenar modelos supervisados para clasificar modos de fallo.
  • 04Aplicar técnicas de detección de anomalías y estimación de vida útil restante.
  • 05Validar los modelos con la experiencia del taller y medir su rendimiento.
  • 06Desplegar y mantener modelos en producción con criterios de gobernanza.
  • 07Desarrollar un proyecto de machine learning sobre datos reales de maquinaria.

Plan de estudios

6 módulos, 60 submódulos, 300 h. Elige un módulo y ves su contenido completo.

1 de 6 módulos abiertos
Módulo 1 de 6 · 10 submódulos

Mantenimiento basado en condición: fundamentos

1.1Modos de fallo y mecanismos de degradación
1.2Curva de degradación y ventana de detección
1.3Señales que delatan un fallo incipiente
1.4Vibración, temperatura, presión y acústica
1.5Análisis de aceites y partículas de desgaste
1.6Qué puede aportar el aprendizaje automático
1.7Qué debe resolverse con ingeniería y no con modelos
1.8Requisitos mínimos de datos y de etiquetas
1.9Métricas de negocio del mantenimiento
1.10Taller: selección de un componente y de sus señales
Módulo 2 de 6 · 10 submódulos

Procesado de señales y variables

2.1Muestreo, aliasing y filtrado
2.2Dominio del tiempo: valores estadísticos y de forma
2.3Dominio de la frecuencia y transformada
2.4Análisis de envolvente y de bandas de frecuencia
2.5Variables derivadas de la señal de vibración
2.6Normalización por régimen y por carga
2.7Alineación de señales y ventanas temporales
2.8Reducción de dimensión
2.9Selección de variables informativas
2.10Práctica: extracción de variables de una señal real
Módulo 3 de 6 · 10 submódulos

Modelos supervisados y de clasificación

3.1Clasificación de estado y de modo de fallo
3.2Regresión para estimar nivel de degradación
3.3Modelos de árboles y modelos lineales regularizados
3.4Redes neuronales sobre señales y espectros
3.5Transferencia entre máquinas y entre condiciones
3.6Pocos ejemplos de fallo: estrategias
3.7Datos sintéticos y aumento de datos
3.8Validación por máquina y por periodo
3.9Interpretabilidad y confianza del mantenedor
3.10Práctica: clasificador de estado de un rodamiento
Módulo 4 de 6 · 10 submódulos

Detección de anomalías y vida útil restante

4.1Aprendizaje de la normalidad y desviaciones
4.2Modelos de reconstrucción y de densidad
4.3Índices de salud del componente
4.4Modelos de supervivencia y de riesgo
4.5Estimación de vida útil restante y su incertidumbre
4.6Datos censurados y mantenimiento preventivo previo
4.7Deriva de sensor frente a degradación real
4.8Reducción de falsas alarmas
4.9Comparación con umbrales de norma
4.10Práctica: índice de salud y estimación de vida restante
Módulo 5 de 6 · 10 submódulos

Validación con el taller y puesta en uso

5.1Validación de los avisos con el personal técnico
5.2Protocolo de verificación tras una alerta
5.3Documentación del caso y realimentación
5.4Umbrales de decisión según el coste del error
5.5Integración con la gestión del mantenimiento
5.6Planificación de la intervención y del repuesto
5.7Medición del ahorro y del fallo evitado
5.8Gestión del cambio y confianza del equipo
5.9Indicadores del programa
5.10Práctica: diseño del circuito de aviso y verificación
Módulo 6 de 6 · 10 submódulos

Industrialización, gobierno y proyecto final

6.1Puesta en producción del modelo
6.2Monitorización del rendimiento y deriva
6.3Reentrenamiento y gestión de versiones
6.4Reproducibilidad del cálculo y documentación
6.5Costes de cómputo y de almacenamiento
6.6Dependencia del fabricante y acceso a señales
6.7Protección de datos y de la información técnica
6.8Errores habituales en proyectos de mantenimiento predictivo
6.9Hoja de ruta de madurez
6.10Proyecto final: sistema de mantenimiento basado en condición

¿Cuánto me va a llevar?

Mueve las horas que puedes dedicar cada semana y calculamos tu ritmo sobre las 300 h del programa.

—meses a ese ritmo
—semanas por módulo
—frente a los 300 horas · 3 a 5 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.

Curva de degradación y ventana de detección
Módulo 1 · Mantenimiento basado en condición: fundamentos
Selección de variables informativas
Módulo 2 · Procesado de señales y variables
Pocos ejemplos de fallo: estrategias
Módulo 3 · Modelos supervisados y de clasificación
Índices de salud del componente
Módulo 4 · Detección de anomalías y vida útil restante
Práctica: diseño del circuito de aviso y verificación
Módulo 5 · Validación con el taller y puesta en uso

Marca los cinco conceptos y te damos tu resultado.

Normas y estándares que vas a manejar

ISO 13374-1 (procesado de datos para monitorización de estado)ISO 13381-1 (pronóstico en monitorización de estado)ISO 17359 (monitorización de estado y diagnóstico)ISO 20816-1 (medición y evaluación de vibraciones)Reglamento (UE) 2024/1689 (Ley de Inteligencia Artificial)ISO/IEC 23053 (marco de sistemas de IA con aprendizaje automático)ISO/IEC 25012 (modelo de calidad de datos)

Cuerpo docente y expertos

Este programa se imparte en el área de Off-Road, Vehículos Especiales & Maquinaria, 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 Schneider Dr. Markus SchneiderDirector Académico del Departamento EMH — Electromobility, Batteries & Hydrogen.
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 machine learning industrial
Científico de datos de mantenimiento
Ingeniero de fiabilidad
Especialista en mantenimiento basado en condición
Ingeniero MLOps
Analista de telemetría de maquinaria

Para quién es

Ingeniero de machine learning industrial
Científico de datos de mantenimiento
Ingeniero de fiabilidad
Especialista en mantenimiento basado en condición
Ingeniero MLOps
Analista de telemetría de maquinaria
Titulados en ingeniería o ciencias que busquen entrar en minería

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 Off-Road, Vehículos Especiales & Maquinaria · Aeroespacial, UAM, Drones & Espacio · Automoción & Motorsport · Civil, Rail & Smart Cities · Defensa, Ingeniería Militar & Sistemas Terrestres (enfoque académico, legal y ético) · Electromovilidad, Baterías & Hidrógeno (Movilidad) · Energía & Redes · Ingeniería Nuclear & Tecnologías del Ciclo Nuclear · 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 Off-Road, Vehículos Especiales & Maquinaria?
¿Puedes mantener un ritmo de estudio constante durante 300 horas · 3 a 5 meses?

Responde las tres y te decimos por dónde seguir.

Requisitos de acceso

  • ·No se exige titulación previa.
  • ·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 (scikit-learn, PyTorch), MATLAB Predictive Maintenance Toolbox, Azure Machine Learning, Grafana, MLflow, en versiones gratuitas, académicas o de evaluación. Los ensayos se estudian sobre procedimientos reales de etiquetado de fallos con datos de taller, detección de anomalías en series temporales, validación de modelos de vida útil restante. La evaluación es continua por módulo más el proyecto integrador final.

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

Preguntas frecuentes

Son 6 módulos con 60 submódulos y 300 h de trabajo total. Abre por «Mantenimiento basado en condición: fundamentos» y cierra con «Industrialización, gobierno y proyecto final».

Se trabajan ISO 13374-1 (procesado de datos para monitorización de estado), ISO 13381-1 (pronóstico en monitorización de estado), ISO 17359 (monitorización de estado y diagnóstico), ISO 20816-1 (medición y evaluación de vibraciones), Reglamento (UE) 2024/1689 (Ley de Inteligencia Artificial) y ISO/IEC 23053 (marco de sistemas de IA con aprendizaje automático).

Los perfiles más directos son Ingeniero de machine learning industrial, Científico de datos de mantenimiento, Ingeniero de fiabilidad, Especialista en mantenimiento basado en condición y Ingeniero MLOps.

En un pago son 596 €, sobre una tarifa de 745 €. A plazos, una entrada de 298 € y 3 cuotas de 149 €, 745 € en total, sin intereses: lo mismo que la tarifa.

No se exige titulación previa, 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 300 horas totales repartidas en 3 a 5 meses. Eso son entre 10 y 15 horas semanales de media, compatibles con jornada laboral completa.

Se trabaja con Python (scikit-learn, PyTorch), MATLAB Predictive Maintenance Toolbox, Azure Machine Learning, Grafana, MLflow. 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.

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 2026596 € Matricularme
Contactar con Seium
Pago al contado596 €ahorras 149 €
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.