Con este curso utilizarás la data de un PLC que adquiere señales de campo para utilizarlas como inputs de modelos predictivos, con dichos modelos podrás conocer con cierto margen de error aceptable, la probabilidad de que un activo falle, por lo tanto disminuir las paradas aleatorias no programadas impactando en los costos de mantenimiento y de producción, por ende dichos costos bajarán.
Podrás hacer programas y automatizar procesos utilizando simuladores como Factory IO, RSView, Studio 5000.
Desarrollar modelos predictivos con técnicas de Machine Learning, utilizando como inputs, señales provenientes de un PLC como sensores y actuadores de planta, para predecir la probabilidad de falla de los activos.
- Profesionales del sector industrial (público o privado), con dominio básico de Python y conocimiento general de estadística, probabilidades y lógica binaria de PLC aplicado a la automatización de procesos.
- Público general interesado en el análisis de grandes cantidades de datos de diferente naturaleza, con conocimiento previo de Python, Estadística y lógica binaria de PLC aplicado a la automatización de procesos.
- Estudiantes o egresados de ciencias e ingeniería o de carreras afines relacionadas a procesos industriales de producción continua; quienes deben tener dominio básico de lenguajes de programación, matemáticas, estadística y probabilidades y lógica binaria de PLC aplicado a la automatización de procesos.
- PLC como parte de una Cadena de Automatización y Control de Procesos
- Base de Datos del SCADA con Input del Modelo
- Programación de PLC Básico, Operaciones Boleanas: AND, OR, SET, RESET
- Modelos de Confiabilidad de Activos (Probabilidad de Falla – Weibull)
- Modelos de Regresión Lineal y No Lineal con Data del PLC
- Modelos de Aprendizaje Supervisado: Problemas de Clasificación con Data del PLC
- Evaluación de Modelos
Orlando Belli Hesse
Experiencia en operación y mantenimiento de industrias en los sectores energía, minas, petróleo y gas: Yllapu Energy del grupo Gloria, Minsur, Calidda (distribución de gas natural), COLP (licuefacción de gas natural), Maple Gas, Indox Cryo Energy (en Ecuador), entro otras. Experiencia brindando capacitaciones en Machine Learning y Analytics en los sectores retail e industrial.
Certificado:
- Los participantes deberán aprobar la evaluación con una nota mínima de 11 (once) sobre 20 (veinte) y acreditar una asistencia al 75% de las horas de clase programadas.
Constancia de participación:
- Se entregará una constancia de participación a quienes hayan asistido a un mínimo del 75% de las horas programadas y no alcancen la nota mínima aprobatoria.
S/ 850
Descuentos especiales:
- Comunidad PUCP: S/ 725
Pronto pago hasta el 16 de junio:
- Público en general: S/ 765
- Comunidad PUCP: S/ 680