Gemelos digitales y datos sintéticos: Transformando el Mantenimiento Predictivo
Visión general
En este seminario aprenderás a combinar herramientas de análisis FMEA con la generación de datos sintéticos para obtener escenarios tanto de operación normal como con fallo. Mostraremos cómo estos datos permiten desarrollar dos tipos de modelos: uno para la clasificación de fallos mediante Machine Learning y otro para la detección de anomalías usando Deep Learning. Este segundo enfoque incluye la integración de un modelo de PyTorch en Simulink, su compresión y su preparación para implementarlo en hardware embebido. El proceso aprovecha la sinergia entre PyTorch, MATLAB y Simulink para acelerar el desarrollo de sistemas inteligentes y tolerantes a fallos.
Acerca del presentador o presentadores
José Barriga es un ingeniero de aplicaciones especializado en ofrecer soporte a usuarios de MATLAB, enfocándose en procesamiento de datos e Inteligencia Artificial. Antes de unirse a MathWorks, trabajó en la creación de sistemas de control, desarrollo de sensores y equipos de visión artificial en varios sectores. Se graduó en ingeniería de telecomunicaciones por la Universidad de Alcalá de Henares, donde investigó sobre detección y seguimiento de objetos en videos. Su experiencia abarca tanto el ámbito profesional como el académico, contribuyendo al desarrollo y soporte de aplicaciones tecnológicas avanzadas.
