Predicción de fallos en turbinas eólicas con datos de sensores
Visión general
De qué trata este proyecto.
Construye un pipeline de datos IoT para predecir fallos en turbinas eólicas comparando Random Forest y LSTM. Obtén un certificado verificable.
El escenario
La empresa opera más de 200 turbinas en la Cuenca de Pamplona y el Alto Aragón, con contratos de mantenimiento a 15 años donde cada hora de parada implica penalizaciones contractuales.
El Briefing
Lo que harás y lo que demostrarás.
¿Cómo predecir con al menos 14 días de margen el fallo de rodamientos principales usando datos de sensores históricos, minimizando falsas alarmas que generen intervenciones innecesarias?
Earning criteria — what you'll demonstrate
- Aplicar técnicas de preprocesamiento de series temporales multivariantes con datos faltantes y ruido de sensores industriales
- Diseñar arquitecturas de redes neuronales recurrentes (LSTM) para predicción de eventos raros en contextos de mantenimiento predictivo
- Evaluar modelos de clasificación desbalanceada con métricas específicas como AUC-PR (área bajo la curva de precisión-recall) y coste de falsos negativos
- Comunicar resultados técnicos a audiencias no especializadas mediante visualizaciones y narrativas de riesgo
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Data Science for Business
Master · Data
Strong alignment
This challenge maps to Data Science for Business at the Master level. It sharpens the same practical skills your coursework expects — but in a real industry context with actual constraints and deliverables.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
- Time Series Analysis
Apply time series analysis to solve real industry problems and demonstrate production-level capability.
- Neural Networks
Apply neural networks to solve real industry problems and demonstrate production-level capability.
- Predictive Maintenance
Apply predictive maintenance to solve real industry problems and demonstrate production-level capability.
- Feature Engineering
Apply feature engineering to solve real industry problems and demonstrate production-level capability.
- Model Evaluation
Apply model evaluation to solve real industry problems and demonstrate production-level capability.
- Python Programming
Apply python programming to solve real industry problems and demonstrate production-level capability.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
IoT Data Scientist
Este reto replica el núcleo del trabajo de un científico de datos en entornos industriales conectados: ingestión de datos de sensores, modelado predictivo de activos físicos y traducción de resultados a decisiones de campo. La experiencia con series temporales de mantenimiento es directamente transferible a fábricas inteligentes, logística de transporte y monitorización de infraestructuras críticas.
Este proyecto afina
- time-series-analysis
- predictive-maintenance
- neural-networks
Ingeniero de Machine Learning
El pipeline end-to-end desde datos crudos hasta modelo desplegable, con énfasis en reproducibilidad y validación temporal, prepara para el rol de ingeniería de modelos en producción. La necesidad de gestionar el desbalanceo y el coste asimétrico del error es habitual en sistemas de alerta operativos reales.
Este proyecto afina
- neural-networks
- model-evaluation
- python-programming
Analista de Operaciones Junior
La capacidad de vincular predicciones técnicas con decisiones de mantenimiento y costes operativos desarrolla la visión de negocio que necesita un analista de operaciones en sectores de activos pesados, donde la disponibilidad y el control de gastos son indicadores clave de rendimiento (KPI — indicadores clave de rendimiento).
Este proyecto afina
- predictive-maintenance
- feature-engineering
- model-evaluation