Módulo 1 — Arquitectura de datos O&M y series temporales

1.1 Fundamentos, alcance y criterios: Define el alcance técnico de Arquitectura de datos O&M y series temporales y sitúa Arquitectura de datos O&M y series temporales dentro de la decisión que debe tomarse. Se revisan conceptos, límites de aplicabilidad, dependencias y errores frecuentes. El participante debe distinguir qué parte del problema puede resolverse con reglas conocidas y qué parte exige datos adicionales, cálculo, ensayo o revisión especialista. El ejercicio termina con criterios explícitos para aceptar, condicionar o rechazar una hipótesis.

1.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Arquitectura de datos O&M y series temporales: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Arquitectura de datos O&M y series temporales y el contexto de Calidad de sensores, timestamps y missing data. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

1.3 Método, modelado y comprobación: Modela o evalúa Arquitectura de datos O&M y series temporales dentro de Arquitectura de datos O&M y series temporales mediante FMEA/FMECA y lógica RCM. El objetivo es convertir la herramienta en un instrumento de decisión: se definen entradas, casos, controles y comparación de resultados. El análisis incluye una verificación independiente que permita diferenciar precisión numérica de validez técnica.

1.4 Riesgos, interfaces y controles: Evalúa cómo modo de fallo no caracterizado puede comprometer Arquitectura de datos O&M y series temporales. A partir de Arquitectura de datos O&M y series temporales, el participante identifica escenarios, barreras preventivas, controles de detección y respuestas. Se jerarquizan acciones por criticidad y se evita confundir la mera existencia de un procedimiento con la eficacia real del control.

1.5 Entregable, QA/QC y defensa: Formaliza Arquitectura de datos O&M y series temporales en entregable técnico del módulo «Arquitectura de datos O&M y series temporales». El participante sintetiza Arquitectura de datos O&M y series temporales sin eliminar la evidencia necesaria, diferencia hechos de interpretaciones y registra supuestos pendientes. La revisión final comprueba que cada recomendación tenga soporte, responsable y criterio de cierre, evitando documentos extensos pero poco accionables.

Módulo 2 — Calidad de sensores, timestamps y missing data

2.1 Fundamentos, alcance y criterios: Analiza Arquitectura de datos O&M y series temporales como componente central de Calidad de sensores, timestamps y missing data. La práctica exige identificar mecanismos, causas, consecuencias y criterios de comparación antes de seleccionar herramientas. Se trabaja la diferencia entre dato observado, valor calculado y juicio profesional, dejando constancia de los límites que deben comunicarse a un revisor o cliente.

2.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Calidad de sensores, timestamps y missing data: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Calidad de sensores, timestamps y missing data y el contexto de Exploración, tendencias y estacionalidad. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

2.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Calidad de sensores, timestamps y missing data utilizando CMMS y jerarquías de activos. El método se articula alrededor de Calidad de sensores, timestamps y missing data: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

2.4 Riesgos, interfaces y controles: Evalúa cómo tarea de mantenimiento sin justificación puede comprometer Calidad de sensores, timestamps y missing data. A partir de Calidad de sensores, timestamps y missing data, el participante identifica escenarios, barreras preventivas, controles de detección y respuestas. Se jerarquizan acciones por criticidad y se evita confundir la mera existencia de un procedimiento con la eficacia real del control.

2.5 Entregable, QA/QC y defensa: Formaliza Calidad de sensores, timestamps y missing data en entregable técnico del módulo «Calidad de sensores, timestamps y missing data». El participante sintetiza Calidad de sensores, timestamps y missing data sin eliminar la evidencia necesaria, diferencia hechos de interpretaciones y registra supuestos pendientes. La revisión final comprueba que cada recomendación tenga soporte, responsable y criterio de cierre, evitando documentos extensos pero poco accionables.

Módulo 3 — Exploración, tendencias y estacionalidad

3.1 Fundamentos, alcance y criterios: Establece los fundamentos de Exploración, tendencias y estacionalidad mediante un análisis crítico de Calidad de sensores, timestamps y missing data. Se revisan las decisiones que dependen de esta materia, los parámetros que más influyen en ellas y las simplificaciones habituales que pueden inducir errores. El participante formula un esquema de verificación que permita comprobar coherencia antes de avanzar al siguiente nivel del proyecto.

3.2 Datos, parámetros y calidad de entrada: Prepara las entradas de Exploración, tendencias y estacionalidad mediante una revisión estructurada de Exploración, tendencias y estacionalidad. El trabajo incluye control de versiones, detección de outliers, comprobaciones de orden de magnitud y contraste con Features de condición y ventanas temporales. Cada dato queda vinculado a una fuente y a una decisión, de forma que el modelo posterior pueda auditarse.

3.3 Método, modelado y comprobación: Modela o evalúa Exploración, tendencias y estacionalidad dentro de Exploración, tendencias y estacionalidad mediante series temporales y modelos de condición. El objetivo es convertir la herramienta en un instrumento de decisión: se definen entradas, casos, controles y comparación de resultados. El análisis incluye una verificación independiente que permita diferenciar precisión numérica de validez técnica.

3.4 Riesgos, interfaces y controles: Somete Exploración, tendencias y estacionalidad a una revisión de riesgo centrada en alarma falsa o tardía. Se identifican mecanismos de fallo, consecuencias y dependencias con Exploración, tendencias y estacionalidad; después se seleccionan controles proporcionados y criterios stop/go. La práctica exige justificar el riesgo residual y documentar qué información puede modificar la decisión.

3.5 Entregable, QA/QC y defensa: Formaliza Exploración, tendencias y estacionalidad en entregable técnico del módulo «Exploración, tendencias y estacionalidad». El participante sintetiza Exploración, tendencias y estacionalidad sin eliminar la evidencia necesaria, diferencia hechos de interpretaciones y registra supuestos pendientes. La revisión final comprueba que cada recomendación tenga soporte, responsable y criterio de cierre, evitando documentos extensos pero poco accionables.

Módulo 4 — Features de condición y ventanas temporales

4.1 Fundamentos, alcance y criterios: Establece los fundamentos de Features de condición y ventanas temporales mediante un análisis crítico de Exploración, tendencias y estacionalidad. Se revisan las decisiones que dependen de esta materia, los parámetros que más influyen en ellas y las simplificaciones habituales que pueden inducir errores. El participante formula un esquema de verificación que permita comprobar coherencia antes de avanzar al siguiente nivel del proyecto.

4.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Features de condición y ventanas temporales: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Features de condición y ventanas temporales y el contexto de Forecast de consumo, carga y degradación. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

4.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Features de condición y ventanas temporales utilizando dashboards de fiabilidad y criticidad. El método se articula alrededor de Features de condición y ventanas temporales: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

4.4 Riesgos, interfaces y controles: Examina backlog crítico como escenario crítico de Features de condición y ventanas temporales y contrasta su relación con Features de condición y ventanas temporales. El alumno define prevención, detección, contingencia y recuperación, separando controles independientes de medidas redundantes solo en apariencia. El cierre se apoya en evidencia y no en declaraciones de cumplimiento.

4.5 Entregable, QA/QC y defensa: Prepara entregable técnico del módulo «Features de condición y ventanas temporales» como evidencia profesional de Features de condición y ventanas temporales. Se organiza la información de Features de condición y ventanas temporales en una narrativa técnica comprensible, acompañada de cálculos, modelos, tablas o registros relevantes. El resultado debe ser auditable, coherente con las versiones de entrada y útil para una decisión concreta.

Módulo 5 — Forecast de consumo, carga y degradación

5.1 Fundamentos, alcance y criterios: Construye el marco de decisión para Forecast de consumo, carga y degradación a partir de Features de condición y ventanas temporales. Se identifican variables dominantes, interacciones y condiciones que podrían invalidar una solución aparentemente correcta. El alumno documenta objetivos, restricciones y nivel de incertidumbre, y relaciona el contenido con seguridad, desempeño, operación y coste para evitar una lectura puramente académica.

5.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Forecast de consumo, carga y degradación: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Forecast de consumo, carga y degradación y el contexto de Detección estadística de anomalías. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

5.3 Método, modelado y comprobación: Aplica FMEA/FMECA y lógica RCM para desarrollar Forecast de consumo, carga y degradación con un nivel de detalle proporcional al riesgo. Se estudian Forecast de consumo, carga y degradación, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

5.4 Riesgos, interfaces y controles: Evalúa cómo decisión basada en datos de mala calidad puede comprometer Forecast de consumo, carga y degradación. A partir de Forecast de consumo, carga y degradación, el participante identifica escenarios, barreras preventivas, controles de detección y respuestas. Se jerarquizan acciones por criticidad y se evita confundir la mera existencia de un procedimiento con la eficacia real del control.

5.5 Entregable, QA/QC y defensa: Prepara entregable técnico del módulo «Forecast de consumo, carga y degradación» como evidencia profesional de Forecast de consumo, carga y degradación. Se organiza la información de Forecast de consumo, carga y degradación en una narrativa técnica comprensible, acompañada de cálculos, modelos, tablas o registros relevantes. El resultado debe ser auditable, coherente con las versiones de entrada y útil para una decisión concreta.

Módulo 6 — Detección estadística de anomalías

6.1 Fundamentos, alcance y criterios: Define el alcance técnico de Detección estadística de anomalías y sitúa Forecast de consumo, carga y degradación dentro de la decisión que debe tomarse. Se revisan conceptos, límites de aplicabilidad, dependencias y errores frecuentes. El participante debe distinguir qué parte del problema puede resolverse con reglas conocidas y qué parte exige datos adicionales, cálculo, ensayo o revisión especialista. El ejercicio termina con criterios explícitos para aceptar, condicionar o rechazar una hipótesis.

6.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Detección estadística de anomalías: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Detección estadística de anomalías y el contexto de Modelos ML para detección de fallos. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

6.3 Método, modelado y comprobación: Aplica CMMS y jerarquías de activos para desarrollar Detección estadística de anomalías con un nivel de detalle proporcional al riesgo. Se estudian Detección estadística de anomalías, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

6.4 Riesgos, interfaces y controles: Integra modo de fallo no caracterizado en Detección estadística de anomalías y analiza su interacción con Detección estadística de anomalías, otras disciplinas y la operación. Se construye una cadena causa–consecuencia–control, se asignan responsables y se definen señales tempranas, hold points y evidencia de cierre. El riesgo residual debe quedar explícito y vinculado a un criterio de escalado.

6.5 Entregable, QA/QC y defensa: Entrega entregable técnico del módulo «Detección estadística de anomalías» para cerrar Detección estadística de anomalías, demostrando cómo Detección estadística de anomalías se tradujo en una decisión. Se documentan alternativas, sensibilidad, riesgos y criterios de aceptación. El objetivo es que el documento sobreviva al cambio de equipo o fase y conserve el contexto necesario para operación, mantenimiento, auditoría o defensa.

Módulo 7 — Modelos ML para detección de fallos

7.1 Fundamentos, alcance y criterios: Construye el marco de decisión para Modelos ML para detección de fallos a partir de Detección estadística de anomalías. Se identifican variables dominantes, interacciones y condiciones que podrían invalidar una solución aparentemente correcta. El alumno documenta objetivos, restricciones y nivel de incertidumbre, y relaciona el contenido con seguridad, desempeño, operación y coste para evitar una lectura puramente académica.

7.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Modelos ML para detección de fallos: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Modelos ML para detección de fallos y el contexto de Root Cause Analysis asistido por datos. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

7.3 Método, modelado y comprobación: Aplica series temporales y modelos de condición para desarrollar Modelos ML para detección de fallos con un nivel de detalle proporcional al riesgo. Se estudian Modelos ML para detección de fallos, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

7.4 Riesgos, interfaces y controles: Examina tarea de mantenimiento sin justificación como escenario crítico de Modelos ML para detección de fallos y contrasta su relación con Modelos ML para detección de fallos. El alumno define prevención, detección, contingencia y recuperación, separando controles independientes de medidas redundantes solo en apariencia. El cierre se apoya en evidencia y no en declaraciones de cumplimiento.

7.5 Entregable, QA/QC y defensa: Prepara entregable técnico del módulo «Modelos ML para detección de fallos» como evidencia profesional de Modelos ML para detección de fallos. Se organiza la información de Modelos ML para detección de fallos en una narrativa técnica comprensible, acompañada de cálculos, modelos, tablas o registros relevantes. El resultado debe ser auditable, coherente con las versiones de entrada y útil para una decisión concreta.

Módulo 8 — Root Cause Analysis asistido por datos

8.1 Fundamentos, alcance y criterios: Establece los fundamentos de Root Cause Analysis asistido por datos mediante un análisis crítico de Modelos ML para detección de fallos. Se revisan las decisiones que dependen de esta materia, los parámetros que más influyen en ellas y las simplificaciones habituales que pueden inducir errores. El participante formula un esquema de verificación que permita comprobar coherencia antes de avanzar al siguiente nivel del proyecto.

8.2 Datos, parámetros y calidad de entrada: Organiza los datos necesarios para Root Cause Analysis asistido por datos: fuentes, unidades, fechas, resolución, versiones y responsable. Se utilizan como referencia Root Cause Analysis asistido por datos y el contexto de Umbrales dinámicos y gestión de alarmas. El participante detecta vacíos, valores incompatibles y sesgos; clasifica la información como confirmada, inferida o pendiente; y define qué evidencia adicional necesita antes de aumentar la fidelidad del análisis.

8.3 Método, modelado y comprobación: Aplica dashboards de fiabilidad y criticidad para desarrollar Root Cause Analysis asistido por datos con un nivel de detalle proporcional al riesgo. Se estudian Root Cause Analysis asistido por datos, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

8.4 Riesgos, interfaces y controles: Desarrolla el assurance de Root Cause Analysis asistido por datos frente a alarma falsa o tardía, relacionándolo con Root Cause Analysis asistido por datos. Se revisan interfaces, responsabilidades y posibles fallos de coordinación. Cada control se acompaña de una forma concreta de verificación, un propietario y una condición de cierre para que la matriz de riesgos no quede desconectada de la ejecución.

8.5 Entregable, QA/QC y defensa: Entrega entregable técnico del módulo «Root Cause Analysis asistido por datos» para cerrar Root Cause Analysis asistido por datos, demostrando cómo Root Cause Analysis asistido por datos se tradujo en una decisión. Se documentan alternativas, sensibilidad, riesgos y criterios de aceptación. El objetivo es que el documento sobreviva al cambio de equipo o fase y conserve el contexto necesario para operación, mantenimiento, auditoría o defensa.

Módulo 9 — Umbrales dinámicos y gestión de alarmas

9.1 Fundamentos, alcance y criterios: Establece los fundamentos de Umbrales dinámicos y gestión de alarmas mediante un análisis crítico de Root Cause Analysis asistido por datos. Se revisan las decisiones que dependen de esta materia, los parámetros que más influyen en ellas y las simplificaciones habituales que pueden inducir errores. El participante formula un esquema de verificación que permita comprobar coherencia antes de avanzar al siguiente nivel del proyecto.

9.2 Datos, parámetros y calidad de entrada: Prepara las entradas de Umbrales dinámicos y gestión de alarmas mediante una revisión estructurada de Umbrales dinámicos y gestión de alarmas. El trabajo incluye control de versiones, detección de outliers, comprobaciones de orden de magnitud y contraste con Dashboards de condición y desempeño. Cada dato queda vinculado a una fuente y a una decisión, de forma que el modelo posterior pueda auditarse.

9.3 Método, modelado y comprobación: Desarrolla Umbrales dinámicos y gestión de alarmas mediante FMEA/FMECA y lógica RCM, justificando por qué la herramienta y el nivel de fidelidad son adecuados para Umbrales dinámicos y gestión de alarmas. Se revisan sensibilidad, simplificaciones y límites. El participante debe poder explicar cómo cambiaría la respuesta ante variaciones relevantes y qué parte del resultado depende del modelo frente a la evidencia directa.

9.4 Riesgos, interfaces y controles: Desarrolla el assurance de Umbrales dinámicos y gestión de alarmas frente a backlog crítico, relacionándolo con Umbrales dinámicos y gestión de alarmas. Se revisan interfaces, responsabilidades y posibles fallos de coordinación. Cada control se acompaña de una forma concreta de verificación, un propietario y una condición de cierre para que la matriz de riesgos no quede desconectada de la ejecución.

9.5 Entregable, QA/QC y defensa: Cierra Umbrales dinámicos y gestión de alarmas mediante entregable técnico del módulo «Umbrales dinámicos y gestión de alarmas». El documento integra alcance, entradas, hipótesis, análisis de Umbrales dinámicos y gestión de alarmas, resultados, incertidumbre, decisiones rechazadas y recomendaciones. Se exige trazabilidad entre dato y conclusión, criterios de aceptación y próximos pasos para que el entregable pueda utilizarse en revisión, aprobación o actualización.

Módulo 10 — Dashboards de condición y desempeño

10.1 Fundamentos, alcance y criterios: Construye el marco de decisión para Dashboards de condición y desempeño a partir de Umbrales dinámicos y gestión de alarmas. Se identifican variables dominantes, interacciones y condiciones que podrían invalidar una solución aparentemente correcta. El alumno documenta objetivos, restricciones y nivel de incertidumbre, y relaciona el contenido con seguridad, desempeño, operación y coste para evitar una lectura puramente académica.

10.2 Datos, parámetros y calidad de entrada: Convierte la información de Dashboards de condición y desempeño en entradas utilizables para Dashboards de condición y desempeño. Se revisan nomenclatura, unidades, tolerancias, registros y trazabilidad, comparándolas con los requisitos de MLOps, drift y monitorización de modelos. El alumno documenta incertidumbres y evita que un valor sin contexto se transforme automáticamente en una conclusión.

10.3 Método, modelado y comprobación: Aplica CMMS y jerarquías de activos para desarrollar Dashboards de condición y desempeño con un nivel de detalle proporcional al riesgo. Se estudian Dashboards de condición y desempeño, parámetros sensibles, condiciones de contorno y escenarios alternativos. El alumno comprueba el resultado mediante una segunda referencia o cálculo independiente, evitando aceptar una salida solo porque el software la produce sin error.

10.4 Riesgos, interfaces y controles: Somete Dashboards de condición y desempeño a una revisión de riesgo centrada en decisión basada en datos de mala calidad. Se identifican mecanismos de fallo, consecuencias y dependencias con Dashboards de condición y desempeño; después se seleccionan controles proporcionados y criterios stop/go. La práctica exige justificar el riesgo residual y documentar qué información puede modificar la decisión.

10.5 Entregable, QA/QC y defensa: Convierte el trabajo de Dashboards de condición y desempeño en entregable técnico del módulo «Dashboards de condición y desempeño», con especial atención a Dashboards de condición y desempeño. La entrega debe permitir que un tercero reproduzca el razonamiento: fuentes, versiones, método, resultados, riesgos residuales y acciones. Se evalúa claridad, consistencia y capacidad para defender por qué la solución seleccionada es preferible a las alternativas.

Módulo 11 — MLOps, drift y monitorización de modelos

11.1 Fundamentos, alcance y criterios: Aborda MLOps, drift y monitorización de modelos desde la lógica de Dashboards de condición y desempeño, conectando requisitos, comportamiento esperado y evidencia disponible. El alumno aprende a convertir conceptos en criterios operativos y a justificar cuándo un supuesto resulta conservador, representativo o insuficiente. La salida es una base argumentada para las decisiones posteriores.

11.2 Datos, parámetros y calidad de entrada: Prepara las entradas de MLOps, drift y monitorización de modelos mediante una revisión estructurada de MLOps, drift y monitorización de modelos. El trabajo incluye control de versiones, detección de outliers, comprobaciones de orden de magnitud y contraste con Capstone: pipeline predictivo para O&M. Cada dato queda vinculado a una fuente y a una decisión, de forma que el modelo posterior pueda auditarse.

11.3 Método, modelado y comprobación: Transforma MLOps, drift y monitorización de modelos en un flujo reproducible de MLOps, drift y monitorización de modelos con apoyo de series temporales y modelos de condición. La práctica exige documentar parámetros, versiones, cambios y resultados intermedios. Se incorporan comprobaciones físicas, operativas o contractuales para detectar incoherencias antes de que el análisis se convierta en un entregable.

11.4 Riesgos, interfaces y controles: Desarrolla el assurance de MLOps, drift y monitorización de modelos frente a modo de fallo no caracterizado, relacionándolo con MLOps, drift y monitorización de modelos. Se revisan interfaces, responsabilidades y posibles fallos de coordinación. Cada control se acompaña de una forma concreta de verificación, un propietario y una condición de cierre para que la matriz de riesgos no quede desconectada de la ejecución.

11.5 Entregable, QA/QC y defensa: Prepara entregable técnico del módulo «MLOps, drift y monitorización de modelos» como evidencia profesional de MLOps, drift y monitorización de modelos. Se organiza la información de MLOps, drift y monitorización de modelos en una narrativa técnica comprensible, acompañada de cálculos, modelos, tablas o registros relevantes. El resultado debe ser auditable, coherente con las versiones de entrada y útil para una decisión concreta.

Módulo 12 — Capstone: pipeline predictivo para O&M

12.1 Fundamentos, alcance y criterios: Aborda Capstone: pipeline predictivo para O&M desde la lógica de MLOps, drift y monitorización de modelos, conectando requisitos, comportamiento esperado y evidencia disponible. El alumno aprende a convertir conceptos en criterios operativos y a justificar cuándo un supuesto resulta conservador, representativo o insuficiente. La salida es una base argumentada para las decisiones posteriores.

12.2 Datos, parámetros y calidad de entrada: Convierte la información de Capstone: pipeline predictivo para O&M en entradas utilizables para Capstone: pipeline predictivo para O&M. Se revisan nomenclatura, unidades, tolerancias, registros y trazabilidad, comparándolas con los requisitos de Arquitectura de datos O&M y series temporales. El alumno documenta incertidumbres y evita que un valor sin contexto se transforme automáticamente en una conclusión.

12.3 Método, modelado y comprobación: Construye el procedimiento de análisis de Capstone: pipeline predictivo para O&M utilizando dashboards de fiabilidad y criticidad. El método se articula alrededor de Capstone: pipeline predictivo para O&M: hipótesis, pasos de cálculo o modelado, sensibilidad y criterios de convergencia o aceptación. Se comparan escenarios para identificar qué variable domina la decisión y qué resultado necesita validación externa.

12.4 Riesgos, interfaces y controles: Integra tarea de mantenimiento sin justificación en Capstone: pipeline predictivo para O&M y analiza su interacción con Capstone: pipeline predictivo para O&M, otras disciplinas y la operación. Se construye una cadena causa–consecuencia–control, se asignan responsables y se definen señales tempranas, hold points y evidencia de cierre. El riesgo residual debe quedar explícito y vinculado a un criterio de escalado.

12.5 Entregable, QA/QC y defensa: Entrega entregable técnico del módulo «Capstone: pipeline predictivo para O&M» para cerrar Capstone: pipeline predictivo para O&M, demostrando cómo Capstone: pipeline predictivo para O&M se tradujo en una decisión. Se documentan alternativas, sensibilidad, riesgos y criterios de aceptación. El objetivo es que el documento sobreviva al cambio de equipo o fase y conserve el contexto necesario para operación, mantenimiento, auditoría o defensa.