Visão Geral

De acordo com a Sociedade Internacional de Automação, anualmente são perdidos 647 mil milhões de dólares a nível mundial devido ao tempo de inatividade devido a falhas de máquinas. As organizações dos setores industrial, aeroespacial, de energia e outros setores industriais estão reformulando os processos de manutenção para minimizar custos e melhorar a eficiência. Com inteligência artificial e aprendizado de máquina, as organizações podem aplicar manutenção preditiva às suas operações, processando enormes quantidades de dados de sensores para detectar falhas nos equipamentos antes que elas aconteçam. Em comparação com a manutenção preventiva baseada em rotina ou baseada em tempo, a manutenção preditiva supera o problema e pode salvar uma empresa de dispendiosos períodos de inatividade.

Neste curso, você aprenderá como identificar anomalias e falhas em dados de séries temporais, estimar a vida útil restante das peças correspondentes e mapear anomalias para condições de falha. Você aprenderá como preparar dados de série temporal para treinamento de modelo de IA, desenvolver um modelo de árvore de conjunto XGBoost, construir um modelo de aprendizado profundo usando uma rede de memória de longo e curto prazo (LSTM) e criar um autoencoder que detecta anomalias para manutenção preditiva . Ao final do workshop, você poderá usar a IA para estimar a condição dos equipamentos e prever quando a manutenção deverá ser realizada.

Objetivo

Após concluir este Curso Applications of AI for Predictive Maintenance Training, você será capaz de:

• Use manutenção preditiva baseada em IA para evitar falhas e tempos de inatividade não planejados
• Identifique os principais desafios relacionados à detecção de anomalias que podem levar a avarias dispendiosas
• Use dados de série temporal para prever resultados com modelos de classificação de aprendizado de máquina baseados em XGBoost
• Use um modelo baseado em LSTM para prever falhas de equipamentos
• Use a detecção de anomalias com codificadores automáticos de série temporal para prever falhas quando dados limitados de exemplo de falha estiverem disponíveis

Pre-Requisitos

• Experiência com Python
• Compreensão básica de processamento de dados e aprendizado profundo

Materiais

Conteúdo Programatico

• Introduction
• Training XGBoost Models with RAPIDS for Time Series
  1. Learn how to predict part failures using XGBoost classification on GPUs with cuDF.
  2. Prepare real data for efficient GPU ingestion with RAPIDS cuDF.
  3. Train a classification model using GPU-accelerated XGBoost and CPU-only XGBoost.
  4. Compare and discuss performance and accuracy results for XGBoost using CPUs, GPUs, and GPUs with cuDF.
• Training LSTM Models Using Keras and TensorFlow for Time Series
  1. Learn how to predict part failures using a deep learning LSTM model with time-series data.
  2. Prepare sequenced data for time-series model training.
  3. Build and train a deep learning model with LSTM layers using Keras.
  4. Evaluate the accuracy of the model.
• Training Autoencoders for Anomaly Detection
  1. Learn how to predict part failures using anomaly detection with autoencoders.
  2. Build and train an LSTM autoencoder.
  3. Develop and train a 1D convolutional autoencoder.
  4. Experiment with hyperparameters and compare the results of the models.
• Assessment and Q&A