Según la Sociedad Internacional de Automatización, cada año se pierden 647,000 millones de dólares en todo el mundo debido al tiempo de inactividad por fallas de máquinas. Las organizaciones de los sectores aeroespacial, de manufactura, energía y otros sectores industriales están revisando los procesos de mantenimiento para minimizar los costos y mejorar la eficiencia. Con la IA y machine learning, las organizaciones pueden aplicar un mantenimiento predictivo a su funcionamiento, ya que procesan enormes cantidades de datos de sensores para detectar fallas en los equipos antes de que ocurran. En comparación con el mantenimiento de prevención basado en la rutina o basado en el tiempo, el mantenimiento predictivo se adelanta al problema y puede ahorrarle a una empresa un costoso tiempo de inactividad.

En este workshop, aprenderás a identificar anomalías y fallas en los datos de series temporales, a calcular la vida útil restante de las piezas correspondientes y a asignar las anomalías a las condiciones de fallos. Aprenderás a preparar datos de series temporales para el entrenamiento de modelos de IA, a desarrollar un modelo de árbol de ensamble XGBoost, a crear un modelo de deep learning con una red de memoria a corto plazo (LSTM) y a crear un autocodificador que detecte anomalías para el mantenimiento predictivo. Al final del workshop, podrás usar la IA para estimar el estado del equipo y predecir cuándo debe realizarse el mantenimiento.

 

Objetivos de Aprendizaje


Al participar en este workshop, lograrás lo siguiente:
  • Usar el mantenimiento predictivo basado en la IA para evitar fallas y tiempos de inactividad no planificados
  • Identificar los desafíos clave en torno a la detección de anomalías que pueden generar costosas fallas
  • Usar datos de series temporales para predecir resultados con modelos de clasificación de machine learning basados en XGBoost
  • Usar un modelo basado en LSTM para predecir fallas en los equipos
  • Usar la detección de anomalías con autocodificadores de series temporales para predecir fallas cuando los datos de ejemplo de falla limitados están disponibles.

Descargar la hoja de datos del workshop (PDF 298 KB)

Esquema del Workshop

Introducción
(15 minutos)
  • Conoce al instructor.
  • Crea una cuenta en courses.nvidia.com/join
Entrenamiento de Modelos XGBoost con RAPIDS para Series Temporales
(120 minutos)
Aprende a predecir fallas en las piezas usando la clasificación XGBoost en GPU con cuDF:
  • Prepara datos reales para la incorporación eficiente de GPU con RAPIDS cuDF.
  • Entrena un modelo de clasificación usando XGBoost acelerado por GPU y XGBoost solo con CPU.
  • Compara y analiza los resultados de rendimiento y precisión para XGBoost usando CPU, GPU y GPU con cuDF.
Descanso (60 minutos)
Entrenamiento de Modelos LSTM con Keras y TensorFlow para Series Temporales
(120 minutos)
Aprende predecir fallas en las piezas usando un modelo LSTM de deep learning con datos de series temporales:
  • Prepara datos secuenciados para la capacitación de modelos de series temporales.
  • Desarrolla y entrena un modelo de deep learning con capas LSTM usando Keras.
  • Evalúa la precisión del modelo.
Descanso (15 minutos)
Entrenamiento de Autocodificadores para la Detección de Anomalías
(120 minutos)
Aprende a predecir fallas en las piezas mediante la detección de anomalías con autocodificadores:
  • Desarrolla y entrena un autocodificador LSTM.
  • Desarrolla y entrena un autocodificador convolucional 1D.
  • Experimenta con hiperparámetros y compara los resultados de los modelos.
Evaluación y Sesión de Preguntas (15 minutos)
 

Detalles del Workshop

Duración: 8 horas

Precio: Contáctanos para conocer el precio.

Requisitos:

  • Experiencia con Python
  • Comprensión básica del procesamiento de datos y el deep learning

Materiales sugeridos para cumplir con los requisitos: Tutorial de Python, Aspectos Básicos del Deep Learning para la Visión de Computación

Tecnologías: Python, TensorFlow, Keras, XGBoost, NVIDIA RAPIDS, cuDF, LSTM, autocodificadores

Certificado: Después de aprobar la evaluación, los participantes recibirán un certificado del DLI de NVIDIA para validar su competencia en el campo de estudio y contribuir al crecimiento de su carrera profesional.

Requisitos de Hardware: Una laptop o desktop capaz de ejecutar la última versión de Chrome o Firefox. A cada participante se le otorgará acceso dedicado a una servidor en el cloud, acelerado por GPU y completamente configurado.

Idiomas: Inglés

PRÓXIMOS WORKSHOPS PÚBLICOS

Si tu empresa está interesada en impulsar y mejorar sus capacidades de desarrollo con respecto a la IA, la ciencia de datos acelerada o la computación acelerada, puedes solicitar una capacitación a cargo de un instructor del DLI de NVIDIA.

PREGUNTAS?