De acordo com a Sociedade Internacional da Automação, US$647 bilhões são perdidos por ano no mundo devido ao tempo de inatividade causado por falhas em máquinas. As empresas nos setores de manufatura, aeroespaço, energia e outros setores industriais estão reformulando os processos de manutenção para minimizar custos e melhorar a eficiência. Com inteligência artificial e machine learning, as empresas podem aplicar manutenção preditiva à operação, processando enormes quantidades de dados de sensores para detectar falhas em equipamentos antes de acontecerem. Em comparação a manutenções preventivas de rotina ou baseadas no tempo, a manutenção preditiva antecipa o problema e pode evitar que a empresa passe por um tempo de inatividade que custará caro.

Neste workshop, você aprenderá a identificar anomalias e falhas em dados de séries temporais e a estimar a vida útil restante das partes correspondentes, além de mapear as anomalias para as condições de falha. Você aprenderá a preparar dados de séries temporais para treinamento de modelos de AI, desenvolver um modelo de árvore XGBoost com Ensemble, criar um modelo de deep learning usando uma rede de memória de longo e curto prazo (LSTM - Long Short-Term Memory) e criar um autocodificador que detecta anomalias para manutenção preditiva. Ao final do workshop, você poderá usar a AI para estimar a condição do equipamento e prever quando a manutenção deve ser realizada.

 

Objetivos de Aprendizagem


Atividades do Workshop:
  • Usar a manutenção preditiva baseada em AI para evitar falhas e tempos de inatividade não planejados.
  • Identificar os principais desafios relacionados à detecção de anomalias que podem levar a falhas com custos altos.
  • Usar dados de séries temporais para prever resultados com modelos de classificação de machine learning baseados em XGBoost.
  • Usar um modelo baseado em LSTM para prever falhas no equipamento.
  • Usar a detecção de anomalias com autocodificadores de séries temporais para prever falhas quando há disponibilidade limitada de dados de exemplos de falhas.

Faça download do datasheet do workshop (PDF de 298KB)

Resumo do Workshop

Introdução
(15 minutos)
  • Conhecer o instrutor.
  • Criar uma conta em courses.nvidia.com/join.
Treinamento de Modelos XGBoost com RAPIDS para Séries Temporais
(120 minutos)
Aprender a prever falhas de peças usando a classificação XGBoost em GPUs com cuDF:
  • Preparar dados reais para consumo eficiente da GPU com RAPIDS cuDF.
  • Treinar um modelo de classificação usando XGBoost acelerado por GPU e o XGBoost apenas com CPU.
  • Comparar e discutir resultados de desempenho e precisão do XGBoost usando CPUs, GPUs e GPUs com cuDF.
Intervalo (60 minutos)
Treinamento de Modelos LSTM Usando Keras e TensorFlow para Séries Temporais
(120 minutos)
Aprender a prever falhas de peças usando um modelo LSTM de deep learning com dados de séries temporais:
  • Preparar dados sequenciados para treinamento de modelos de séries temporais.
  • Criar e treinar um modelo de deep learning com camadas LSTM usando Keras.
  • Avaliar a precisão do modelo.
Intervalo (15 minutos)
Treinamento de Autocodificadores para Detecção de Anomalias
(120 minutos)
Aprender a prever falhas de peças usando detecção de anomalias com autocodificadores:
  • Criar e treinar um autocodificador LSTM.
  • Desenvolver e treinar um autocodificador convolucional 1D.
  • Testar hiperparâmetros e comparar os resultados dos modelos.
Avaliação e Sessão de Perguntas (15 min)
 

Detalhes do Workshop

Duração: 8 horas

Valor: fale conosco para consultar valores.

Pré-requisitos:

  • Experiência com Python
  • Entendimento básico de processamento de dados e deep learning

Materiais sugeridos para atender aos pré-requisitos: Tutorial de Python, Conceitos Básicos de Deep Learning para Visão Computacional

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

Certificado: após a conclusão bem-sucedida da avaliação, os participantes receberão um certificado do DLI da NVIDIA que reconhece a competência no assunto e contribui para o desenvolvimento da carreira e vida profissional.

Requisitos de Hardware: desktop ou notebook capaz de executar a versão mais atual do Chrome ou do Firefox. Cada participante terá acesso exclusivo a um servidor totalmente configurado e acelerado por GPU no cloud.

Idioma: inglês

PRÓXIMOS WORKSHOPS PÚBLICOS

Se sua empresa tem interesse em aprimorar e desenvolver habilidades importantes de AI, ciência de dados acelerada ou computação acelerada, solicite um treinamento ministrado por instrutor do DLI da NVIDIA.

Perguntas?