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)