По данным International Society of Automation ежегодно во всем мире из-за простоев в результате сбоев оборудования теряется 647 миллиардов долларов. Организации, работающие в промышленном, аэрокосмическом, энергетическом и других секторах промышленности, пересматривают процессы диагностического обслуживания, чтобы свести к минимуму затраты и повысить эффективность. С помощью ИИ и машинного обучения компании могут внедрить предиктивное обслуживание для обработки огромных объемов данных, обнаружения и устранения неисправностей оборудования и предотвращения сбоев. По сравнению с планово-предупредительным ремонтом, предиктивное обслуживание выявляет проблемы до сбоев и позволяет избежать дорогостоящих простоев.
В этом практикуме вы узнаете, как выявлять аномалии и сбои в данных временных рядов, спрогнозировать рациональный срок службы оборудования и сопоставлять условия отказа с действиями. Вы узнаете, как подготовить данные временных рядов для обучения ИИ-модели, разработать модель ансамбля методов деревьев XGBoost, построить модель глубокого обучения с помощью LSTM-сети, а также создать автоэнкодер, который обнаруживает аномалии для предиктивного обслуживания. После прохождения практикума вы сможете с помощью ИИ оценить состояние оборудования и спрогнозировать, когда следует проводить техническое обслуживание.
Цели обучения
На этом практикуме вам предстоит:
- Использовать инструменты диагностического обслуживания на основе ИИ для предотвращения сбоев и незапланированных простоев
- Определить ключевые проблемы, связанные с выявлением аномалий, которые могут привести к дорогостоящим сбоям
- Использовать данные временных рядов для прогнозирования результатов с помощью моделей классификации машинного обучения на основе XGBoost
- Использовать модель на основе LSTM для прогнозирования отказа оборудования
- Обнаруживать аномалии с помощью автоэнкодеров для прогнозирования сбоев при ограниченных данных
Скачать описание практикума (PDF, 298 KБ)