Практикум под руководством инструктора
Приложения ИИ для предиктивного обслуживания

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)

Краткое описание практикума

Введение
(15 мин)
  • Знакомство с инструктором
  • Создание аккаунта на courses.nvidia.com/join
Обучение моделей XGBoost с RAPIDS для временного ряда
(120 мин)
Узнайте, как прогнозировать сбои в работе с классификацией XGBoost на GPU с cuDF:
  • Подготовьте реальные данные для эффективной работы GPU с RAPIDS cuDF
  • Начните тренировку моделей классификации с помощью XGBoost, ускоренного на GPU, и XGBoost на базе процессора
  • Сравните и обсудите производительность и точность результатов XGBoost на базе процессоров, GPU и GPU с cuDF
Перерыв (60 мин)
Обучение LSTM-моделей с использованием Keras и TensorFlow для временного ряда
(120 мин)
Узнайте, как прогнозировать сбои с помощью LSTM-модели глубокого обучения с данными временного ряда:
  • Подготовьте данные для обучения моделей временного ряда
  • Постройте и начните тренировку модели глубокого обучения со слоями LSTM с помощью Keras
  • Оцените точность модели
Перерыв (15 мин)
Тренировка автоэнкодеров для обнаружения аномалий
(120 мин)
Узнайте, как прогнозировать сбои и обнаруживать аномалии с помощью автоэнкодеров:
  • Постройте и начните тренировку автоэнкодера LSTM
  • Разработайте и начните тренировку 1D сверточного автоэнкодера
  • Экспериментируйте с гиперпараметрами и сравните результаты моделей
Оценка и вопросы & ответы (15 минут)
 

Информация о практикуме

Продолжительность:8 часов

Цена: для уточнения стоимости свяжитесь с нами.

Необходимые требования:

  • Опыт работы с Python
  • Базовое понимание методов обработки данных и глубокого обучения

Предлагаемые материалы для подготовки к участию в тренинге: Обучение Python, Основы глубокого обучения в области компьютерного зрения

Технологии: Python, TensorFlow, Keras, XGBoost, NVIDIA RAPIDS, cuDF, LSTM, автоэнкодеры

Сертификат: После успешного завершения тестирования участники получат сертификат NVIDIA DLI для подтверждения своей квалификации и дальнейшего карьерного роста.

Аппаратные требования: ПК или ноутбук с поддержкой последней версии Chrome или Firefox. Каждому участнику будет предоставлен доступ к полностью настроенному облачному серверу с ускорением на GPU.

Язык: английский

У вас возникли вопросы?