根據國際自動化協會（International Society of Automation）的統計，全球每年會因機器故障而導致的停機時間損失高達 6,470 億美元。製造業、航太、能源等產業領域的組織為了將成本降至最低並提升效率，正在全面改革維護流程。有了人工智慧和機器學習，組織可以將預測性維護應用於營運，並處理大量的感測器資料，在設備故障發生前就先偵測到異常狀況。與例行性或時基性的預防性維護相比，預測性維護能夠在問題發生前進行，並且能夠為企業省下昂貴的停機時間成本。
在本實作坊中，你將學習如何辨識時間序列資料中的異常和故障狀況、預估對應零件的剩餘使用年限，並將異常狀況與故障條件互相對應。你將學習如何為人工智慧模型訓練準備時間序列資料、開發 XGBoost 集成樹模型、使用長短期記憶體（LSTM）網路建立深度學習模型，以及建立可偵測異常狀況以進行預測性維護的自動編碼器。在實作坊結束時，你將能夠使用人工智慧預測設備狀況，並預估執行維護的時間。
學習目標
參加本實作坊可學會：
- 使用人工智慧預測性維護來預防故障和意外的停機時間
- 在偵測異常狀況時確認主要挑戰，以避免其導致代價高昂的故障
- 使用時間序列資料預測利用 XGBoost 機器學習分類模型的結果
- 使用長短期記憶體模型預測設備故障
- 在可用的故障範例資料有限時，使用時間序列自動編碼器偵測異常狀況來預測故障
下載實作坊大綱與簡介 (PDF 298 KB)
