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)

實作坊大綱

概覽
（15 分鐘）
  • 認識講師。
  • 在 courses.nvidia.com/join 建立帳號
使用 RAPIDS 訓練適用於時間序列資料的 XGBoost 模型
（120 分鐘）		 瞭解如何使用 cuDF 在 GPU 上運用 XGBoost 分類來預測零件故障：
  • 使用 RAPIDS cuDF 準備真實資料，以進行有效率的 GPU 擷取。
  • 運用 GPU 加速的 XGBoost 和僅使用 CPU 的 XGBoost 訓練分類模型。
  • 比較並討論 XGBoost 分別使用 CPU、GPU 和搭載 cuDF 的 GPU 下的效能和準確度結果。
休息時間 （60 分鐘）
使用 Keras 和 TensorFlow 訓練適用於時間序列資料的長短期記憶體模型
（120 分鐘）		 瞭解如何使用深度學習長短期記憶體模型與時間序列資料預測零件故障：
  • 準備用於時間序列模型訓練的序列資料。
  • 使用 Keras 建立及訓練具有長短期記憶體層的深度學習模型。
  • 評估模型的準確度。
休息時間 （15 分鐘）
訓練自動編碼器以偵測異常狀況
（120 分鐘）		 瞭解如何使用自動編碼器偵測異常狀況以預測零件故障：
  • 建立及訓練長短期記憶體自動編碼器。
  • 開發及訓練 1D 卷積自動編碼器。
  • 使用超參數進行實驗，並比較模型結果。
測驗與問答 （15 分鐘）
 

實作坊詳情

時間：8 小時

價格：如需瞭解價格，請聯絡我們。

必備基礎能力：

  • 使用 Python 的經驗
  • 對資料處理與深度學習有基本的認識

為了達到必備基礎能力的建議資源：Python 教學、電腦視覺適用的深度學習基本原理

技術：Python、TensorFlow、Keras、XGBoost、NVIDIA RAPIDS™、cuDF、LSTM、自動編碼器

認證證書：完成測驗後，參與者將會收到 NVIDIA DLI 認證證書，證明他們具有相關主題的能力，支援其專業職涯成長。

硬體需求：可運作最新版本 Chrome 或 Firefox 的桌上型電腦或筆記型電腦。每位參與者都能在雲端上使用專屬且全面設定完成的 GPU 加速伺服器。

教材語言：英文

Upcoming Workshops

Pacific Time
 

Wed, Mar 24, 2021

9:00 a.m.–5:00 p.m.

Register now
Central European Time
 

Thu, Mar 25, 2021

9:00 a.m.–5:00 p.m.

Register now

若貴組織希望為員工提升 AI、加速運算、加速資料科學等的關鍵開發技能，歡迎申請由講師帶領的 NVIDIA DLI 實作坊。

申請實作坊

需要任何協助？

如需更多深度學習訓練資訊請聯絡我們

  1. Section
Read our FAQs
NVIDIA 深度學習機構服務
NVIDIA 開發人員論壇

DLI 解決方案

產品

技術

資源