NVIDIA 認證課程

適用於預測性維護的人工智慧應用
Applications of AI for Predictive Maintenance

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

實作坊大綱

時程 程序項目
15 分鐘   概覽
  • 認識講師
  • 在 learn.nvidia.com 建立帳號
120 分鐘   使用 RAPIDS 訓練適用於時間序列資料的 XGBoost 模型
   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。
60 分鐘 休息時間
120 分鐘   訓練自動編碼器以偵測異常狀況
   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。
15 分鐘 休息時間
120 分鐘   最終專案：物體分類
   運用電腦視覺建立模型，用以區分新鮮與腐壞的水果：
  • 建立並訓練可詮釋色彩影像的模型。
  • 建立資料產生器，充分利用小型資料集。
  • 透過結合遷移學習和特徵擷取技術，提升訓練速度。
  • 探討先進的神經網路架構，以及可讓學員進一步提升技能的近期研究領域。
15 分鐘   測驗與問答

實作坊詳情

時間： 8 小時

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

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。