International Society of Automation によると、機械の故障によるダウンタイムが原因で、世界中で毎年、6,470 億ドルが失われています。製造、航空宇宙、エネルギー、その他の産業セクターなどに属する組織がコストを最小限に抑え、効率性を改善するために、メンテナンス プロセスを徹底的に見直しています。人工知能 (AI) と機械学習を利用すれば、組織は運用に予知保全を適用し、大量のセンサー データを処理して、機器の故障を発生前に検出できます。定期的な予防保全と比べ、予知保全は問題を先回りして特定し、お金のかかるダウンタイムから企業を救います。
このワークショップでは、時系列データの中から異常と障害を特定する方法、該当パーツの残りの耐用年数を見積もる方法、異常を障害条件に関連付ける方法について学習します。AI モデル トレーニングのために時系列データを準備する方法、XGBoost アンサンブル ツリー モデルを開発する方法、長/短期記憶 (LSTM) ネットワークを使用してディープラーニング モデルを開発する方法、予知保全のために異常を検出するオートエンコーダーを作成する方法について学習します。修了後、AI を利用して機器の状態を予測し、保守を実施する時期を予測できるようになります。
学習目標
このワークショップに参加すると、次の方法を学習します。
- AI ベースの予知保全を利用し、故障と想定外のダウンタイムを防ぐ
- お金のかかる故障につながりうる異常の検出にともなう主要な課題を特定する
- 時系列データを使用し、XGBoost ベースの機械学習分類モデルで成果を予測する
- LSTM ベースのモデルを使用し、機器の故障を予測する
- 時系列オートエンコーダーによる異常検出を利用し、限られた故障例データが利用できるとき、故障を予測する
ワークショップ データシートをダウンロードする (PDF 298 KB)