Prédiction des échecs avec l'apprentissage automatique

Aperçu

Les ingénieurs sont chargés de minimiser les temps d'arrêt et d'améliorer la fiabilité opérationnelle. La maintenance prédictive est devenue un moyen puissant de prévoir les défaillances des équipements avant qu'elles ne surviennent, entraînant une augmentation de l'efficacité et une réduction des coûts.

Avec l'efficacité opérationnelle étant cruciale pour la compétitivité, les entreprises recherchent des ingénieurs possédant des compétences en application des techniques de maintenance prédictive. Ce cours offre aux ingénieurs des compétences en intelligence artificielle (IA) pour identifier de manière proactive les défaillances potentielles des équipements, augmentant ainsi l'efficacité et réduisant les coûts opérationnels.

Programme

• Introduction à la Maintenance Prédictive
Importance et avantages de la maintenance prédictive
Aperçu des stratégies de maintenance prédictive
Comparaison avec la maintenance réactive et préventive
• Fondamentaux de l'Apprentissage Automatique dans la Maintenance Prédictive
Concepts clés de l'apprentissage automatique et terminologie
Types d'apprentissage automatique : supervisé, non supervisé, et par renforcement
Bases de l'entraînement et de l'évaluation des modèles
• Collecte et Gestion des Données
Identification des sources de données pertinentes pour la maintenance prédictive
Évaluation de la qualité des données et prétraitement
Données de séries temporelles et détection d'anomalies
• Ingénierie des Caractéristiques pour les Modèles Prédictifs
Identification des caractéristiques importantes en maintenance prédictive
Techniques d'extraction et sélection de caractéristiques
Création et validation des ensembles de données
• Construction de Modèles de Maintenance Prédictive
Classification vs régression dans la prédiction des pannes
Aperçu des algorithmes courants (par exemple, arbres de décision, forêt aléatoire, réseaux neuronaux)
Implementation des modèles en utilisant scikit-learn et TensorFlow de Python
• Évaluation et Optimisation des Modèles
Indicateurs pour évaluer les modèles de maintenance prédictive (par ex., exactitude, précision, rappel)
Techniques de validation croisée
Réglage des hyperparamètres et optimisation des modèles
• Mise en Œuvre des Systèmes de Maintenance Prédictive
Intégration des modèles d'apprentissage automatique dans les flux de travail de maintenance
Systèmes de surveillance en temps réel et d'alerte
Études de cas et applications industrielles
• Défis et Meilleures Pratiques
Gestion des ensembles de données déséquilibrés
Gestion de la parcimonie et du bruit dans les données
Considérations éthiques et pratiques dans la maintenance prédictive
• Tendances Émergentes et Perspectives d'Avenir
Le rôle de l'IoT dans la maintenance prédictive
Avancées en IA et apprentissage automatique pour la surveillance des équipements
Perspectives pour une prise de décision de maintenance automatisée
• Projet de Synthèse
Développement d'une solution complète de maintenance prédictive
Application des concepts appris à un scénario réel
Présentation et défense des résultats du projet

---

Enseigné par

Kathy Tao, Rohit Ramanathan, Marissa D'Alonzo, Brian Buechel and Megan Thompson

---

Sujets

Informatique