Applications of AI for Predictive Maintenance
(예측 유지 관리를 위한 AI 응용)
교육시간
1일 8시간
언어
영어
기술
Python, TensorFlow, Keras, XGBoost, NVIDIA RAPIDS™, cuDF, LSTM, autoencoders
이미지
교육목적
  • 국제자동제어협회(International Society of Automation)에 따르면 시스템 오류로 인한 가동 중지로 인해 전 세계적으로 매년 6,470억 달러가 손실된다고 합니다. 제조, 항공, 에너지 및 기타 여러 가지 산업 부문의 기업들은 유지 관리 프로세스를 재정비하여 비용을 최소화하고 효율성을 개선하고 있습니다.
  • 기업들은 인공 지능과 머신 러닝을 통해 예방적 유지 관리 방식을 운영에 적용하고 방대한 양의 센서 데이터를 처리함으로써 장비 고장이 발생하기도 전에 이를 감지합니다. 루틴 기반이나 시간 기반의 유지 관리에 비해 예방적 유지 관리는 문제에 사전 대처하여 큰 비용이 발생하는 가동 중단 문제를 사전에 방지할 수 있습니다.
  • 이 교육에서는 시계열 데이터에서 이상 현상 및 고장을 파악하고, 해당 부품의 유효 수명을 예측하며, 고장으로 이어질 수 있는 이상 현상을 식별하는 방법을 설명합니다. AI 모델 트레이닝을 위해 시계열 데이터를 준비하고, XGBoost 앙상블 트리 모델을 개발하고, LSTM(Long Short-Term Memory) 네트워크를 사용하여 딥 러닝 모델을 구축하고, 예방적 유지 관리로 이상 현상을 감지하는 오토인코더의 제작 방법을 설명합니다. 워크숍을 마치면 AI를 활용하여 장비의 상태를 추정하고 유지 관리를 수행해야 할 때를 예측할 수 있게 됩니다.
전제조건
  • > Python 경험
  • > 데이터 처리 및 딥 러닝에 대한 기본적 이해
인증서
평가를 성공적으로 완료한 참가자는 관련 분야에 대한 역량을 인정 받고, 전문적 커리어 성장을 지원하는 NVIDIA DLI 인증서를 받게 됩니다.
사전준비 (하드웨어 요구 사항)
최신 버전의 Chrome 또는 Firefox를 실행할 수 있는 데스크톱 또는 노트북을 준비한 참가자에게는 클라우드 상에서 완전하게 구성된 GPU 가속 서버에 접근할 수 있는 전용 권한이 주어집니다.
교육문의하기
학습목표
  • 01

    AI 기반의 예측 유지 보수를 사용하여 고장 및 돌발적인 가동 중지 상황 방지
  • 02

    큰 비용이 드는 고장으로 이어질 수 있는 이상 징후 현상을 감지하기 위한 주요 당면 과제 파악
  • 03

    XGBoost 기반 머신 러닝 분류 모델에 시계열 데이터를 사용하여 결과 예측
  • 04

    LSTM 기반 모델을 사용하여 장비 고장 예측
  • 05

    고장 예제 데이터가 제한된 상황에서 시계열 오토인코더로 이상 감지 기능을 사용하여 고장 예측
교육개요
인트로 (15분) · 전문가 강사와 만나기
· courses.nvidia.com/join에서 계정 생성하기
시계열을 위해 RAPIDS로
XGBoost 모델 트레이닝
(120분)
cuDF 사용 GPU에서 XGBoost 분류를 사용하여 부품 고장을 예측하는 방법을 설명합니다.
· RAPIDS cuDF로 GPU를 효율적으로 가져오기 위한 실제 데이터 준비하기
· GPU 가속 XGBoost 및 CPU 전용 XGBoost를 사용하여 분류 모델 트레이닝하기
· CPU, GPU, cuDF 사용 GPU를 사용하여 XGBoost의 성능 및 정확도 결과를 비교하고 논의하기
휴식 (60분)
시계열을 위해 Keras 및
TensorFlow로
LSTM 모델 트레이닝
(120분)
딥 러닝 LSTM 모델을 시계열 데이터와 함께 사용하여 부품 고장을 예측하는 방법을 설명합니다.
· 시계열 모델 트레이닝을 위한 순차 배열 데이터 준비하기
· Keras를 사용하여 LSTM 레이어로 딥 러닝 모델을 구축하고 트레이닝하기
· 모델의 정확도 평가하기
휴식 (15분)
이상 현상 감지를 위한
오토인코더 트레이닝
(120분)
오토 인코더를 이용한 이상 현상 감지로 부품 고장을 예측하는 방법을 설명합니다.
· LSTM 오토인코더를 구축하고 트레이닝하기
· 1D 컨볼루션 오토인코더를 개발하고 트레이닝하기
· 하이퍼 매개 변수로 실험하고 각 모델의 결과 비교하기
평가 및 Q&A (15분)