Maskininlärning för prediktivt underhåll, 5 hp

Huvudområde med fördjupning

Högskoleingenjörsexamen inklusive ett självständigt arbete 15 hp eller kandidatexamen inklusive ett självständigt arbete 15 hp. 7,5 hp maskininlärning, 7,5 hp datautvinning samt 7,5 hp programmering. Engelska 6. Undantag ges för kravet på svenska.

Kursen ges som fristående kurs.

Målet med kursen är att introducera de grundläggande begreppen för prediktivt underhåll Predictive Maintenance (PdM), med maskininlärning och ge praktiska exempel på hur maskininlärningsmetoder kan tillämpas för att stödja prediktivt underhåll av utrustning. Studenten ska utveckla kunskap om PdMs roll som en utrustningshanteringsstrategi i industriella tillämpningar samt utveckla kunskap om praktisk utveckling och utvärdering av PdM-metoder, utifrån konkreta exempel och sammanhang. Genom laborationer, övningar och gästföreläsningar från bland annat yrkesverksamma vid företag som arbetar med PdM ska studenterna tillgodogöra sig kunskap om hur man praktiskt löser PdM problem.

Efter avslutad kurs ska studenten kunna:

Kunskap och förståelse

• ange och reflektera över de grundläggande begreppen för Predictive Maintenance (PdM)
• förstå hur metoder för maskininlärning kan stödja beslutsfattande för PdM
• förstå och beskriva olika maskininlärningsparadigm, dess möjliga begränsningar och tillämpningar för PdM i industrin
• ange och beskriva utmaningar på PdM-området

Färdighet och förmåga

• formulera det industriella problemet och lägga upp grunderna för PdM-applikationer
• använda programmeringsverktyg för att förbehandla datamängder för modelleringsändamål
• använda befintliga programvarupaket för maskininlärning för att utveckla modeller för att uppskatta utrustningens återstående livslängd

Värderingsförmåga och förhållningssätt

• värdera lämpligheten för en maskininlärningsmodell för en PdMtillämpning

Kursen omfattar följande ämnen:

• Definition och terminologi av relevanta begrepp i PdM
• Formulering av PdM-uppgifter, det vill säga bestämma tillvägagångssätt och inlärningsinställningar för givna problem
• Tekniker (data engineering) för tidsseriedata, inklusive transformation, detektering av avvikande värden, imputering av saknat värde, avlägsnande av extremvärden, etc.
• PdM-utvärderingsmått, givet konkreta tillämpningar och deras formulering
• Benchmarking av prestanda med traditionella metoder
• Överföra inlärning för feldetektering och förutsäga återstående användbar livslängd
• Överlevnadsanalys för PdM med fokus på mått för utvärdering och specialiserad kostnadsfunktionsinlärning
• Tolkning av PdM maskininlärningsmodeller och hybridmetoder

Undervisningen bedrivs online, via högskolans lärplattform, med föreläsningar, laborationer och seminarietillfällen. Föreläsningar kommer att spelas in och delas allt eftersom kursen framskrider. Kursen kommer att börja med att introducera grundläggande begrepp och, efteråt, fokusera på några viktiga ämnen. Varje ämnesföreläsning följs av en labbsession och ett seminarium där deltagare i grupper presenterar och diskuterar vetenskapliga artiklar. Projektuppgiften kommer att introduceras tidigt i kursen och handledning finns tillgänglig under hela studietiden. Undervisningen är helt på engelska och online.

Kursen har två examinationsmoment: seminarium samt projektuppgift.

Om särskilda skäl finns får examinator göra undantag från angiven examinationsform och medge att en student examineras på annat sätt. Särskilda skäl kan till exempel vara beslut om riktat pedagogiskt stöd.

I kursen ingår kursvärdering. Denna är vägledande för utveckling och planering av kursen. Kursvärderingen dokumenteras och redovisas för studenterna.