Analisi di Serie Temporali per la Manutenzione Predittiva ed il Rilevamento di Anomalie
Panoramica
Molte industrie stanno puntando sull'Intelligenza Artificiale per aumentare l’efficienza e migliorare la qualità dei prodotti, automatizzando il monitoraggio dei processi di produzione e la pianificazione della manutenzione. I dati sui guasti sono fondamentali nella progettazione di algoritmi di manutenzione predittiva, ma spesso sono difficili da ottenere e organizzare. In altri casi ci si trova ad affrontare una crescente quantità di dati da sensori, la maggior parte dei quali rappresenta il normale funzionamento.
Come si può allora analizzare questi dati e progettare algoritmi di rilevamento delle anomalie per identificare potenziali problemi nelle apparecchiature industriali?
Utilizzando esempi reali, questo webinar vi introdurrà a una varietà di tecniche di rilevamento delle anomalie basate su metodi statistici e di intelligenza artificiale per i dati in serie temporali.
Punti principali
- Pre-processing dei dati dei sensori
- Identificazione degli indicatori di condizione
- Utilizzo del deep learning e del machine learning per il rilevamento delle anomalie
- Implementazione degli algoritmi su sistemi embedded e IT/OT
Informazioni sul relatore/sui relatori
Francesca Perino, Principal Application Engineer in MathWorks, si occupa principalmente delle tematiche tecnologiche di intelligenza artificiale. Ha esperienza in elaborazione dei dati off-line e real-time, nella progettazione e nello sviluppo di applicazioni software, nei big data per l'analisi predittiva su sistemi embedded ed enterprise. Prima di MathWorks, ha lavorato come ingegnere di ricerca e sviluppatore software. Ha conseguito una laurea in Fisica con specializzazione in Metodi Numerici e Statistica per la fisica dell’atmosfera presso l'Università di Torino.
Prodotti interessati
Questo evento appartiene a una serie di argomenti correlati. Visualizza l’elenco completo di eventi di questa serie.
