Kursplan - AI-driven prognostik för industriella system

Syfte

Utrusta ingenjörer, forskare, operatörer och chefer med färdigheter att tillämpa AI-baserade metoder för tillståndsövervakning och prognostik i industriella system och högvärdesresurser. Deltagarna kommer att lära sig att identifiera vanliga felorsaker och förutse återstående användbar livslängd (RUL), vilket innefattar uppgifter som funktionsteknik, modellutveckling och osäkerhetskvantifiering. Under ledning av experter från industri och akademi introducerar kursen moderna AI-drivna prognostiktekniker och avancerade signalbehandlingsmetoder.

Lärandemål

1. Beskriv kärnprinciperna för prognostik för industriella system med fokus på tidig detektion och uppskattning av återstående användbar livslängd (RUL).
2. Använd AI-tekniker för signalbehandling och prognostiska uppgifter och analysera resultaten.
3. Utvärdera tillförlitligheten och effektiviteten hos prognostiska modeller med hjälp av standardprestandamått och förbättra modeller baserat på utvärderingsresultat.
4. Förutsäg RUL för olika systemkomponenter och högvärdesresurser, inklusive nedbrytningsövervakning och användning av periodiska/dynamiska mätningar.

Innehåll

1. Introduktion till industriell prognostik
* Grundläggande om prognostik
* Översikt över prognostiska metoder
* Prestandamått för prognostik
* Diagnostik kontra prognostik

2. AI-driven prognostik
* Grundläggande om AI
* AI-metoder för prognostik
* Signalbehandling och urval av egenskaper
* Illustrativa exempel på prognostik med AI-metoder

3. Praktiska tillämpningar av prognostik och tidsserieanalysmetoder
* Grundläggande om prognostik baserad på tidsserieanalys och illustrativa exempel

4. Prognostik för prestandanedbrytning: Grundläggande och illustrativa exempel

5. Fallstudier från olika tillämpningsområden

6. Osäkerhet i prognostik
* Källor till osäkerhet
* Osäkerhetskvantifiering och hantering

Särskild behörighet

75 hp inom energiteknik, maskinteknik, produktionsteknik, produkt- och processutveckling, datateknik och/eller datavetenskap eller motsvarande eller 40 hp teknik och minst 2 års yrkeserfarenhet på heltid från relevant område inom industrin. Dessutom krävs engelska A/Engelska 6.

Examination

Inlämningsuppgift (INL1), 2 hp, betyg: Godkänd (G) eller Underkänd (U). Lärandemål: 2, 3, 4.
Hemtentamen (HEM1), 1 hp,  betyg: Godkänd (G) eller Underkänd (U). Lärandemål: 1-4.

En student som har ett intyg från MDU avseende sin funktionsnedsättning har möjlighet att anmäla önskemål om anpassning vid salstentamina eller annan examinationsform i enlighet med Regler och anvisningar för examination på grundnivå och avancerad nivå vid Mälardalens högskola (2020/1655). Det är examinator som, utifrån det intyg som utfärdats, beslutar om eventuell anpassning och i så fall vilken anpassning som ska gälla.

Misstankar om vilseledande vid examination (fusk) anmäls, enligt högskoleförordningen, till universitetets rektor och prövas av universitetets disciplinnämnd. Om disciplinnämnden anser att en student gjort sig skyldig till en disciplinförseelse fattar nämnden beslut om en disciplinär åtgärd, vilket är varning eller avstängning.

Betyg

Godkänd, underkänd