การเรียนรู้เชิงลึกสำหรับการทำนายการซ่อมบำรุง
4(4-0-12)
เงื่อนไข: โดยความเห็นชอบของสาขาวิชา
ศึกษาการเรียนรู้เชิงลึก และการใช้การวิเคราะห์ข้อมูลเพื่อสนับสนุนระบบการผลิตอัจฉริยะด้านการทำนายการซ่อมบำรุง โดยเน้นที่การเรียนรู้เชิงลึกที่เกี่ยวกับการประมวลผลสัญญาณ การใช้ผลของการเรียนรู้เชิงลึกเพื่อปรับกระบวนการทำงานของกระบวนการผลิตอัจฉริยะ ลดระยะเวลาในการซ่อมบำรุง หรือการหยุดการผลิตแบบไม่ได้วางแผน (Unplanned downtime) โดยผู้เรียนสามารถเลือกใช้การเรียนรู้เชิงลึกได้อย่างเหมาะสมกับสถานการณ์ และปัญหาเชิงวิศวกรรมด้านการผลิต รวมไปถึงมีความเข้าใจคุณลักษณะของอัลกอริทึมของการเรียนรู้เชิงลึกแบบต่าง ๆ
เค้าโครงรายวิชา
1. ทฤษฎีเบื้องต้นของการเรียนรู้เชิงลึก (8 ชั่วโมง)
2. การประมวลผลข้อมูลเบื้องต้นสำหรับข้อมูลประเภทสัญญาณ (8 ชั่วโมง)
3. การเรียนรู้เชิงลึกกับข้อมูลประเภทสัญญาณ (8 ชั่วโมง)
4. การเรียนรู้เชิงลึกเพื่อการทำนายการซ่อมบำรุง (8 ชั่วโมง)
5. การศึกษาการเรียนรู้เชิงลึกจากชุดข้อมูลจริงทางอุตสาหกรรม (16 ชั่วโมง)
ผลสัมฤทธิ์การเรียนรู้
1. สามารถวิเคราะห์ และเลือกใช้ข้อมูลให้เหมาะสมกับการทำนายการซ่อมบำรุงได้
2. สามารถนำความรู้ด้านการเรียนรู้เชิงลึก และการวิเคราะห์ข้อมูลไปใช้สร้างสรรค์รูปแบบการทำงานเพื่อทำนายการซ่อมบำรุงได้
3. สามารถเลือกใช้รูปแบบของการเรียนรู้เชิงลึกกับข้อมูลที่มีคุณลักษณะแต่งต่างกันได้
Deep Learning for Predictive Maintenance
Condition: Consent of the School
Study the deep learning theory and concept and use advance data analysis techniques to support the smart manufacturing process in predicting the machine maintenance. The course focus on deep learning for signal processing as well as using the result to prevent an unplanned downtime of the machine. Learner will be capable of choosing the appropriate deep learning algorithm for different situation.
Course Outline
1. Introduction to deep learning (8 hours)
2. Data pre-processing for signal processing (8 hours)
3. Deep learning for signal processing (8 hours)
4. Deep learning for predictive maintenance (8 hours)
5. Study on deep learning model from industry data set (16 hours)
Learning Outcomes
1. Ability to analyze and evaluate the suitable data for predictive maintenance
2. Ability to apply deep learning and data analysis techniques to create a model for predictive maintenance
3. Ability to choose and evaluate the deep learning algorithms with different characteristics