Rilevamento di anomalie con lo stack ELK

Che impatto può avere il guasto di un macchinario in un contesto industriale? È possibile prevedere il miglior momento per eseguire gli interventi di manutenzione?
Questo workshop fornisce una panoramica sulle metodologie di Machine Learning per la Manutenzione Predittiva nel contesto dell’Industria 4.0 e dell’Internet-of-Things (IoT) con lo scopo di ottimizzare la schedulazione degli interventi di manutenzione in modo da ridurre sensibilmente il downtime degli impianti ed i costi che ne conseguono.

Viene inoltre presentato un caso di studio reale dove vengono usati diversi modelli di Machine Learning per predire il tempo di vita utile rimanente di turboventole a partire da dati di sensori su di esse posizionati.

Modalità

Virtual class

Programma

  • Introd
  • Installazione di Elasticsearch, Kibana e X-Pack
  • Configurazione di un job di machine learning
  • Predizione dell’andamento dei dati con il machine learning
  • Trovare la causa principale delle anomalie usando i job multi-metrica

Workshop

Rilevamento di anomalie con lo stack ELK

Rivolto a: System Administrators, developers, DevOps, CTO, Software Architects
Prerequisiti consigliati: Conoscenza basilare del linguaggio Python
Durata: 3 ore
CHIEDI INFORMAZIONI



Workshop

Rilevamento di anomalie con lo stack ELK

Rivolto a: System Administrators, developers, DevOps, CTO, Software Architects
Prerequisiti consigliati: Conoscenza basilare del linguaggio Python
Durata: 3 ore
CHIEDI INFORMAZIONI



Rilevamento di anomalie con lo stack ELK

Che impatto può avere il guasto di un macchinario in un contesto industriale? È possibile prevedere il miglior momento per eseguire gli interventi di manutenzione?
Questo workshop fornisce una panoramica sulle metodologie di Machine Learning per la Manutenzione Predittiva nel contesto dell’Industria 4.0 e dell’Internet-of-Things (IoT) con lo scopo di ottimizzare la schedulazione degli interventi di manutenzione in modo da ridurre sensibilmente il downtime degli impianti ed i costi che ne conseguono.

Viene inoltre presentato un caso di studio reale dove vengono usati diversi modelli di Machine Learning per predire il tempo di vita utile rimanente di turboventole a partire da dati di sensori su di esse posizionati.

Modalità

Virtual class

Programma

  • Introd
  • Installazione di Elasticsearch, Kibana e X-Pack
  • Configurazione di un job di machine learning
  • Predizione dell’andamento dei dati con il machine learning
  • Trovare la causa principale delle anomalie usando i job multi-metrica