|
课程培训
|
人工智能与工业大数据培训课程体系（选修）
人工智能与工业大数据培训课程体系（选修） 整体定位：聚焦“智能决策”核心目标，立足智能制造核心价值层，通过实操教学帮助学员掌握人工智能与工业大数据的核心技术，实现“数据转化为洞察与决策”的核心价值，覆盖工业大数据分析、机器学习工业应用、计算机视觉与质检、预测性维护、智能排产与调度、工业大模型应用六大核心模块，各专题独立成篇，学员可根据自身岗位需求、知识储备自主选修部分专题内容，结合当前行业主流软件版本设计，贴合企业实际应用场景，兼顾实用性与针对性。 专题一：工业大数据分析培训 （主流软件适配：Python 3.11、Spark 3.5.0、Tableau 2024.1、Hadoop 3.3.6） 一、培训目标 掌握工业大数据分析的核心流程与方法，熟练运用主流工具与软件进行工业数据采集、预处理、特征工程、统计分析及可视化呈现，具备工业大数据的基础处理与分析能力，能够独立完成简单工业数据集的分析与洞察提炼，适配工业大数据分析师、数据处理专员、智能制造数据岗入门需求。 二、主要培训内容 1. 工业大数据基础认知：工业大数据的定义、分类（设备数据、生产数据、质量数据），核心特征（海量性、实时性、异构性），工业大数据与消费大数据的区别，核心应用场景与价值； 2. 数据采集与预处理：工业数据采集渠道（传感器、MES/ERP系统、设备日志），基于Python 3.11（Pandas、NumPy）的数据清洗、缺失值处理、异常值剔除、数据标准化实操； 3. 特征工程：工业数据特征提取、特征选择、特征转换的核心方法，基于Spark 3.5.0的大规模工业数据特征工程实操，适配不同分析场景的特征优化； 4. 统计分析与可视化：工业数据描述性统计、推断性统计实操，基于Tableau 2024.1的工业数据可视化设计（仪表盘、趋势图、热力图），数据洞察提炼方法； 5. 大数据平台基础：基于Hadoop 3.3.6的工业大数据存储、分布式处理基础操作，数据读取与导出实操，简单工业大数据分析案例实战演练。 三、自主选修方向（可任选1-多个模块） • 数据预处理进阶：Python 3.11复杂工业数据异常值识别与处理、异构数据融合； • 可视化深度实操：Tableau 2024.1工业仪表盘优化、动态可视化设计； • 大数据平台应用：Hadoop 3.3.6大规模工业数据集存储与分布式分析。 专题二：机器学习在工业应用培训 （主流软件适配：Python 3.11、Scikit-learn 1.3.2、TensorFlow 2.15、PyTorch 2.1） 一、培训目标 掌握机器学习核心算法（分类、回归、聚类）的原理与工业适配场景，熟练运用主流机器学习框架进行工业场景建模、模型评估与优化，具备机器学习模型在工业场景的基础落地能力，能够独立完成简单工业场景的机器学习建模项目，适配工业机器学习工程师、算法应用专员岗位需求。 二、主要培训内容 1. 机器学习基础认知：机器学习的定义、分类（监督学习、无监督学习），核心流程（数据准备、模型构建、训练、评估、部署），工业场景与机器学习的适配逻辑； 2. 核心算法实操：基于Scikit-learn 1.3.2的分类算法（逻辑回归、决策树、随机森林）、回归算法（线性回归、梯度提升回归）、聚类算法（K-Means、DBSCAN）实操，算法参数调整； 3. 工业场景建模流程：工业场景需求拆解、数据标注基础、特征工程适配、模型选型，基于Python 3.11的完整建模流程实操（以生产质量预测、设备参数优化为例）； 4. 模型评估与优化：工业场景下模型评估指标（准确率、召回率、MAE、RMSE），模型过拟合、欠拟合的识别与解决方法，基于TensorFlow 2.15的模型优化实操； 5. 框架与案例实战：PyTorch 2.1基础操作，机器学习在工业质检、能耗预测、产能分析中的典型案例演练，模型落地的基础注意事项。 三、自主选修方向（可任选1-多个模块） • 算法进阶：Scikit-learn 1.3.2复杂算法（XGBoost、LightGBM）在工业场景的应用与参数优化； • 深度学习入门：TensorFlow 2.15简单神经网络搭建与工业场景适配； • 建模实战：PyTorch 2.1工业场景完整建模（从数据准备到模型部署入门）。 专题三：计算机视觉与质检培训 （主流软件适配：Python 3.11、OpenCV 4.9.0、Halcon 2023、YOLOv8、TensorFlow 2.15） 一、培训目标 掌握计算机视觉核心技术与工业质检的融合应用方法，熟练运用主流软件与算法进行缺陷检测、尺寸测量、字符识别、视觉定位，理解深度学习在机器视觉中的应用逻辑，具备工业视觉质检系统的基础搭建与实操能力，适配工业视觉工程师、质检算法应用专员、视觉调试技术员岗位需求。 二、主要培训内容 1. 工业计算机视觉基础：计算机视觉的核心原理，工业视觉质检的优势与应用场景（零部件质检、产品外观检测、尺寸测量），视觉系统的核心组成（相机、镜头、光源）； 2. 基础视觉操作：基于OpenCV 4.9.0的图像采集、预处理（滤波、阈值分割、形态学操作），图像特征提取（边缘检测、轮廓提取）实操； 3. 核心质检功能实操：基于Halcon 2023的缺陷检测、尺寸精确测量、字符识别（OCR）、视觉定位实操，适配不同工业产品的参数设置与调试； 4. 深度学习与机器视觉：基于YOLOv8、TensorFlow 2.15的深度学习视觉模型搭建，缺陷检测模型训练、优化，复杂场景（多缺陷、小缺陷）检测适配； 5. 视觉系统落地：视觉质检系统的搭建流程，模型与工业相机、生产线的联动调试，常见视觉误差分析与修正，案例实战演练。 三、自主选修方向（可任选1-多个模块） • 视觉实操进阶：Halcon 2023复杂产品尺寸测量、多缺陷同时检测调试； • 深度学习视觉：YOLOv8缺陷检测模型优化、小样本场景适配； • 视觉系统联动：OpenCV 4.9.0与工业相机联动、数据实时传输实操。 专题四：预测性维护培训 （主流软件适配：Python 3.11、Scikit-learn 1.3.2、TensorFlow 2.15、IBM Maximo 8.9） 一、培训目标 掌握预测性维护的核心原理与方法，熟练运用主流软件与算法进行设备健康度评估、剩余寿命预测、故障诊断，具备设备预测性维护方案的基础设计与实操能力，能够独立完成简单设备的预测性维护建模与分析，适配设备运维算法工程师、设备管理专员、预测性维护工程师岗位需求。 二、主要培训内容 1. 预测性维护基础认知：预测性维护的定义、核心价值，与预防性维护、事后维护的区别，核心流程（数据采集、状态监测、故障诊断、寿命预测、维修优化）； 2. 设备数据采集与特征提取：设备振动、温度、电流等健康数据采集方法，基于Python 3.11的设备数据特征提取（时域、频域特征），异常特征识别； 3. 设备健康度评估与故障诊断：基于Scikit-learn 1.3.2的设备健康度指标构建、评估模型搭建，故障类型识别、故障原因初步分析实操； 4. 剩余寿命预测：基于TensorFlow 2.15的剩余寿命（RUL）预测模型搭建、训练与优化，不同设备类型（电机、机床、泵阀）的模型适配； 5. 维护决策与系统应用：基于IBM Maximo 8.9的预测性维护方案设计、维修计划优化，维护决策落地执行，案例（机床、电机预测性维护）实战演练。 三、自主选修方向（可任选1-多个模块） • 剩余寿命预测进阶：TensorFlow 2.15复杂设备RUL预测模型优化、误差控制； • 故障诊断深度：Scikit-learn 1.3.2多故障类型识别、故障定位实操； • 系统落地实操：IBM Maximo 8.9预测性维护方案配置与维修计划优化。 专题五：智能排产与调度培训 （主流软件适配：Python 3.11、Gurobi 11.0、OR-Tools 9.7、TensorFlow 2.15） 一、培训目标 掌握智能排产与调度的核心原理与方法，熟练运用主流优化工具与算法进行基于强化学习的调度、多目标优化、动态重调度，具备工业生产智能排产方案的基础设计与优化能力，能够独立完成简单生产场景的智能排产与调度调整，适配生产调度工程师、智能计划专员、运筹优化应用岗需求。 二、主要培训内容 1. 智能排产与调度基础认知：传统排产与智能排产的区别，核心需求（产能最大化、交期保障、成本最低），工业场景调度的核心约束（设备、人力、物料）； 2. 运筹优化基础：线性规划、整数规划核心原理，基于Gurobi 11.0、OR-Tools 9.7的简单调度问题建模与求解，多目标优化（交期、成本、产能）权重设置； 3. 强化学习与调度：强化学习核心原理，基于TensorFlow 2.15的强化学习调度模型搭建、训练，适配动态生产场景的调度策略优化； 4. 动态重调度实操：基于Python 3.11的插单、改单、设备故障等场景的动态重调度方法，调度方案的快速调整与可行性验证； 5. 案例实战：离散制造、流程制造场景的智能排产与调度案例演练，调度方案与MES系统的基础适配，排产效果评估与优化。 三、自主选修方向（可任选1-多个模块） • 运筹优化进阶：Gurobi 11.0复杂约束调度问题建模与求解优化； • 强化学习调度：TensorFlow 2.15强化学习调度模型优化、动态场景适配； • 动态重调度实战：Python 3.11多场景（插单、设备故障）动态重调度实操。 专题六：工业大模型应用培训 （主流软件适配：Python 3.11、LangChain 0.1.10、ChatGLM4-Industrial、MindSpore Industrial大模型、华为云盘古大模型V3） 一、培训目标 掌握工业大模型的核心特性与工业应用逻辑，熟练运用主流工业大模型及工具进行工业知识问答、设备运维知识库构建、生成式设计、工艺参数推荐，具备工业大模型的基础应用与适配能力，能够独立完成简单工业场景的大模型应用落地，适配工业大模型应用工程师、智能制造顾问、工艺优化专员岗位需求。 二、主要培训内容 1. 工业大模型基础认知：工业大模型的定义、核心特性（知识密集、场景适配），与通用大模型的区别，工业大模型的核心应用场景与价值； 2. 工业大模型基础操作：基于LangChain 0.1.10的工业大模型调用、Prompt工程设计，大模型与工业数据的适配方法，简单应用场景搭建； 3. 核心应用实操：基于ChatGLM4-Industrial、华为云盘古大模型V3的工业知识问答、设备运维知识库构建（文档嵌入、检索问答）实操； 4. 生成式设计与工艺推荐：基于MindSpore Industrial大模型的产品生成式设计、工艺参数推荐，设计方案与工艺参数的可行性验证； 5. 大模型落地适配：工业大模型在不同场景（设备运维、工艺优化、研发设计）的适配调整，常见应用问题（精度、效率）解决方法，案例实战演练。 三、自主选修方向（可任选1-多个模块） • 知识库构建进阶：LangChain 0.1.10工业运维知识库优化、多源文档嵌入； • 生成式设计实操：MindSpore Industrial大模型产品设计、工艺参数优化； • 大模型适配：ChatGLM4-Industrial不同工业场景Prompt优化、应用落地。
如果您想学习本课程，请预约报名
如果没找到合适的课程或有特殊培训需求，请订制培训 除培训外，同时提供相关技术咨询与技术支持服务，有需求请发需求表到邮箱soft@info-soft.cn,或致电4007991916 技术服务需求表下载请点击 服务优势： 丰富专家资源，精准匹配相关行业，相关项目技术精英，面向用户实际需求，针对性培训或咨询，互动式交流，案例教学，精品小班，实际工程项目经验分享，快捷高效，节省时间与金钱，少走弯路与错路。 专家力量： 中国科学院相关研究所高级研究人员 西门子，TI,vmware，MSC,Ansys，MDI，Mentor, candence,Altium,Atmel 、Freescale,达索，华为等 大型公司高级工程师，项目经理，技术支持专家 中科信软培训中心，资深专家或讲师 大多名牌大学，硕士以上学历，相关学历背景专业，理论素养高 多年实际项目实践，大型复杂项目实战案例分享，热情，乐于技术分享 针对客户实际需要，真实案例演示，互动式沟通，学有所值 |
|
