PENG9650 Sannsynlighetsbasert maskinlæring for prediktivt vedlikehold av energisystemer Emneplan

Active participation in the seminars is necessary to adequately understand the course material and themes. Participation is therefore mandatory, and candidates are expected to attend all days of teaching and required to attend at least 80 percent of teaching days. In special cases of documented illness, the course leader may accept exceptions to this requirement. In these cases, lack of participation may be substituted by alternative arrangements.

Etter gjennomført emne har studenten følgende læringsutbytte definert i kunnskap, ferdigheter og generell kompetanse:

Kunnskap

Studenten kan

• redegjøre for ulike forståelser av kropp og bevegelse
• redegjøre for ulike modeller for motivasjon og mestring
• beskrive helsekompetanse og knytte dette til fysioterapeutens rolle som veileder
• beskrive helseteknologiske verktøy i fysioterapeutens veiledningsrolle
• redegjøre for teorier om motorisk utvikling, læring og kontroll
• beskrive målemetoder for fysisk form og fysisk aktivitet
• redegjøre for kroppens potensial for treningsadaptasjon
• redegjøre for sentrale biomekaniske begreper og prinsipper
• redegjøre for kunnskapsbasert praksis i fysioterapi

Ferdigheter

Studenten kan

• utarbeide og dokumentere en søkestrategi og gjennomføre et databasesøk basert på en valgt problemstilling relatert til aktivitet og trening
• anvende kartleggingsverktøy for bevegelsesutvikling og motoriske ferdigheter
• anvende treningslæreprinsipper i planlegging og gjennomføring av individuelt tilpassede øvelser for medstudent eller utøver, samt begrunne en treningsplan
• samhandle med medstudent eller utøver i veiledning av aktiviteter og øvelser, samt begrunne den pedagogiske tilnærmingen
• anvende egen kropp og hender med tydelighet, presisjon, trygghet, varhet og respekt

Generell kompetanse

Studenten kan

• reflektere over etiske problemstillinger knyttet til terapeutrollen
• reflektere over egne bevegelseserfaringer knyttet til kroppslige og kulturelle aspekter ved bevegelse
• kritisk vurdere påstander i media knyttet til helse og trening

Students who complete the course are expected to have the following learning outcomes, defined in terms of knowledge, skills and general competence:

Knowledge:

• Understand the principles of systems engineering and their relevance to energy systems and predictive maintenance.
• Gain a comprehensive overview of energy systems, from fossil fuels to renewables, and the unique challenges they present.
• Acquire advanced knowledge of probabilistic machine learning techniques, including Gaussian processes, hidden Markov models, probabilistic graphical models, and deep belief networks.
• Understand the integration of machine learning techniques into predictive maintenance frameworks and their impact on system reliability.

Skills:

• Apply systems engineering principles to design and analyze energy systems, ensuring efficient integration of predictive maintenance strategies.
• Develop and implement predictive maintenance frameworks tailored to energy systems, transitioning from reactive to proactive maintenance approaches.
• Employ probabilistic machine learning techniques, such as Gaussian processes and graphical models, to model system behavior, predict failures, and optimize performance.

Competence:

• Collaborate effectively across disciplines to design solutions for predictive maintenance in diverse energy system contexts.
• Evaluate uncertainties in predictions and make informed decisions to improve the reliability and efficiency of energy systems through predictive maintenance strategies.
• Demonstrate proficiency in implementing probabilistic machine learning algorithms using Python and relevant libraries for energy system predictive maintenance tasks.

The course is aimed at PhD candidates in the SIICHER doctoral program. Upon application, the course is also open to PhD candidates enrolled in other doctoral programs.

The following coursework requirements must be approved in order for the student to take the exam:

One assignment project. The assignment project should include a detailed project report (1500-2000 words) and a Python-based implementation of the model.

Students must analyze real-world or simulated datasets to identify failure patterns, apply probabilistic machine learning techniques, and propose a maintenance strategy for a selected energy system (such as wind turbine).

An individual project report approximately 4000 - 6000 words, excluding appendices.

If a project report is graded fail or if a medically certified illness prevents you from submitting the exam within the appointed deadline, the candidate has one opportunity to resubmit a revised report within a given time-period.

The exam can be appealed.

All aids are permitted.

Pass or Fail

Fysioterapeutens rolle som veileder står sentralt gjennom emnet og rollen knyttes opp mot begreper som helsekompetanse, kunnskapsbasert praksis og temaer om barn. Bevegelseslære, biomekanikk og treningslære inngår i det teoretiske grunnlaget. Studenten vil få undervisning i å bruke egen kropp og hender i veiledning av øvelser og manuelle teknikker.

Studenten må være tatt opp på studiet.

Arbeids- og undervisningsformene i emnet omfatter forelesninger, seminar, gruppearbeid, ferdighetstrening, observasjon og selvstudier.