PENG9650 Sannsynlighetsbasert maskinlæring for prediktivt vedlikehold av energisystemer Emneplan

Produksjon for streaming og nett-tv er eit valfritt emne i 5. semester. I emnet skal studentane arbeide med medieproduksjonar for nett-tv og utvikle praktisk-teoretisk kunnskap om streaming, einkamera- og fleirkameraproduksjon, samt multimedialitet.

Undervisningsspråk er norsk.

Gradert skala A-F

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.

Teaching methods will include lectures, group work and guest lectures from industry personnel.

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.

Emnet vert innleia med eit intensivkurs i bruk av multimedia- og streamingverktøy som m.a. Tricaster for streaming, nett-tv og fleirkameraproduksjon. For å sikre at studentane får fagleg kontinuitet og grunnlag for å nå naudsynt tekniske ferdigheiter, er det obligatorisk deltaking ved all undervisning. Fråvær utover 20 prosent kan føre til tap av eksamensretten.

I løpet av semesteret skal studentane planlegge og gjennomføre ei praktisk produksjonsoppgåve som arbeidskrav. Produksjonen er ein medieproduksjon for nett-tv, med ein eller fleire små audiovisuelle produksjonar, og vert normalt gjort i grupper på 5-8 studentar. I tillegg skal kvar enkelt student levere eit refleksjonsnotat på 3-5 sider. Medieproduksjonen får ei felles gruppevurdering, og refleksjonsnotatet individuell vurdering. Omfanget av arbeidskravet varierer frå år til år, då arbeidskravet normalt er eit samarbeid med ein ekstern oppdragsgjevar.

Poenget med arbeidskravet er å prøve praktisk produksjon for nett-tv før eksamen, og er såleis ein førebuande produksjon til eksamen.

Arbeidskrava vert godkjende av faglæraren. Alle arbeidskrava må vere leverte innan den fastsette fristen og godkjende før studenten kan gå opp til eksamen.

Fristar og nærmare detaljar for innlevering av arbeidskrav kjem på undervisningsplanen som vert lagt ut i starten av kvart semester.

Studentar som ikkje får godkjend arbeidskrav ved første forsøk kan levere inn omarbeidd versjon ein gong. Ved dokumentert sjukdom eller andre tungtvegande årsaker kan eigen frist avtalast med faglærar.

Pass or Fail

Two internal examiners. External examiners are used periodically.

Alle hjelpemiddel er lov, så lenge ein følger reglar for kjeldebruk.

The course overlaps 2.5 ECTS with PENG9560 - Topics in Artificial Intelligence and Machine Learning. Completing both courses will result in a total of 17,5 ECTS.