تعد الصيانة التنبؤية أمرًا بالغ الأهمية في صناعات السيارات لأنها يمكن أن تتجنب الأعطال الميكانيكية غير المألوفة وأنشطة الصيانة التفاعلية التي تعطل العمليات. من خلال توقع أعطال السيارة وجدولة الصيانة والإصلاحات ، ستقلل من وقت التوقف عن العمل وتحسن السلامة وتعزز مستويات الإنتاجية.
ماذا لو تمكنا من تطبيق تقنيات التعلم العميق على المجالات المشتركة التي تؤدي إلى فشل السيارة ، والتوقف غير المخطط له ، وتكاليف الإصلاح؟
في هذا المنشور ، نوضح لك كيفية تدريب ونشر نموذج للتنبؤ باحتمالية فشل أسطول المركبات باستخدام أمازون سيج ميكر جومب ستارت. SageMaker Jumpstart هو مركز التعلم الآلي (ML) الأمازون SageMaker، توفير نماذج مدربة مسبقًا ومتاحة للجمهور لمجموعة واسعة من أنواع المشكلات لمساعدتك على البدء في تعلم الآلة. الحل الموضح في المنشور متاح على GitHub جيثب:.
قوالب حل SageMaker JumpStart
يوفر SageMaker JumpStart حلولًا شاملة بنقرة واحدة للعديد من حالات استخدام ML الشائعة. استكشف حالات الاستخدام التالية لمزيد من المعلومات حول قوالب الحلول المتوفرة:
تغطي قوالب حل SageMaker JumpStart مجموعة متنوعة من حالات الاستخدام ، حيث يتم تقديم العديد من قوالب الحلول المختلفة تحت كل منها (الحل في هذا المنشور ، الصيانة التنبؤية لأسطول المركبات، في ال الحلول قسم). اختر قالب الحل الأنسب لحالة الاستخدام من الصفحة المقصودة SageMaker JumpStart. لمزيد من المعلومات حول حلول محددة لكل حالة استخدام وكيفية تشغيل حل SageMaker JumpStart ، راجع قوالب الحل.
حل نظرة عامة
يطبق حل الصيانة التنبؤية لـ AWS لأساطيل السيارات تقنيات التعلم العميق على المجالات العامة التي تؤدي إلى تعطل المركبات ، ووقت التعطل غير المخطط له ، وتكاليف الإصلاح. إنه بمثابة لبنة أولية بالنسبة لك للوصول إلى إثبات المفهوم في فترة زمنية قصيرة. يحتوي هذا الحل على وظائف إعداد البيانات والتصور داخل SageMaker ويسمح لك بتدريب وتحسين المعلمات الفائقة لنماذج التعلم العميق لمجموعة البيانات الخاصة بك. يمكنك استخدام بياناتك الخاصة أو تجربة الحل باستخدام مجموعة بيانات تركيبية كجزء من هذا الحل. يعالج هذا الإصدار بيانات مستشعر السيارة بمرور الوقت. إصدار لاحق سيعالج بيانات سجل الصيانة.
يوضح الرسم التخطيطي التالي كيف يمكنك استخدام هذا الحل مع مكونات SageMaker. كجزء من الحل ، يتم استخدام الخدمات التالية:
- الأمازون S3 - نحن نستخدم خدمة تخزين أمازون البسيطة (Amazon S3) لتخزين مجموعات البيانات
- دفتر SageMaker - نستخدم دفتر ملاحظات للمعالجة المسبقة للبيانات وتصورها ولتدريب نموذج التعلم العميق
- نقطة نهاية SageMaker - نستخدم نقطة النهاية لنشر النموذج المدرب
يتضمن سير العمل الخطوات التالية:
- يتم إنشاء مقتطف من البيانات التاريخية من نظام إدارة الأسطول الذي يحتوي على بيانات السيارة وسجلات أجهزة الاستشعار.
- بعد تدريب نموذج ML ، يتم نشر الأداة الفنية لنموذج SageMaker.
- ترسل السيارة المتصلة سجلات أجهزة الاستشعار إلى AWS إنترنت الأشياء الأساسية (بدلاً من ذلك ، عبر واجهة HTTP).
- يتم الاحتفاظ بسجلات أجهزة الاستشعار عبر أمازون كينسيس داتا فايرهاوس.
- يتم إرسال سجلات أجهزة الاستشعار إلى AWS لامدا للاستعلام عن النموذج لعمل تنبؤات.
- يرسل Lambda سجلات المستشعر إلى استدلال نموذج Sagemaker للتنبؤات.
- استمرت التوقعات في أمازون أورورا.
- يتم عرض النتائج الإجمالية على ملف أمازون QuickSight لوحة القيادة.
- يتم إرسال إشعارات الوقت الفعلي حول الاحتمال المتوقع للفشل إلى خدمة إعلام أمازون البسيطة (أمازون SNS).
- يرسل Amazon SNS إشعارات إلى السيارة المتصلة.
يتكون الحل من ستة دفاتر:
- 0_demo.ipynb - معاينة سريعة للحل الذي نقدمه
- 1_introduction.ipynb - نظرة عامة على المقدمة والحل
- 2_data_preparation.ipynb - تحضير عينة مجموعة بيانات
- 3_data_visualization.ipynb - تصور مجموعة البيانات النموذجية لدينا
- 4_model_training.ipynb - تدريب نموذج على مجموعة البيانات النموذجية الخاصة بنا لاكتشاف حالات الفشل
- 5_results_analogy.ipynb - تحليل النتائج من النموذج الذي دربناه
المتطلبات الأساسية المسبقة
أمازون ساجميكر ستوديو هي بيئة التطوير المتكاملة (IDE) داخل SageMaker التي تزودنا بجميع ميزات ML التي نحتاجها في جزء واحد من الزجاج. قبل أن نتمكن من تشغيل SageMaker JumpStart ، نحتاج إلى إعداد SageMaker Studio. يمكنك تخطي هذه الخطوة إذا كان لديك بالفعل الإصدار الخاص بك من SageMaker Studio قيد التشغيل.
أول شيء يتعين علينا القيام به قبل أن نتمكن من استخدام أي من خدمات AWS هو التأكد من أننا اشتركنا في حساب AWS وأنشأناه. ثم نقوم بإنشاء مستخدم إداري ومجموعة. للحصول على إرشادات حول كلتا الخطوتين ، ارجع إلى إعداد المتطلبات الأساسية لـ Amazon SageMaker.
الخطوة التالية هي إنشاء مجال SageMaker. يقوم المجال بإعداد كل وحدات التخزين ويسمح لك بإضافة مستخدمين للوصول إلى SageMaker. لمزيد من المعلومات ، يرجى الرجوع إلى على متن الطائرة إلى Amazon SageMaker Domain. تم إنشاء هذا العرض التوضيحي في منطقة AWS us-east-1.
أخيرًا ، تقوم بتشغيل SageMaker Studio. بالنسبة لهذا المنشور ، نوصي بتشغيل تطبيق ملف تعريف المستخدم. للحصول على تعليمات ، راجع قم بتشغيل Amazon SageMaker Studio.
لتشغيل حل SageMaker JumpStart هذا ونشر البنية التحتية لحساب AWS الخاص بك ، تحتاج إلى إنشاء مثيل SageMaker Studio نشط (انظر على متن الطائرة إلى Amazon SageMaker Studio). عندما يكون المثيل جاهزًا ، استخدم التعليمات الموجودة في سيج ميكر جومب ستارت لإطلاق الحل. يتم تضمين القطع الأثرية للحل في هذا مستودع جيثب كمرجع.
قم بتشغيل حل SageMaker Jumpstart
لبدء استخدام الحل ، أكمل الخطوات التالية:
- في وحدة تحكم SageMaker Studio ، اختر بداية القفز.
- على الحلول علامة التبويب، اختر الصيانة التنبؤية لأسطول المركبات.
- اختار إطلاق.
يستغرق نشر الحل بضع دقائق. - بعد نشر الحل ، اختر فتح دفتر الملاحظات.
إذا طُلب منك تحديد نواة ، فاختر PyTorch 1.8 Python 3.6 لجميع أجهزة الكمبيوتر المحمولة في هذا الحل.
معاينة الحل
نعمل أولاً على 0_demo.ipynb
دفتر. في هذا الكمبيوتر الدفتري ، يمكنك الحصول على معاينة سريعة لما ستبدو عليه النتيجة عند إكمال دفتر الملاحظات الكامل لهذا الحل.
اختار يجري و قم بتشغيل كافة الخلايا لتشغيل كل الخلايا في SageMaker Studio (أو الموبايل و تشغيل الكل في مثيل دفتر SageMaker). يمكنك تشغيل جميع الخلايا في كل دفتر ملاحظات واحدة تلو الأخرى. تأكد من انتهاء معالجة جميع الخلايا قبل الانتقال إلى دفتر الملاحظات التالي.
يعتمد هذا الحل على ملف تكوين لتشغيل موارد AWS المقدمة. نقوم بإنشاء الملف على النحو التالي:
لدينا بعض بيانات إدخال السلاسل الزمنية التي تتكون من جهد بطارية السيارة وتيار البطارية بمرور الوقت. بعد ذلك ، نقوم بتحميل وتصور بيانات العينة. كما هو موضح في لقطات الشاشة التالية ، توجد قيم الجهد والتيار على المحور Y والقراءات (19 قراءة مسجلة) على المحور X.
لقد قمنا مسبقًا بتدريب نموذج على هذا الجهد والبيانات الحالية التي تتنبأ باحتمالية تعطل السيارة ونشرنا النموذج كنقطة نهاية في SageMaker. سوف نسمي نقطة النهاية هذه ببعض البيانات النموذجية لتحديد احتمال الفشل في الفترة الزمنية التالية.
بالنظر إلى بيانات إدخال العينة ، يكون الاحتمال المتوقع للفشل 45.73٪.
للانتقال إلى المرحلة التالية ، اختر اضغط هنا للأستمرار.
نظرة عامة على المقدمة والحل
• 1_introduction.ipynb
يوفر دفتر الملاحظات نظرة عامة على الحل والمراحل ، وإلقاء نظرة على ملف التكوين الذي يحتوي على تعريف المحتوى ، وفترة أخذ عينات البيانات ، وعدد عينات التدريب والاختبار ، والمعلمات ، والموقع ، وأسماء الأعمدة للمحتوى الذي تم إنشاؤه.
بعد مراجعة دفتر الملاحظات هذا ، يمكنك الانتقال إلى المرحلة التالية.
قم بإعداد عينة مجموعة بيانات
نقوم بإعداد عينة مجموعة بيانات في ملف 2_data_preparation.ipynb
دفتر.
نقوم أولاً بإنشاء ملف التكوين لهذا الحل:
خصائص التكوين هي كما يلي:
يمكنك تحديد مجموعة البيانات الخاصة بك أو استخدام البرامج النصية الخاصة بنا لإنشاء عينة مجموعة بيانات:
يمكنك دمج بيانات المستشعر وبيانات الأسطول معًا:
يمكننا الآن الانتقال إلى تصور البيانات.
تصور عينة لدينا مجموعة البيانات
نحن نتخيل عينة مجموعة البيانات الخاصة بنا بتنسيق 3_data_vizualization.ipynb
. يعتمد هذا الحل على ملف تكوين لتشغيل موارد AWS المقدمة. دعنا ننشئ ملفًا مشابهًا لدفتر الملاحظات السابق.
تُظهر لقطة الشاشة التالية مجموعة البيانات الخاصة بنا.
بعد ذلك ، دعنا نبني مجموعة البيانات:
الآن بعد أن أصبحت مجموعة البيانات جاهزة ، دعنا نتخيل إحصاءات البيانات. تُظهر لقطة الشاشة التالية توزيع البيانات بناءً على نوع السيارة ونوع المحرك وفئة السيارة والطراز.
بمقارنة بيانات السجل ، دعنا نلقي نظرة على مثال لمتوسط الجهد عبر سنوات مختلفة لـ Make E و C (عشوائي).
متوسط الجهد والتيار على المحور Y وعدد القراءات على المحور X.
- القيم المحتملة لـ log_target: ['make'، 'model'، 'year'، 'vehicle_class'، 'engine_type']
- القيمة المعينة عشوائيًا لـ
log_target: make
- القيمة المعينة عشوائيًا لـ
- القيم المحتملة لـ log_target_value1: ['Make A'، 'Make B'، 'Make E'، 'Make C'، 'Make D']
- القيمة المعينة عشوائيًا لـ
log_target_value1: Make B
- القيمة المعينة عشوائيًا لـ
- القيم المحتملة لـ log_target_value2: ['Make A'، 'Make B'، 'Make E'، 'Make C'، 'Make D']
- القيمة المعينة عشوائيًا لـ
log_target_value2: Make D
- القيمة المعينة عشوائيًا لـ
بناء على ما سبق ، نفترض log_target: make
, log_target_value1: Make B
و log_target_value2: Make D
توضح الرسوم البيانية التالية متوسط بيانات السجل.
تصور الرسوم البيانية التالية مثالاً على قيم مختلفة لسجل أجهزة الاستشعار مقابل الجهد والتيار.
قم بتدريب نموذج على مجموعة البيانات النموذجية الخاصة بنا لاكتشاف حالات الفشل
في مجلة 4_model_training.ipynb
دفتر ملاحظات ، نقوم بتدريب نموذج على مجموعة البيانات النموذجية الخاصة بنا لاكتشاف حالات الفشل.
لننشئ ملف التكوين على غرار دفتر الملاحظات السابق ، ثم ننتقل إلى تكوين التدريب:
حلل النتائج من النموذج الذي دربناه
في مجلة 5_results_analysis.ipynb
دفتر الملاحظات ، نحصل على بيانات من وظيفة ضبط المعلمة الفائقة لدينا ، ونعرض مقاييس لجميع الوظائف لتحديد أفضل وظيفة ، ونبني نقطة نهاية لأفضل وظيفة تدريبية.
دعونا ننشئ ملف التكوين على غرار دفتر الملاحظات السابق ونصور مقاييس جميع الوظائف. الحبكة التالية تصور دقة الاختبار مقابل العصر.
تُظهر لقطة الشاشة التالية وظائف ضبط المعامل التشعبي التي قمنا بتشغيلها.
يمكنك الآن تصور البيانات من أفضل وظيفة تدريبية (من بين وظائف التدريب الأربعة) بناءً على دقة الاختبار (باللون الأحمر).
كما يمكننا أن نرى في لقطات الشاشة التالية ، فإن خسارة الاختبار تنخفض وتزداد AUC والدقة مع العصور.
بناءً على التصورات ، يمكننا الآن إنشاء نقطة نهاية لأفضل وظيفة تدريبية:
بعد أن نبني نقطة النهاية ، يمكننا اختبار المتنبئ عن طريق تمرير عينة من سجلات أجهزة الاستشعار:
بالنظر إلى بيانات إدخال العينة ، يكون الاحتمال المتوقع للفشل 34.60%.
تنظيف
عند الانتهاء من هذا الحل ، تأكد من حذف جميع موارد AWS غير المرغوب فيها. على ال الصيانة التنبؤية لأسطول المركبات الصفحة تحت حذف الحل، اختر حذف كافة الموارد لحذف جميع الموارد المرتبطة بالحل.
تحتاج إلى حذف أي موارد إضافية قد تكون أنشأتها في دفتر الملاحظات هذا يدويًا. تتضمن بعض الأمثلة حاويات S3 الإضافية (إلى الحاوية الافتراضية للحل) ونقاط نهاية SageMaker الإضافية (باستخدام اسم مخصص).
تخصيص الحل
حلنا سهل التخصيص. لتعديل تصورات بيانات الإدخال ، ارجع إلى sagemaker / 3_data_visualization.ipynb. لتخصيص التعلم الآلي ، ارجع إلى sagemaker / المصدر / train.py و sagemaker / source / dl_utils / network.py. لتخصيص معالجة مجموعة البيانات ، ارجع إلى sagemaker / 1_introduction.ipynb حول كيفية تحديد ملف التكوين.
بالإضافة إلى ذلك ، يمكنك تغيير التكوين في ملف التكوين. التكوين الافتراضي هو كما يلي:
يحتوي ملف التكوين على المعلمات التالية:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
وtest_dataset_fn
تحديد موقع ملفات مجموعة البياناتvehicle_id_column
,timestamp_column
,target_column
وperiod_column
تحديد رؤوس الأعمدةdataset_size
,chunksize
,processing_chunksize
,period_ms
وwindow_length
تحديد خصائص مجموعة البيانات
وفي الختام
في هذا المنشور ، أوضحنا لك كيفية تدريب ونشر نموذج للتنبؤ باحتمالية فشل أسطول المركبات باستخدام SageMaker JumpStart. يعتمد الحل على نماذج التعلم الآلي والتعلم العميق ويسمح بمجموعة متنوعة من بيانات الإدخال بما في ذلك أي بيانات مستشعر متغيرة بمرور الوقت. نظرًا لأن كل مركبة تحتوي على أجهزة قياس عن بُعد مختلفة عليها ، يمكنك ضبط النموذج المقدم وفقًا لتردد ونوع البيانات المتوفرة لديك.
لمعرفة المزيد حول ما يمكنك فعله باستخدام SageMaker JumpStart ، راجع ما يلي:
الموارد
حول المؤلف
راجاكومار سامباثكومار هو مدير الحساب الفني الرئيسي في AWS ، حيث يوفر إرشادات للعملاء حول محاذاة تكنولوجيا الأعمال ويدعم إعادة ابتكار نماذج وعمليات التشغيل السحابية الخاصة بهم. إنه شغوف بالسحابة والتعلم الآلي. راج أيضًا متخصص في التعلم الآلي ويعمل مع عملاء AWS لتصميم ونشر وإدارة أعباء العمل والبنى الخاصة بهم في AWS.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون السيارات / المركبات الكهربائية ، كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- BlockOffsets. تحديث ملكية الأوفست البيئية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :لديها
- :يكون
- ] [ص
- $ UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- من نحن
- فوق
- الوصول
- وفقا
- حسابي
- دقة
- في
- نشط
- أنشطة
- تضيف
- إداري
- بعد
- ضد
- انحياز
- الكل
- يسمح
- سابقا
- أيضا
- أمازون
- الأمازون SageMaker
- أمازون سيج ميكر جومب ستارت
- أمازون ويب سيرفيسز
- an
- تحليل
- و
- أي وقت
- التطبيق
- التقديم
- هي
- المناطق
- AS
- تعيين
- أسوشيتد
- افترض
- At
- السيارات
- متاح
- تجنب
- AWS
- محور
- الى الخلف
- على أساس
- بطارية
- لان
- قبل
- أفضل
- حظر
- الجسدي
- زيادة
- على حد سواء
- استراحة
- نساعدك في بناء
- ابني
- by
- دعوة
- CAN
- يستطيع الحصول على
- حقيبة
- الحالات
- خلايا
- تغيير
- اختار
- فئة
- زبون
- سحابة
- عمود
- مشترك
- إكمال
- مكونات
- مفهوم
- الاعداد
- متصل
- تتكون
- يتكون
- كنسولات
- يحتوي
- محتوى
- التكاليف
- استطاع
- بهيكل
- خلق
- خلق
- حرج
- حالياًّ
- على
- العملاء
- تصميم
- لوحة أجهزة القياس
- البيانات
- تحضير البيانات
- عرض مرئي للمعلومات
- انخفاض
- عميق
- التعلم العميق
- الترتيب
- تعريف
- عرض
- يوضح
- نشر
- نشر
- تصميم
- حدد
- التطوير التجاري
- مختلف
- عرض
- تعطيل
- توزيع
- do
- نطاق
- إلى أسفل
- الوقت الضائع
- قيادة
- e
- كل
- آخر
- النهائي إلى نهاية
- نقطة النهاية
- محرك
- ضمان
- البيئة
- عصر
- عهود
- كل
- مثال
- أمثلة
- اكتشف
- احتفل على
- استخراج
- فشل
- زائف
- المميزات
- قليل
- قم بتقديم
- نهاية
- الاسم الأول
- سريع
- متابعيك
- متابعات
- في حالة
- أربعة
- تردد
- تبدأ من
- بالإضافة إلى
- وظيفة
- توليد
- ولدت
- مولد كهربائي
- دولار فقط واحصل على خصم XNUMX% على جميع
- معطى
- زجاج
- وحدة معالجة الرسوميات:
- الرسوم البيانية
- تجمع
- توجيه
- يملك
- he
- رؤوس
- مساعدة
- هنا
- تاريخي
- كيفية
- كيفية
- HTML
- HTTP
- HTTPS
- محور
- تحسين Hyperparameter
- ضبط Hyperparameter
- i
- تحديد
- if
- استيراد
- تحسن
- in
- تتضمن
- شامل
- يشمل
- بما فيه
- القيمة الاسمية
- الصناعات
- معلومات
- البنية التحتية
- في البداية
- بدء
- إدخال
- مثل
- تعليمات
- المتكاملة
- السطح البيني
- إلى
- المُقدّمة
- قام المحفل
- IT
- وظيفة
- المشــاريــع
- JPG
- جسون
- مفاتيح
- هبوط
- إطلاق
- إطلاق
- تعلم
- تعلم
- ومستوياتها
- مثل
- تحميل
- محلي
- موقع
- سجل
- بحث
- يبدو مثل
- خسارة
- آلة
- آلة التعلم
- صيانة
- جعل
- إدارة
- إدارة
- مدير
- يدويا
- كثير
- تعظيم
- مايو..
- تعني
- ميكانيكي
- دمج
- المقاييس
- دقيقة
- ML
- نموذج
- عارضات ازياء
- تعديل
- الأكثر من ذلك
- خطوة
- يتحرك
- الاسم
- أسماء
- حاجة
- التالي
- مفكرة
- إعلام
- الإخطارات
- الآن
- عدد
- of
- عرضت
- on
- ONE
- فقط
- جاكيت
- عملية
- عمليات
- التحسين
- الأمثل
- or
- OS
- أخرى
- لنا
- خارج
- نتيجة
- أوجز
- على مدى
- نظرة عامة
- الخاصة
- صفحة
- خبز
- المعلمات
- جزء
- مرور
- عاطفي
- مسار
- فترة
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- من فضلك
- منشور
- تنبأ
- وتوقع
- توقع
- تنبؤات
- متنبئ
- تتوقع
- إعداد
- أرسال
- سابق
- سابقا
- رئيسي
- المشكلة
- عملية المعالجة
- العمليات
- معالجة
- إنتاجية
- ملفي الشخصي
- دليل
- دليل على المفهوم
- HAS
- المقدمة
- ويوفر
- توفير
- علانية
- بايثون
- pytorch
- سريع
- عشوائية
- نطاق
- استعداد
- نوصي
- سجل
- مسجل
- أحمر
- تخفيض
- منطقة
- يصلح
- الموارد
- استجابة
- النتائج
- عائد أعلى
- مراجعة
- النوع
- يجري
- تشغيل
- السلامة
- sagemaker
- عينة مجموعة بيانات
- جدولة
- لقطات
- مخطوطات
- القسم
- انظر تعريف
- يرسل
- أرسلت
- مسلسلات
- يخدم
- خدماتنا
- الجلسة
- طقم
- باكجات
- عدة
- قصير
- إظهار
- أظهرت
- أظهرت
- يظهر
- وقعت
- مماثل
- الاشارات
- عزباء
- SIX
- حل
- الحلول
- بعض
- مصدر
- متخصص
- محدد
- المسرح
- مراحل
- بدأت
- إحصائيات
- خطوة
- خطوات
- تخزين
- متجر
- ستوديو
- لاحق
- دعم
- بالتأكيد
- اصطناعي
- نظام
- يأخذ
- تقني
- تقنيات
- قالب
- النماذج
- تجربه بالعربي
- أن
- •
- من مشاركة
- then
- شيء
- الوقت
- السلاسل الزمنية
- الطابع الزمني
- إلى
- سويا
- قطار
- متدرب
- قادة الإيمان
- محاولة
- نوع
- أنواع
- مع
- غير مرغوب فيه
- us
- تستخدم
- حالة الاستخدام
- مستعمل
- مستخدم
- المستخدمين
- استخدام
- قيمنا
- القيم
- تشكيلة
- المثالية
- الإصدار
- بواسطة
- التصور
- فولت
- الجهد االكهربى
- vs
- W
- we
- الويب
- خدمات ويب
- ابحث عن
- متى
- التي
- واسع
- مدى واسع
- سوف
- مع
- في غضون
- للعمل
- سير العمل
- أعمال
- X
- يامل
- سنوات
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت