Die vorausschauende Wartung ist in der Automobilindustrie von entscheidender Bedeutung, da sie unerwartete mechanische Ausfälle und reaktive Wartungsaktivitäten, die den Betrieb stören, vermeiden kann. Durch die Vorhersage von Fahrzeugausfällen und die Planung von Wartungs- und Reparaturarbeiten reduzieren Sie Ausfallzeiten, verbessern die Sicherheit und steigern die Produktivität.
Was wäre, wenn wir Deep-Learning-Techniken auf allgemeine Bereiche anwenden könnten, die zu Fahrzeugausfällen, ungeplanten Ausfallzeiten und Reparaturkosten führen?
In diesem Beitrag zeigen wir Ihnen, wie Sie ein Modell trainieren und einsetzen, um die Ausfallwahrscheinlichkeit einer Fahrzeugflotte vorherzusagen Amazon SageMaker-JumpStart. SageMaker Jumpstart ist der Hub für maschinelles Lernen (ML). Amazon Sage Maker, das vorab trainierte, öffentlich verfügbare Modelle für eine Vielzahl von Problemtypen bereitstellt, um Ihnen den Einstieg in ML zu erleichtern. Die im Beitrag beschriebene Lösung ist verfügbar unter GitHub.
SageMaker JumpStart-Lösungsvorlagen
SageMaker JumpStart bietet End-to-End-Lösungen mit einem Klick für viele gängige ML-Anwendungsfälle. Entdecken Sie die folgenden Anwendungsfälle, um weitere Informationen zu verfügbaren Lösungsvorlagen zu erhalten:
Die SageMaker JumpStart-Lösungsvorlagen decken eine Vielzahl von Anwendungsfällen ab, unter denen jeweils mehrere unterschiedliche Lösungsvorlagen angeboten werden (die Lösung in diesem Beitrag, Vorausschauende Wartung für Fahrzeugflotten, ist in der Lösungen Abschnitt). Wählen Sie auf der SageMaker JumpStart-Landingpage die Lösungsvorlage aus, die am besten zu Ihrem Anwendungsfall passt. Weitere Informationen zu spezifischen Lösungen für jeden Anwendungsfall und zum Starten einer SageMaker JumpStart-Lösung finden Sie unter Lösungsvorlagen.
Lösungsüberblick
Die vorausschauende Wartungslösung von AWS für Automobilflotten wendet Deep-Learning-Techniken auf allgemeine Bereiche an, die zu Fahrzeugausfällen, ungeplanten Ausfallzeiten und Reparaturkosten führen. Es dient Ihnen als erster Baustein, um in kurzer Zeit zu einem Proof of Concept zu gelangen. Diese Lösung enthält Funktionen zur Datenaufbereitung und -visualisierung in SageMaker und ermöglicht es Ihnen, die Hyperparameter von Deep-Learning-Modellen für Ihren Datensatz zu trainieren und zu optimieren. Sie können Ihre eigenen Daten verwenden oder die Lösung mit einem synthetischen Datensatz als Teil dieser Lösung ausprobieren. Diese Version verarbeitet Fahrzeugsensordaten im Laufe der Zeit. Eine Folgeversion wird Wartungsdatensätze verarbeiten.
Das folgende Diagramm zeigt, wie Sie diese Lösung mit SageMaker-Komponenten verwenden können. Im Rahmen der Lösung kommen folgende Dienste zum Einsatz:
- Amazon S3 - Wir gebrauchen Amazon Simple Storage-Service (Amazon S3) zum Speichern von Datensätzen
- SageMaker-Notizbuch – Wir verwenden ein Notebook, um die Daten vorzuverarbeiten und zu visualisieren und das Deep-Learning-Modell zu trainieren
- SageMaker-Endpunkt – Wir verwenden den Endpunkt, um das trainierte Modell bereitzustellen
Der Workflow umfasst die folgenden Schritte:
- Aus dem Flottenmanagementsystem wird ein Auszug historischer Daten erstellt, der Fahrzeugdaten und Sensorprotokolle enthält.
- Nachdem das ML-Modell trainiert wurde, wird das SageMaker-Modellartefakt bereitgestellt.
- Das verbundene Fahrzeug sendet Sensorprotokolle an AWS IoT-Kern (alternativ über eine HTTP-Schnittstelle).
- Sensorprotokolle werden über gespeichert Amazon Kinesis Data Firehose.
- Sensorprotokolle werden an gesendet AWS Lambda zum Abfragen des Modells, um Vorhersagen zu treffen.
- Lambda sendet Sensorprotokolle für Vorhersagen an die Sagemaker-Modellinferenz.
- Vorhersagen bleiben bestehen Amazonas-Aurora.
- Aggregierte Ergebnisse werden auf einem angezeigt Amazon QuickSight Instrumententafel.
- Es werden Echtzeitbenachrichtigungen über die prognostizierte Ausfallwahrscheinlichkeit gesendet Amazon Simple Notification Service (Amazon SNS).
- Amazon SNS sendet Benachrichtigungen zurück an das verbundene Fahrzeug.
Die Lösung besteht aus sechs Notebooks:
- 0_demo.ipynb – Eine kurze Vorschau unserer Lösung
- 1_introduction.ipynb – Einleitung und Lösungsübersicht
- 2_data_preparation.ipynb – Bereiten Sie einen Beispieldatensatz vor
- 3_data_visualization.ipynb – Visualisieren Sie unseren Beispieldatensatz
- 4_model_training.ipynb – Trainieren Sie ein Modell anhand unseres Beispieldatensatzes, um Fehler zu erkennen
- 5_results_analysis.ipynb – Analysieren Sie die Ergebnisse des von uns trainierten Modells
Voraussetzungen:
Amazon SageMaker-Studio ist die integrierte Entwicklungsumgebung (IDE) in SageMaker, die uns alle ML-Funktionen, die wir benötigen, auf einer einzigen Oberfläche bietet. Bevor wir SageMaker JumpStart ausführen können, müssen wir SageMaker Studio einrichten. Sie können diesen Schritt überspringen, wenn Sie bereits Ihre eigene Version von SageMaker Studio ausführen.
Bevor wir AWS-Dienste nutzen können, müssen wir zunächst sicherstellen, dass wir uns angemeldet und ein AWS-Konto erstellt haben. Dann erstellen wir einen administrativen Benutzer und eine Gruppe. Anweisungen zu beiden Schritten finden Sie unter Einrichten von Amazon SageMaker-Voraussetzungen.
Der nächste Schritt besteht darin, eine SageMaker-Domäne zu erstellen. Eine Domäne richtet den gesamten Speicher ein und ermöglicht Ihnen das Hinzufügen von Benutzern für den Zugriff auf SageMaker. Weitere Informationen finden Sie unter Integrieren in die Amazon SageMaker-Domäne. Diese Demo wird in der AWS-Region us-east-1 erstellt.
Abschließend starten Sie SageMaker Studio. Für diesen Beitrag empfehlen wir den Start einer Benutzerprofil-App. Anweisungen finden Sie unter Starten Sie Amazon SageMaker Studio.
Um diese SageMaker JumpStart-Lösung auszuführen und die Infrastruktur auf Ihrem AWS-Konto bereitzustellen, müssen Sie eine aktive SageMaker Studio-Instanz erstellen (siehe Onboard zu Amazon SageMaker Studio). Wenn Ihre Instanz bereit ist, befolgen Sie die Anweisungen unter SageMaker-JumpStart um die Lösung zu starten. Darin sind die Lösungsartefakte enthalten GitHub-Repository als Referenz.
Starten Sie die SageMaker Jumpstart-Lösung
Um mit der Lösung zu beginnen, führen Sie die folgenden Schritte aus:
- Wählen Sie auf der SageMaker Studio-Konsole Starthilfe.
- Auf dem Lösungen Tab, wählen Sie Vorausschauende Wartung für Fahrzeugflotten.
- Auswählen
Einführung.
Die Bereitstellung der Lösung dauert einige Minuten. - Nachdem die Lösung bereitgestellt wurde, wählen Sie „Notizbuch öffnen“.
Wenn Sie aufgefordert werden, einen Kernel auszuwählen, wählen Sie PyTorch 1.8 Python 3.6 für alle Notebooks in dieser Lösung.
Lösungsvorschau
Wir arbeiten zunächst an der 0_demo.ipynb
Notizbuch. In diesem Notizbuch erhalten Sie eine kurze Vorschau darauf, wie das Ergebnis aussehen wird, wenn Sie das vollständige Notizbuch für diese Lösung ausfüllen.
Auswählen Führen Sie und Führen Sie alle Zellen aus um alle Zellen in SageMaker Studio auszuführen (oder Zelle und Alle ausführen in einer SageMaker-Notebook-Instanz). Sie können alle Zellen in jedem Notebook nacheinander ausführen. Stellen Sie sicher, dass alle Zellen die Verarbeitung abgeschlossen haben, bevor Sie mit dem nächsten Notebook fortfahren.
Diese Lösung basiert auf einer Konfigurationsdatei zum Ausführen der bereitgestellten AWS-Ressourcen. Wir generieren die Datei wie folgt:
Wir verfügen über einige beispielhafte Zeitreihen-Eingabedaten, die aus der Batteriespannung und dem Batteriestrom eines Fahrzeugs im Zeitverlauf bestehen. Als nächstes laden und visualisieren wir die Beispieldaten. Wie in den folgenden Screenshots dargestellt, befinden sich die Spannungs- und Stromwerte auf der Y-Achse und die Messwerte (19 aufgezeichnete Messwerte) auf der X-Achse.
Wir haben zuvor anhand dieser Spannungs- und Stromdaten ein Modell trainiert, das die Wahrscheinlichkeit eines Fahrzeugausfalls vorhersagt, und das Modell als Endpunkt in SageMaker bereitgestellt. Wir werden diesen Endpunkt mit einigen Beispieldaten aufrufen, um die Wahrscheinlichkeit eines Ausfalls im nächsten Zeitraum zu bestimmen.
Anhand der Beispieleingabedaten beträgt die vorhergesagte Ausfallwahrscheinlichkeit 45.73%.
Um zur nächsten Stufe zu gelangen, wählen Sie Klicken Sie hier, um fortzufahren.
Einleitung und Lösungsübersicht
Das 1_introduction.ipynb
Das Notebook bietet einen Überblick über die Lösung und die Phasen sowie einen Einblick in die Konfigurationsdatei, die Inhaltsdefinition, Datenerfassungszeitraum, Anzahl der Trainings- und Testbeispiele, Parameter, Speicherort und Spaltennamen für generierte Inhalte enthält.
Nachdem Sie dieses Notizbuch durchgesehen haben, können Sie mit der nächsten Stufe fortfahren.
Bereiten Sie einen Beispieldatensatz vor
Wir bereiten einen Beispieldatensatz vor 2_data_preparation.ipynb
Notebook.
Wir generieren zunächst die Konfigurationsdatei für diese Lösung:
Die Konfigurationseigenschaften lauten wie folgt:
Sie können Ihren eigenen Datensatz definieren oder unsere Skripte verwenden, um einen Beispieldatensatz zu generieren:
Sie können die Sensordaten und Flottenfahrzeugdaten zusammenführen:
Wir können jetzt zur Datenvisualisierung übergehen.
Visualisieren Sie unseren Beispieldatensatz
Wir visualisieren unseren Beispieldatensatz in 3_data_vizualization.ipynb
. Diese Lösung basiert auf einer Konfigurationsdatei zum Ausführen der bereitgestellten AWS-Ressourcen. Lassen Sie uns die Datei ähnlich wie im vorherigen Notizbuch erstellen.
Der folgende Screenshot zeigt unseren Datensatz.
Als nächstes erstellen wir den Datensatz:
Nachdem der Datensatz nun fertig ist, visualisieren wir die Datenstatistiken. Der folgende Screenshot zeigt die Datenverteilung basierend auf Fahrzeugmarke, Motortyp, Fahrzeugklasse und Modell.
Schauen wir uns beim Vergleich der Protokolldaten ein Beispiel für die durchschnittliche Spannung über verschiedene Jahre hinweg für Fabrikat E und C an (zufällig).
Der Mittelwert von Spannung und Strom ist auf der Y-Achse und die Anzahl der Messwerte ist auf der X-Achse.
- Mögliche Werte für log_target: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- Zufällig zugewiesener Wert für
log_target: make
- Zufällig zugewiesener Wert für
- Mögliche Werte für log_target_value1: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Zufällig zugewiesener Wert für
log_target_value1: Make B
- Zufällig zugewiesener Wert für
- Mögliche Werte für log_target_value2: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Zufällig zugewiesener Wert für
log_target_value2: Make D
- Zufällig zugewiesener Wert für
Basierend auf dem oben Gesagten gehen wir davon aus log_target: make
, log_target_value1: Make B
und log_target_value2: Make D
In den folgenden Diagrammen wird der Mittelwert der Protokolldaten aufgeschlüsselt.
Die folgenden Diagramme veranschaulichen ein Beispiel verschiedener Sensorprotokollwerte in Abhängigkeit von Spannung und Strom.
Trainieren Sie ein Modell anhand unseres Beispieldatensatzes, um Fehler zu erkennen
Im 4_model_training.ipynb
Notebook trainieren wir ein Modell anhand unseres Beispieldatensatzes, um Fehler zu erkennen.
Lassen Sie uns die Konfigurationsdatei ähnlich wie im vorherigen Notizbuch erstellen und dann mit der Trainingskonfiguration fortfahren:
Analysieren Sie die Ergebnisse des von uns trainierten Modells
Im 5_results_analysis.ipynb
Notebook erhalten wir Daten aus unserem Hyperparameter-Tuning-Job, visualisieren Metriken aller Jobs, um den besten Job zu identifizieren, und erstellen einen Endpunkt für den besten Trainingsjob.
Lassen Sie uns die Konfigurationsdatei ähnlich wie im vorherigen Notizbuch erstellen und die Metriken aller Jobs visualisieren. Das folgende Diagramm veranschaulicht die Testgenauigkeit im Vergleich zur Epoche.
Der folgende Screenshot zeigt die von uns ausgeführten Hyperparameter-Tuning-Jobs.
Sie können jetzt Daten vom besten Trainingsjob (von den vier Trainingsjobs) basierend auf der Testgenauigkeit (rot) visualisieren.
Wie wir in den folgenden Screenshots sehen können, nimmt der Testverlust ab und AUC und Genauigkeit nehmen mit den Epochen zu.
Basierend auf den Visualisierungen können wir nun einen Endpunkt für den besten Trainingsjob erstellen:
Nachdem wir den Endpunkt erstellt haben, können wir den Prädiktor testen, indem wir ihm Beispielsensorprotokolle übergeben:
Anhand der Beispieleingabedaten beträgt die vorhergesagte Ausfallwahrscheinlichkeit 34.60%.
Aufräumen
Wenn Sie mit dieser Lösung fertig sind, stellen Sie sicher, dass Sie alle unerwünschten AWS-Ressourcen löschen. Auf der Vorausschauende Wartung für Fahrzeugflotten Seite unter Lösung löschen, wählen Löschen Sie alle Ressourcen um alle mit der Lösung verknüpften Ressourcen zu löschen.
Sie müssen alle zusätzlichen Ressourcen, die Sie möglicherweise in diesem Notizbuch erstellt haben, manuell löschen. Einige Beispiele umfassen die zusätzlichen S3-Buckets (zum Standard-Bucket der Lösung) und die zusätzlichen SageMaker-Endpunkte (unter Verwendung eines benutzerdefinierten Namens).
Passen Sie die Lösung an
Unsere Lösung ist einfach anzupassen. Informationen zum Ändern der Eingabedatenvisualisierungen finden Sie unter sagemaker/3_data_visualization.ipynb. Informationen zum Anpassen des maschinellen Lernens finden Sie unter sagemaker/source/train.py und sagemaker/source/dl_utils/network.py. Informationen zum Anpassen der Datensatzverarbeitung finden Sie unter sagemaker/1_introduction.ipynb Informationen zum Definieren der Konfigurationsdatei.
Darüber hinaus können Sie die Konfiguration in der Konfigurationsdatei ändern. Die Standardkonfiguration ist wie folgt:
Die Konfigurationsdatei hat die folgenden Parameter:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
undtest_dataset_fn
Definieren Sie den Speicherort der Datensatzdateienvehicle_id_column
,timestamp_column
,target_column
undperiod_column
Definieren Sie die Überschriften für Spaltendataset_size
,chunksize
,processing_chunksize
,period_ms
undwindow_length
Definieren Sie die Eigenschaften des Datensatzes
Zusammenfassung
In diesem Beitrag haben wir Ihnen gezeigt, wie Sie mit SageMaker JumpStart ein Modell trainieren und einsetzen, um die Ausfallwahrscheinlichkeit einer Fahrzeugflotte vorherzusagen. Die Lösung basiert auf ML- und Deep-Learning-Modellen und ermöglicht eine Vielzahl von Eingabedaten, einschließlich beliebiger zeitlich veränderlicher Sensordaten. Da jedes Fahrzeug über unterschiedliche Telemetriedaten verfügt, können Sie das bereitgestellte Modell genau an die Häufigkeit und Art der Daten anpassen, über die Sie verfügen.
Weitere Informationen zu den Möglichkeiten von SageMaker JumpStart finden Sie hier:
Downloads
Über die Autoren
Rajakumar Sampathkumar ist Principal Technical Account Manager bei AWS, berät Kunden bei der Ausrichtung von Unternehmen und Technologien und unterstützt die Neuerfindung ihrer Cloud-Betriebsmodelle und -prozesse. Er interessiert sich leidenschaftlich für Cloud und maschinelles Lernen. Raj ist auch ein Spezialist für maschinelles Lernen und arbeitet mit AWS-Kunden zusammen, um ihre AWS-Workloads und -Architekturen zu entwerfen, bereitzustellen und zu verwalten.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Automobil / Elektrofahrzeuge, Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- BlockOffsets. Modernisierung des Eigentums an Umweltkompensationen. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :hast
- :Ist
- ][P
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- Über Uns
- oben
- Zugang
- Nach
- Konto
- Genauigkeit
- über
- aktiv
- Aktivitäten
- hinzufügen
- administrativ
- Nach der
- gegen
- Ausrichtung
- Alle
- erlaubt
- bereits
- ebenfalls
- Amazon
- Amazon Sage Maker
- Amazon SageMaker-JumpStart
- Amazon Web Services
- an
- analysieren
- und
- jedem
- App
- Bewerben
- SIND
- Bereiche
- AS
- zugewiesen
- damit verbundenen
- annehmen
- At
- Automobilindustrie
- verfügbar
- vermeiden
- AWS
- Achse
- Zurück
- basierend
- austauschbare Akkus
- weil
- Bevor
- BESTE
- Blockieren
- Körper
- Auftrieb
- beide
- Break
- bauen
- Building
- by
- rufen Sie uns an!
- CAN
- Kann bekommen
- Häuser
- Fälle
- Die Zellen
- Übernehmen
- Auswählen
- Klasse
- Auftraggeber
- Cloud
- Kolonne
- gemeinsam
- abschließen
- Komponenten
- konzept
- Konfiguration
- Sie
- Bestehend
- besteht
- Konsul (Console)
- enthält
- Inhalt
- Kosten
- könnte
- Abdeckung
- erstellen
- erstellt
- kritischem
- Strom
- Original
- Kunden
- anpassen
- Armaturenbrett
- technische Daten
- Datenaufbereitung
- Datenvisualisierung
- Rückgänge
- tief
- tiefe Lernen
- Standard
- Definition
- Demo
- zeigt
- einsetzen
- Einsatz
- Design
- Bestimmen
- Entwicklung
- anders
- angezeigt
- Störung
- Verteilung
- do
- Domain
- nach unten
- Ausfallzeit
- Antrieb
- e
- jeder
- sonst
- End-to-End
- Endpunkt
- Motor
- gewährleisten
- Arbeitsumfeld
- Epoche
- Epochen
- Jedes
- Beispiel
- Beispiele
- ERKUNDEN
- extra
- Extrakt
- Scheitern
- falsch
- Eigenschaften
- wenige
- Reichen Sie das
- Fertig
- Vorname
- FLOTTE
- Folgende
- folgt
- Aussichten für
- vier
- Frequenz
- für
- voller
- Funktionalität
- erzeugen
- erzeugt
- Generator
- bekommen
- gegeben
- Glas
- GPU
- Graphen
- Gruppe an
- die Vermittlung von Kompetenzen,
- Haben
- he
- Überschriften
- Hilfe
- hier
- historisch
- Ultraschall
- Hilfe
- HTML
- http
- HTTPS
- Nabe
- Hyperparameteroptimierung
- Hyperparameter-Tuning
- i
- identifizieren
- if
- importieren
- zu unterstützen,
- in
- das
- inklusive
- Dazu gehören
- Einschließlich
- Erhöhung
- Branchen
- Information
- Infrastruktur
- Anfangs-
- initiieren
- Varianten des Eingangssignals:
- Instanz
- Anleitung
- integriert
- Schnittstelle
- in
- Einleitung
- iot
- IT
- Job
- Jobs
- jpg
- JSON
- Tasten
- Landung
- starten
- Start
- LERNEN
- lernen
- Cholesterinspiegel
- Gefällt mir
- Belastung
- aus einer regionalen
- Standorte
- Log
- aussehen
- aussehen wie
- Verlust
- Maschine
- Maschinelles Lernen
- Wartung
- um
- verwalten
- Management
- Manager
- manuell
- viele
- Maximieren
- Kann..
- bedeuten
- mechanisch
- Merge
- Metrik
- Minuten
- ML
- Modell
- für
- ändern
- mehr
- schlauer bewegen
- ziehen um
- Name
- Namen
- Need
- weiter
- Notizbuch
- Benachrichtigung
- Benachrichtigungen
- jetzt an
- Anzahl
- of
- angeboten
- on
- EINEM
- einzige
- XNUMXh geöffnet
- Betrieb
- Einkauf & Prozesse
- Optimierung
- Optimieren
- or
- OS
- Andere
- UNSERE
- Ergebnis
- skizzierte
- übrig
- Überblick
- besitzen
- Seite
- Brot
- Parameter
- Teil
- Bestehen
- leidenschaftlich
- Weg
- Zeit
- Plato
- Datenintelligenz von Plato
- PlatoData
- Bitte
- Post
- vorhersagen
- vorhergesagt
- Vorhersage
- Prognosen
- Predictor
- sagt voraus,
- Vorbereitung
- Danach
- Vorspann
- früher
- vorher
- Principal
- Aufgabenstellung:
- Prozessdefinierung
- anpassen
- Verarbeitung
- PRODUKTIVITÄT
- Profil
- Beweis
- Proof of Concept
- immobilien
- vorausgesetzt
- bietet
- Bereitstellung
- öffentlich
- Python
- Pytorch
- Direkt
- zufällig
- Angebot
- bereit
- empfehlen
- Rekord
- aufgezeichnet
- Rot
- Veteran
- Region
- Knorpel zu reparieren,
- Downloads
- Antwort
- Die Ergebnisse
- Rückkehr
- Überprüfen
- Rollen
- Führen Sie
- Laufen
- Sicherheit
- sagemaker
- Beispieldatensatz
- Planung
- Screenshots
- Skripte
- Abschnitt
- sehen
- sendet
- geschickt
- Modellreihe
- dient
- Lösungen
- Sitzung
- kompensieren
- Sets
- mehrere
- Short
- erklären
- zeigte
- gezeigt
- Konzerte
- unterzeichnet
- ähnlich
- Einfacher
- Single
- SIX
- Lösung
- Lösungen
- einige
- Quelle
- Spezialist
- spezifisch
- Stufe
- Stufen
- begonnen
- Statistiken
- Schritt
- Shritte
- Lagerung
- speichern
- Studio Adressen
- Folge
- Unterstützung
- sicher
- synthetisch
- System
- nimmt
- Technische
- Techniken
- Vorlage
- Vorlagen
- Test
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- ihr
- dann
- Ding
- fehlen uns die Worte.
- Zeit
- Zeitfolgen
- Zeitstempel
- zu
- gemeinsam
- Training
- trainiert
- Ausbildung
- versuchen
- tippe
- Typen
- für
- unerwünscht
- us
- -
- Anwendungsfall
- benutzt
- Mitglied
- Nutzer
- Verwendung von
- Wert
- Werte
- Vielfalt
- Fahrzeug
- Version
- Visualisierung
- Volt
- Stromspannung
- vs
- W
- we
- Netz
- Web-Services
- Was
- wann
- welche
- breit
- Große Auswahl
- werden wir
- mit
- .
- Arbeiten
- Arbeitsablauf.
- Werk
- X
- YAML
- Jahr
- Du
- Ihr
- Zephyrnet