El mantenimiento predictivo es fundamental en las industrias automotrices porque puede evitar fallas mecánicas repentinas y actividades de mantenimiento reactivo que interrumpen las operaciones. Al predecir las fallas de los vehículos y programar el mantenimiento y las reparaciones, reducirá el tiempo de inactividad, mejorará la seguridad y aumentará los niveles de productividad.
¿Qué pasaría si pudiéramos aplicar técnicas de aprendizaje profundo a áreas comunes que provocan fallas en los vehículos, tiempo de inactividad no planificado y costos de reparación?
En esta publicación, le mostramos cómo entrenar e implementar un modelo para predecir la probabilidad de falla de la flota de vehículos usando JumpStart de Amazon SageMaker. SageMaker Jumpstart es el centro de aprendizaje automático (ML) de Amazon SageMaker, que proporciona modelos previamente capacitados y disponibles públicamente para una amplia gama de tipos de problemas para ayudarlo a comenzar con ML. La solución descrita en la publicación está disponible en GitHub.
Plantillas de solución SageMaker JumpStart
SageMaker JumpStart proporciona soluciones integrales con un solo clic para muchos casos de uso comunes de ML. Explore los siguientes casos de uso para obtener más información sobre las plantillas de solución disponibles:
Las plantillas de solución SageMaker JumpStart cubren una variedad de casos de uso, en cada uno de los cuales se ofrecen varias plantillas de solución diferentes (la solución en esta publicación, Mantenimiento Predictivo para Flotas de Vehículos, está en el Soluciones sección). Elija la plantilla de solución que mejor se adapte a su caso de uso desde la página de destino de SageMaker JumpStart. Para obtener más información sobre soluciones específicas en cada caso de uso y cómo iniciar una solución SageMaker JumpStart, consulte Plantillas de solución.
Resumen de la solución
La solución de mantenimiento predictivo de AWS para flotas automotrices aplica técnicas de aprendizaje profundo a áreas comunes que provocan fallas en los vehículos, tiempo de inactividad no planificado y costos de reparación. Sirve como un bloque de construcción inicial para que pueda llegar a una prueba de concepto en un corto período de tiempo. Esta solución contiene la funcionalidad de visualización y preparación de datos dentro de SageMaker y le permite entrenar y optimizar los hiperparámetros de los modelos de aprendizaje profundo para su conjunto de datos. Puede usar sus propios datos o probar la solución con un conjunto de datos sintético como parte de esta solución. Esta versión procesa los datos de los sensores del vehículo a lo largo del tiempo. Una versión posterior procesará los datos del registro de mantenimiento.
El siguiente diagrama demuestra cómo puede usar esta solución con los componentes de SageMaker. Como parte de la solución, se utilizan los siguientes servicios:
- Amazon S3 - Usamos Servicio de almacenamiento simple de Amazon (Amazon S3) para almacenar conjuntos de datos
- Cuaderno SageMaker – Usamos un cuaderno para preprocesar y visualizar los datos, y para entrenar el modelo de aprendizaje profundo
- Punto final de SageMaker – Usamos el punto final para implementar el modelo entrenado
El flujo de trabajo incluye los siguientes pasos:
- Se crea un extracto de datos históricos a partir del Sistema de gestión de flotas que contiene datos del vehículo y registros de sensores.
- Una vez que se entrena el modelo de ML, se implementa el artefacto del modelo de SageMaker.
- El vehículo conectado envía registros de sensores a Núcleo de AWS IoT (alternativamente, a través de una interfaz HTTP).
- Los registros del sensor se conservan mediante Manguera de bomberos de datos de Amazon Kinesis.
- Los registros del sensor se envían a AWS Lambda para consultar contra el modelo para hacer predicciones.
- Lambda envía registros de sensores a la inferencia de modelos de Sagemaker para realizar predicciones.
- Las predicciones se mantienen en Aurora amazónica.
- Los resultados agregados se muestran en una Amazon QuickSight .
- Las notificaciones en tiempo real sobre la probabilidad prevista de falla se envían a Servicio de notificación simple de Amazon (red social de Amazon).
- Amazon SNS envía notificaciones al vehículo conectado.
La solución consta de seis cuadernos:
- 0_demo.ipynb – Una vista previa rápida de nuestra solución
- 1_introducción.ipynb – Introducción y resumen de la solución
- 2_preparación_de_datos.ipynb – Preparar un conjunto de datos de muestra
- 3_visualización_datos.ipynb – Visualizar nuestro conjunto de datos de muestra
- 4_model_training.ipynb – Entrene un modelo en nuestro conjunto de datos de muestra para detectar fallas
- 5_resultados_analisis.ipynb – Analizar los resultados del modelo que entrenamos
Requisitos previos
Estudio Amazon SageMaker es el entorno de desarrollo integrado (IDE) dentro de SageMaker que nos brinda todas las características de ML que necesitamos en un solo panel de vidrio. Antes de que podamos ejecutar SageMaker JumpStart, debemos configurar SageMaker Studio. Puede omitir este paso si ya tiene su propia versión de SageMaker Studio ejecutándose.
Lo primero que debemos hacer antes de poder usar cualquier servicio de AWS es asegurarnos de que nos hayamos registrado y creado una cuenta de AWS. Luego creamos un usuario administrativo y un grupo. Para obtener instrucciones sobre ambos pasos, consulte Configurar los requisitos previos de Amazon SageMaker.
El siguiente paso es crear un dominio de SageMaker. Un dominio configura todo el almacenamiento y le permite agregar usuarios para acceder a SageMaker. Para obtener más información, consulte Incorporación al dominio de Amazon SageMaker. Esta demostración se crea en la región de AWS us-east-1.
Finalmente, inicia SageMaker Studio. Para esta publicación, recomendamos iniciar una aplicación de perfil de usuario. Para obtener instrucciones, consulte Inicie Amazon SageMaker Studio.
Para ejecutar esta solución SageMaker JumpStart y tener la infraestructura implementada en su cuenta de AWS, debe crear una instancia activa de SageMaker Studio (consulte Incorporado a Amazon SageMaker Studio). Cuando su instancia esté lista, use las instrucciones en Inicio rápido de SageMaker para lanzar la solución. Los artefactos de solución están incluidos en este Repositorio GitHub para referencia.
Inicie la solución SageMaker Jumpstart
Para comenzar con la solución, complete los siguientes pasos:
- En la consola de SageMaker Studio, elija Buen inicio.
- En Soluciones pestaña, elegir Mantenimiento Predictivo para Flotas de Vehículos.
- Elige Más información.
Se tarda unos minutos en implementar la solución. - Una vez implementada la solución, elija Open Notebook.
Si se le solicita que seleccione un kernel, elija PyTorch 1.8 Python 3.6 para todos los portátiles de esta solución.
Vista previa de la solución
Primero trabajamos en el 0_demo.ipynb
computadora portátil. En este cuaderno, puede obtener una vista previa rápida de cómo se verá el resultado cuando complete el cuaderno completo para esta solución.
Elige Ejecutar y Ejecutar todas las celdas para ejecutar todas las celdas en SageMaker Studio (o Celular y Ejecutar todo en una instancia de cuaderno de SageMaker). Puede ejecutar todas las celdas de cada cuaderno una tras otra. Asegúrese de que todas las celdas terminen de procesarse antes de pasar al siguiente cuaderno.
Esta solución se basa en un archivo de configuración para ejecutar los recursos de AWS aprovisionados. Generamos el archivo de la siguiente manera:
Tenemos algunos datos de entrada de series de tiempo de muestra que consisten en el voltaje de la batería de un vehículo y la corriente de la batería a lo largo del tiempo. A continuación, cargamos y visualizamos los datos de muestra. Como se muestra en las siguientes capturas de pantalla, los valores de voltaje y corriente están en el eje Y y las lecturas (19 lecturas registradas) están en el eje X.
Hemos entrenado previamente un modelo con estos datos de voltaje y corriente que predice la probabilidad de falla del vehículo y hemos implementado el modelo como punto final en SageMaker. Llamaremos a este punto final con algunos datos de muestra para determinar la probabilidad de falla en el próximo período de tiempo.
Dados los datos de entrada de la muestra, la probabilidad de falla pronosticada es 45.73%.
Para pasar a la siguiente etapa, elija Haga clic aquí para continuar.
Introducción y descripción general de la solución
La 1_introduction.ipynb
notebook proporciona una descripción general de la solución y las etapas, y un vistazo al archivo de configuración que tiene la definición de contenido, el período de muestreo de datos, el conteo de muestras de prueba y entrenamiento, los parámetros, la ubicación y los nombres de columna para el contenido generado.
Después de revisar este cuaderno, puede pasar a la siguiente etapa.
Preparar un conjunto de datos de muestra
Preparamos un conjunto de datos de muestra en el 2_data_preparation.ipynb
cuaderno.
Primero generamos el archivo de configuración para esta solución:
Las propiedades de configuración son las siguientes:
Puede definir su propio conjunto de datos o usar nuestros scripts para generar un conjunto de datos de muestra:
Puede combinar los datos del sensor y los datos del vehículo de la flota:
Ahora podemos pasar a la visualización de datos.
Visualice nuestro conjunto de datos de muestra
Visualizamos nuestro conjunto de datos de muestra en 3_data_vizualization.ipynb
. Esta solución se basa en un archivo de configuración para ejecutar los recursos de AWS aprovisionados. Generemos el archivo similar al cuaderno anterior.
La siguiente captura de pantalla muestra nuestro conjunto de datos.
A continuación, construyamos el conjunto de datos:
Ahora que el conjunto de datos está listo, visualicemos las estadísticas de datos. La siguiente captura de pantalla muestra la distribución de datos según la marca del vehículo, el tipo de motor, la clase de vehículo y el modelo.
Comparando los datos de registro, veamos un ejemplo del voltaje medio en diferentes años para Marca E y C (aleatorio).
La media de voltaje y corriente está en el eje Y y el número de lecturas está en el eje X.
- Valores posibles para log_target: ['marca', 'modelo', 'año', 'clase_vehículo', 'tipo_motor']
- Valor asignado aleatoriamente para
log_target: make
- Valor asignado aleatoriamente para
- Valores posibles para log_target_value1: ['Hacer A', 'Hacer B', 'Hacer E', 'Hacer C', 'Hacer D']
- Valor asignado aleatoriamente para
log_target_value1: Make B
- Valor asignado aleatoriamente para
- Valores posibles para log_target_value2: ['Hacer A', 'Hacer B', 'Hacer E', 'Hacer C', 'Hacer D']
- Valor asignado aleatoriamente para
log_target_value2: Make D
- Valor asignado aleatoriamente para
Con base en lo anterior, suponemos log_target: make
, log_target_value1: Make B
y log_target_value2: Make D
Los siguientes gráficos desglosan la media de los datos de registro.
Los siguientes gráficos visualizan un ejemplo de diferentes valores de registro del sensor contra voltaje y corriente.
Entrene un modelo en nuestro conjunto de datos de muestra para detectar fallas
En 4_model_training.ipynb
notebook, entrenamos un modelo en nuestro conjunto de datos de muestra para detectar fallas.
Generemos el archivo de configuración similar al cuaderno anterior y luego procedamos con la configuración de entrenamiento:
Analizar los resultados del modelo que entrenamos
En 5_results_analysis.ipynb
notebook, obtenemos datos de nuestro trabajo de ajuste de hiperparámetros, visualizamos métricas de todos los trabajos para identificar el mejor trabajo y creamos un punto final para el mejor trabajo de entrenamiento.
Generemos el archivo de configuración similar al cuaderno anterior y visualicemos las métricas de todos los trabajos. La siguiente gráfica visualiza la precisión de la prueba frente a la época.
La siguiente captura de pantalla muestra los trabajos de ajuste de hiperparámetros que ejecutamos.
Ahora puede visualizar los datos del mejor trabajo de entrenamiento (de los cuatro trabajos de entrenamiento) en función de la precisión de la prueba (rojo).
Como podemos ver en las siguientes capturas de pantalla, la pérdida de prueba disminuye y el AUC y la precisión aumentan con las épocas.
Basándonos en las visualizaciones, ahora podemos construir un punto final para el mejor trabajo de entrenamiento:
Después de construir el punto final, podemos probar el predictor pasándole registros de sensor de muestra:
Dados los datos de entrada de la muestra, la probabilidad de falla pronosticada es 34.60%.
Limpiar
Cuando haya terminado con esta solución, asegúrese de eliminar todos los recursos de AWS no deseados. Sobre el Mantenimiento Predictivo para Flotas de Vehículos página, debajo Eliminar solución, escoger Eliminar todos los recursos para eliminar todos los recursos asociados con la solución.
Debe eliminar manualmente cualquier recurso adicional que haya creado en este bloc de notas. Algunos ejemplos incluyen los depósitos S3 adicionales (al depósito predeterminado de la solución) y los puntos finales de SageMaker adicionales (con un nombre personalizado).
Personaliza la solución
Nuestra solución es fácil de personalizar. Para modificar las visualizaciones de datos de entrada, consulte sagemaker/3_data_visualization.ipynb. Para personalizar el aprendizaje automático, consulte sagemaker/fuente/tren.py y sagemaker/fuente/dl_utils/network.py. Para personalizar el procesamiento del conjunto de datos, consulte sagemaker/1_introducción.ipynb sobre cómo definir el archivo de configuración.
Además, puede cambiar la configuración en el archivo de configuración. La configuración por defecto es la siguiente:
El archivo de configuración tiene los siguientes parámetros:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
ytest_dataset_fn
definir la ubicación de los archivos del conjunto de datosvehicle_id_column
,timestamp_column
,target_column
yperiod_column
definir los encabezados de las columnasdataset_size
,chunksize
,processing_chunksize
,period_ms
ywindow_length
definir las propiedades del conjunto de datos
Conclusión
En esta publicación, le mostramos cómo entrenar e implementar un modelo para predecir la probabilidad de falla de la flota de vehículos usando SageMaker JumpStart. La solución se basa en ML y modelos de aprendizaje profundo y permite una amplia variedad de datos de entrada, incluidos los datos de sensores que varían en el tiempo. Debido a que cada vehículo tiene una telemetría diferente, puede ajustar el modelo proporcionado a la frecuencia y el tipo de datos que tiene.
Para obtener más información sobre lo que puede hacer con SageMaker JumpStart, consulte lo siguiente:
Recursos
Acerca de los autores
Rajakumar Sampathkumar es Gerente Técnico Principal de Cuentas en AWS, brinda orientación a los clientes sobre la alineación de la tecnología comercial y apoya la reinvención de sus modelos y procesos de operación en la nube. Le apasiona la nube y el aprendizaje automático. Raj también es especialista en aprendizaje automático y trabaja con clientes de AWS para diseñar, implementar y administrar sus cargas de trabajo y arquitecturas de AWS.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Automoción / vehículos eléctricos, Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- Desplazamientos de bloque. Modernización de la propiedad de compensaciones ambientales. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :posee
- :es
- ][pag
- $ UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- Nuestra Empresa
- arriba
- de la máquina
- Conforme
- Mi Cuenta
- la exactitud
- a través de
- lector activo
- actividades
- add
- administrativo
- Después
- en contra
- alineación
- Todos
- permite
- ya haya utilizado
- también
- Amazon
- Amazon SageMaker
- JumpStart de Amazon SageMaker
- Amazon Web Services
- an
- analizar
- y
- cualquier
- applicación
- Aplicá
- somos
- áreas
- AS
- asigna
- asociado
- asumir
- At
- automotor
- Hoy Disponibles
- evitar
- AWS
- Eje
- Atrás
- basado
- agresión con lesiones
- porque
- antes
- MEJOR
- Bloquear
- cuerpo
- empujón
- ambas
- Descanso
- build
- Construir la
- by
- llamar al
- PUEDEN
- Puede conseguir
- case
- cases
- Células
- el cambio
- Elige
- clase
- cliente
- Soluciones
- Columna
- Algunos
- completar
- componentes
- concepto
- Configuración
- conectado
- Que consiste
- consiste
- Consola
- contiene
- contenido
- Precio
- podría
- Protectora
- Para crear
- creado
- crítico
- Current
- personalizado
- Clientes
- personalizan
- página de información de sus operaciones
- datos
- Preparación de datos
- Visualización de datos
- Las disminuciones
- profundo
- deep learning
- Predeterminado
- definición
- manifestación
- demuestra
- desplegar
- desplegado
- Diseño
- Determinar
- Desarrollo
- una experiencia diferente
- aquí
- Interrumpir
- do
- dominio
- DE INSCRIPCIÓN
- el tiempo de inactividad
- el lado de la transmisión
- e
- cada una
- más
- de extremo a extremo
- Punto final
- Motor
- garantizar
- Entorno
- época
- épocas
- Cada
- ejemplo
- ejemplos
- explorar
- extra
- extraerlos
- Fracaso
- false
- Caracteristicas
- pocos
- Archive
- acabado
- Nombre
- FLOTA
- siguiendo
- siguiente
- Digital XNUMXk
- Frecuencia
- Desde
- ser completados
- a la fatiga
- generar
- generado
- generador
- obtener
- dado
- vaso
- GPU
- gráficos
- Grupo procesos
- guía
- Tienen
- he
- cabeceras
- ayuda
- esta página
- histórico
- Cómo
- Como Hacer
- HTML
- http
- HTTPS
- Bujes
- Optimización de hiperparámetros
- Ajuste de hiperparámetros
- i
- Identifique
- if
- importar
- mejorar
- in
- incluir
- incluido
- incluye
- Incluye
- aumente
- industrias
- información
- EN LA MINA
- inicial
- iniciar
- Las opciones de entrada
- ejemplo
- Instrucciones
- COMPLETAMENTE
- Interfaz
- dentro
- Introducción
- IOT
- IT
- Trabajos
- Empleo
- jpg
- json
- claves
- aterrizaje
- lanzamiento
- lanzamiento
- APRENDE:
- aprendizaje
- como
- carga
- local
- Ubicación
- log
- Mira
- parece
- de
- máquina
- máquina de aprendizaje
- un mejor mantenimiento.
- para lograr
- gestionan
- Management
- gerente
- a mano
- muchos
- Maximizar
- Puede..
- personalizado
- mecánico
- ir
- Métrica
- Min
- ML
- modelo
- modelos
- modificar
- más,
- movimiento
- emocionante
- nombre
- nombres
- ¿ Necesita ayuda
- Next
- cuaderno
- .
- notificaciones
- ahora
- número
- of
- Ofrecido
- on
- ONE
- , solamente
- habiertos
- Inteligente
- Operaciones
- optimización
- Optimización
- or
- OS
- Otro
- "nuestr
- salir
- Resultado
- esbozado
- Más de
- visión de conjunto
- EL DESARROLLADOR
- página
- cristal
- parámetros
- parte
- Pasando (Paso)
- apasionado
- camino
- período
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- Por favor
- Publicación
- predecir
- previsto
- predecir
- Predicciones
- Predictor
- Predice
- preparación
- Preparar
- Vista previa
- anterior
- previamente
- Director de la escuela
- Problema
- en costes
- tratamiento
- productividad
- Mi Perfil
- prueba
- prueba de concepto
- propiedades
- previsto
- proporciona un
- proporcionando
- en público
- Python
- piñón
- Búsqueda
- azar
- distancia
- ready
- recomiendan
- grabar
- grabado
- Rojo
- reducir
- región
- reparación
- Recursos
- respuesta
- Resultados
- volvemos
- una estrategia SEO para aparecer en las búsquedas de Google.
- Función
- Ejecutar
- correr
- Safety
- sabio
- Conjunto de datos de muestra
- programación
- capturas de pantalla
- guiones
- Sección
- ver
- envía
- expedido
- Serie
- sirve
- Servicios
- Sesión
- set
- Sets
- Varios
- En Corto
- Mostrar
- mostró
- mostrado
- Shows
- firmado
- similares
- sencillos
- soltero
- SEIS
- a medida
- Soluciones
- algo
- Fuente
- especialista
- soluciones y
- Etapa
- etapas
- fundó
- statistics
- paso
- pasos
- STORAGE
- tienda
- estudio
- posterior
- Apoyar
- seguro
- sintético
- te
- toma
- Técnico
- técnicas
- plantilla
- plantillas
- test
- esa
- La
- su
- luego
- cosa
- así
- equipo
- Series de tiempo
- fecha y hora
- a
- juntos
- Entrenar
- entrenado
- Formación
- try
- tipo
- tipos
- bajo
- no deseado
- us
- utilizan el
- caso de uso
- usado
- Usuario
- usuarios
- usando
- propuesta de
- Valores
- variedad
- vehículo
- versión
- vía
- visualización
- Volt
- Tensión
- vs
- W
- we
- web
- servicios web
- ¿
- cuando
- que
- amplio
- Amplia gama
- seguirá
- dentro de
- Actividades:
- flujo de trabajo
- funciona
- X
- yaml
- años
- Usted
- tú
- zephyrnet