Tavaliste masinarikke tüüpide ennustamine on töötlevas tööstuses kriitilise tähtsusega. Arvestades toote omaduste komplekti, mis on seotud teatud tüüpi rikkega, saate välja töötada mudeli, mis suudab ennustada tõrke tüüpi, kui sisestate need atribuudid masinõppe (ML) mudelisse. ML võib aidata saada teadmisi, kuid siiani vajasite ML-eksperte, et koostada mudeleid, mis ennustaksid masina rikketüüpe, mille puudumine võib viivitada parandusmeetmetega, mida ettevõtted vajavad tõhususe või täiustamise saavutamiseks.
Selles postituses näitame teile, kuidas ärianalüütikud saavad luua masina rikketüübi prognoosimise ML-mudeli Amazon SageMakeri lõuend. Canvas pakub visuaalset point-and-click liidest, mis võimaldab teil iseseisvalt luua mudeleid ja luua täpseid ML-ennustusi – ilma ML-i kogemust nõudmata või ühtki koodirida kirjutamata.
Lahenduse ülevaade
Oletame, et olete ärianalüütik, kes on määratud suure tootmisorganisatsiooni hooldusmeeskonda. Teie hooldusmeeskond on palunud teil abi tavaliste rikete ennustamisel. Nad on andnud teile ajaloolise andmestiku, mis sisaldab teatud tüüpi rikkega seotud omadusi, ja soovivad, et te ennustaksite, milline rike tulevikus ilmneb. Rikete tüübid hõlmavad tõrgeteta, ülepinge ja toitekatkesi. Andmeskeem on loetletud järgmises tabelis.
Veeru nimi | Andmetüüp | Kirjeldus |
UID | INT | Unikaalne identifikaator vahemikus 1–10,000 XNUMX |
toote ID | STRING | Koosneb tähest – L, M või H madala, keskmise või kõrge – tootekvaliteedi variantidena ja variandipõhisest seerianumbrist |
tüüp | STRING | Toote ID-ga seotud algustäht, mis koosneb ainult tähest L, M või H |
õhutemperatuur [K] | Kümnendik | Õhutemperatuur määratud kelvinites |
protsessi temperatuur [K] | Kümnendik | Täpselt kontrollitud temperatuurid, et tagada teatud tüüpi toote kvaliteet, mis on määratud kelvinites |
pöörlemiskiirus [rpm] | Kümnendik | Ümber telje pöörleva objekti pöörlemiskiirus on objekti pöörete arv jagatud ajaga, mis on määratud pöörete arvuna minutis |
pöördemoment [Nm] | Kümnendik | Masina pöördejõud läbi raadiuse, väljendatud njuutonmeetrites |
tööriista kulumine [min] | INT | Tööriista kulumine minutites |
rikke tüüp (sihtmärk) | STRING | Puudub rike, voolukatkestus või ülepinge rike |
Pärast rikketüübi tuvastamist saavad ettevõtted võtta parandusmeetmeid. Selleks kasutate CSV-failis olevaid andmeid, mis sisaldavad toote teatud omadusi, nagu on kirjeldatud tabelis. Kasutate Canvast järgmiste toimingute tegemiseks.
- Importige hooldusandmekogum.
- Treenige ja koostage ennustav masinahooldusmudel.
- Analüüsige mudeli tulemusi.
- Testige ennustusi mudeliga.
Eeldused
Pilveadministraator koos an AWS-i konto järgmiste eeltingimuste täitmiseks on vajalik asjakohaste lubadega:
- Juurutage an Amazon SageMaker domeen Juhiste saamiseks vt Sisseehitatud Amazon SageMakeri domeeniga.
- Käivitage Canvas. Juhiseid vt Amazon SageMaker Canvase seadistamine ja haldamine (IT-administraatoritele).
- Konfigureerige lõuendi jaoks päritoluülese ressursside jagamise (CORS) poliitikad. Juhiseid vt Andke oma kasutajatele võimalus kohalikke faile üles laadida.
Importige andmestik
Esiteks laadige alla hooldusandmete kogum ja vaadake fail üle, veendumaks, et kõik andmed on seal.
Canvas pakub teie rakenduses alustamiseks mitmeid näidisandmekogumeid. Lisateavet SageMakeri pakutavate näidisandmekomplektide kohta, millega saate katsetada, vaadake Kasutage näidisandmekogumeid. Kui kasutate näidisandmestikku (canvas-sample-maintenance.csv
), mis on Canvasis saadaval, ei pea te hooldusandmestikku importima.
Lõuendisse saate importida andmeid erinevatest andmeallikatest. Kui kavatsete kasutada oma andmestikku, järgige juhiseid Andmete importimine Amazon SageMaker Canvasis.
Selle postituse jaoks kasutame kogu allalaaditud hooldusandmestikku.
- Logige sisse AWS-i juhtimiskonsool, kasutades kontot, millel on Canvasele juurdepääsuks vajalikud õigused.
- Logige sisse Canvas-konsooli.
- Vali Import.
- Vali Täiendava Ja valige see
maintenance_dataset.csv
faili. - Vali Andmete importimine et see Canvasesse üles laadida.
Importimine võtab aega umbes 10 sekundit (see võib olenevalt andmestiku suurusest erineda). Kui see on valmis, näete, et andmestik on sees Ready
status.
Kui olete kinnitanud, et imporditud andmestik on ready
, saate luua oma mudeli.
Ehitage ja treenige mudel
Mudeli loomiseks ja koolitamiseks toimige järgmiselt.
- Vali Uus mudelja andke oma mudelile nimi.
- Vali Looma.
- Valige
maintenance_dataset.csv
andmestik ja valige Valige andmekogum.
Mudelivaates näete nelja vahekaarti, mis vastavad neljale etapile mudeli loomiseks ja selle kasutamiseks prognooside loomiseks. valima, Ehitama, Analüüsimaja Ennusta. - Kohta valima sakk, valige
maintenance_dataset.csv
varem üles laaditud andmestik ja valige Valige andmekogum.
See andmestik sisaldab 9 veergu ja 10,000 XNUMX rida. Lõuend liigub automaatselt ehitusfaasi. - Sellel vahekaardil valige meie puhul sihtveerg Rikke tüüp.Hooldusmeeskond on teid teavitanud, et see veerg näitab nende olemasolevate masinate ajalooliste andmete põhjal tavaliselt esinevate rikete tüüpe. See on see, mida soovite oma mudelit ennustama õpetada. Canvas tuvastab automaatselt, et see on a 3 Kategooria probleem (tuntud ka kui mitme klassi klassifikatsioon). Kui tuvastatakse vale mudelitüüp, saate seda käsitsi muuta nupuga Muuda tüüpi valik.
Tuleb märkida, et see andmestik on klassi No Failure suhtes väga tasakaalustamata, mida saab näha veergu nimega Rikke tüüp. Kuigi Canvas ja selle aluseks olevad AutoML-i võimalused suudavad osaliselt toime tulla andmekogumi tasakaalustamatusega, võib see põhjustada mõningaid moonutusi. Järgmise täiendava sammuna vaadake Tasakaalustage oma andmed masinõppe jaoks Amazon SageMaker Data Wrangleriga. Järgides jagatud lingi juhiseid, saate käivitada Amazon SageMaker Studio rakendus SageMakeri konsoolist ja importige see andmestik sinna Amazon SageMaker Data Wrangler ja kasutage tasakaaluandmete teisendust, seejärel viige tasakaalustatud andmestik tagasi Canvasesse ja jätkake järgmiste sammudega. Jätkame selles postituses oleva tasakaalustamata andmekogumiga, et näidata, et Canvas saab hakkama ka tasakaalustamata andmekogumitega.
Lehe allosas saate vaadata mõnda andmestiku statistikat, sealhulgas puuduvad ja mittevastavad väärtused, kordumatud väärtused ning keskmised ja mediaanväärtused. Kui te ei soovi neid ennustuse jaoks kasutada, võite ka mõne veeru tühistada, tühistades nende valiku.
Kui olete selle jaotisega tutvunud, on aeg modelli välja õpetada! Enne tervikliku mudeli ehitamist on hea tava saada mudeli toimivusest üldine ettekujutus, koolitades kiirmudelit. Kiirmudel treenib vähem mudelite ja hüperparameetrite kombinatsioone, et eelistada kiirust täpsusele, eriti juhtudel, kui soovite tõestada ML-mudeli treenimise väärtust teie kasutusjuhtumi jaoks. Pange tähele, et kiirkoostamise valik pole saadaval mudelite puhul, mis on suuremad kui 50,000 XNUMX rida. - Vali Kiire ehitus.
Nüüd ootate 2–15 minutit. Kui see on tehtud, liigub Canvas automaatselt kausta Analüüsima vahekaarti, et näidata teile kiirtreeningu tulemusi. Kiirehituse abil tehtud analüüs hindab, et teie mudel suudab ennustada õiget tõrketüüpi (tulemust) 99.2% ajast. Võite kogeda veidi erinevaid väärtusi. Seda oodatakse.
Keskendume esimesele vahelehele, Ülevaade. See on vahekaart, mis näitab teile Veeru mõjuvõi iga veeru hinnanguline tähtsus sihtveeru ennustamisel. Selles näites on veergudel Pöördemoment [Nm] ja Pöörlemiskiirus [rpm] kõige olulisem mõju tõrketüübi ennustamisel.
Hinnake mudeli jõudlust
Kui kolite Hinded analüüsi osa, näete graafikut, mis kujutab meie prognoositud väärtuste jaotust tegelike väärtuste suhtes. Pange tähele, et enamik tõrkeid kuuluvad kategooriasse "Rikke puudumine". Lisateavet selle kohta, kuidas Canvas kasutab SHAP-i algtasemeid ML-i seletatavuse toomiseks, leiate artiklist Oma mudeli jõudluse hindamine rakenduses Amazon SageMaker Canvas, Samuti SHAP-i selgitatavuse lähtealused.
Canvas jagab algse andmestiku enne koolitust koolitus- ja valideerimiskomplektideks. Hindamispunkt tuleneb sellest, et Canvas käivitas mudeli alusel valideerimiskomplekti. See on interaktiivne liides, kus saate valida tõrke tüübi. Kui valid Ülepinge ebaõnnestumine graafikul näete, et mudel tuvastab need 84% ajast. See on piisavalt hea, et midagi ette võtta – võib-olla laske operaatoril või inseneril seda täiendavalt kontrollida. Sa võid valida Elektrikatkestus graafikul, et näha vastavaid punkte edasiseks tõlgendamiseks ja tegevusteks.
Teid võivad huvitada tõrketüübid ja see, kui hästi mudel sisendite seeria põhjal tõrketüüpe ennustab. Tulemustega lähemalt tutvumiseks valige Täpsemad mõõdikud. See kuvab maatriksi, mis võimaldab teil tulemusi lähemalt uurida. ML-is viidatakse sellele kui a segaduse maatriks.
Sellel maatriksil on vaikimisi domineeriv klass No Failure. peal klass menüüst saate vaadata kahe teise tõrketüübi – ülepingetõrge ja toitekatkestuse – täpsemaid mõõdikuid.
ML-is määratletakse mudeli täpsus õigete ennustuste arvuna, mis on jagatud ennustuste koguarvuga. Sinised kastid tähistavad õigeid ennustusi, mille mudel tegi katseandmete alamhulga suhtes, mille tulemus oli teada. Siin huvitab meid, mitu protsenti ajast ennustas mudel teatud masina rikke tüüpi (ütleme Ei mingit ebaõnnestumist), kui see on tegelikult seda tõrketüüpi (Ei mingit ebaõnnestumist). ML-is on selle mõõtmiseks kasutatav suhe TP / (TP + FN). Seda nimetatakse tagasikutsumine. Vaikejuhtumil, No Failure, oli 1,923 õiget ennustust 1,926 üldisest rekordist, mis andis tulemuseks 99%. tagasikutsumine. Teise võimalusena oli ülepinge ebaõnnestumise klassis 32 inimest 38-st, mis annab 84% tagasikutsumine. Viimaseks oli voolukatkestuse klassis 16 inimest 19-st, mis annab tulemuseks 84%. tagasikutsumine.
Nüüd on teil kaks võimalust.
- Saate seda mudelit kasutada ennustuste tegemiseks, valides Ennusta.
- Selle mudeliga treenimiseks saate luua uue versiooni Standardne ehitus valik. See võtab palju kauem aega – umbes 1–2 tundi –, kuid annab töökindlama mudeli, kuna see läbib andmete, algoritmide ja häälestusiteratsioonide täieliku AutoML-i ülevaatuse.
Kuna proovite tõrkeid ennustada ja mudel ennustab tõrkeid õigesti 84% ajast, saate mudelit julgelt kasutada võimalike rikete tuvastamiseks. Seega võite jätkata 1. valikuga. Kui te ei olnud enesekindel, võiksite lasta andmeteadlasel Canvase modelleerimise üle vaadata ja pakkuda 2. valiku kaudu võimalikke täiustusi.
Loo ennustusi
Nüüd, kui mudel on koolitatud, võite hakata ennustusi koostama.
- Vali Ennusta allosas Analüüsima leht või valige Ennusta Tab.
- Vali Valige andmekogumja valige
maintenance_dataset.csv
faili. - Vali Loo ennustusi.
Canvas kasutab seda andmestikku meie ennustuste loomiseks. Kuigi üldiselt on hea mõte mitte kasutada sama andmestikku nii koolituse kui ka testimise jaoks, võite sel juhul lihtsuse huvides kasutada sama andmekogumit. Teise võimalusena võite eemaldada mõned kirjed oma algsest andmestikust, mida kasutate koolituseks, ja kasutada neid kirjeid CSV-failis ning sisestada need siia partii ennustusse, et te ei kasutaks sama andmestikku koolitusjärgseks testimiseks.
Mõne sekundi pärast on ennustus valmis. Canvas tagastab ennustuse iga andmerea kohta ja ennustuse õigsuse tõenäosuse. Sa võid valida Eelvaade ennustuste vaatamiseks või valige Lae täielikku väljundit sisaldava CSV-faili allalaadimiseks.
Valides saate ka ennustada väärtusi ükshaaval Üksik ennustus asemel Partii ennustus. Canvas näitab vaadet, kus saate iga funktsiooni väärtused käsitsi sisestada ja ennustuse luua. See on ideaalne olukordades, nagu mis-kui-stsenaariumid, näiteks: kuidas mõjutab tööriista kulumine rikke tüüpi? Mis siis, kui protsessi temperatuur tõuseb või langeb? Mis siis, kui pöörlemiskiirus muutub?
Standardne ehitus
. Standardne ehitus valik valib kiiruse asemel täpsuse. Kui soovite mudeli artefakte jagada oma andmeteadlase ja ML-i inseneridega, saate järgmisena luua standardse järgu.
- Vali Lisa versioon
- Valige uus versioon ja valige Standardne ehitus.
- Pärast standardse järgu loomist saate mudelit andmeteadlaste ja ML-inseneridega edasiseks hindamiseks ja itereerimiseks jagada.
Koristage
Et vältida tulevikus tekkimist seansi tasud, logige rakendusest Canvas välja.
Järeldus
Selles postituses näitasime, kuidas ärianalüütik saab hooldusandmete abil luua Canvase abil masina rikketüübi ennustusmudeli. Canvas võimaldab ärianalüütikutel (nt usaldusväärsuse insenerid) luua täpseid ML-mudeleid ja genereerida ennustusi, kasutades koodivaba visuaalset, osuta-ja-klõpsatavat liidest. Analüütikud saavad selle viia järgmisele tasemele, jagades oma mudeleid andmeteadlaste kolleegidega. Andmeteadlased saavad vaadata Canvase mudelit Studios, kus nad saavad uurida Canvase tehtud valikuid, valideerida mudeli tulemusi ja isegi mõne klõpsuga mudeli tootmisse viia. See võib kiirendada ML-põhist väärtuse loomist ja aidata parandada paremaid tulemusi kiiremini.
Canvase kasutamise kohta lisateabe saamiseks vaadake Ehitamine, jagamine, juurutamine: kuidas ärianalüütikud ja andmeteadlased saavutavad koodita ML-i ja Amazon SageMaker Canvase abil kiiremini turule jõudmise aja. Lisateavet koodita lahendusega ML-mudelite loomise kohta vt Amazon SageMaker Canvase väljakuulutamine – visuaalne, koodita masinõppevõimalus ärianalüütikutele.
Autoritest
Rajakumar Sampathkumar on AWS-i peamine tehniline kontohaldur, kes annab klientidele juhiseid äritehnoloogia kooskõlla viimiseks ning toetab nende pilveoperatsioonimudelite ja -protsesside taasleiutamist. Ta on kirglik pilve- ja masinõppe vastu. Raj on ka masinõppe spetsialist ja töötab AWS-i klientidega nende AWS-i töökoormuse ja arhitektuuri kujundamisel, juurutamisel ja haldamisel.
Twann Atkins on Amazon Web Servicesi vanemlahenduste arhitekt. Ta vastutab koostöö eest põllumajandus-, jaemüügi- ja tootmisklientidega, et tuvastada äriprobleeme, ning tagasiulatuvalt, et tuvastada elujõulised ja skaleeritavad tehnilised lahendused. Twann on aidanud klientidel kriitilisi töökoormusi planeerida ja üle viia enam kui 10 aastat, keskendudes hiljuti analüütika, tehisintellekti ja masinõppe demokratiseerimisele tuleviku klientide ja ehitajate jaoks.
Omkar Mukadam on Amazon Web Services'i servaspetsialisti lahendusarhitektuur. Praegu keskendub ta lahendustele, mis võimaldavad äriklientidel tõhusalt kavandada, ehitada ja skaleerida AWS Edge'i teenusepakkumistega, mis hõlmab, kuid mitte ainult, AWS Snow Family.
- Münditark. Euroopa parim Bitcoini ja krüptobörs.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. TASUTA PÄÄS.
- CryptoHawk. Altcoini radar. Tasuta prooviversioon.
- Allikas: https://aws.amazon.com/blogs/machine-learning/predict-types-of-machine-failures-with-no-code-machine-learning-using-amazon-sagemaker-canvas/
- "
- 000
- 10
- 100
- 9
- a
- võime
- MEIST
- kiirendama
- juurdepääs
- konto
- täpne
- Saavutada
- tegevus
- meetmete
- Täiendavad lisad
- admin
- administraatorid
- edasijõudnud
- vastu
- põllumajandus
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- Kuigi
- Amazon
- Amazon Web Services
- analüüsima
- analüüs
- analüütik
- analytics
- kuskil
- app
- taotlus
- asjakohane
- umbes
- arhitektuur
- ümber
- kunstlik
- tehisintellekti
- Tehisintellekt ja masinõpe
- määratud
- seotud
- atribuudid
- automaatselt
- saadaval
- AWS
- Telg
- sest
- enne
- on
- suurem
- piir
- tooma
- ehitama
- Ehitus
- äri
- ettevõtted
- lõuend
- võimeid
- juhul
- juhtudel
- Kategooria
- kindel
- muutma
- valikuid
- Vali
- klass
- lähemale
- Cloud
- kood
- kolleegidega
- Veerg
- kombinatsioonid
- kaubandus-
- ühine
- täitma
- kindel
- konsool
- sisaldab
- jätkama
- võiks
- looma
- loomine
- loomine
- kriitiline
- Praegu
- Kliendid
- andmed
- andmeteadlane
- viivitus
- Olenevalt
- juurutada
- Disain
- tuvastatud
- arendama
- DID
- erinev
- Näidikute
- jaotus
- domeen
- lae alla
- Drop
- iga
- serv
- tõhusalt
- võimaldab
- insener
- Inseneride
- eriti
- Hinnanguliselt
- hinnangul
- hindama
- hindamine
- näide
- olemasolevate
- oodatav
- kogemus
- eksperiment
- ekspertide
- uurima
- väljendatud
- ebaedu
- pere
- kiiremini
- tunnusjoon
- esimene
- Keskenduma
- keskendub
- järgima
- Järel
- Alates
- täis
- edasi
- tulevik
- Üldine
- üldiselt
- tekitama
- teeniva
- hea
- käepide
- võttes
- aitama
- aidates
- siin
- kõrgelt
- ajalooline
- Kuidas
- HTTPS
- idee
- ideaalne
- identifitseerima
- mõju
- tähtsus
- paranenud
- paranemine
- sisaldama
- hõlmab
- Kaasa arvatud
- tööstusharudes
- info
- teavitatakse
- teadmisi
- Intelligentsus
- interaktiivne
- huvitatud
- Interface
- tõlgendus
- IT
- teatud
- suur
- algatama
- Õppida
- õppimine
- Tase
- piiratud
- joon
- LINK
- Loetletud
- kohalik
- Vaata
- masin
- masinõpe
- masinad
- tehtud
- hooldus
- tegema
- juhtima
- juhtimine
- juht
- juhtiv
- käsitsi
- tootmine
- maatriks
- mõõtma
- keskmine
- Meetrika
- ML
- mudel
- mudelid
- rohkem
- kõige
- liikuma
- järgmine
- märkida
- number
- pakkuma
- Pakkumised
- töö
- operaator
- valik
- Valikud
- et
- organisatsioon
- originaal
- Muu
- üldine
- enda
- eriline
- kirglik
- protsent
- jõudlus
- etendused
- faas
- Poliitika
- võimalik
- potentsiaal
- võim
- tava
- ennustada
- ennustus
- Ennustused
- Peamine
- Probleem
- probleeme
- protsess
- Protsessid
- Toode
- Toote kvaliteet
- Produktsioon
- anda
- tingimusel
- annab
- pakkudes
- kvaliteet
- Kiire
- alates
- hiljuti
- andmed
- esindama
- esindavad
- nõutav
- ressurss
- vastutav
- Tulemused
- jaemüük
- Tulu
- läbi
- jooks
- jooksmine
- sama
- skaalautuvia
- Skaala
- teadlane
- teadlased
- Hinded
- sekundit
- seeria-
- Seeria
- teenus
- Teenused
- komplekt
- mitu
- Jaga
- jagatud
- jagamine
- näitama
- märkimisväärne
- ühekordne
- SUURUS
- lumi
- So
- tahke
- lahendus
- Lahendused
- mõned
- spetsialist
- kiirus
- Poolitab
- standard
- algus
- alustatud
- statistika
- olek
- stuudio
- Toetamine
- sihtmärk
- meeskond
- Tehniline
- test
- Testimine
- .
- Läbi
- seotud
- aeg
- homme
- tööriist
- suunas
- koolitus
- rongid
- Transformation
- liigid
- tüüpiliselt
- ainulaadne
- kasutama
- Kasutajad
- kinnitamine
- väärtus
- versioon
- vaade
- ootama
- web
- veebiteenused
- M
- jooksul
- töö
- töötab
- oleks
- aastat
- Sinu