Ennustav hooldus on autotööstuses kriitilise tähtsusega, kuna see võib ära hoida ootamatuid mehaanilisi rikkeid ja reaktiivseid hooldustegevusi, mis häirivad tegevust. Sõidukite rikkeid ennustades ning hooldust ja remonti planeerides vähendate seisakuid, parandate ohutust ja tõstate tootlikkuse taset.
Mis oleks, kui saaksime rakendada süvaõppe tehnikaid ühistel aladel, mis põhjustavad sõiduki rikkeid, planeerimata seisakuid ja remondikulusid?
Selles postituses näitame teile, kuidas koolitada ja juurutada mudelit, et ennustada sõidukipargi rikke tõenäosust Amazon SageMaker JumpStart. SageMaker Kiirstart on masinõppe (ML) keskus Amazon SageMaker, pakkudes eelkoolitatud, avalikult kättesaadavaid mudeleid paljudele probleemidele, mis aitavad teil ML-iga alustada. Postituses kirjeldatud lahendus on saadaval aadressil GitHub.
SageMaker JumpStart lahendusmallid
SageMaker JumpStart pakub ühe klõpsuga, otsast lõpuni lahendusi paljudele levinud ML-i kasutusjuhtudele. Saadaolevate lahendusmallide kohta lisateabe saamiseks uurige järgmisi kasutusjuhtumeid.
SageMaker JumpStart lahendusmallid hõlmavad mitmesuguseid kasutusjuhtumeid, millest igaühe all pakutakse mitut erinevat lahendusmalli (lahendus selles postituses, Sõidukiparkide ennustav hooldus, asub Lahendused jaotis). Valige SageMaker JumpStarti sihtlehelt lahendusmall, mis sobib teie kasutusjuhtumiga kõige paremini. Lisateavet iga kasutusjuhtumi konkreetsete lahenduste ja SageMaker JumpStart lahenduse käivitamise kohta leiate artiklist Lahenduste mallid.
Lahenduse ülevaade
Autoparkide AWS-i ennustav hoolduslahendus rakendab süvaõppe tehnikaid ühistel aladel, mis põhjustavad sõiduki rikkeid, planeerimata seisakuid ja remondikulusid. See toimib esialgse ehitusplokina, et jõuda lühikese aja jooksul kontseptsiooni tõestuseni. See lahendus sisaldab SageMakeris andmete ettevalmistamise ja visualiseerimise funktsioone ning võimaldab teil treenida ja optimeerida oma andmestiku süvaõppemudelite hüperparameetreid. Saate kasutada oma andmeid või proovida lahendust sünteetilise andmestikuga selle lahenduse osana. See versioon töötleb aja jooksul sõidukiandurite andmeid. Järgmine versioon töötleb hoolduskirje andmeid.
Järgmine diagramm näitab, kuidas saate seda lahendust SageMakeri komponentidega kasutada. Lahenduse osana kasutatakse järgmisi teenuseid:
- Amazon S3 - Me kasutame Amazoni lihtne salvestusteenus (Amazon S3) andmestike salvestamiseks
- SageMakeri märkmik – Kasutame andmete eeltöötlemiseks ja visualiseerimiseks ning süvaõppe mudeli treenimiseks märkmikku
- SageMakeri lõpp-punkt – Kasutame treenitud mudeli juurutamiseks lõpp-punkti
Töövoog sisaldab järgmisi samme:
- Autopargi haldussüsteemist luuakse ajalooandmete väljavõte, mis sisaldab sõidukite andmeid ja andurite logisid.
- Pärast ML-mudeli väljaõpetamist juurutatakse SageMakeri mudeli artefakt.
- Ühendatud sõiduk saadab andurite logid aadressile AWS IoT Core (alternatiiv HTTP-liidese kaudu).
- Andurite logisid säilitatakse kaudu Amazon Kinesis Data Firehose.
- Andurite logid saadetakse aadressile AWS Lambda mudeli vastu päringute tegemiseks ennustuste tegemiseks.
- Lambda saadab prognooside tegemiseks andurite logid Sagemakeri mudeli järeldusele.
- Ennustused jäävad püsima Amazonase Aurora.
- Koondtulemused kuvatakse a Amazon QuickSight armatuurlaud.
- Reaalajas teatised prognoositava rikke tõenäosuse kohta saadetakse aadressile Amazoni lihtne teavitusteenus (Amazon SNS).
- Amazon SNS saadab teated ühendatud sõidukile tagasi.
Lahendus koosneb kuuest sülearvutist:
- 0_demo.ipynb – Meie lahenduse kiire eelvaade
- 1_introduction.ipynb – Sissejuhatus ja lahenduste ülevaade
- 2_data_preparation.ipynb – Valmistage ette näidisandmekogum
- 3_data_visualization.ipynb - Visualiseerige meie näidisandmekogum
- 4_model_training.ipynb – Treenige meie näidisandmestiku mudelit rikete tuvastamiseks
- 5_results_analysis.ipynb – Analüüsige meie koolitatud mudeli tulemusi
Eeldused
Amazon SageMaker Studio on SageMakeri integreeritud arenduskeskkond (IDE), mis pakub meile kõik vajalikud ML-funktsioonid ühel klaasil. Enne SageMaker JumpStarti käivitamist peame seadistama SageMaker Studio. Võite selle sammu vahele jätta, kui teil on juba oma SageMaker Studio versioon.
Esimene asi, mida peame enne AWS-i teenuste kasutamist tegema, on veenduda, et oleme registreerunud ja loonud AWS-i konto. Seejärel loome administratiivse kasutaja ja grupi. Mõlema sammu juhiste saamiseks vaadake Seadistage Amazon SageMakeri eeltingimused.
Järgmine samm on SageMakeri domeeni loomine. Domeen seadistab kogu salvestusruumi ja võimaldab teil lisada kasutajaid, et pääseda juurde SageMakerile. Lisateabe saamiseks vaadake Sisseehitatud Amazon SageMakeri domeeniga. See demo on loodud AWS-i piirkonnas us-east-1.
Lõpuks käivitate SageMaker Studio. Selle postituse jaoks soovitame käivitada kasutajaprofiili rakenduse. Juhiste saamiseks vaadake Käivitage Amazon SageMaker Studio.
Selle SageMaker JumpStart lahenduse käitamiseks ja infrastruktuuri juurutamiseks oma AWS-i kontole peate looma aktiivse SageMaker Studio eksemplari (vt Amazon SageMaker Studio pardal). Kui teie eksemplar on valmis, järgige juhiseid SageMaker KiirStart lahenduse käivitamiseks. Sellesse on kaasatud lahenduse artefaktid GitHubi hoidla viide.
Käivitage SageMaker Kiirstardi lahendus
Lahendusega alustamiseks toimige järgmiselt.
- Valige SageMaker Studio konsoolil KiirStart.
- Kohta Lahendused valige vahekaart Sõidukiparkide ennustav hooldus.
- Vali Algatama.
Lahenduse juurutamiseks kulub mõni minut. - Pärast lahenduse juurutamist valige Ava märkmik.
Kui teil palutakse valida tuum, valige kõigi selle lahenduse sülearvutite jaoks PyTorch 1.8 Python 3.6.
Lahenduse eelvaade
Esmalt töötame selle kallal 0_demo.ipynb
märkmik. Selles märkmikus saate kiire eelvaate selle kohta, milline näeb välja tulemus, kui täidate selle lahenduse täieliku märkmiku.
Vali jooks ja Käivitage kõik rakud kõigi SageMaker Studio lahtrite käitamiseks (või Rakk ja Käivita kõik SageMakeri märkmiku eksemplaris). Saate iga märkmiku kõiki lahtreid üksteise järel käivitada. Enne järgmise märkmiku juurde liikumist veenduge, et kõik lahtrid oleksid töötlemise lõpetanud.
See lahendus tugineb ette nähtud AWS-i ressursside käitamiseks konfiguratsioonifailile. Loome faili järgmiselt:
Meil on mõned näidis-aegrida sisendandmed, mis koosnevad sõiduki aku pingest ja aku voolust aja jooksul. Järgmisena laadime ja visualiseerime näidisandmed. Nagu on näidatud järgmistel ekraanipiltidel, on pinge ja voolu väärtused Y-teljel ning näidud (salvestatud 19 näitu) on X-teljel.
Oleme varem koolitanud mudelit nende pinge- ja vooluandmete kohta, mis ennustavad sõiduki rikke tõenäosust, ja kasutasime mudelit SageMakeri lõpp-punktina. Nimetame seda lõpp-punkti mõne näidisandmetega, et määrata kindlaks ebaõnnestumise tõenäosus järgmisel ajaperioodil.
Arvestades näidissisendandmeid, on prognoositav ebaõnnestumise tõenäosus 45.73%.
Järgmisesse etappi liikumiseks valige Jätkamiseks klõpsake siin.
Sissejuhatus ja lahenduste ülevaade
. 1_introduction.ipynb
märkmik annab ülevaate lahendusest ja etappidest ning vaatab konfiguratsioonifaili, mis sisaldab sisumääratlust, andmete proovivõtuperioodi, rongi- ja katsenäidiste arvu, genereeritud sisu parameetreid, asukohta ja veergude nimesid.
Pärast selle märkmiku ülevaatamist saate liikuda järgmisse etappi.
Valmistage ette näidisandmekogum
Valmistame ette näidisandmestiku 2_data_preparation.ipynb
märkmik.
Esmalt genereerime selle lahenduse konfiguratsioonifaili:
Konfiguratsiooni omadused on järgmised:
Saate määrata oma andmestiku või kasutada näidisandmestiku loomiseks meie skripte.
Saate ühendada andurite andmed ja sõidukipargi andmed:
Nüüd saame liikuda andmete visualiseerimise juurde.
Visualiseerige meie näidisandmestikku
Visualiseerime oma näidisandmestiku 3_data_vizualization.ipynb
. See lahendus tugineb ette nähtud AWS-i ressursside käitamiseks konfiguratsioonifailile. Loome eelmise märkmikuga sarnase faili.
Järgmine ekraanipilt näitab meie andmestikku.
Järgmisena koostame andmestiku:
Nüüd, kui andmestik on valmis, visualiseerime andmete statistikat. Järgmine ekraanipilt näitab andmete jaotust sõiduki margi, mootori tüübi, sõidukiklassi ja mudeli alusel.
Võrreldes logiandmeid, vaatame näidet erinevate aastate keskmise pinge kohta Make E ja C puhul (juhuslik).
Pinge ja voolu keskmine väärtus on Y-teljel ja näitude arv on X-teljel.
- Log_target võimalikud väärtused: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- Juhuslikult määratud väärtus
log_target: make
- Juhuslikult määratud väärtus
- Log_target_value1 võimalikud väärtused: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Juhuslikult määratud väärtus
log_target_value1: Make B
- Juhuslikult määratud väärtus
- Log_target_value2 võimalikud väärtused: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Juhuslikult määratud väärtus
log_target_value2: Make D
- Juhuslikult määratud väärtus
Eeltoodu põhjal eeldame log_target: make
, log_target_value1: Make B
ja log_target_value2: Make D
Järgmised graafikud jaotavad logiandmete keskmise.
Järgmised graafikud kujutavad erinevate andurite logiväärtuste näidet pinge ja voolu suhtes.
Treenige meie näidisandmestiku mudelit rikete tuvastamiseks
aasta 4_model_training.ipynb
sülearvuti, koolitame oma näidisandmestiku mudelit rikete tuvastamiseks.
Loome eelmise märkmikuga sarnase konfiguratsioonifaili ja jätkame treeningkonfiguratsiooniga:
Analüüsige meie koolitatud mudeli tulemusi
aasta 5_results_analysis.ipynb
sülearvuti, saame andmeid oma hüperparameetrite häälestustööst, visualiseerime kõigi tööde mõõdikuid parima töö tuvastamiseks ja loome parima koolitustöö jaoks lõpp-punkti.
Loome eelmise märkmikuga sarnase konfiguratsioonifaili ja visualiseerime kõigi tööde mõõdikud. Järgmine graafik visualiseerib testi täpsust vs. epohhi.
Järgmine ekraanipilt näitab hüperparameetrite häälestustöid, mida me käivitasime.
Nüüd saate testi täpsuse (punane) põhjal visualiseerida parima koolitustöö andmeid (neljast koolitustööst).
Nagu näeme järgmistel ekraanipiltidel, väheneb testi kadu ning AUC ja täpsus suurenevad ajajärkudega.
Visualisatsioonide põhjal saame nüüd luua parima koolitustöö lõpp-punkti:
Pärast lõpp-punkti loomist saame ennustajat testida, edastades sellele näidisandurite logid:
Arvestades näidissisendandmeid, on prognoositav ebaõnnestumise tõenäosus 34.60%.
Koristage
Kui olete selle lahendusega lõpetanud, kustutage kindlasti kõik soovimatud AWS-i ressursid. peal Sõidukiparkide ennustav hooldus leht, all Kustuta lahendus, vali Kustutage kõik ressursid kustutada kõik lahendusega seotud ressursid.
Peate käsitsi kustutama kõik lisaressursid, mille olete selles märkmikus loonud. Mõned näited hõlmavad täiendavaid S3-salve (lahenduse vaikesalve) ja SageMakeri lisaotspunkte (kasutades kohandatud nime).
Kohandage lahendust
Meie lahendust on lihtne kohandada. Sisendandmete visualiseerimiste muutmiseks vaadake sagemaker/3_data_visualization.ipynb. Masinõppe kohandamiseks vaadake sagemaker/source/train.py ja sagemaker/source/dl_utils/network.py. Andmekogumi töötlemise kohandamiseks vaadake sagemaker/1_introduction.ipynb konfiguratsioonifaili määratlemise kohta.
Lisaks saate konfiguratsioonifailis konfiguratsiooni muuta. Vaikekonfiguratsioon on järgmine:
Konfiguratsioonifailil on järgmised parameetrid:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
jatest_dataset_fn
määrake andmestikufailide asukohtvehicle_id_column
,timestamp_column
,target_column
japeriod_column
määrake veergude päiseddataset_size
,chunksize
,processing_chunksize
,period_ms
jawindow_length
määratleda andmestiku omadused
Järeldus
Selles postituses näitasime teile, kuidas koolitada ja juurutada mudelit, et ennustada sõidukipargi rikete tõenäosust, kasutades SageMaker JumpStart. Lahendus põhineb ML ja süvaõppe mudelitel ning võimaldab mitmesuguseid sisendandmeid, sealhulgas ajaliselt muutuvaid andurite andmeid. Kuna igal sõidukil on erinev telemeetria, saate pakutavat mudelit täpselt häälestada vastavalt oma andmete sagedusele ja tüübile.
Lisateabe saamiseks selle kohta, mida saate SageMaker JumpStartiga teha, vaadake järgmist.
Vahendid
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.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Autod/elektrisõidukid, Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- BlockOffsets. Keskkonnakompensatsiooni omandi ajakohastamine. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :on
- :on
- ][lk
- $ UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- MEIST
- üle
- juurdepääs
- Vastavalt
- konto
- täpsus
- üle
- aktiivne
- tegevus
- lisama
- haldus-
- pärast
- vastu
- joondumine
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- juba
- Ka
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- analüüsima
- ja
- mistahes
- app
- kehtima
- OLEME
- valdkondades
- AS
- määratud
- seotud
- eeldab
- At
- auto
- saadaval
- vältima
- AWS
- Telg
- tagasi
- põhineb
- aku
- sest
- enne
- BEST
- Blokeerima
- keha
- suurendada
- mõlemad
- Murdma
- ehitama
- Ehitus
- by
- helistama
- CAN
- Saab
- juhul
- juhtudel
- Rakke
- muutma
- Vali
- klass
- klient
- Cloud
- Veerg
- ühine
- täitma
- komponendid
- mõiste
- konfiguratsioon
- seotud
- Koosneb
- koosneb
- konsool
- sisaldab
- sisu
- kulud
- võiks
- cover
- looma
- loodud
- kriitiline
- Praegune
- tava
- Kliendid
- kohandada
- armatuurlaud
- andmed
- Andmete ettevalmistamine
- andmete visualiseerimine
- Keeldub
- sügav
- sügav õpe
- vaikimisi
- määratlus
- demo
- näitab
- juurutada
- lähetatud
- Disain
- Määrama
- & Tarkvaraarendus
- erinev
- kuvatakse
- Häirima
- jaotus
- do
- domeen
- alla
- seisakuaeg
- ajam
- e
- iga
- teine
- Lõpuks-lõpuni
- Lõpp-punkt
- Mootor
- tagama
- keskkond
- epohh
- ajajärgud
- Iga
- näide
- näited
- uurima
- lisatasu
- väljavõte
- ebaedu
- vale
- FUNKTSIOONID
- vähe
- fail
- lõpetama
- esimene
- FLEET
- Järel
- järgneb
- eest
- neli
- Sagedus
- Alates
- täis
- funktsionaalsus
- tekitama
- loodud
- generaator
- saama
- antud
- klaas
- GPU
- graafikud
- Grupp
- juhised
- Olema
- he
- päised
- aitama
- siin
- ajalooline
- Kuidas
- Kuidas
- HTML
- http
- HTTPS
- Keskus
- Hüperparameetrite optimeerimine
- Hüperparameetrite häälestamine
- i
- identifitseerima
- if
- import
- parandama
- in
- sisaldama
- lisatud
- hõlmab
- Kaasa arvatud
- Suurendama
- tööstusharudes
- info
- Infrastruktuur
- esialgne
- algatama
- sisend
- Näiteks
- juhised
- integreeritud
- Interface
- sisse
- Sissejuhatus
- asjade Interneti
- IT
- töö
- Tööturg
- jpg
- Json
- võtmed
- maandumine
- algatama
- käivitamine
- Õppida
- õppimine
- taset
- nagu
- koormus
- kohalik
- liising
- logi
- Vaata
- näeb välja
- kaotus
- masin
- masinõpe
- hooldus
- tegema
- juhtima
- juhtimine
- juht
- käsitsi
- palju
- Maksimeerima
- mai..
- keskmine
- mehaaniline
- Merge
- Meetrika
- protokoll
- ML
- mudel
- mudelid
- muutma
- rohkem
- liikuma
- liikuv
- nimi
- nimed
- Vajadus
- järgmine
- märkmik
- teade
- teated
- nüüd
- number
- of
- pakutud
- on
- ONE
- ainult
- avatud
- töö
- Operations
- optimeerimine
- optimeerima
- or
- OS
- Muu
- meie
- välja
- Tulemus
- välja toodud
- üle
- ülevaade
- enda
- lehekülg
- pane
- parameetrid
- osa
- Mööduv
- kirglik
- tee
- periood
- Platon
- Platoni andmete intelligentsus
- PlatoData
- palun
- post
- ennustada
- ennustada
- prognoosimine
- Ennustused
- Predictor
- Ennustab
- ettevalmistamine
- Valmistama
- Eelvaade
- eelmine
- varem
- Peamine
- Probleem
- protsess
- Protsessid
- töötlemine
- tootlikkus
- profiil
- tõend
- tõendi mõiste
- omadused
- tingimusel
- annab
- pakkudes
- avalikult
- Python
- pütorch
- Kiire
- juhuslik
- valik
- valmis
- soovitama
- rekord
- dokumenteeritud
- Red
- vähendama
- piirkond
- remont
- Vahendid
- vastus
- Tulemused
- tagasipöördumine
- läbi
- Roll
- jooks
- jooksmine
- ohutus
- salveitegija
- Näidisandmekogum
- planeerimine
- ekraanipilte
- skripte
- Osa
- vaata
- saadab
- Saadetud
- Seeria
- teenib
- Teenused
- istung
- komplekt
- Komplektid
- mitu
- Lühike
- näitama
- näitas
- näidatud
- Näitused
- allkirjastatud
- sarnane
- lihtne
- ühekordne
- SIX
- lahendus
- Lahendused
- mõned
- allikas
- spetsialist
- konkreetse
- Stage
- etappidel
- alustatud
- statistika
- Samm
- Sammud
- ladustamine
- salvestada
- stuudio
- järgnev
- Toetamine
- kindel
- sünteetiline
- süsteem
- võtab
- Tehniline
- tehnikat
- šabloon
- malle
- test
- et
- .
- oma
- SIIS
- asi
- see
- aeg
- Ajaseeria
- ajatempel
- et
- kokku
- Rong
- koolitatud
- koolitus
- püüdma
- tüüp
- liigid
- all
- soovimatu
- us
- kasutama
- kasutage juhtumit
- Kasutatud
- Kasutaja
- Kasutajad
- kasutamine
- väärtus
- Väärtused
- sort
- sõiduk
- versioon
- kaudu
- visualiseerimine
- Volt
- Pinge
- vs
- W
- we
- web
- veebiteenused
- M
- millal
- mis
- lai
- Lai valik
- will
- koos
- jooksul
- Töö
- töövoog
- töötab
- X
- yaml
- aastat
- sa
- Sinu
- sephyrnet