Rakenna, kouluta ja ota käyttöön Amazon Lookout for Equipment -malleja Python Toolboxin avulla

Ennakoiva huolto voi olla tehokas tapa estää teollisuuden koneiden vikoja ja kalliita seisokkeja valvomalla ennakoivasti laitteidesi kuntoa, jotta voit varoittaa mahdollisista poikkeavuuksista ennen laitevikojen ilmenemistä. Antureiden ja tarvittavan infrastruktuurin asentaminen datayhteyksiä, tallennusta, analytiikkaa ja hälytyksiä varten ovat perusta ennakoivien ylläpitoratkaisujen mahdollistamiseksi. Kuitenkin jopa ad hoc -infrastruktuurin asennuksen jälkeen monet yritykset käyttävät perustietoanalytiikkaa ja yksinkertaisia ​​mallinnusmenetelmiä, jotka eivät useinkaan pysty havaitsemaan ongelmia riittävän aikaisin, jotta vältetään seisokit. Myös koneoppimisratkaisun (ML) käyttöönotto laitteellesi voi olla vaikeaa ja aikaa vievää.

Kanssa Amazon Lookout for Equipment, voit automaattisesti analysoida anturitietoja teollisuuslaitteistasi havaitaksesi koneen epänormaalin toiminnan – ilman ML-kokemusta. Tämä tarkoittaa, että voit havaita laitteiden poikkeavuudet nopeasti ja tarkasti, diagnosoida nopeasti ongelmat ja ryhtyä toimiin kalliiden seisokkien vähentämiseksi.

Lookout for Equipment analysoi antureidesi ja järjestelmien tiedot, kuten paineen, virtausnopeuden, kierrosluvut, lämpötilan ja tehon, kouluttaakseen automaattisesti laitteellesi sopivan mallin tietojesi perusteella. Se käyttää ainutlaatuista ML-malliasi analysoimaan saapuvat anturitiedot reaaliajassa ja tunnistaa varhaiset varoitusmerkit, jotka voivat johtaa koneen vioittumiseen. Jokaisen havaitun hälytyksen kohdalla Lookout for Equipment paikantaa, mitkä tietyt anturit osoittavat ongelman ja kuinka suuri vaikutus havaittuun tapahtumaan on.

Tavoitteenamme on antaa ML jokaisen kehittäjän käsiin, ja haluamme esitellä toisen lisäosan Lookout for Equipmentiin: avoimen lähdekoodin Python-työkalupakki jonka avulla kehittäjät ja datatieteilijät voivat rakentaa, kouluttaa ja ottaa käyttöön Lookout for Equipment -malleja samalla tavalla kuin mihin olet tottunut. Amazon Sage Maker. Tämä kirjasto on kääre Lookout for Equipment boto3 python -sovellusliittymän päällä, ja sen avulla voit aloittaa matkasi tällä palvelulla. Jos sinulla on parannusehdotuksia tai virheitä raportoitavaksi, tee ongelma työkalupakkia vastaan GitHub-arkisto.

Tässä viestissä tarjoamme vaiheittaisen oppaan Lookout for Equipmentin avoimen lähdekoodin Python-työkalulaatikon käyttämiseen SageMaker-muistikirjasta.

Ympäristön asetukset

Jotta voisimme käyttää avoimen lähdekoodin Lookout for Equipment -työkalulaatikkoa SageMaker-muistikirjasta, meidän on myönnettävä SageMaker-muistikirjalle tarvittavat oikeudet Lookout for Equipment -sovellusliittymien kutsumiseen. Tätä viestiä varten oletamme, että olet jo luonut SageMaker-muistikirjan esiintymän. Katso ohjeet kohdasta Aloita Amazon SageMaker -muistikirjainstanssien kanssa. Muistikirjan ilmentymä liitetään automaattisesti suoritusrooliin.

1. Löydät ilmentymään liitetyn roolin valitsemalla ilmentymän SageMaker-konsolista.
   
2. Vieritä seuraavassa näytössä alas löytääksesi AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) -rooli, joka on liitetty esiintymään Luvat ja salaus osiossa.
3. Valitse rooli avataksesi IAM-konsolin.
   

Seuraavaksi liitämme sisäisen käytännön SageMaker IAM -rooliimme.

4. On Oikeudet valitse avaamasi roolin välilehti Lisää sisäinen käytäntö.
   
5. On JSON -välilehti, anna seuraava koodi. Käytämme villikorttitoimintoa (lookoutequipment:*) palvelua varten demotarkoituksiin. Käytä todellisia käyttötapauksia varten vain tarvittavat käyttöoikeudet asianmukaisten SDK API -kutsujen suorittamiseen.

    { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Action": [ "lookoutequipment:*" ], "Resource": "*" } ] }

6. Valita Tarkastele politiikkaa.
7. Anna käytännölle nimi ja luo käytäntö.

Edellisen sisäisen käytännön lisäksi meidän on luotava samassa IAM-roolissa luottamussuhde, jotta Lookout for Equipment voi ottaa tämän roolin. SageMaker-roolilla on jo tarvittavat tiedot Amazonin yksinkertainen tallennuspalvelu (Amazon S3); sallimalla Lookout for Equipmentin ottaa tämän roolin varmistaa, että sillä on sama pääsy tietoihin kuin kannettavallasi. Sinulla saattaa jo olla ympäristössäsi erityinen rooli, joka varmistaa, että Lookout for Equipment pääsee käsiksi tietoihisi, jolloin sinun ei tarvitse säätää tämän yhteisen roolin luottamussuhdetta.

8. SageMaker IAM -roolissamme Luotta suhteisiin välilehti, valitse Muokkaa luottamussuhdetta.
9. Korvaa koko käytäntö käytäntöasiakirjan alla seuraavalla koodilla:

    { "Version": "2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Service": "lookoutequipment.amazonaws.com" }, "Action": "sts:AssumeRole" } ] }

10. Valita Päivitä luottamuskäytäntö.

Nyt olemme valmiita käyttämään Lookout for Equipment -työkalulaatikkoa SageMaker-muistikirjaympäristössämme. Lookout for Equipment -työkalupakki on avoimen lähdekoodin Python-paketti, jonka avulla datatieteilijät ja ohjelmistokehittäjät voivat helposti rakentaa ja ottaa käyttöön aikasarjapoikkeamien havaitsemismalleja Lookout for Equipmentin avulla. Katsotaanpa, mitä voit saavuttaa helpommin työkalupakin ansiosta!

riippuvuudet

Kirjoitushetkellä työkalupakki tarvitsee asennettuna seuraavat:

• Python(>=3.6)
• boto3 (> = 1.17.48)
• hinnanalennus
• numpy
• pandas
• pyarrow
• s3fs

Kun olet täyttänyt nämä riippuvuudet, voit asentaa ja käynnistää Lookout for Equipment -työkalulaatikon seuraavalla komennolla Jupyter-päätteestä:

pip install lookoutequipment

Työkalulaatikko on nyt käyttövalmis. Tässä viestissä esittelemme työkalupakin käyttöä kouluttamalla ja ottamalla käyttöön poikkeamien havaitsemismallin. Tyypillinen ML-kehityksen elinkaari koostuu tietojoukon rakentamisesta koulutusta varten, mallin harjoittamisesta, mallin käyttöönotosta ja mallin päättelystä. Työkalulaatikko on varsin kattava tarjoamiensa toimintojen suhteen, mutta tässä viestissä keskitymme seuraaviin ominaisuuksiin:

• Valmistele tietojoukko
• Harjoittele poikkeamien havaitsemismalli Lookout for Equipmentin avulla
• Rakenna visualisointeja mallin arviointia varten
• Määritä ja käynnistä päättelyn ajoitus
• Visualisoi ajastimen päätelmien tulokset

Ymmärretään, kuinka voimme käyttää työkalupakkia jokaiselle näistä ominaisuuksista.

Valmistele tietojoukko

Lookout for Equipment vaatii tietojoukon luomisen ja käsittelyn. Valmistele tietojoukko suorittamalla seuraavat vaiheet:

1. Ennen kuin luot tietojoukon, meidän on ladattava näytetietojoukko ja lähetettävä se Amazonin yksinkertainen tallennuspalvelu (Amazon S3) ämpäri. Tässä viestissä käytämme expander aineisto:

   from lookoutequipment import dataset data = dataset.load_dataset(dataset_name='expander', target_dir='expander-data')
   dataset.upload_dataset('expander-data', bucket, prefix)

Palautettu data objekti edustaa sanakirjaa, joka sisältää seuraavat:

• • Harjoitteludatan DataFrame
  • A nimeä DataFrame
  • Koulutuksen alkamis- ja päättymispäivät
  • Arvioinnin alkamis- ja päättymispäivät
  • Tagit kuvaavat DataFramea

Koulutus- ja etikettitiedot ladataan kohdehakemistosta Amazon S3:een ämpäri/etuliitepaikkaan.

2. Kun tietojoukko on ladattu S3:ssa, luomme objektin LookoutEquipmentDataset luokka, joka hallitsee tietojoukkoa:

   lookout_dataset = dataset.LookoutEquipmentDataset( dataset_name='my_dataset', access_role_arn=role_arn, component_root_dir=f's3://{bucket}/{prefix}training-data'
   ) # creates the dataset
   lookout_dataset.create()

- access_role_arn toimitetulla on oltava pääsy S3-alueeseen, jossa tiedot ovat. Voit noutaa SageMaker-muistikirjan esiintymän roolin ARN edellisestä Ympäristön asetukset -osio ja lisää IAM-käytäntö antaaksesi pääsyn S3-säilöisi. Katso lisätietoja IAM-käytäntöjen kirjoittaminen: Kuinka antaa pääsy Amazon S3 -kauhaan.

- component_root_dir Parametrin tulee osoittaa Amazon S3:n sijainti, johon harjoitustiedot on tallennettu.

Kun olemme käynnistäneet edelliset sovellusliittymät, tietojoukkomme on luotu.

3. Siirrä tiedot tietojoukkoon:

   response = lookout_dataset.ingest_data(bucket, prefix + 'training-data/')

Nyt kun tietosi ovat saatavilla Amazon S3:ssa, tietojoukon luominen ja siinä olevien tietojen syöttäminen on vain kolmen koodirivin asia. Sinun ei tarvitse rakentaa pitkää JSON-skeemaa manuaalisesti. työkalupakki tunnistaa tiedostorakenteen ja rakentaa sen puolestasi. Kun tietosi on käsitelty, on aika siirtyä harjoitteluun!

Harjoittele poikkeamien havaitsemismalli

Kun tiedot on syötetty tietojoukkoon, voimme aloittaa mallin koulutusprosessin. Katso seuraava koodi:

from lookoutequipment import model lookout_model = model.LookoutEquipmentModel(model_name='my_model', dataset_name='my_dataset') lookout_model.set_time_periods(data['evaluation_start'],data['evaluation_end'],data['training_start'],data['training_end'])
lookout_model.set_label_data(bucket=bucket,prefix=prefix + 'label-data/',access_role_arn=role_arn)
lookout_model.set_target_sampling_rate(sampling_rate='PT5M') #trigger training job
response = lookout_model.train() #poll every 5 minutes to check the status of the training job
lookout_model.poll_model_training(sleep_time=300)

Ennen kuin aloitamme koulutuksen, meidän on määritettävä koulutus- ja arviointijaksot tietojoukossa. Asetamme myös Amazon S3:n sijainnin, johon merkitty data tallennetaan, ja asetimme näytteenottotaajuudelle 5 minuuttia. Kun olemme käynnistäneet koulutuksen, poll_model_training kysyy koulutustyön tilan 5 minuutin välein, kunnes koulutus on onnistunut.

Lookout for Equipment -työkalupakin koulutusmoduulin avulla voit kouluttaa mallia, jossa on alle 10 koodiriviä. Se rakentaa puolestasi kaikki matalan tason API:n tarvitsemat pituiset luontipyyntömerkkijonot, jolloin sinun ei tarvitse rakentaa pitkiä, virhealttiita JSON-dokumentteja.

Kun malli on koulutettu, voimme joko tarkistaa tulokset arviointijakson aikana tai määrittää päättelyn ajoittimen työkalupakin avulla.

Arvioi koulutettu malli

Kun malli on koulutettu, Kuvaile mallia Lookout for Equipmentin API tallentaa koulutukseen liittyvät tiedot. Tämä API palauttaa JSON-asiakirjan, jossa on kaksi kiinnostavaa kenttää arvioinnin tulosten piirtämistä varten: labeled_ranges ja predicted_ranges, jotka sisältävät tunnetut ja ennustetut poikkeamat arviointialueella. Työkalupakki tarjoaa apuohjelmia näiden lataamiseksi Pandas DataFrameen:

from lookoutequipment import evaluation LookoutDiagnostics = evaluation.LookoutEquipmentAnalysis(model_name='my_model', tags_df=data['data']) predicted_ranges = LookoutDiagnostics.get_predictions()
labels_fname = os.path.join('expander-data', 'labels.csv')
labeled_range = LookoutDiagnostics.get_labels(labels_fname)

DataFrameen alueiden lataamisen etuna on, että voimme luoda mukavia visualisointeja piirtämällä yhden alkuperäisen aikasarjan signaalista ja lisäämällä peittokuvan nimetyistä ja ennustetuista poikkeavista tapahtumista käyttämällä TimeSeriesVisualization työkalupakin luokka:

from lookoutequipment import plot TSViz = plot.TimeSeriesVisualization(timeseries_df=data['data'], data_format='tabular')
TSViz.add_signal(['signal-001'])
TSViz.add_labels(labeled_range)
TSViz.add_predictions([predicted_ranges])
TSViz.add_train_test_split(data['evaluation_start'])
TSViz.add_rolling_average(60*24)
TSViz.legend_format = {'loc': 'upper left', 'framealpha': 0.4, 'ncol': 3}
fig, axis = TSViz.plot()

Nämä muutamat koodirivit luovat juonen, jossa on seuraavat ominaisuudet:

• Viivakaavio valitulle signaalille; mallin harjoittamiseen käytetty osa näkyy sinisenä, kun taas arviointiosa on harmaa
• Liukuva keskiarvo näkyy ohuena punaisena viivana, joka peittyy aikasarjan yli
• Tarrat näkyvät vihreässä nauhassa, jossa on merkintä "Tunnetut poikkeamat" (oletuksena)
• Ennustetut tapahtumat näkyvät punaisessa nauhassa "Havaitut tapahtumat"

Työkalupakki suorittaa kaikki JSON-tiedostojen paikantamisen, lataamisen ja jäsentämisen raskaat tehtävät ja tarjoaa käyttövalmiita visualisointeja, jotka vähentävät entisestään aikaa poikkeamien havaitsemismalleistasi saada tietoa. Tässä vaiheessa työkalupakin avulla voit keskittyä tulosten tulkitsemiseen ja toimiin tuottaaksesi suoraa liiketoiminta-arvoa loppukäyttäjillesi. Näiden aikasarjavisualisointien lisäksi SDK tarjoaa muita kaavioita, kuten histogrammivertailua signaalien arvoista normaalien ja epänormaalien aikojen välillä. Lisätietoja muista visualisointiominaisuuksista, joita voit käyttää heti käyttöönoton jälkeen, katso Etsi laitteiden työkalupakin dokumentaatio.

Aikataulun päättely

Katsotaanpa, kuinka voimme ajoittaa päätelmiä työkalupakin avulla:

from lookout import scheduler #prepare dummy inference data
dataset.prepare_inference_data( root_dir='expander-data', sample_data_dict=data, bucket=bucket, prefix=prefix
) #setup the scheduler
lookout_scheduler = scheduler.LookoutEquipmentScheduler(scheduler_name='my_scheduler',model_name='my_model')
scheduler_params = { 'input_bucket': bucket, 'input_prefix': prefix + 'inference-data/input/', 'output_bucket': bucket, 'output_prefix': prefix + 'inference-data/output/', 'role_arn': role_arn, 'upload_frequency': 'PT5M', 'delay_offset': None, 'timezone_offset': '+00:00', 'component_delimiter': '_', 'timestamp_format': 'yyyyMMddHHmmss' } lookout_scheduler.set_parameters(**scheduler_params)
response = lookout_scheduler.create()

Tämä koodi luo ajoittimen, joka käsittelee yhden tiedoston joka 5. minuutti (vastaa ajastinta määritettäessä asetettua lataustiheyttä). Noin 15 minuutin kuluttua meillä pitäisi olla joitakin tuloksia saatavilla. Saadaksemme nämä tulokset Pandas DataFramen ajoittimesta, meidän on vain suoritettava seuraava komento:

results_df = lookout_scheduler.get_predictions()

Tästä eteenpäin voimme myös piirtää ennusteen ominaisuuden tärkeyden käyttämällä työkalupakin visualisointisovellusliittymiä:

event_details = pd.DataFrame(results_df.iloc[0, 1:]).reset_index()
fig, ax = plot.plot_event_barh(event_details)

Se tuottaa seuraavan ominaisuuden tärkeyden visualisoinnin esimerkkitiedoista.

Työkalupakki tarjoaa myös API:n ajastimen pysäyttämiseen. Katso seuraava koodinpätkä:

scheduler.stop()

Puhdistaa

Voit poistaa kaikki aiemmin luodut artefaktit kutsumalla delete_dataset API datajoukkomme nimellä:

dataset.delete_dataset(dataset_name='my_dataset', delete_children=True, verbose=True)

Yhteenveto

Teollisuus- ja valmistusasiakkaille puhuttaessa yleinen haaste, jota kuulemme tekoälyn ja ML:n hyödyntämisen suhteen, on valtava määrä räätälöintiä sekä erityistä kehitys- ja datatieteellistä työtä, jota tarvitaan luotettavien ja käyttökelpoisten tulosten saamiseksi. Poikkeamien havaitsemismallien kouluttaminen ja käyttökelpoisten ennakkovaroitusten saaminen monille erilaisille teollisuuskoneille on edellytys huollon vähentämiselle, korjaustyön tai jätteen vähentämiselle, tuotteiden laadun parantamiselle ja yleisen laitetehokkuuden (OEE) tai tuotelinjojen parantamiselle. Tähän asti tämä vaati valtavan määrän erityistä kehitystyötä, jota on vaikea skaalata ja ylläpitää ajan myötä.

Amazon Applied AI -palvelut, kuten Lookout for Equipment, antavat valmistajille mahdollisuuden rakentaa tekoälymalleja ilman, että heillä on käytössään monipuolinen datatieteilijöiden, tietosuunnittelijoiden ja prosessiinsinöörien tiimi. Nyt Lookout for Equipment -työkalupakin avulla kehittäjät voivat lyhentää entisestään aikaa, joka kuluu aikasarjatietojen oivallusten tutkimiseen ja toimenpiteisiin ryhtymiseen. Tämä työkalupakki tarjoaa helppokäyttöisen, kehittäjäystävällisen käyttöliittymän poikkeamien havaitsemismallien nopeaan rakentamiseen Lookout for Equipmentin avulla. Työkalulaatikko on avoimen lähdekoodin, ja kaikki SDK-koodi löytyy amazon-lookout-for-equipment-python-sdk GitHub repo. Se on saatavana myös muodossa a PyPi-paketti.

Tämä viesti kattaa vain muutamia tärkeimmistä sovellusliittymistä. Kiinnostuneet lukijat voivat tutustua työkalupakin dokumentaatio tarkastella työkalupakin edistyneempiä ominaisuuksia. Kokeile ja kerro meille mielipiteesi kommenteissa!

Tietoja Tekijät

Vikesh Pandey on Machine Learning Specialist Specialist Solutions Architect AWS:ssä, joka auttaa asiakkaita Isossa-Britanniassa ja laajemmalla EMEA-alueella suunnittelemaan ja rakentamaan ML-ratkaisuja. Työn ulkopuolella Vikesh nauttii erilaisten ruokien kokeilemisesta ja ulkoilusta.

Ioan Catana on tekoälyn ja koneoppimisen asiantuntijaratkaisujen arkkitehti AWS:ssä. Hän auttaa asiakkaita kehittämään ja skaalaamaan ML-ratkaisujaan AWS-pilvessä. Ioanilla on yli 20 vuoden kokemus pääasiassa ohjelmistoarkkitehtuurin suunnittelusta ja pilvisuunnittelusta.

Michael Hoarau on AWS:n AI/ML Specialist Solutions -arkkitehti, joka vuorottelee datatieteilijä ja koneoppimisarkkitehti hetkestä riippuen. Hän on intohimoinen tuomaan tekoälyn/ML:n tehot teollisten asiakkaidensa tiloihin ja on työskennellyt monenlaisissa ML-käyttötapauksissa poikkeavuuksien havaitsemisesta ennakoivaan tuotteen laatuun tai tuotannon optimointiin. Kun hän ei auta asiakkaita kehittämään seuraavaksi parhaita koneoppimiskokemuksia, hän nauttii tähtien tarkkailusta, matkustamisesta tai pianon soittamisesta.

• Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
• CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
• Lähde: https://aws.amazon.com/blogs/machine-learning/build-train-and-deploy-amazon-lookout-for-equipment-models-using-the-python-toolbox/