Ennakoiva huolto on kriittistä autoteollisuudessa, koska sillä voidaan välttää mekaanisia vikoja ja toimintaa häiritseviä reaktiivisia huoltotoimia. Ennakoimalla ajoneuvon viat ja ajoittamalla huolto- ja korjaustyöt vähennät seisokkeja, parannat turvallisuutta ja lisäät tuottavuutta.
Mitä jos voisimme soveltaa syväoppimistekniikoita yleisiin tiloihin, jotka aiheuttavat ajoneuvon vikoja, suunnittelemattomia seisokkeja ja korjauskustannuksia?
Tässä viestissä näytämme, kuinka koulutetaan ja otetaan käyttöön malli ajoneuvokannan vikojen todennäköisyyden ennustamiseksi Amazon SageMaker JumpStart. SageMaker Jumpstart on koneoppimiskeskus (ML). Amazon Sage Maker, joka tarjoaa valmiiksi koulutettuja, julkisesti saatavilla olevia malleja monenlaisille ongelmatyypeille, jotka auttavat sinua pääsemään alkuun ML:n kanssa. Viestissä kuvattu ratkaisu on saatavilla osoitteessa GitHub.
SageMaker JumpStart -ratkaisumallit
SageMaker JumpStart tarjoaa yhden napsautuksen, päästä päähän -ratkaisuja moniin yleisiin ML-käyttötapauksiin. Tutustu seuraaviin käyttötapauksiin saadaksesi lisätietoja käytettävissä olevista ratkaisumalleista:
SageMaker JumpStart -ratkaisumallit kattavat erilaisia käyttötapauksia, joista jokaisen alla on tarjolla useita erilaisia ratkaisumalleja (ratkaisu tässä viestissä, Ennakoiva huolto ajoneuvokantoille, on Ratkaisumme jakso). Valitse SageMaker JumpStart -aloitussivulta ratkaisumalli, joka sopii parhaiten käyttötilanteeseesi. Lisätietoja yksittäisistä ratkaisuista kussakin käyttötapauksessa ja SageMaker JumpStart -ratkaisun käynnistämisestä on kohdassa Ratkaisumallit.
Ratkaisun yleiskatsaus
Autokalustojen ennakoiva huoltoratkaisu AWS soveltaa syväoppimistekniikoita yleisiin tiloihin, jotka aiheuttavat ajoneuvovikoja, suunnittelemattomia seisokkeja ja korjauskustannuksia. Se toimii ensimmäisenä rakennuspalikkana, jonka avulla pääset konseptin todisteeseen lyhyessä ajassa. Tämä ratkaisu sisältää SageMakerin tietojen valmistelu- ja visualisointitoiminnot, ja sen avulla voit kouluttaa ja optimoida syväoppimismallien hyperparametreja tietojoukollesi. Voit käyttää omia tietojasi tai kokeilla ratkaisua synteettisellä tietojoukolla osana tätä ratkaisua. Tämä versio käsittelee ajoneuvon anturitietoja ajan myötä. Myöhempi versio käsittelee huoltotietueiden tiedot.
Seuraava kaavio osoittaa, kuinka voit käyttää tätä ratkaisua SageMaker-komponenttien kanssa. Osana ratkaisua käytetään seuraavia palveluita:
- Amazon S3 - Käytämme Amazonin yksinkertainen tallennuspalvelu (Amazon S3) tiedostojen tallentamiseen
- SageMaker-muistikirja – Käytämme muistikirjaa tietojen esikäsittelyyn ja visualisointiin sekä syväoppimismallin kouluttamiseen
- SageMaker-päätepiste – Käytämme päätepistettä koulutetun mallin käyttöönotossa
Työnkulku sisältää seuraavat vaiheet:
- Fleet Management System -järjestelmästä luodaan ote historiallisista tiedoista, jotka sisältävät ajoneuvotiedot ja anturilokit.
- Kun ML-malli on koulutettu, SageMaker-mallin artefakti otetaan käyttöön.
- Yhdistetty ajoneuvo lähettää anturilokit osoitteeseen AWS IoT -ydin (vaihtoehtoisesti HTTP-liittymän kautta).
- Anturin lokit säilytetään kautta Amazon Kinesis Data Firehose.
- Anturin lokit lähetetään osoitteeseen AWS Lambda kyselyyn mallia vastaan ennusteiden tekemiseksi.
- Lambda lähettää anturilokit Sagemaker-mallin päättelyyn ennusteita varten.
- Ennusteet jatkuvat Amazon Aurora.
- Kootulokset näkyvät kuvassa Amazon QuickSight kojelautaan.
- Reaaliaikaiset ilmoitukset ennustetusta epäonnistumistodennäköisyydestä lähetetään osoitteeseen Amazonin yksinkertainen ilmoituspalvelu (Amazon SNS).
- Amazon SNS lähettää ilmoitukset takaisin yhdistettyyn ajoneuvoon.
Ratkaisu koostuu kuudesta muistikirjasta:
- 0_demo.ipynb – Nopea esikatselu ratkaisustamme
- 1_introduction.ipynb – Johdanto ja ratkaisukatsaus
- 2_data_preparation.ipynb – Valmistele näytetietojoukko
- 3_data_visualization.ipynb – Visualisoi näyteaineistomme
- 4_model_training.ipynb – Kouluta malli mallitietojoukostamme virheiden havaitsemiseksi
- 5_results_analysis.ipynb – Analysoimme harjoittelemamme mallin tuloksia
Edellytykset
Amazon SageMaker Studio on SageMakerin integroitu kehitysympäristö (IDE), joka tarjoaa meille kaikki tarvitsemamme ML-ominaisuudet yhdessä lasissa. Ennen kuin voimme suorittaa SageMaker JumpStart -sovelluksen, meidän on määritettävä SageMaker Studio. Voit ohittaa tämän vaiheen, jos sinulla on jo oma versio SageMaker Studiosta käynnissä.
Ensimmäinen asia, joka meidän on tehtävä ennen kuin voimme käyttää AWS-palveluita, on varmistaa, että olemme rekisteröityneet ja luoneet AWS-tilin. Sitten luomme järjestelmänvalvojan käyttäjän ja ryhmän. Katso molempien vaiheiden ohjeet kohdasta Määritä Amazon SageMakerin edellytykset.
Seuraava vaihe on SageMaker-verkkotunnuksen luominen. Verkkotunnus määrittää kaiken tallennustilan ja antaa sinun lisätä käyttäjiä käyttämään SageMakeria. Lisätietoja on kohdassa Sisääntulo Amazon SageMaker -verkkotunnukseen. Tämä demo on luotu AWS-alueella us-east-1.
Lopuksi käynnistät SageMaker Studion. Tätä viestiä varten suosittelemme käyttäjäprofiilisovelluksen käynnistämistä. Katso ohjeet kohdasta Käynnistä Amazon SageMaker Studio.
Jos haluat käyttää tätä SageMaker JumpStart -ratkaisua ja saada infrastruktuurin käyttöön AWS-tilillesi, sinun on luotava aktiivinen SageMaker Studio -esiintymä (katso Laivalla Amazon SageMaker Studioon). Kun esiintymäsi on valmis, käytä ohjeita SageMaker JumpStart käynnistää ratkaisu. Ratkaisun artefaktit sisältyvät tähän GitHub-arkisto viite.
Käynnistä SageMaker Jumpstart -ratkaisu
Aloita ratkaisun käyttäminen suorittamalla seuraavat vaiheet:
- Valitse SageMaker Studio -konsolissa Kaapelikäynnistys.
- On Ratkaisumme välilehti, valitse Ennakoiva huolto ajoneuvokantoille.
- Valita Käynnistää.
Ratkaisun käyttöönotto kestää muutaman minuutin. - Kun ratkaisu on otettu käyttöön, valitse Avaa muistikirja.
Jos sinua kehotetaan valitsemaan ydin, valitse PyTorch 1.8 Python 3.6 kaikille tämän ratkaisun muistikirjoille.
Ratkaisun esikatselu
Työskentelemme ensin 0_demo.ipynb
muistikirja. Tässä muistikirjassa voit saada nopean esikatselun siitä, miltä lopputulos näyttää, kun täytät tämän ratkaisun koko muistikirjan.
Valita ajaa ja Suorita kaikki solut suorittaaksesi kaikki solut SageMaker Studiossa (tai Solu ja Suorita kaikki SageMaker-muistikirjan instanssissa). Voit suorittaa jokaisen muistikirjan kaikki solut peräkkäin. Varmista, että kaikkien solujen käsittely on valmis, ennen kuin siirryt seuraavaan muistikirjaan.
Tämä ratkaisu käyttää konfigurointitiedostoa valmiiden AWS-resurssien suorittamiseksi. Luomme tiedoston seuraavasti:
Meillä on näyteaikasarjan syöttötietoja, jotka koostuvat ajoneuvon akun jännitteestä ja akun virrasta ajan kuluessa. Seuraavaksi lataamme ja visualisoimme näytetiedot. Kuten seuraavissa kuvakaappauksissa näkyy, jännite- ja virta-arvot ovat Y-akselilla ja lukemat (19 tallennettua lukemaa) ovat X-akselilla.
Olemme aiemmin kouluttaneet mallin näillä jännite- ja virtatiedoilla, jotka ennustavat ajoneuvon vian todennäköisyyden, ja olemme käyttäneet mallia päätepisteenä SageMakerissa. Kutsumme tätä päätepistettä joidenkin esimerkkitietojen kanssa määrittääksemme epäonnistumisen todennäköisyyden seuraavan ajanjakson aikana.
Kun otetaan huomioon otossyöttötiedot, ennustettu epäonnistumisen todennäköisyys on 45.73%.
Siirry seuraavaan vaiheeseen valitsemalla Klikkaa tästä jatkaaksesi.
Johdanto ja ratkaisun yleiskatsaus
- 1_introduction.ipynb
muistikirja tarjoaa yleiskatsauksen ratkaisusta ja vaiheista sekä tarkastelun konfiguraatiotiedostossa, jossa on sisällön määrittely, tietojen näytteenottojakso, juna- ja testinäytteiden määrä, parametrit, sijainti ja sarakkeiden nimet luodulle sisällölle.
Kun olet tarkistanut tämän muistikirjan, voit siirtyä seuraavaan vaiheeseen.
Valmistele näytetietojoukko
Valmistelemme mallitietojoukon 2_data_preparation.ipynb
muistikirja.
Luomme ensin määritystiedoston tälle ratkaisulle:
Konfiguroinnin ominaisuudet ovat seuraavat:
Voit määrittää oman tietojoukon tai käyttää komentosarjojamme mallitietojoukon luomiseen:
Voit yhdistää anturitiedot ja ajoneuvokannan tiedot yhteen:
Nyt voimme siirtyä datan visualisointiin.
Visualisoi näyteaineistomme
Visualisoimme näytetietojoukon sisään 3_data_vizualization.ipynb
. Tämä ratkaisu käyttää konfigurointitiedostoa valmiiden AWS-resurssien suorittamisessa. Luodaan edellisen muistikirjan kaltainen tiedosto.
Seuraava kuvakaappaus näyttää datajoukkomme.
Seuraavaksi rakennetaan tietojoukko:
Nyt kun tietojoukko on valmis, visualisoidaan datatilastot. Seuraava kuvakaappaus näyttää tietojen jakautumisen ajoneuvomerkin, moottorityypin, ajoneuvoluokan ja mallin mukaan.
Vertaamalla lokitietoja, katsotaanpa esimerkkiä eri vuosien keskijännitteestä Make E:lle ja C:lle (satunnainen).
Jännitteen ja virran keskiarvo on Y-akselilla ja lukemien lukumäärä X-akselilla.
- Mahdolliset arvot log_targetille: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- Satunnaisesti määritetty arvo kohteelle
log_target: make
- Satunnaisesti määritetty arvo kohteelle
- Mahdolliset arvot log_target_value1:lle: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Satunnaisesti määritetty arvo kohteelle
log_target_value1: Make B
- Satunnaisesti määritetty arvo kohteelle
- Mahdolliset arvot log_target_value2:lle: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Satunnaisesti määritetty arvo kohteelle
log_target_value2: Make D
- Satunnaisesti määritetty arvo kohteelle
Yllä olevan perusteella oletamme log_target: make
, log_target_value1: Make B
ja log_target_value2: Make D
Seuraavat kaaviot erittelevät lokitietojen keskiarvon.
Seuraavat kaaviot havainnollistavat esimerkkiä erilaisista anturin lokiarvoista jännitteen ja virran suhteen.
Harjoittele mallia esimerkkitietojoukostamme virheiden havaitsemiseksi
In 4_model_training.ipynb
muistikirja, koulutamme mallin mallitietojoukostamme havaitsemaan viat.
Luodaan konfiguraatiotiedosto, joka on samanlainen kuin edellisessä muistikirjassa, ja jatka sitten harjoitusmäärityksiä:
Analysoi harjoittelemamme mallin tulokset
In 5_results_analysis.ipynb
Notebook, saamme dataa hyperparametrien viritystyöstämme, visualisoimme kaikkien töiden mittareita parhaan työn tunnistamiseksi ja rakennamme päätepisteen parhaalle koulutustyölle.
Luodaan edellisen muistikirjan kaltainen konfiguraatiotiedosto ja visualisoidaan kaikkien töiden mittarit. Seuraava kaavio visualisoi testin tarkkuuden vs. epookki.
Seuraava kuvakaappaus näyttää suorittamamme hyperparametrien viritystyöt.
Voit nyt visualisoida parhaan harjoitustyön tiedot (neljästä koulutustyöstä) testin tarkkuuden (punainen) perusteella.
Kuten seuraavissa kuvakaappauksissa näemme, testihäviö pienenee ja AUC ja tarkkuus kasvavat jaksoittain.
Visualisointien perusteella voimme nyt rakentaa päätepisteen parhaalle koulutustyölle:
Kun olemme rakentaneet päätepisteen, voimme testata ennustajaa välittämällä sille näyteanturin lokit:
Kun otetaan huomioon otossyöttötiedot, ennustettu epäonnistumisen todennäköisyys on 34.60%.
Puhdistaa
Kun olet valmis käyttämään tätä ratkaisua, varmista, että poistat kaikki ei-toivotut AWS-resurssit. Käytössä Ennakoiva huolto ajoneuvokantoille sivun alla Poista ratkaisu, valitse Poista kaikki resurssit poistaaksesi kaikki ratkaisuun liittyvät resurssit.
Sinun on poistettava manuaalisesti kaikki ylimääräiset resurssit, jotka olet luonut tähän muistikirjaan. Joitakin esimerkkejä ovat ylimääräiset S3-säilöt (ratkaisun oletussäilöön) ja ylimääräiset SageMaker-päätepisteet (käyttäen mukautettua nimeä).
Mukauta ratkaisua
Ratkaisumme on helppo muokata. Jos haluat muokata syötetietojen visualisointeja, katso sagemaker/3_data_visualization.ipynb. Jos haluat mukauttaa koneoppimista, katso sagemaker/source/train.py ja sagemaker/source/dl_utils/network.py. Jos haluat mukauttaa tietojoukon käsittelyä, katso sagemaker/1_introduction.ipynb kuinka määrität konfigurointitiedoston.
Lisäksi voit muuttaa kokoonpanoa asetustiedostossa. Oletuskokoonpano on seuraava:
Konfig-tiedostossa on seuraavat parametrit:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
jatest_dataset_fn
määrittää tietojoukkotiedostojen sijainnitvehicle_id_column
,timestamp_column
,target_column
japeriod_column
määrittää sarakkeiden otsikotdataset_size
,chunksize
,processing_chunksize
,period_ms
jawindow_length
määrittää tietojoukon ominaisuudet
Yhteenveto
Tässä viestissä näytimme sinulle, kuinka koulutetaan ja otetaan käyttöön malli ajoneuvokannan vikojen todennäköisyyden ennustamiseksi SageMaker JumpStartin avulla. Ratkaisu perustuu ML- ja syväoppimismalleihin ja mahdollistaa laajan valikoiman syöttödataa, mukaan lukien kaikki ajassa vaihtelevat anturitiedot. Koska jokaisessa ajoneuvossa on erilainen telemetria, voit hienosäätää toimitettua mallia käytettävissäsi olevien tietojen taajuuden ja tyypin mukaan.
Saat lisätietoja siitä, mitä voit tehdä SageMaker JumpStart -sovelluksella, katso seuraava:
Esittelymateriaalit
Tietoja Tekijät
Rajakumar Sampathkumar on AWS:n pääasiallinen tekninen asiakaspäällikkö, joka opastaa asiakkaita liiketoiminta-teknologian yhteensovittamisessa ja tukee heidän pilvitoimintamalliensa ja -prosessiensa uudelleenkeksimistä. Hän on intohimoinen pilvi- ja koneoppimiseen. Raj on myös koneoppimisen asiantuntija ja työskentelee AWS-asiakkaiden kanssa heidän AWS-työkuormien ja -arkkitehtuurien suunnittelussa, käyttöönotossa ja hallinnassa.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. Autot / sähköautot, hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- BlockOffsets. Ympäristövastuun omistuksen nykyaikaistaminen. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :on
- :On
- ][s
- $ YLÖS
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- Meistä
- edellä
- pääsy
- Mukaan
- Tili
- tarkkuus
- poikki
- aktiivinen
- toiminta
- lisätä
- hallinnollinen
- Jälkeen
- vastaan
- suuntaus
- Kaikki
- mahdollistaa
- jo
- Myös
- Amazon
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- analysoida
- ja
- Kaikki
- sovelluksen
- käyttää
- OVAT
- alueet
- AS
- osoitettu
- liittyvä
- olettaa
- At
- Automotive
- saatavissa
- välttää
- AWS
- Akseli
- takaisin
- perustua
- akku
- koska
- ennen
- PARAS
- Tukkia
- elin
- edistää
- sekä
- Tauko
- rakentaa
- Rakentaminen
- by
- soittaa
- CAN
- Voi saada
- tapaus
- tapauksissa
- Solut
- muuttaa
- Valita
- luokka
- asiakas
- pilvi
- Sarake
- Yhteinen
- täydellinen
- osat
- käsite
- Konfigurointi
- kytketty
- Koostuu
- muodostuu
- Console
- sisältää
- pitoisuus
- kustannukset
- voisi
- kattaa
- luoda
- luotu
- kriittinen
- Nykyinen
- asiakassuhde
- Asiakkaat
- räätälöidä
- kojelauta
- tiedot
- Tietojen valmistelu
- datan visualisointi
- Lasku
- syvä
- syvä oppiminen
- oletusarvo
- määritelmä
- esittely
- osoittaa
- sijoittaa
- käyttöön
- Malli
- Määrittää
- Kehitys
- eri
- näyttöön
- Häiritä
- jakelu
- do
- verkkotunnuksen
- alas
- seisokkeja
- ajaa
- e
- kukin
- muu
- päittäin
- päätepiste
- Moottori
- varmistaa
- ympäristö
- aikakausi
- aikakausia
- Joka
- esimerkki
- Esimerkit
- tutkia
- lisää
- uute
- Epäonnistuminen
- väärä
- Ominaisuudet
- harvat
- filee
- viimeistely
- Etunimi
- LAIVASTON
- jälkeen
- seuraa
- varten
- neljä
- Taajuus
- alkaen
- koko
- toiminnallisuus
- tuottaa
- syntyy
- generaattori
- saada
- tietty
- lasi-
- GPU
- kaaviot
- Ryhmä
- ohjaus
- Olla
- he
- otsikot
- auttaa
- tätä
- historiallinen
- Miten
- Miten
- HTML
- http
- HTTPS
- Napa
- Hyperparametrien optimointi
- Hyperparametrien viritys
- i
- tunnistaa
- if
- tuoda
- parantaa
- in
- sisältää
- mukana
- sisältää
- Mukaan lukien
- Kasvaa
- teollisuuden
- tiedot
- Infrastruktuuri
- ensimmäinen
- aloittaa
- panos
- esimerkki
- ohjeet
- integroitu
- liitäntä
- tulee
- esittely
- Esineiden internet
- IT
- Job
- Työpaikat
- jpg
- json
- avaimet
- lasku
- käynnistää
- käynnistäminen
- OPPIA
- oppiminen
- tasot
- pitää
- kuormitus
- paikallinen
- sijainti
- log
- katso
- näyttää joltakin
- pois
- kone
- koneoppiminen
- huolto
- tehdä
- hoitaa
- johto
- johtaja
- käsin
- monet
- Maksimoida
- Saattaa..
- tarkoittaa
- mekaaninen
- mennä
- Metrics
- minuuttia
- ML
- malli
- mallit
- muokata
- lisää
- liikkua
- liikkuvat
- nimi
- nimet
- Tarve
- seuraava
- muistikirja
- ilmoituksen
- ilmoitukset
- nyt
- numero
- of
- tarjotaan
- on
- ONE
- vain
- avata
- toiminta
- Operations
- optimointi
- Optimoida
- or
- OS
- Muut
- meidän
- ulos
- Tulos
- hahmoteltu
- yli
- yleiskatsaus
- oma
- sivulla
- lasi
- parametrit
- osa
- Ohimenevä
- intohimoinen
- polku
- aika
- Platon
- Platonin tietotieto
- PlatonData
- Ole hyvä
- Kirje
- ennustaa
- ennusti
- ennustamiseen
- Ennusteet
- Predictor
- ennustaa
- valmistelu
- Valmistella
- preview
- edellinen
- aiemmin
- Pääasiallinen
- Ongelma
- prosessi
- Prosessit
- käsittely
- tuottavuus
- Profiili
- todiste
- todiste käsitteestä
- ominaisuudet
- mikäli
- tarjoaa
- tarjoamalla
- julkisesti
- Python
- pytorch
- nopea
- satunnainen
- alue
- valmis
- suositella
- ennätys
- kirjataan
- punainen
- vähentää
- alue
- korjaus
- Esittelymateriaalit
- vastaus
- tulokset
- palata
- arviot
- Rooli
- ajaa
- juoksu
- Turvallisuus
- sagemaker
- Esimerkkitietojoukko
- aikataulutus
- kuvakaappauksia
- skriptejä
- Osa
- nähdä
- lähettää
- lähetetty
- Sarjat
- palvelee
- Palvelut
- Istunto
- setti
- Setit
- useat
- Lyhyt
- näyttää
- osoittivat
- esitetty
- Näytä
- allekirjoitettu
- samankaltainen
- Yksinkertainen
- single
- SIX
- ratkaisu
- Ratkaisumme
- jonkin verran
- lähde
- asiantuntija
- erityinen
- Vaihe
- vaiheissa
- alkoi
- tilasto
- Vaihe
- Askeleet
- Levytila
- verkkokaupasta
- studio
- myöhempi
- Tukea
- varma
- synteettinen
- järjestelmä
- vie
- Tekninen
- tekniikat
- sapluuna
- malleja
- testi
- että
- -
- heidän
- sitten
- asia
- tätä
- aika
- Aikasarja
- aikaleima
- että
- yhdessä
- Juna
- koulutettu
- koulutus
- yrittää
- tyyppi
- tyypit
- varten
- toivottuja
- us
- käyttää
- käyttölaukku
- käytetty
- käyttäjä
- Käyttäjät
- käyttämällä
- arvo
- arvot
- lajike
- ajoneuvo
- versio
- kautta
- visualisointi
- Voltti
- Jännite
- vs
- W
- we
- verkko
- verkkopalvelut
- Mitä
- kun
- joka
- leveä
- Laaja valikoima
- tulee
- with
- sisällä
- Referenssit
- työnkulku
- toimii
- X
- yaml
- vuotta
- Voit
- Sinun
- zephyrnet