Kuinka Carrier ennustaa LVI-viat AWS Gluen ja Amazon SageMakerin avulla | Amazon Web Services

Heidän omien sanojensa mukaan "Vuonna 1902 Willis Carrier ratkaisi yhden ihmiskunnan vaikeimmista haasteista hallita sisäympäristöä nykyaikaisen ilmastointilaitteen avulla. Nykyään Carrier-tuotteet luovat mukavat ympäristöt, turvaavat maailmanlaajuisen elintarvikehuollon ja mahdollistavat elintärkeiden lääketieteellisten tarvikkeiden turvallisen kuljetuksen vaativissa olosuhteissa.

At Kantaja, menestyksemme perusta on valmistaa tuotteita, joihin asiakkaamme voivat luottaa ja pitävät ne mukavina ja turvallisina ympäri vuoden. Korkea luotettavuus ja laitteiden vähäiset seisokit ovat yhä tärkeämpiä, kun äärimmäiset lämpötilat yleistyvät ilmastonmuutoksen vuoksi. Olemme perinteisesti luottaneet kynnysarvoihin perustuviin järjestelmiin, jotka varoittavat meitä epänormaalista laitteiden käyttäytymisestä käyttämällä suunnittelutiimimme määrittämiä parametreja. Vaikka tällaiset järjestelmät ovat tehokkaita, niiden tarkoituksena on tunnistaa ja diagnosoida laiteongelmat pikemminkin kuin ennustaa niitä. Vikojen ennustaminen ennen niiden ilmenemistä antaa LVI-jälleenmyyjillemme mahdollisuuden puuttua ongelmiin ennakoivasti ja parantaa asiakaskokemusta.

Parantaaksemme laitteidemme luotettavuutta, teimme yhteistyötä Amazon Machine Learning Solutions Lab kehittää mukautettu koneoppimismalli (ML), joka pystyy ennustamaan laiteongelmat ennen vikaa. Tiimimme kehittivät puitteet yli 50 TB:n historiallisen anturidatan käsittelemiseksi ja vikojen ennustamiseksi 91 % tarkkuudella. Voimme nyt ilmoittaa jälleenmyyjille uhkaavista laitevioista, jotta he voivat ajoittaa tarkastukset ja minimoida yksikön seisokit. Ratkaisukehys on skaalautuva, kun lisää laitteita asennetaan, ja sitä voidaan käyttää uudelleen useisiin loppupään mallinnustehtäviin.

Tässä viestissä näytämme, kuinka Carrier- ja AWS-tiimit käyttivät ML:ää ennustaakseen vikoja suurissa laitteissa yhdellä mallilla. Korostamme ensin, miten käytämme AWS-liima erittäin rinnakkaiseen tietojenkäsittelyyn. Keskustellaan sitten miten Amazon Sage Maker auttaa meitä ominaisuuksien suunnittelussa ja skaalautuvan valvotun syväoppimismallin rakentamisessa.

Yleiskatsaus käyttötapauksista, tavoitteista ja riskeistä

Tämän projektin päätavoitteena on vähentää seisokkeja ennakoimalla lähestyviä laitevikoja ja ilmoittamalla jälleenmyyjille. Näin jälleenmyyjät voivat ajoittaa huollot ennakoivasti ja tarjota poikkeuksellista asiakaspalvelua. Kohtasimme kolme päähaastetta, kun työskentelimme tämän ratkaisun parissa:

• Tietojen skaalautuvuus – Tietojen käsittelyn ja ominaisuuksien poimimisen on skaalattava suuriin kasvavaan historialliseen anturitietoon
• Mallin skaalautuvuus – Mallinnusmenetelmän on kyettävä skaalaamaan yli 10,000 XNUMX yksikköä
• Mallin tarkkuus – Alhaisia ​​vääriä positiivisia kertomuksia tarvitaan tarpeettomien huoltotarkastusten välttämiseksi

Skaalautuvuus sekä datan että mallinnuksen näkökulmasta on tämän ratkaisun keskeinen vaatimus. Meillä on yli 50 teratavua historiallista laitetietoa, ja odotamme näiden tietojen kasvavan nopeasti, kun yhä useampi LVI-yksikkö yhdistetään pilveen. Tietojen käsittelyn ja mallipäätelmien on skaalattava tietomme kasvaessa. Jotta mallinnuksemme skaalautuisi yli 10,000 XNUMX yksikköön, tarvitsemme mallin, joka voi oppia useista laitteista sen sijaan, että luottaisi yksittäisen yksikön poikkeaviin lukemiin. Tämä mahdollistaa yleistyksen yksiköiden välillä ja vähentää päätelmien kustannuksia isännöimällä yhtä mallia.

Toinen tämän käyttötapauksen huolenaihe on väärien hälytysten laukaiseminen. Tämä tarkoittaa, että jälleenmyyjä tai teknikko käy paikan päällä tarkastamassa asiakkaan laitteet ja toteamassa, että kaikki toimii asianmukaisesti. Ratkaisu vaatii erittäin tarkan mallin sen varmistamiseksi, että kun jälleenmyyjälle ilmoitetaan, laite todennäköisesti epäonnistuu. Tämä auttaa ansaitsemaan jälleenmyyjien, teknikkojen ja asunnonomistajien luottamuksen ja vähentää tarpeettomiin tarkastuksiin liittyviä kustannuksia.

Teimme yhteistyötä Amazon ML Solutions Labin AI/ML-asiantuntijoiden kanssa 14 viikon kehitystyössä. Lopulta ratkaisumme sisältää kaksi pääkomponenttia. Ensimmäinen on AWS-liimalla rakennettu tietojenkäsittelymoduuli, joka tekee yhteenvedon laitteiden käyttäytymisestä ja pienentää harjoitustietojemme kokoa tehokkaan jatkokäsittelyn varmistamiseksi. Toinen on SageMakerin kautta hallittava mallin koulutuskäyttöliittymä, jonka avulla voimme kouluttaa, virittää ja arvioida malliamme ennen sen käyttöönottoa tuotannon päätepisteessä.

Tietojenkäsittely

Jokainen asentamamme LVI-yksikkö tuottaa dataa 90 eri anturista, jotka lukevat kierroslukuja, lämpötilaa ja paineita koko järjestelmässä. Tämä tarkoittaa noin 8 miljoonaa datapistettä yksikköä kohti päivässä ja kymmeniä tuhansia asennettuja yksiköitä. Kun lisää LVI-järjestelmiä on yhdistetty pilveen, odotamme datan määrän kasvavan nopeasti, mikä tekee meille kriittistä hallita sen kokoa ja monimutkaisuutta myöhempien tehtävien käyttöä varten. Anturin datahistorian pituus on myös mallinnushaaste. Yksikkö voi alkaa näyttää merkkejä lähestyvästä viasta kuukausia ennen kuin vika todella laukeaa. Tämä luo merkittävän viiveen ennakoivan signaalin ja todellisen vian välillä. Menetelmä syöttödatan pituuden pakkaamiseksi tulee kriittiseksi ML-mallinnuksessa.

Anturidatan koon ja monimutkaisuuden korjaamiseksi pakkaamme ne sykliominaisuuksiksi, kuten kuvassa 1 on esitetty. Tämä pienentää dramaattisesti datan kokoa samalla kun se tallentaa laitteen käyttäytymistä kuvaavia ominaisuuksia.

AWS Glue on palvelimeton tietojen integrointipalvelu suurten tietomäärien käsittelyyn mittakaavassa. AWS Glue antoi meille mahdollisuuden suorittaa helposti rinnakkaista tietojen esikäsittelyä ja ominaisuuksien purkamista. Käytimme AWS Glue -liimaa tunnistaaksemme syklit ja tehdäksemme yhteenvedon yksikön käyttäytymisestä insinööritiimimme tunnistamien avainominaisuuksien avulla. Tämä pienensi tietojoukkomme kokoa dramaattisesti yli 8 miljoonasta datapisteestä päivässä yksikköä kohti noin 1,200 XNUMX:aan. Ratkaisevaa on, että tämä lähestymistapa säilyttää ennustavan tiedon yksikön käyttäytymisestä paljon pienemmällä datajalanjäljellä.

AWS-liimatyön tulos on yhteenveto kunkin syklin yksikön käyttäytymisestä. Käytämme sitten an Amazon SageMaker -käsittely tehtävänä on laskea ominaisuuksia eri sykleissä ja merkitä tietomme. Muotoilemme ML-ongelman binääriseksi luokitustehtäväksi, jonka tavoitteena on ennustaa laiteviat seuraavan 60 päivän aikana. Näin jälleenmyyjäverkostomme voi puuttua mahdollisiin laitehäiriöihin ajoissa. On tärkeää huomata, että kaikki yksiköt eivät vikoja 60 päivän kuluessa. Hitaasti suorituskyvyn heikkenemistä kokevan yksikön vikaantuminen voi kestää kauemmin. Käsittelemme tämän mallin arviointivaiheessa. Keskitimme mallinnuksemme kesäaikaan, koska useimmat USA:n LVI-järjestelmät ovat näinä kuukausina tasaisessa toiminnassa ja äärimmäisissä olosuhteissa.

Modeling

Muuntajaarkkitehtuureista on tullut ajantasaisen tiedon käsittelytapa. He voivat käyttää pitkiä historiallisen datan sarjoja jokaisessa aikavaiheessa kärsimättä katoavista gradienteista. Tiettynä ajankohtana mallimme syöte koostuu 128 edellisen laitejakson ominaisuuksista, mikä vastaa noin viikon yksikön toimintaa. Tämä käsitellään kolmikerroksisella enkooderilla, jonka lähdöstä lasketaan keskiarvo ja se syötetään monikerroksiseen perceptroni (MLP) luokittimeen. MLP-luokitin koostuu kolmesta lineaarisesta kerroksesta, joissa on ReLU-aktivointitoiminnot, ja viimeisestä kerroksesta, jossa on LogSoftMax-aktivointi. Käytämme tappiofunktiossamme painotettua negatiivista log-todennäköisyyshäviötä eri painolla positiivisessa luokassa. Tämä painottaa malliamme korkeaan tarkkuuteen ja välttää kalliit väärät hälytykset. Se myös sisällyttää liiketoimintatavoitteemme suoraan mallikoulutusprosessiin. Kuva 2 esittää muuntajan arkkitehtuuria.

koulutus

Yksi haaste tämän ajallisen oppimismallin koulutuksessa on tietojen epätasapaino. Joillakin yksiköillä on pidempi toimintahistoria kuin toisilla, ja siksi niillä on enemmän jaksoja tietojoukossamme. Koska ne ovat yliedustettuina tietojoukossa, näillä yksiköillä on enemmän vaikutusta malliimme. Ratkaisemme tämän ottamalla satunnaisesti näytteen 100 jaksoa yksikön historiasta, jolloin arvioimme vian todennäköisyyttä tuolloin. Tämä varmistaa, että jokainen yksikkö on tasapuolisesti edustettuna koulutusprosessin aikana. Samalla kun tämä lähestymistapa poistaa epätasapainoisen datan ongelman, sen lisäetu on, että siinä toistetaan eräkäsittelytapa, jota käytetään tuotannossa. Tätä otantamenetelmää sovellettiin koulutukseen, validointiin ja testisarjoihin.

Koulutus suoritettiin GPU-kiihdytetyllä ilmentymällä SageMakerissa. Häviön seuranta osoittaa, että se saavuttaa parhaat tulokset 180 harjoitusjakson jälkeen, kuten kuvassa 3 näkyy. Kuva 4 osoittaa, että tuloksena olevan ajallisen luokitusmallin ROC-käyrän alla oleva pinta-ala on 81 %.

Kuva 3: Harjoitteluhäviö aikakausittain

Kuva 4: ROC-AUC 60 päivän lockoutille

Arviointi

Vaikka malliamme koulutetaan syklitasolla, arvioinnin on tapahduttava yksikkötasolla. Tällä tavalla yksi yksikkö, jossa on useita tosipositiivisia havaintoja, lasketaan edelleen vain yhdeksi todelliseksi positiiviseksi yksikkötasolla. Tätä varten analysoimme päällekkäisyyttä ennustettujen tulosten ja vikaa edeltävän 60 päivän välillä. Tämä on havainnollistettu seuraavassa kuvassa, joka näyttää neljä tapausta ennustaa tuloksia:

• Tosi negatiivinen – Kaikki ennustetulokset ovat negatiivisia (violetti) (kuva 5)
• Väärä positiivinen – Positiiviset ennusteet ovat vääriä hälytyksiä (kuva 6)
• Väärä negatiivinen – Vaikka ennusteet ovat kaikki negatiivisia, todelliset merkinnät voivat olla positiivisia (vihreitä) (Kuva 7)
• Tosi positiivista – Osa ennusteista voi olla negatiivinen (vihreä), ja ainakin yksi ennuste on positiivinen (keltainen) (Kuva 8)

Kuva 5.1: Todellinen negatiivinen tapaus	Kuva 5.2: Väärä positiivinen tapaus
Kuva 5.3: Väärä negatiivinen tapaus	Kuva 5.4: Todellinen positiivinen tapaus

Harjoittelun jälkeen käytämme arviointisarjaa hälytyksen lähettämisen kynnyksen virittämiseen. Mallin luottamuskynnyksen asettaminen arvoon 0.99 antaa noin 81 prosentin tarkkuuden. Tämä ei vastaa alkuperäistä 90 prosentin menestyskriteeriämme. Huomasimme kuitenkin, että suuri osa yksiköistä epäonnistui juuri 60 päivän arviointiikkunan ulkopuolella. Tämä on järkevää, koska yksikkö voi aktiivisesti näyttää viallista toimintaa, mutta epäonnistuminen kestää yli 60 päivää. Tämän käsittelemiseksi määritimme mittarin nimeltä tehokas tarkkuus, joka on yhdistelmä todellista positiivista tarkkuutta (81 %) ja lukitusten lisätarkkuutta, jotka tapahtuivat 30 päivän aikana tavoite60 päivän ikkunan jälkeen.

LVI-jälleenmyyjälle tärkeintä on, että paikan päällä tehtävä tarkastus auttaa estämään asiakkaan tulevat LVI-ongelmat. Arvioimme tätä mallia käyttämällä, että 81.2 % tapauksista tarkastuksella estää työsulun tapahtumisen seuraavien 60 päivän aikana. Lisäksi 10.4 % ajasta työsulku olisi tapahtunut 90 päivän sisällä tarkastuksesta. Loput 8.4 % on väärä hälytys. Koulutetun mallin tehollinen tarkkuus on 91.6 %.

Yhteenveto

Tässä viestissä näytimme, kuinka tiimimme käytti AWS Gluea ja SageMakeria luodakseen skaalautuvan valvotun oppimisratkaisun ennakoivaa ylläpitoa varten. Mallimme pystyy tallentamaan trendejä anturitietojen pitkän aikavälin historiassa ja havaitsemaan tarkasti satoja laitevikoja viikkoja etukäteen. Vikojen ennustaminen etukäteen lyhentää kulkureittiä, jolloin jälleenmyyjämme voivat tarjota oikea-aikaisempaa teknistä apua ja parantaa yleistä asiakaskokemusta. Tämän lähestymistavan vaikutukset kasvavat ajan myötä, kun pilvipalveluun liitettyjä LVI-laitteita asennetaan joka vuosi.

Seuraava askel on integroida nämä oivallukset tulevaan Carrier's Connected Dealer Portal -julkaisuun. Portaali yhdistää nämä ennakoivat hälytykset muihin AWS-pohjaisesta datajärvestämme saamiimme oivalluksiin antaakseen jälleenmyyjillemme enemmän selvyyttä laitteiden kunnosta koko asiakaskunnassa. Jatkamme mallimme parantamista integroimalla tietoja muista lähteistä ja poimimalla edistyneempiä ominaisuuksia anturitiedoistamme. Tässä projektissa käytetyt menetelmät antavat tiimillemme vahvan pohjan alkaa vastata muihin keskeisiin kysymyksiin, jotka voivat auttaa meitä vähentämään takuuvaatimuksia ja parantamaan laitteiden tehokkuutta kentällä.

Jos haluat apua ML: n käytön nopeuttamisessa tuotteissasi ja palveluissasi, ota yhteyttä Amazon ML Solutions Lab. Lisätietoja tässä projektissa käytetyistä palveluista on osoitteessa AWS Glue -kehittäjän opas ja Amazon SageMaker -kehitysopas.

---

Tietoja Tekijät

Ravi Patankar on IoT:hen liittyvän analytiikan tekninen johtaja Carrier's Residential HVAC Unitissa. Hän muotoilee diagnostiikkaan ja ennustamiseen liittyviä analytiikkaongelmia ja ohjaa ML/deep learning -pohjaisia ​​analytiikkaratkaisuja ja arkkitehtuuria.

Dan Volk on datatutkija AWS Generative AI Innovation Centerissä. Hänellä on kymmenen vuoden kokemus koneoppimisesta, syväoppimisesta ja aikasarjaanalyysistä, ja hänellä on datatieteen maisterin tutkinto UC Berkeleystä. Hän on intohimoinen monimutkaisten liiketoimintahaasteiden muuttamiseksi mahdollisuuksiksi hyödyntämällä huippuluokan tekoälyteknologiaa.

Yingwei Yu on soveltuva tutkija AWS Generative AI Innovation Centerissä. Hänellä on kokemusta työskentelystä useiden organisaatioiden kanssa eri toimialoilla erilaisten koneoppimisen todisteiden parissa, mukaan lukien NLP, aikasarjaanalyysi ja generatiiviset tekoälyteknologiat. Yingwei valmistui tietojenkäsittelytieteen tohtoriksi Texas A&M -yliopistosta.

Yanxiang Yu on soveltuva tutkija Amazon Web Servicesissä ja työskentelee Generative AI Innovation Centerissä. Hänellä on yli 8 vuoden kokemus tekoäly- ja koneoppimismallien rakentamisesta teollisiin sovelluksiin, ja hän on erikoistunut generatiiviseen tekoälyyn, tietokonenäköön ja aikasarjamallinnukseen. Hänen työnsä keskittyy löytämään innovatiivisia tapoja soveltaa kehittyneitä generatiivisia tekniikoita todellisiin ongelmiin.

Diego Socolinsky on Senior Applied Science Manager AWS Generative AI Innovation Centerissä, jossa hän johtaa toimitustiimiä Itä-USA:n ja Latinalaisen Amerikan alueilla. Hänellä on yli kahdenkymmenen vuoden kokemus koneoppimisesta ja tietokonenäöstä, ja hänellä on tohtorin tutkinto matematiikasta Johns Hopkins -yliopistosta.

Kexin Ding on viidennen vuoden Ph.D. Tietojenkäsittelytieteen kandidaatti UNC-Charlottessa. Hänen tutkimuksensa keskittyy syväoppimismenetelmien soveltamiseen multimodaalisen datan, mukaan lukien lääketieteellisen kuvan ja genomiikan sekvensointidatan, analysointiin.

• 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.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• ChartPrime. Nosta kaupankäyntipeliäsi ChartPrimen avulla. Pääsy tästä.
• BlockOffsets. Ympäristövastuun omistuksen nykyaikaistaminen. Pääsy tästä.
• Lähde: https://aws.amazon.com/blogs/machine-learning/how-carrier-predicts-hvac-faults-using-aws-glue-and-amazon-sagemaker/