La maintenance prédictive est essentielle dans les industries automobiles car elle peut éviter les pannes mécaniques inattendues et les activités de maintenance réactive qui perturbent les opérations. En prédisant les pannes des véhicules et en planifiant l'entretien et les réparations, vous réduisez les temps d'arrêt, améliorez la sécurité et augmentez les niveaux de productivité.
Et si nous pouvions appliquer des techniques d'apprentissage en profondeur aux domaines communs qui entraînent des pannes de véhicules, des temps d'arrêt imprévus et des coûts de réparation ?
Dans cet article, nous vous montrons comment entraîner et déployer un modèle pour prédire la probabilité de défaillance d'une flotte de véhicules à l'aide de Amazon SageMaker JumpStart. SageMaker Jumpstart est le centre d'apprentissage automatique (ML) de Amazon Sage Maker, fournissant des modèles pré-formés et accessibles au public pour un large éventail de types de problèmes pour vous aider à démarrer avec le ML. La solution décrite dans le message est disponible sur GitHub.
Modèles de solution SageMaker JumpStart
SageMaker JumpStart fournit des solutions de bout en bout en un clic pour de nombreux cas d'utilisation courants de ML. Explorez les cas d'utilisation suivants pour plus d'informations sur les modèles de solution disponibles :
Les modèles de solution SageMaker JumpStart couvrent une variété de cas d'utilisation, sous chacun desquels plusieurs modèles de solution différents sont proposés (la solution dans ce post, Maintenance prédictive pour les flottes de véhicules, est dans le Solutions section). Choisissez le modèle de solution qui correspond le mieux à votre cas d'utilisation sur la page d'accueil SageMaker JumpStart. Pour plus d'informations sur les solutions spécifiques à chaque cas d'utilisation et sur la façon de lancer une solution SageMaker JumpStart, voir Modèles de solutions.
Vue d'ensemble de la solution
La solution de maintenance prédictive AWS pour les flottes automobiles applique des techniques d'apprentissage en profondeur aux zones communes qui entraînent des pannes de véhicules, des temps d'arrêt imprévus et des coûts de réparation. Il sert de bloc de construction initial pour vous permettre d'obtenir une preuve de concept en peu de temps. Cette solution contient des fonctionnalités de préparation et de visualisation des données dans SageMaker et vous permet de former et d'optimiser les hyperparamètres des modèles d'apprentissage en profondeur pour votre ensemble de données. Vous pouvez utiliser vos propres données ou essayer la solution avec un jeu de données synthétique dans le cadre de cette solution. Cette version traite les données des capteurs du véhicule au fil du temps. Une version ultérieure traitera les données du dossier de maintenance.
Le diagramme suivant montre comment vous pouvez utiliser cette solution avec les composants SageMaker. Dans le cadre de la solution, les services suivants sont utilisés :
- Amazon S3 - Nous utilisons Service de stockage simple Amazon (Amazon S3) pour stocker des ensembles de données
- Bloc-notes SageMaker – Nous utilisons un notebook pour prétraiter et visualiser les données, et pour former le modèle d'apprentissage en profondeur
- Point de terminaison SageMaker – Nous utilisons le point de terminaison pour déployer le modèle formé
Le workflow comprend les étapes suivantes:
- Un extrait des données historiques est créé à partir du système de gestion de flotte contenant les données du véhicule et les journaux des capteurs.
- Une fois le modèle ML formé, l'artefact du modèle SageMaker est déployé.
- Le véhicule connecté envoie les journaux des capteurs à Noyau AWS IoT (alternativement, via une interface HTTP).
- Les journaux des capteurs sont conservés via Firehose de données Amazon Kinesis.
- Les journaux des capteurs sont envoyés à AWS Lambda pour interroger le modèle afin de faire des prédictions.
- Lambda envoie les journaux des capteurs à l'inférence du modèle Sagemaker pour les prédictions.
- Les prédictions sont persistantes dans Amazon Aurora.
- Les résultats agrégés sont affichés sur un Amazon QuickSight tableau de bord.
- Des notifications en temps réel sur la probabilité de défaillance prévue sont envoyées à Service de notification simple d'Amazon (Amazon SNS).
- Amazon SNS renvoie les notifications au véhicule connecté.
La solution se compose de six notebooks :
- 0_demo.ipynb – Un aperçu rapide de notre solution
- 1_introduction.ipynb – Présentation et aperçu de la solution
- 2_data_preparation.ipynb – Préparer un exemple de jeu de données
- 3_data_visualization.ipynb – Visualisez notre exemple de jeu de données
- 4_model_training.ipynb – Former un modèle sur notre échantillon de données pour détecter les défaillances
- 5_results_analysis.ipynb – Analyser les résultats du modèle que nous avons formé
Pré-requis
Amazon SageMakerStudio est l'environnement de développement intégré (IDE) de SageMaker qui nous fournit toutes les fonctionnalités ML dont nous avons besoin dans une seule fenêtre. Avant de pouvoir exécuter SageMaker JumpStart, nous devons configurer SageMaker Studio. Vous pouvez ignorer cette étape si vous avez déjà votre propre version de SageMaker Studio en cours d'exécution.
La première chose que nous devons faire avant de pouvoir utiliser les services AWS est de nous assurer que nous nous sommes inscrits et avons créé un compte AWS. Ensuite, nous créons un utilisateur administratif et un groupe. Pour obtenir des instructions sur les deux étapes, reportez-vous à Configurer les prérequis d'Amazon SageMaker.
L'étape suivante consiste à créer un domaine SageMaker. Un domaine configure tout le stockage et vous permet d'ajouter des utilisateurs pour accéder à SageMaker. Pour plus d'informations, reportez-vous à Intégration au domaine Amazon SageMaker. Cette démo est créée dans la région AWS us-east-1.
Enfin, vous lancez SageMaker Studio. Pour cet article, nous vous recommandons de lancer une application de profil utilisateur. Pour obtenir des instructions, reportez-vous à Lancer Amazon SageMaker Studio.
Pour exécuter cette solution SageMaker JumpStart et déployer l'infrastructure sur votre compte AWS, vous devez créer une instance SageMaker Studio active (voir Intégration à Amazon SageMaker Studio). Lorsque votre instance est prête, suivez les instructions de SageMaker JumpStart pour lancer la solution. Les artefacts de solution sont inclus dans ce GitHub référentiel pour référence.
Lancer la solution SageMaker Jumpstart
Pour commencer avec la solution, procédez comme suit :
- Sur la console SageMaker Studio, choisissez Début de saut.
- Sur le Solutions onglet, choisissez Maintenance prédictive pour les flottes de véhicules.
- Selectionnez Lancement.
Le déploiement de la solution prend quelques minutes. - Une fois la solution déployée, choisissez Open Notebook.
Si vous êtes invité à sélectionner un noyau, choisissez PyTorch 1.8 Python 3.6 pour tous les blocs-notes de cette solution.
Aperçu de la solution
On travaille d'abord sur le 0_demo.ipynb
carnet de notes. Dans ce bloc-notes, vous pouvez obtenir un aperçu rapide de ce à quoi ressemblera le résultat lorsque vous remplirez le bloc-notes complet pour cette solution.
Selectionnez Courir ainsi que Exécuter toutes les cellules pour exécuter toutes les cellules dans SageMaker Studio (ou Cellule ainsi que Exécuter tout dans une instance de bloc-notes SageMaker). Vous pouvez exécuter toutes les cellules de chaque bloc-notes les unes après les autres. Assurez-vous que toutes les cellules ont terminé le traitement avant de passer au bloc-notes suivant.
Cette solution s'appuie sur un fichier de configuration pour exécuter les ressources AWS provisionnées. Nous générons le fichier comme suit :
Nous avons des exemples de données d'entrée de séries chronologiques consistant en la tension et le courant de la batterie d'un véhicule au fil du temps. Ensuite, nous chargeons et visualisons les exemples de données. Comme le montrent les captures d'écran suivantes, les valeurs de tension et de courant sont sur l'axe Y et les lectures (19 lectures enregistrées) sont sur l'axe X.
Nous avons précédemment formé un modèle sur ces données de tension et de courant qui prédit la probabilité de panne du véhicule et avons déployé le modèle en tant que point final dans SageMaker. Nous appellerons ce point final avec quelques exemples de données pour déterminer la probabilité de défaillance au cours de la prochaine période.
Compte tenu des données d'entrée de l'échantillon, la probabilité de défaillance prévue est % 45.73.
Pour passer à l'étape suivante, choisissez Clique ici pour continuer.
Présentation et aperçu de la solution
La 1_introduction.ipynb
notebook fournit une vue d'ensemble de la solution et des étapes, ainsi qu'un aperçu du fichier de configuration contenant la définition du contenu, la période d'échantillonnage des données, le nombre d'échantillons d'entraînement et de test, les paramètres, l'emplacement et les noms de colonne pour le contenu généré.
Après avoir examiné ce bloc-notes, vous pouvez passer à l'étape suivante.
Préparer un exemple d'ensemble de données
Nous préparons un exemple de jeu de données dans le 2_data_preparation.ipynb
carnet.
Nous générons d'abord le fichier de configuration pour cette solution :
Les propriétés de configuration sont les suivantes :
Vous pouvez définir votre propre ensemble de données ou utiliser nos scripts pour générer un exemple d'ensemble de données :
Vous pouvez fusionner les données des capteurs et les données des véhicules de la flotte :
Nous pouvons maintenant passer à la visualisation des données.
Visualisez notre exemple de jeu de données
Nous visualisons notre exemple de jeu de données dans 3_data_vizualization.ipynb
. Cette solution s'appuie sur un fichier de configuration pour exécuter les ressources AWS provisionnées. Générons le fichier similaire au notebook précédent.
La capture d'écran suivante montre notre jeu de données.
Ensuite, construisons l'ensemble de données :
Maintenant que le jeu de données est prêt, visualisons les statistiques de données. La capture d'écran suivante montre la distribution des données en fonction de la marque du véhicule, du type de moteur, de la classe du véhicule et du modèle.
En comparant les données du journal, examinons un exemple de la tension moyenne sur différentes années pour Make E et C (aléatoire).
La moyenne de la tension et du courant est sur l'axe Y et le nombre de lectures est sur l'axe X.
- Valeurs possibles pour log_target : ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- Valeur attribuée au hasard pour
log_target: make
- Valeur attribuée au hasard pour
- Valeurs possibles pour log_target_value1 : ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Valeur attribuée au hasard pour
log_target_value1: Make B
- Valeur attribuée au hasard pour
- Valeurs possibles pour log_target_value2 : ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Valeur attribuée au hasard pour
log_target_value2: Make D
- Valeur attribuée au hasard pour
Sur la base de ce qui précède, nous supposons log_target: make
, log_target_value1: Make B
ainsi que log_target_value2: Make D
Les graphiques suivants décomposent la moyenne des données du journal.
Les graphiques suivants illustrent un exemple de différentes valeurs de journal de capteur par rapport à la tension et au courant.
Entraînez un modèle sur notre exemple d'ensemble de données pour détecter les défaillances
Dans le 4_model_training.ipynb
notebook, nous entraînons un modèle sur notre exemple d'ensemble de données pour détecter les défaillances.
Générons le fichier de configuration similaire au notebook précédent, puis procédons à la configuration de la formation :
Analyser les résultats du modèle que nous avons formé
Dans le 5_results_analysis.ipynb
Notebook, nous obtenons des données de notre tâche de réglage d'hyperparamètres, visualisons les métriques de toutes les tâches pour identifier la meilleure tâche et créons un point de terminaison pour la meilleure tâche de formation.
Générons le fichier de configuration similaire au notebook précédent et visualisons les métriques de tous les travaux. Le graphique suivant visualise la précision du test par rapport à l'époque.
La capture d'écran suivante montre les tâches de réglage des hyperparamètres que nous avons exécutées.
Vous pouvez désormais visualiser les données de la meilleure tâche d'entraînement (sur les quatre tâches d'entraînement) en fonction de la précision du test (rouge).
Comme nous pouvons le voir dans les captures d'écran suivantes, la perte de test diminue et l'AUC et la précision augmentent avec les époques.
Sur la base des visualisations, nous pouvons maintenant créer un point de terminaison pour le meilleur travail de formation :
Après avoir créé le point de terminaison, nous pouvons tester le prédicteur en lui transmettant des exemples de journaux de capteur :
Compte tenu des données d'entrée de l'échantillon, la probabilité de défaillance prévue est 34.60%.
Nettoyer
Lorsque vous avez terminé avec cette solution, assurez-vous de supprimer toutes les ressources AWS indésirables. Sur le Maintenance prédictive pour les flottes de véhicules page, sous Supprimer la solution, choisissez Supprimer toutes les ressources pour supprimer toutes les ressources associées à la solution.
Vous devez supprimer manuellement toutes les ressources supplémentaires que vous avez éventuellement créées dans ce bloc-notes. Certains exemples incluent les compartiments S3 supplémentaires (dans le compartiment par défaut de la solution) et les points de terminaison SageMaker supplémentaires (utilisant un nom personnalisé).
Personnalisez la solution
Notre solution est simple à personnaliser. Pour modifier les visualisations des données d'entrée, reportez-vous à sagemaker/3_data_visualization.ipynb. Pour personnaliser l'apprentissage automatique, reportez-vous à sagemaker/source/train.py ainsi que sagemaker/source/dl_utils/network.py. Pour personnaliser le traitement du jeu de données, reportez-vous à sagemaker/1_introduction.ipynb sur la façon de définir le fichier de configuration.
De plus, vous pouvez modifier la configuration dans le fichier de configuration. La configuration par défaut est la suivante :
Le fichier de configuration contient les paramètres suivants :
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
et unetest_dataset_fn
définir l'emplacement des fichiers de jeu de donnéesvehicle_id_column
,timestamp_column
,target_column
et uneperiod_column
définir les en-têtes des colonnesdataset_size
,chunksize
,processing_chunksize
,period_ms
et unewindow_length
définir les propriétés du jeu de données
Conclusion
Dans cet article, nous vous avons montré comment former et déployer un modèle pour prédire la probabilité de défaillance d'une flotte de véhicules à l'aide de SageMaker JumpStart. La solution est basée sur des modèles de ML et d'apprentissage en profondeur et permet une grande variété de données d'entrée, y compris toutes les données de capteur variant dans le temps. Parce que chaque véhicule a une télémétrie différente, vous pouvez ajuster le modèle fourni à la fréquence et au type de données dont vous disposez.
Pour en savoir plus sur ce que vous pouvez faire avec SageMaker JumpStart, reportez-vous à ce qui suit :
Resources
À propos des auteurs
Rajakumar Sampathkumar est responsable de compte technique principal chez AWS, fournissant des conseils aux clients sur l'alignement des technologies commerciales et soutenant la réinvention de leurs modèles et processus d'exploitation du cloud. Il est passionné par le cloud et l'apprentissage automatique. Raj est également un spécialiste de l'apprentissage automatique et travaille avec les clients AWS pour concevoir, déployer et gérer leurs charges de travail et architectures AWS.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Automobile / VE, Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- Décalages de bloc. Modernisation de la propriété des compensations environnementales. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :possède
- :est
- ][p
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- A Propos
- au dessus de
- accès
- Selon
- Compte
- précision
- à travers
- infection
- d'activités
- ajouter
- administratif
- Après
- à opposer à
- alignement
- Tous
- permet
- déjà
- aussi
- Amazon
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- il analyse
- ainsi que
- tous
- appli
- Appliquer
- SONT
- domaines
- AS
- attribué
- associé
- assumer
- At
- l'automobile
- disponibles
- éviter
- AWS
- Axis
- RETOUR
- basé
- batterie
- car
- before
- LES MEILLEURS
- Block
- corps
- renforcer
- tous les deux
- Pause
- construire
- Développement
- by
- Appelez-nous
- CAN
- Peut obtenir
- maisons
- cas
- Cellules
- Change
- Selectionnez
- classe
- client
- le cloud
- Colonne
- Commun
- complet
- composants électriques
- concept
- configuration
- connecté
- Qui consiste
- consiste
- Console
- contient
- contenu
- Costs
- pourriez
- couverture
- engendrent
- créée
- critique
- Courant
- Customiser
- Clients
- personnaliser
- tableau de bord
- données
- Préparation des données
- visualisation de données
- Les baisses
- profond
- l'apprentissage en profondeur
- Réglage par défaut
- définition
- demo
- démontre
- déployer
- déployé
- Conception
- Déterminer
- Développement
- différent
- dans
- Perturber
- distribution
- do
- domaine
- down
- les temps d'arrêt
- motivation
- e
- chacun
- d'autre
- end-to-end
- Endpoint
- Moteur
- assurer
- Environment
- époque
- époques
- Chaque
- exemple
- exemples
- explorez
- supplémentaire
- extrait
- Échec
- non
- Fonctionnalités:
- few
- Déposez votre dernière attestation
- finition
- Prénom
- FLOTTE
- Abonnement
- suit
- Pour
- quatre
- La fréquence
- De
- plein
- générer
- généré
- générateur
- obtenez
- donné
- en verre.
- GPU
- graphiques
- Réservation de groupe
- l'orientation
- Vous avez
- he
- têtes
- vous aider
- ici
- historique
- Comment
- How To
- HTML
- http
- HTTPS
- Moyeu
- Optimisation hyperparamétrique
- Réglage des hyperparamètres
- i
- identifier
- if
- importer
- améliorer
- in
- comprendre
- inclus
- inclut
- Y compris
- Améliore
- secteurs
- d'information
- Infrastructure
- initiale
- initier
- contribution
- instance
- Des instructions
- des services
- Interfaces
- développement
- Introduction
- IOT
- IT
- Emploi
- Emplois
- jpg
- json
- clés
- atterrissage
- lancer
- lancement
- APPRENTISSAGE
- apprentissage
- niveaux
- comme
- charge
- locales
- emplacement
- enregistrer
- Style
- ressembler
- perte
- click
- machine learning
- facile
- a prendre une
- gérer
- gestion
- manager
- manuellement
- de nombreuses
- Maximisez
- Mai..
- signifier
- mécanique
- aller
- Métrique
- Minutes
- ML
- modèle
- numériques jumeaux (digital twin models)
- modifier
- PLUS
- Bougez
- en mouvement
- prénom
- noms
- Besoin
- next
- cahier
- déclaration
- Notifications
- maintenant
- nombre
- of
- présenté
- on
- ONE
- uniquement
- ouvert
- opération
- Opérations
- à mettre en œuvre pour gérer une entreprise rentable. Ce guide est basé sur trois décennies d'expérience
- Optimiser
- or
- OS
- Autre
- nos
- ande
- Résultat
- décrit
- plus de
- vue d'ensemble
- propre
- page
- pain
- paramètres
- partie
- En passant
- passionné
- chemin
- période
- Platon
- Intelligence des données Platon
- PlatonDonnées
- veuillez cliquer
- Post
- prévoir
- prédit
- prévoir
- Prédictions
- Predictor
- Prévoit
- préparation
- Préparer
- Aperçu
- précédent
- précédemment
- Directeur
- Problème
- processus
- les process
- traitement
- productivité
- Profil
- preuve
- preuve de concept
- propriétés
- à condition de
- fournit
- aportando
- publiquement
- Python
- pytorch
- Rapide
- aléatoire
- gamme
- solutions
- recommander
- record
- enregistré
- Rouge
- réduire
- région
- réparation
- Resources
- réponse
- Résultats
- retourner
- Avis
- Rôle
- Courir
- pour le running
- Sécurité
- sagemaker
- Exemple d'ensemble de données
- ordonnancement
- screenshots
- scripts
- Section
- sur le lien
- envoie
- envoyé
- Série
- sert
- Services
- Session
- set
- Sets
- plusieurs
- Shorts
- montrer
- montré
- montré
- Spectacles
- signé
- similaires
- étapes
- unique
- SIX
- sur mesure
- Solutions
- quelques
- Identifier
- spécialiste
- groupe de neurones
- Étape
- étapes
- j'ai commencé
- statistiques
- étapes
- Étapes
- storage
- Boutique
- studio
- ultérieur
- Appuyer
- sûr
- haute
- combustion propre
- prend
- Technique
- techniques
- modèle
- modèles
- tester
- qui
- La
- leur
- puis
- chose
- this
- fiable
- Des séries chronologiques
- horodatage
- à
- ensemble
- Train
- qualifié
- Formation
- Essai
- type
- types
- sous
- indésirable
- us
- utilisé
- cas d'utilisation
- d'utiliser
- Utilisateur
- utilisateurs
- en utilisant
- Plus-value
- Valeurs
- variété
- véhicule
- version
- via
- visualisation
- Voltage
- Tension
- vs
- W
- we
- web
- services Web
- Quoi
- quand
- qui
- large
- Large gamme
- sera
- comprenant
- dans les
- activités principales
- workflow
- vos contrats
- X
- yaml
- années
- Vous n'avez
- Votre
- zéphyrnet