A prediktív karbantartás kritikus fontosságú az autóiparban, mert elkerülhetőek a rendkívüli mechanikai hibák és a reaktív karbantartási tevékenységek, amelyek megzavarják a működést. A járműhibák előrejelzésével, valamint a karbantartások és javítások ütemezésével csökkentheti az állásidőt, javíthatja a biztonságot és növelheti a termelékenység szintjét.
Mi lenne, ha a mélytanulási technikákat alkalmazhatnánk azokon a közös területeken, amelyek a jármű meghibásodásához, a nem tervezett leállásokhoz és a javítási költségekhez vezetnek?
Ebben a bejegyzésben megmutatjuk, hogyan képezhet ki és telepíthet egy modellt a járműflotta meghibásodásának valószínűségének előrejelzésére Amazon SageMaker JumpStart. A SageMaker Jumpstart a gépi tanulási (ML) központja Amazon SageMaker, amely előre betanított, nyilvánosan elérhető modelleket biztosít számos problématípushoz, hogy segítsen az ML használatának megkezdésében. A bejegyzésben vázolt megoldás elérhető a GitHub.
SageMaker JumpStart megoldássablonok
A SageMaker JumpStart egykattintásos, végpontok közötti megoldásokat kínál számos gyakori ML felhasználási esetre. Az elérhető megoldássablonokkal kapcsolatos további információkért tekintse meg a következő használati eseteket:
A SageMaker JumpStart megoldássablonok sokféle használati esetet lefednek, amelyek mindegyike alatt több különböző megoldássablon található (a megoldás ebben a bejegyzésben, Előrejelző karbantartás a járműflották számára, benne van a Megoldások szakasz). Válassza ki az Ön használati esetének leginkább megfelelő megoldássablont a SageMaker JumpStart nyitóoldaláról. Az egyes használati esetekre vonatkozó konkrét megoldásokról és a SageMaker JumpStart megoldás elindításának módjáról lásd: Megoldási sablonok.
Megoldás áttekintése
Az AWS prediktív karbantartási megoldása az autóflották számára mély tanulási technikákat alkalmaz a közös területeken, amelyek a járműhibákat, a nem tervezett leállásokat és a javítási költségeket okozzák. Kezdeti építőelemként szolgál ahhoz, hogy rövid időn belül eljuthasson a koncepció bizonyításához. Ez a megoldás adat-előkészítési és megjelenítési funkciókat tartalmaz a SageMakeren belül, és lehetővé teszi a mélytanulási modellek hiperparamétereinek betanítását és optimalizálását az adatkészlethez. Használhatja saját adatait, vagy kipróbálhatja a megoldást egy szintetikus adatkészlettel a megoldás részeként. Ez a verzió idővel feldolgozza a járműérzékelő adatait. Egy későbbi verzió a karbantartási nyilvántartás adatait dolgozza fel.
A következő diagram bemutatja, hogyan használhatja ezt a megoldást a SageMaker összetevőkkel. A megoldás részeként a következő szolgáltatásokat veszik igénybe:
- Amazon S3 - Mi használjuk Amazon egyszerű tárolási szolgáltatás (Amazon S3) az adatkészletek tárolására
- SageMaker notebook – Notebookot használunk az adatok előfeldolgozására és megjelenítésére, valamint a mély tanulási modell betanítására
- SageMaker végpont – A végpontot használjuk a betanított modell telepítéséhez
A munkafolyamat a következő lépéseket tartalmazza:
- A járműadatokat és az érzékelőnaplókat tartalmazó Flottakezelő rendszerből előzményadatok kivonata jön létre.
- Az ML modell betanítása után a SageMaker modell mellékterméke kerül telepítésre.
- A csatlakoztatott jármű szenzornaplókat küld a következőnek AWS IoT Core (Alternatív megoldásként HTTP interfészen keresztül).
- Az érzékelőnaplók megmaradnak a következőn keresztül Amazon Kinesis Data Firehose.
- Az érzékelőnaplók a címre kerülnek AWS Lambda a modell lekérdezéséhez jóslatok készítéséhez.
- A Lambda szenzornaplókat küld a Sagemaker modellnek az előrejelzésekhez.
- A jóslatok kitartanak Amazon Aurora.
- Az összesített eredmények egy Amazon QuickSight műszerfal.
- Valós idejű értesítéseket küld a meghibásodás várható valószínűségéről Amazon Simple Notification Service (Amazon SNS).
- Az Amazon SNS értesítéseket küld vissza a csatlakoztatott járműnek.
A megoldás hat notebookból áll:
- 0_demo.ipynb – Megoldásunk gyors áttekintése
- 1_introduction.ipynb – Bevezetés és megoldás áttekintés
- 2_data_preparation.ipynb – Készítsen mintaadatkészletet
- 3_data_visualization.ipynb – Vizualizálja mintaadatkészletünket
- 4_model_training.ipynb – Tanítson modellt a mintaadatkészletünkön a hibák észleléséhez
- 5_results_analysis.ipynb – Elemezzük az általunk betanított modell eredményeit
Előfeltételek
Amazon SageMaker Studio a SageMaker integrált fejlesztői környezete (IDE), amely egyetlen üvegtáblában biztosítja számunkra az összes szükséges ML funkciót. A SageMaker JumpStart futtatása előtt be kell állítanunk a SageMaker Studio programot. Kihagyhatja ezt a lépést, ha már fut a SageMaker Studio saját verziója.
Az első dolog, amit meg kell tennünk az AWS-szolgáltatások használata előtt, hogy megbizonyosodjunk arról, hogy regisztráltunk és létrehoztunk egy AWS-fiókot. Ezután létrehozunk egy adminisztratív felhasználót és egy csoportot. Mindkét lépésre vonatkozó utasításokért lásd: Állítsa be az Amazon SageMaker előfeltételeit.
A következő lépés egy SageMaker tartomány létrehozása. Egy tartomány beállítja az összes tárhelyet, és lehetővé teszi, hogy felhasználókat adjon hozzá a SageMakerhez. További információkért lásd: Bekapcsolva az Amazon SageMaker domainbe. Ez a demó az AWS us-east-1 régióban készült.
Végül elindítja a SageMaker Studio-t. Ehhez a bejegyzéshez javasoljuk, hogy indítson el egy felhasználói profil alkalmazást. Az utasításokat lásd Indítsa el az Amazon SageMaker Studio programot.
A SageMaker JumpStart megoldás futtatásához és az infrastruktúra AWS-fiókjában való üzembe helyezéséhez létre kell hoznia egy aktív SageMaker Studio példányt (lásd Bekapcsolva az Amazon SageMaker Studio-ba). Amikor a példány készen áll, kövesse a következő utasításokat SageMaker JumpStart a megoldás elindításához. Ebben benne vannak a megoldás műtermékei GitHub tárház referenciaként.
Indítsa el a SageMaker Jumpstart megoldást
A megoldás megkezdéséhez hajtsa végre a következő lépéseket:
- A SageMaker Studio konzolon válassza a lehetőséget ugrás indítás.
- A Megoldások lapot választani Előrejelző karbantartás a járműflották számára.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Indít.
A megoldás üzembe helyezése néhány percet vesz igénybe. - A megoldás telepítése után válassza a Jegyzetfüzet megnyitása lehetőséget.
Ha a rendszer kernel kiválasztását kéri, válassza a PyTorch 1.8 Python 3.6-ot a megoldásban szereplő összes notebookhoz.
Megoldás előnézete
Először a 0_demo.ipynb
jegyzetfüzet. Ebben a jegyzetfüzetben gyors áttekintést kaphat arról, hogyan fog kinézni az eredmény, ha kitölti a megoldáshoz tartozó teljes jegyzetfüzetet.
A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a futás és a Futtassa az összes cellát az összes cella futtatásához a SageMaker Studio programban (vagy Sejt és a Fuss Összes egy SageMaker notebook példányban). Az egyes jegyzetfüzetek összes celláját egymás után futtathatja. Győződjön meg arról, hogy az összes cella feldolgozása befejeződött, mielőtt a következő jegyzetfüzetre lép.
Ez a megoldás egy konfigurációs fájlra támaszkodik a kiépített AWS-erőforrások futtatásához. A fájlt a következőképpen állítjuk elő:
Van néhány minta idősoros bemeneti adatunk, amelyek a jármű akkumulátorának feszültségéből és az akkumulátor áramának időbeli alakulásából állnak. Ezután betöltjük és megjelenítjük a mintaadatokat. Amint a következő képernyőképeken látható, a feszültség és az áram értékek az Y tengelyen, a leolvasások (19 leolvasás) pedig az X tengelyen találhatók.
Korábban már betanítottunk egy modellt ezekre a feszültség- és áramadatokra, amely előrejelzi a jármű meghibásodásának valószínűségét, és a modellt végpontként alkalmaztuk a SageMakerben. Ezt a végpontot néhány mintaadattal hívjuk meg, hogy meghatározzuk a következő időszak meghibásodásának valószínűségét.
A minta bemeneti adatok ismeretében a meghibásodás előre jelzett valószínűsége a 45.73%.
A következő szakaszra lépéshez válassza a lehetőséget Kattintson ide a folytatáshoz.
Bevezetés és megoldás áttekintés
A 1_introduction.ipynb
A notebook áttekintést nyújt a megoldásról és a szakaszokról, valamint betekintést nyújt a konfigurációs fájlba, amely tartalmazza a tartalomdefiníciót, az adatmintavételi időszakot, a vonat- és tesztmintaszámot, a paramétereket, a helyet és a generált tartalom oszlopneveit.
A jegyzetfüzet áttekintése után léphet a következő szakaszba.
Készítsen minta adatkészletet
Mintaadatkészletet készítünk a 2_data_preparation.ipynb
jegyzetfüzet.
Először létrehozzuk a konfigurációs fájlt ehhez a megoldáshoz:
A konfigurációs tulajdonságok a következők:
Meghatározhatja saját adatkészletét, vagy használhatja szkriptjeinket egy mintaadatkészlet létrehozásához:
Összevonhatja az érzékelő adatait és a flottajármű adatait:
Most áttérhetünk az adatvizualizációra.
Vizualizálja mintaadatkészletünket
A mintaadatkészletünket megjelenítjük 3_data_vizualization.ipynb
. Ez a megoldás egy konfigurációs fájlra támaszkodik a kiépített AWS-erőforrások futtatásához. Létrehozzuk az előző jegyzetfüzethez hasonló fájlt.
A következő képernyőkép az adatkészletünket mutatja.
Ezután készítsük el az adatkészletet:
Most, hogy az adatkészlet készen áll, vizualizáljuk az adatstatisztikát. A következő képernyőkép az adatok megoszlását mutatja a jármű gyártmánya, motortípusa, járműosztálya és modellje alapján.
A naplóadatokat összehasonlítva nézzünk meg egy példát a különböző évek átlagos feszültségére a Make E és C esetében (véletlenszerű).
A feszültség és áram átlaga az Y tengelyen, a leolvasások száma pedig az X tengelyen van.
- A log_target lehetséges értékei: ['make', 'model', 'year', 'vehicle_class', 'motor_type']
- Véletlenszerűen hozzárendelt érték ehhez
log_target: make
- Véletlenszerűen hozzárendelt érték ehhez
- A log_target_value1 lehetséges értékei: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Véletlenszerűen hozzárendelt érték ehhez
log_target_value1: Make B
- Véletlenszerűen hozzárendelt érték ehhez
- A log_target_value2 lehetséges értékei: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Véletlenszerűen hozzárendelt érték ehhez
log_target_value2: Make D
- Véletlenszerűen hozzárendelt érték ehhez
A fentiek alapján feltételezzük log_target: make
, log_target_value1: Make B
és a log_target_value2: Make D
A következő grafikonok lebontják a naplóadatok átlagát.
A következő grafikonok egy példát mutatnak be a különböző szenzornapló-értékekre a feszültség és áram függvényében.
Tanítson modellt a mintaadatkészletünkön a hibák észleléséhez
A 4_model_training.ipynb
notebook, modellt tanítunk a mintaadatkészletünkre a hibák észlelésére.
Létrehozzuk az előző notebookhoz hasonló konfigurációs fájlt, majd folytassuk a képzési konfigurációval:
Elemezze az általunk betanított modell eredményeit
A 5_results_analysis.ipynb
notebook, adatokat kapunk a hiperparaméter-hangolási munkánkból, megjelenítjük az összes feladat mérőszámait a legjobb munka azonosításához, és végpontot építünk a legjobb képzési munkához.
Létrehozzuk az előző jegyzetfüzethez hasonló konfigurációs fájlt, és vizualizáljuk az összes feladat mérőszámait. A következő diagram a teszt pontosságát és korszakát mutatja be.
A következő képernyőképen az általunk futtatott hiperparaméter-hangolási feladatok láthatók.
Mostantól megjelenítheti a legjobb képzési feladat adatait (a négy képzési feladat közül) a teszt pontossága (piros) alapján.
Amint azt a következő képernyőképeken láthatjuk, a tesztveszteség csökken, az AUC és a pontosság pedig korszakonként növekszik.
A vizualizációk alapján most egy végpontot építhetünk a legjobb képzési munkához:
A végpont felépítése után tesztelhetjük a prediktort úgy, hogy átadjuk neki a mintaérzékelő naplóit:
A minta bemeneti adatok ismeretében a meghibásodás előre jelzett valószínűsége a 34.60%.
Tisztítsuk meg
Ha végzett ezzel a megoldással, törölje az összes nem kívánt AWS-erőforrást. A Előrejelző karbantartás a járműflották számára oldal, alatt Megoldás törlése, választ Törölje az összes erőforrást a megoldáshoz társított összes erőforrás törléséhez.
Manuálisan kell törölnie minden további erőforrást, amelyet esetleg ebben a jegyzetfüzetben hozott létre. Néhány példa közé tartoznak az extra S3 gyűjtők (a megoldás alapértelmezett tárolójához) és az extra SageMaker végpontok (egyéni név használatával).
A megoldás testreszabása
Megoldásunk egyszerűen testreszabható. A bemeneti adatok megjelenítéseinek módosításához lásd: sagemaker/3_data_visualization.ipynb. A gépi tanulás testreszabásához lásd: sagemaker/source/train.py és a sagemaker/source/dl_utils/network.py. Az adatkészlet-feldolgozás testreszabásához lásd: sagemaker/1_introduction.ipynb a konfigurációs fájl meghatározásáról.
Ezenkívül módosíthatja a konfigurációt a konfigurációs fájlban. Az alapértelmezett konfiguráció a következő:
A konfigurációs fájl a következő paraméterekkel rendelkezik:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
éstest_dataset_fn
meghatározza az adatkészlet-fájlok helyétvehicle_id_column
,timestamp_column
,target_column
ésperiod_column
határozza meg az oszlopok fejléceitdataset_size
,chunksize
,processing_chunksize
,period_ms
éswindow_length
határozza meg az adatkészlet tulajdonságait
Következtetés
Ebben a bejegyzésben megmutattuk, hogyan lehet betanítani és telepíteni egy modellt a járműflotta meghibásodásának valószínűségének előrejelzésére a SageMaker JumpStart segítségével. A megoldás ML és mély tanulási modelleken alapul, és sokféle bemeneti adatot tesz lehetővé, beleértve az időben változó szenzoradatokat is. Mivel minden jármű más telemetriával rendelkezik, finomhangolhatja a rendelkezésre álló modellt a rendelkezésre álló adatok gyakoriságára és típusára.
Ha többet szeretne megtudni arról, hogy mit tehet a SageMaker JumpStart programmal, olvassa el a következőket:
Tudástár
A szerzőkről
Rajakumar Sampathkumar az AWS fő műszaki ügyfélmenedzsere, aki útmutatást nyújt az ügyfeleknek az üzleti technológia összehangolásához, és támogatja felhőalapú működési modelljeik és folyamataik újrafeltalálását. Szenvedélye a felhő és a gépi tanulás. Raj egyben gépi tanulási specialista is, és az AWS-ügyfelekkel együttműködve tervezi, telepíti és kezeli az AWS-munkaterheléseket és architektúrákat.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :van
- :is
- ][p
- $ UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- Rólunk
- felett
- hozzáférés
- Szerint
- Fiók
- pontosság
- át
- aktív
- tevékenységek
- hozzá
- adminisztratív
- Után
- ellen
- igazítás
- Minden termék
- lehetővé teszi, hogy
- már
- Is
- amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Az Amazon Web Services
- an
- elemez
- és a
- bármilyen
- app
- alkalmaz
- VANNAK
- területek
- AS
- kijelölt
- társult
- feltételezni
- At
- autóipari
- elérhető
- elkerülése érdekében
- AWS
- Tengely
- vissza
- alapján
- akkumulátor
- mert
- előtt
- BEST
- Blokk
- test
- fellendítésére
- mindkét
- szünet
- épít
- Épület
- by
- hívás
- TUD
- Kaphat
- eset
- esetek
- Cellák
- változik
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- osztály
- vásárló
- felhő
- Oszlop
- Közös
- teljes
- alkatrészek
- koncepció
- Configuration
- összefüggő
- Összeáll
- áll
- Konzol
- tartalmaz
- tartalom
- kiadások
- tudott
- terjed
- teremt
- készítette
- kritikai
- Jelenlegi
- szokás
- Ügyfelek
- testre
- műszerfal
- dátum
- Adatok előkészítése
- adatmegjelenítés
- visszautasításai
- mély
- mély tanulás
- alapértelmezett
- definíció
- demó
- mutatja
- telepíteni
- telepített
- Design
- Határozzuk meg
- Fejlesztés
- különböző
- Megjelenik
- megszakítása
- terjesztés
- do
- domain
- le-
- állásidő
- hajtás
- e
- minden
- más
- végtől végig
- Endpoint
- Motor
- biztosítására
- Környezet
- korszak
- korszakok
- Minden
- példa
- példák
- feltárása
- külön-
- kivonat
- Kudarc
- hamis
- Jellemzők
- kevés
- filé
- befejezni
- vezetéknév
- FLOTTA
- következő
- következik
- A
- négy
- Frekvencia
- ból ből
- Tele
- funkcionalitás
- generál
- generált
- generátor
- kap
- adott
- üveg
- GPU
- grafikonok
- Csoport
- útmutatást
- Legyen
- he
- fejlécek
- segít
- itt
- történeti
- Hogyan
- How To
- HTML
- http
- HTTPS
- Kerékagy
- Hiperparaméter optimalizálás
- Hiperparaméter hangolás
- i
- azonosítani
- if
- importál
- javul
- in
- tartalmaz
- beleértve
- magában foglalja a
- Beleértve
- Növelje
- iparágak
- információ
- Infrastruktúra
- kezdetben
- kezdeményez
- bemenet
- példa
- utasítás
- integrált
- Felület
- bele
- Bevezetés
- tárgyak internete
- IT
- Munka
- Állások
- jpg
- json
- kulcsok
- leszállási
- indít
- indítás
- TANUL
- tanulás
- szintek
- mint
- kiszámításának
- helyi
- elhelyezkedés
- log
- néz
- hasonló
- le
- gép
- gépi tanulás
- karbantartás
- csinál
- kezelése
- vezetés
- menedzser
- kézzel
- sok
- Maximize
- Lehet..
- jelent
- mechanikai
- megy
- Metrics
- Perc
- ML
- modell
- modellek
- módosítása
- több
- mozog
- mozgó
- név
- nevek
- Szükség
- következő
- jegyzetfüzet
- bejelentés
- értesítések
- Most
- szám
- of
- felajánlott
- on
- ONE
- csak
- nyitva
- működés
- Művelet
- optimalizálás
- Optimalizálja
- or
- OS
- Más
- mi
- ki
- Eredmény
- vázolt
- felett
- áttekintés
- saját
- oldal
- üvegtábla
- paraméterek
- rész
- Múló
- szenvedélyes
- ösvény
- időszak
- Plató
- Platón adatintelligencia
- PlatoData
- kérem
- állás
- előre
- jósolt
- előrejelzésére
- Tippek
- Predictor
- jósolja
- előkészítés
- Készít
- Preview
- előző
- korábban
- Fő
- Probléma
- folyamat
- Folyamatok
- feldolgozás
- termelékenység
- profil
- bizonyíték
- bizonyíték a koncepcióra
- ingatlanait
- feltéve,
- biztosít
- amely
- nyilvánosan
- Piton
- pytorch
- Quick
- véletlen
- hatótávolság
- kész
- ajánl
- rekord
- feljegyzett
- Piros
- csökkenteni
- vidék
- javítás
- Tudástár
- válasz
- Eredmények
- visszatérés
- Kritika
- Szerep
- futás
- futás
- Biztonság
- sagemaker
- Minta adatkészlet
- ütemezés
- screenshotok
- szkriptek
- Rész
- lát
- küld
- küldött
- Series of
- szolgálja
- Szolgáltatások
- ülés
- készlet
- Szettek
- számos
- rövid
- előadás
- kimutatta,
- mutatott
- Műsorok
- aláírt
- hasonló
- Egyszerű
- egyetlen
- SIX
- megoldások
- Megoldások
- néhány
- forrás
- szakember
- különleges
- Színpad
- állapota
- kezdődött
- statisztika
- Lépés
- Lépései
- tárolás
- tárolni
- stúdió
- későbbi
- Támogató
- biztos
- szintetikus
- rendszer
- tart
- Műszaki
- technikák
- sablon
- sablonok
- teszt
- hogy
- A
- azok
- akkor
- dolog
- ezt
- idő
- Idősorok
- időbélyeg
- nak nek
- együtt
- Vonat
- kiképzett
- Képzések
- megpróbál
- típus
- típusok
- alatt
- felesleges
- us
- használ
- használati eset
- használt
- használó
- Felhasználók
- segítségével
- érték
- Értékek
- fajta
- jármű
- változat
- keresztül
- megjelenítés
- Volt
- Feszültség
- vs
- W
- we
- háló
- webes szolgáltatások
- Mit
- amikor
- ami
- széles
- Széleskörű
- lesz
- val vel
- belül
- Munka
- munkafolyamat
- művek
- X
- yaml
- év
- te
- A te
- zephyrnet