Memprediksi jenis kegagalan mesin yang umum sangat penting dalam industri manufaktur. Mengingat serangkaian karakteristik produk yang terkait dengan jenis kegagalan tertentu, Anda dapat mengembangkan model yang dapat memprediksi jenis kegagalan saat Anda memasukkan atribut tersebut ke model pembelajaran mesin (ML). ML dapat membantu dengan wawasan, tetapi hingga saat ini Anda membutuhkan pakar ML untuk membuat model guna memprediksi jenis kegagalan mesin, yang kekurangannya dapat menunda tindakan korektif apa pun yang diperlukan bisnis untuk efisiensi atau peningkatan.
Dalam posting ini, kami menunjukkan kepada Anda bagaimana analis bisnis dapat membangun model ML prediksi jenis kegagalan mesin dengan Kanvas Amazon SageMaker. Canvas memberi Anda antarmuka tunjuk dan klik visual yang memungkinkan Anda membuat model dan menghasilkan prediksi ML yang akurat sendiriโtanpa memerlukan pengalaman ML apa pun atau harus menulis satu baris kode pun.
Ikhtisar solusi
Mari kita asumsikan Anda seorang analis bisnis yang ditugaskan ke tim pemeliharaan dari organisasi manufaktur besar. Tim pemeliharaan Anda telah meminta Anda untuk membantu memprediksi kegagalan umum. Mereka telah memberi Anda kumpulan data historis yang berisi karakteristik yang terkait dengan jenis kegagalan tertentu dan ingin Anda memprediksi kegagalan mana yang akan terjadi di masa mendatang. Jenis kegagalan termasuk No Failure, Overstrain, dan Power Failures. Skema data tercantum dalam tabel berikut.
Nama kolom | Tipe data | Deskripsi Produk |
UID | INT | Pengidentifikasi unik mulai dari 1-10,000 |
ID Produk | STRING | Terdiri dari hurufโL, M, atau H untuk varian rendah, sedang, atau tinggiโsebagai varian kualitas produk dan nomor seri khusus varian |
mengetik | STRING | Huruf awal yang terkait dengan productID yang terdiri dari L, M, atau H saja |
suhu udara [K] | DESIMAL | Suhu udara ditentukan dalam kelvin |
suhu proses [K] | DESIMAL | Temperatur yang dikontrol dengan tepat untuk memastikan kualitas jenis produk tertentu yang ditentukan dalam kelvin |
kecepatan rotasi [rpm] | DESIMAL | Kecepatan rotasi suatu benda yang berputar di sekitar sumbu adalah jumlah putaran benda dibagi dengan waktu, yang ditentukan sebagai putaran per menit |
torsi [Nm] | DESIMAL | Gaya putar mesin melalui radius, dinyatakan dalam newton meter |
keausan alat [min] | INT | Keausan alat dinyatakan dalam menit |
jenis kegagalan (target) | STRING | Tidak Ada Kegagalan, Kegagalan Daya, atau Kegagalan Overstrain |
Setelah jenis kegagalan diidentifikasi, bisnis dapat mengambil tindakan korektif apa pun. Untuk melakukan ini, Anda menggunakan data yang Anda miliki dalam file CSV, yang berisi karakteristik tertentu dari suatu produk seperti yang diuraikan dalam tabel. Anda menggunakan Canvas untuk melakukan langkah-langkah berikut:
- Impor kumpulan data pemeliharaan.
- Latih dan bangun model perawatan mesin prediktif.
- Analisis hasil model.
- Uji prediksi terhadap model.
Prasyarat
Admin cloud dengan Akun AWS dengan izin yang sesuai diperlukan untuk menyelesaikan prasyarat berikut:
- Terapkan file Amazon SageMaker domain Untuk petunjuk, lihat Masuk ke Domain Amazon SageMaker.
- Luncurkan Kanvas. Untuk petunjuk, lihat Menyiapkan dan mengelola Amazon SageMaker Canvas (untuk administrator TI).
- Mengonfigurasi kebijakan berbagi sumber daya lintas asal (CORS) untuk Canvas. Untuk petunjuk, lihat Berikan pengguna Anda kemampuan untuk mengunggah file lokal.
Impor kumpulan data
Pertama, unduh kumpulan data pemeliharaan dan tinjau file untuk memastikan semua data ada di sana.
Canvas menyediakan beberapa contoh kumpulan data dalam aplikasi Anda untuk membantu Anda memulai. Untuk mempelajari lebih lanjut tentang kumpulan data sampel yang disediakan SageMaker yang dapat Anda coba, lihat Gunakan kumpulan data sampel. Jika Anda menggunakan kumpulan data sampel (canvas-sample-maintenance.csv
) tersedia dalam Canvas, Anda tidak perlu mengimpor kumpulan data pemeliharaan.
Anda dapat mengimpor data dari berbagai sumber data ke Canvas. Jika Anda berencana untuk menggunakan kumpulan data Anda sendiri, ikuti langkah-langkah di Mengimpor data di Amazon SageMaker Canvas.
Untuk posting ini, kami menggunakan dataset pemeliharaan lengkap yang kami unduh.
- Masuk ke Konsol Manajemen AWS, menggunakan akun dengan izin yang sesuai untuk mengakses Canvas.
- Masuk ke konsol Canvas.
- Pilih impor.
- Pilih Unggah Dan pilih
maintenance_dataset.csv
file. - Pilih Impor data untuk mengunggahnya ke Canvas.
Proses impor memakan waktu sekitar 10 detik (ini dapat bervariasi tergantung pada ukuran set data). Setelah selesai, Anda dapat melihat dataset ada di Ready
status.
Setelah Anda mengonfirmasi bahwa set data yang diimpor adalah ready
, Anda dapat membuat model Anda.
Bangun dan latih modelnya
Untuk membuat dan melatih model Anda, selesaikan langkah-langkah berikut:
- Pilih Model baru, dan berikan nama untuk model Anda.
- Pilih membuat.
- Pilih
maintenance_dataset.csv
kumpulan data dan pilih Pilih set data.
Dalam tampilan model, Anda dapat melihat empat tab, yang sesuai dengan empat langkah untuk membuat model dan menggunakannya untuk menghasilkan prediksi: Pilih, Membangun, Menganalisa, dan Meramalkan. - pada Pilih tab, pilih
maintenance_dataset.csv
kumpulan data yang Anda unggah sebelumnya dan pilih Pilih set data.
Kumpulan data ini mencakup 9 kolom dan 10,000 baris. Canvas secara otomatis berpindah ke fase Build. - Pada tab ini, pilih kolom target, dalam kasus kami Jenis Kegagalan.Tim pemeliharaan telah memberi tahu Anda bahwa kolom ini menunjukkan jenis kegagalan yang biasanya terlihat berdasarkan data historis dari mesin yang ada. Inilah yang ingin Anda latih untuk diprediksi oleh model Anda. Canvas secara otomatis mendeteksi bahwa ini adalah 3 Kategori masalah (juga dikenal sebagai klasifikasi multi-kelas). Jika jenis model yang salah terdeteksi, Anda dapat mengubahnya secara manual dengan Ubah tipe .
Perlu dicatat bahwa dataset ini sangat tidak seimbang terhadap kelas No Failure, yang dapat dilihat dengan melihat kolom bernama Jenis Kegagalan. Meskipun Canvas dan kemampuan AutoML yang mendasarinya sebagian dapat menangani ketidakseimbangan set data, hal ini dapat mengakibatkan beberapa kinerja yang tidak seimbang. Sebagai langkah tambahan berikutnya, lihat Seimbangkan data Anda untuk pembelajaran mesin dengan Amazon SageMaker Data Wrangler. Mengikuti langkah-langkah di tautan bersama, Anda dapat meluncurkan Studio Amazon SageMaker aplikasi dari konsol SageMaker dan impor dataset ini di dalam Pengatur Data Amazon SageMaker dan gunakan transformasi data Saldo, lalu kembalikan set data seimbang ke Canvas dan lanjutkan langkah-langkah berikut. Kami melanjutkan dengan kumpulan data yang tidak seimbang dalam posting ini untuk menunjukkan bahwa Canvas dapat menangani kumpulan data yang tidak seimbang juga.
Di bagian bawah halaman, Anda dapat melihat beberapa statistik kumpulan data, termasuk nilai yang hilang dan tidak cocok, nilai unik, serta nilai rata-rata dan median. Anda juga dapat menjatuhkan beberapa kolom jika Anda tidak ingin menggunakannya untuk prediksi hanya dengan membatalkan pilihan.
Setelah Anda menjelajahi bagian ini, saatnya untuk melatih modelnya! Sebelum membangun model yang lengkap, ada baiknya untuk memiliki gambaran umum tentang kinerja model dengan melatih Model Cepat. Model cepat melatih lebih sedikit kombinasi model dan hiperparameter untuk memprioritaskan kecepatan daripada akurasi, terutama jika Anda ingin membuktikan nilai pelatihan model ML untuk kasus penggunaan Anda. Perhatikan bahwa opsi build cepat tidak tersedia untuk model yang lebih besar dari 50,000 baris. - Pilih Membangun cepat.
Sekarang Anda menunggu di mana saja dari 2โ15 menit. Setelah selesai, Canvas secara otomatis berpindah ke Menganalisa tab untuk menunjukkan kepada Anda hasil pelatihan cepat. Analisis dilakukan dengan menggunakan perkiraan build cepat bahwa model Anda mampu memprediksi jenis kegagalan (hasil) yang tepat 99.2% setiap saat. Anda mungkin mengalami nilai yang sedikit berbeda. Ini diharapkan.
Mari kita fokus pada tab pertama, Ringkasan. Ini adalah tab yang menunjukkan kepada Anda Dampak kolom, atau perkiraan pentingnya setiap kolom dalam memprediksi kolom target. Dalam contoh ini, kolom Torsi [Nm] dan Kecepatan putar [rpm] memiliki dampak paling signifikan dalam memprediksi jenis kegagalan yang akan terjadi.
Evaluasi kinerja model
Ketika Anda pindah ke Scoring bagian dari analisis Anda, Anda dapat melihat plot yang mewakili distribusi nilai prediksi kami sehubungan dengan nilai sebenarnya. Perhatikan bahwa sebagian besar kegagalan akan berada dalam kategori Tidak Ada Kegagalan. Untuk mempelajari lebih lanjut tentang bagaimana Canvas menggunakan baseline SHAP untuk menghadirkan kemampuan menjelaskan ke ML, lihat Mengevaluasi Kinerja Model Anda di Kanvas Amazon SageMaker, sebaik Garis Dasar SHAP untuk Dapat Dijelaskan.
Canvas membagi dataset asli menjadi train dan set validasi sebelum training. Penskoran adalah hasil dari Canvas yang menjalankan set validasi terhadap model. Ini adalah antarmuka interaktif di mana Anda dapat memilih jenis kegagalan. Jika Anda memilih Kegagalan Overstrain dalam grafik, Anda dapat melihat bahwa model mengidentifikasi 84% waktu ini. Ini cukup baik untuk diambil tindakanโmungkin meminta operator atau teknisi memeriksa lebih lanjut. Kamu bisa memilih Masalah listrik dalam grafik untuk melihat skor masing-masing untuk interpretasi dan tindakan lebih lanjut.
Anda mungkin tertarik pada jenis kegagalan dan seberapa baik model memprediksi jenis kegagalan berdasarkan serangkaian input. Untuk melihat lebih dekat hasilnya, pilih Metrik lanjutan. Ini menampilkan matriks yang memungkinkan Anda untuk memeriksa hasil lebih dekat. Dalam ML, ini disebut sebagai matriks kebingungan.
Matriks ini default ke kelas yang mendominasi, Tidak Ada Kegagalan. pada Kelas menu, Anda dapat memilih untuk melihat metrik lanjutan dari dua jenis kegagalan lainnya yaitu Kegagalan Ketegangan Berlebihan dan Kegagalan Daya.
Dalam ML, akurasi model didefinisikan sebagai jumlah prediksi yang benar dibagi dengan jumlah total prediksi. Kotak biru mewakili prediksi yang benar bahwa model dibuat terhadap subset data uji di mana ada hasil yang diketahui. Di sini kami tertarik pada berapa persentase waktu model memprediksi jenis kegagalan mesin tertentu (katakanlah Tidak Ada Kegagalan) padahal sebenarnya tipe kegagalan itu (Tidak Ada Kegagalan). Dalam ML, rasio yang digunakan untuk mengukurnya adalah TP/(TP+FN). Ini disebut sebagai mengingat kembali. Dalam kasus default, Tidak Ada Kegagalan, ada 1,923 prediksi yang benar dari 1,926 catatan keseluruhan, yang menghasilkan 99% mengingat kembali. Atau, di kelas Kegagalan Overstrain, ada 32 dari 38, yang menghasilkan 84% mengingat kembali. Terakhir, di kelas Kegagalan Daya, ada 16 dari 19, yang menghasilkan 84% mengingat kembali.
Sekarang, Anda memiliki dua opsi:
- Anda dapat menggunakan model ini untuk menjalankan beberapa prediksi dengan memilih Meramalkan.
- Anda dapat membuat versi baru dari model ini untuk berlatih dengan bangunan standar pilihan. Ini akan memakan waktu lebih lamaโsekitar 1โ2 jamโtetapi memberikan model yang lebih tangguh karena melalui tinjauan AutoML lengkap terhadap data, algoritme, dan iterasi penyetelan.
Karena Anda mencoba untuk memprediksi kegagalan, dan model memprediksi kegagalan dengan benar 84% dari waktu, Anda dapat dengan yakin menggunakan model untuk mengidentifikasi kemungkinan kegagalan. Jadi, Anda dapat melanjutkan ke opsi 1. Jika Anda tidak yakin, Anda dapat meminta ilmuwan data meninjau pemodelan yang dilakukan Canvas dan menawarkan potensi peningkatan melalui opsi 2.
Hasilkan prediksi
Sekarang setelah model dilatih, Anda dapat mulai membuat prediksi.
- Pilih Meramalkan di bagian bawah Menganalisa halaman, atau pilih Meramalkan Tab.
- Pilih Pilih set data, dan pilih
maintenance_dataset.csv
file. - Pilih Hasilkan prediksi.
Canvas menggunakan kumpulan data ini untuk menghasilkan prediksi kami. Meskipun umumnya merupakan ide yang baik untuk tidak menggunakan kumpulan data yang sama untuk pelatihan dan pengujian, Anda dapat menggunakan kumpulan data yang sama demi kesederhanaan dalam kasus ini. Atau, Anda dapat menghapus beberapa catatan dari kumpulan data asli yang Anda gunakan untuk pelatihan dan menggunakan catatan tersebut dalam file CSV dan memasukkannya ke prediksi batch di sini sehingga Anda tidak menggunakan kumpulan data yang sama untuk pengujian pasca pelatihan.
Setelah beberapa detik, prediksi selesai. Canvas mengembalikan prediksi untuk setiap baris data dan probabilitas prediksi itu benar. Kamu bisa memilih Preview untuk melihat prediksi, atau pilih Unduh untuk mengunduh file CSV yang berisi keluaran lengkap.
Anda juga dapat memilih untuk memprediksi satu per satu nilai dengan memilih Prediksi tunggal alih-alih Prediksi batch. Canvas menunjukkan tampilan di mana Anda dapat memberikan nilai untuk setiap fitur secara manual dan menghasilkan prediksi. Ini ideal untuk situasi seperti skenario bagaimana-jika, misalnya: Bagaimana pengaruh keausan pahat terhadap jenis kegagalan? Bagaimana jika suhu proses naik atau turun? Bagaimana jika kecepatan rotasi berubah?
bangunan standar
Grafik bangunan standar pilihan memilih akurasi daripada kecepatan. Jika Anda ingin berbagi artefak model dengan ilmuwan data dan engineer ML, Anda dapat membuat build standar berikutnya.
- Pilih Tambahkan versi
- Pilih versi baru dan pilih bangunan standar.
- Setelah membuat build standar, Anda dapat berbagi model dengan ilmuwan data dan engineer ML untuk evaluasi dan iterasi lebih lanjut.
Membersihkan
Untuk menghindari timbulnya masa depan biaya sesi, keluar dari Kanvas.
Kesimpulan
Dalam posting ini, kami menunjukkan bagaimana seorang analis bisnis dapat membuat model prediksi jenis kegagalan mesin dengan Canvas menggunakan data pemeliharaan. Canvas memungkinkan analis bisnis seperti insinyur keandalan untuk membuat model ML yang akurat dan menghasilkan prediksi menggunakan antarmuka tanpa kode, visual, tunjuk dan klik. Analis dapat membawa ini ke tingkat berikutnya dengan berbagi model mereka dengan rekan ilmuwan data. Ilmuwan data dapat melihat model Canvas di Studio, tempat mereka dapat menjelajahi pilihan yang dibuat Canvas, memvalidasi hasil model, dan bahkan membawa model ke produksi dengan beberapa klik. Hal ini dapat mempercepat penciptaan nilai berbasis ML dan membantu meningkatkan hasil yang lebih cepat dengan lebih cepat.
Untuk mempelajari lebih lanjut tentang menggunakan Canvas, lihat Bangun, Bagikan, Terapkan: bagaimana analis bisnis dan ilmuwan data mencapai time-to-market yang lebih cepat menggunakan ML tanpa kode dan Amazon SageMaker Canvas. Untuk informasi selengkapnya tentang membuat model ML dengan solusi tanpa kode, lihat Mengumumkan Amazon SageMaker Canvas โ Kemampuan Machine Learning Visual, Tanpa Kode untuk Analis Bisnis.
Tentang Penulis
Rajakumar Sampatkumar adalah Manajer Akun Teknis Utama di AWS, yang memberikan panduan kepada pelanggan tentang penyelarasan teknologi bisnis dan mendukung penemuan kembali model dan proses operasi cloud mereka. Dia bersemangat tentang cloud dan pembelajaran mesin. Raj juga merupakan spesialis pembelajaran mesin dan bekerja dengan pelanggan AWS untuk merancang, menerapkan, dan mengelola beban kerja dan arsitektur AWS mereka.
Twan Atkins adalah Arsitek Solusi Senior untuk Amazon Web Services. Dia bertanggung jawab untuk bekerja dengan pelanggan Pertanian, Ritel, dan Manufaktur untuk mengidentifikasi masalah bisnis dan bekerja mundur untuk mengidentifikasi solusi teknis yang layak dan terukur. Twann telah membantu pelanggan merencanakan dan memigrasikan beban kerja penting selama lebih dari 10 tahun dengan fokus baru-baru ini pada demokratisasi analitik, kecerdasan buatan, dan pembelajaran mesin untuk pelanggan dan pembangun masa depan.
Omkar Mukadam adalah Arsitektur Solusi Spesialis Edge di Amazon Web Services. Saat ini dia berfokus pada solusi yang memungkinkan pelanggan komersial merancang, membangun, dan menskalakan secara efektif dengan penawaran layanan AWS Edge yang mencakup namun tidak terbatas pada AWS Snow Family.
- Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
- Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
- CryptoHawk. Radar Altcoin. Uji Coba Gratis.
- Sumber: https://aws.amazon.com/blogs/machine-learning/predict-types-of-machine-failures-with-no-code-machine-learning-using-amazon-sagemaker-canvas/
- "
- 000
- 10
- 100
- 9
- a
- kemampuan
- Tentang Kami
- mempercepat
- mengakses
- Akun
- tepat
- Mencapai
- Tindakan
- tindakan
- Tambahan
- admin
- administrator
- maju
- terhadap
- pertanian
- algoritma
- Semua
- memungkinkan
- Meskipun
- Amazon
- Amazon Web Services
- analisa
- analisis
- analis
- analisis
- di manapun
- aplikasi
- Aplikasi
- sesuai
- sekitar
- arsitektur
- sekitar
- buatan
- kecerdasan buatan
- Kecerdasan Buatan dan Pembelajaran Mesin
- ditugaskan
- terkait
- atribut
- secara otomatis
- tersedia
- AWS
- Sumbu
- karena
- sebelum
- makhluk
- lebih besar
- batas
- membawa
- membangun
- Bangunan
- bisnis
- bisnis
- kanvas
- kemampuan
- kasus
- kasus
- Kategori
- tertentu
- perubahan
- pilihan
- Pilih
- kelas
- lebih dekat
- awan
- kode
- rekan
- Kolom
- kombinasi
- komersial
- Umum
- lengkap
- yakin
- konsul
- mengandung
- terus
- bisa
- membuat
- membuat
- penciptaan
- kritis
- Sekarang
- pelanggan
- data
- ilmuwan data
- menunda
- Tergantung
- menyebarkan
- Mendesain
- terdeteksi
- mengembangkan
- MELAKUKAN
- berbeda
- menampilkan
- distribusi
- domain
- Download
- Menjatuhkan
- setiap
- Tepi
- efektif
- memungkinkan
- insinyur
- Insinyur
- terutama
- diperkirakan
- perkiraan
- mengevaluasi
- evaluasi
- contoh
- ada
- diharapkan
- pengalaman
- eksperimen
- ahli
- menyelidiki
- menyatakan
- Kegagalan
- keluarga
- lebih cepat
- Fitur
- Pertama
- Fokus
- berfokus
- mengikuti
- berikut
- dari
- penuh
- lebih lanjut
- masa depan
- Umum
- umumnya
- menghasilkan
- menghasilkan
- baik
- menangani
- memiliki
- membantu
- membantu
- di sini
- sangat
- historis
- Seterpercayaapakah Olymp Trade? Kesimpulan
- HTTPS
- ide
- ideal
- mengenali
- Dampak
- pentingnya
- ditingkatkan
- perbaikan
- memasukkan
- termasuk
- Termasuk
- industri
- informasi
- informasi
- wawasan
- Intelijen
- interaktif
- tertarik
- Antarmuka
- interpretasi
- IT
- dikenal
- besar
- jalankan
- BELAJAR
- pengetahuan
- Tingkat
- Terbatas
- baris
- LINK
- Daftar
- lokal
- melihat
- mesin
- Mesin belajar
- Mesin
- terbuat
- pemeliharaan
- membuat
- mengelola
- pengelolaan
- manajer
- pelaksana
- manual
- pabrik
- Matriks
- mengukur
- medium
- Metrik
- ML
- model
- model
- lebih
- paling
- pindah
- berikutnya
- terkenal
- jumlah
- menawarkan
- Penawaran
- operasi
- operator
- pilihan
- Opsi
- urutan
- organisasi
- asli
- Lainnya
- secara keseluruhan
- sendiri
- tertentu
- bergairah
- persentase
- prestasi
- pertunjukan
- tahap
- Kebijakan
- mungkin
- potensi
- kekuasaan
- praktek
- meramalkan
- ramalan
- Prediksi
- Utama
- Masalah
- masalah
- proses
- proses
- Produk
- Kualitas Produk
- Produksi
- memberikan
- disediakan
- menyediakan
- menyediakan
- kualitas
- Cepat
- mulai
- baru
- arsip
- mewakili
- mewakili
- wajib
- sumber
- tanggung jawab
- Hasil
- eceran
- Pengembalian
- ulasan
- Run
- berjalan
- sama
- terukur
- Skala
- ilmuwan
- ilmuwan
- mencetak gol
- detik
- serial
- Seri
- layanan
- Layanan
- set
- beberapa
- Share
- berbagi
- berbagi
- Menunjukkan
- penting
- tunggal
- Ukuran
- salju
- So
- padat
- larutan
- Solusi
- beberapa
- spesialis
- kecepatan
- Berpisah
- standar
- awal
- mulai
- statistika
- Status
- studio
- pendukung
- target
- tim
- Teknis
- uji
- pengujian
- Grafik
- Melalui
- Terjalin
- waktu
- besok
- alat
- terhadap
- Pelatihan
- kereta
- Transformasi
- jenis
- khas
- unik
- menggunakan
- Pengguna
- pengesahan
- nilai
- versi
- View
- menunggu
- jaringan
- layanan web
- Apa
- dalam
- kerja
- bekerja
- akan
- tahun
- Anda