Pemeliharaan prediktif sangat penting dalam industri otomotif karena dapat menghindari kegagalan mekanis yang tidak terduga dan aktivitas pemeliharaan reaktif yang mengganggu pengoperasian. Dengan memprediksi kegagalan kendaraan dan menjadwalkan pemeliharaan dan perbaikan, Anda akan mengurangi waktu henti, meningkatkan keselamatan, dan meningkatkan tingkat produktivitas.
Bagaimana jika kita dapat menerapkan teknik pembelajaran mendalam pada area umum yang menyebabkan kegagalan kendaraan, waktu henti yang tidak direncanakan, dan biaya perbaikan?
Dalam postingan ini, kami menunjukkan cara melatih dan menerapkan model untuk memprediksi kemungkinan kegagalan armada kendaraan menggunakan Mulai Lompatan Amazon SageMaker. SageMaker Jumpstart adalah pusat pembelajaran mesin (ML). Amazon SageMaker, menyediakan model terlatih dan tersedia untuk umum untuk berbagai jenis masalah guna membantu Anda memulai ML. Solusi yang diuraikan dalam postingan tersedia di GitHub.
Templat solusi SageMaker JumpStart
SageMaker JumpStart menyediakan solusi menyeluruh sekali klik untuk banyak kasus penggunaan ML umum. Jelajahi kasus penggunaan berikut untuk informasi selengkapnya tentang templat solusi yang tersedia:
Templat solusi SageMaker JumpStart mencakup berbagai kasus penggunaan, yang masing-masing menawarkan beberapa templat solusi berbeda (solusi dalam postingan ini, Pemeliharaan Prediktif untuk Armada Kendaraan, ada di Solusi bagian). Pilih templat solusi yang paling sesuai dengan kasus penggunaan Anda dari halaman arahan SageMaker JumpStart. Untuk informasi selengkapnya tentang solusi spesifik dalam setiap kasus penggunaan dan cara meluncurkan solusi SageMaker JumpStart, lihat Templat Solusi.
Ikhtisar solusi
Solusi pemeliharaan prediktif AWS untuk armada otomotif menerapkan teknik pembelajaran mendalam pada area umum yang menyebabkan kegagalan kendaraan, waktu henti tidak terencana, dan biaya perbaikan. Ini berfungsi sebagai landasan awal bagi Anda untuk mendapatkan bukti konsep dalam waktu singkat. Solusi ini berisi fungsi persiapan dan visualisasi data dalam SageMaker dan memungkinkan Anda melatih dan mengoptimalkan hyperparameter model pembelajaran mendalam untuk kumpulan data Anda. Anda dapat menggunakan data Anda sendiri atau mencoba solusi dengan kumpulan data sintetis sebagai bagian dari solusi ini. Versi ini memproses data sensor kendaraan dari waktu ke waktu. Versi berikutnya akan memproses data catatan pemeliharaan.
Diagram berikut menunjukkan bagaimana Anda dapat menggunakan solusi ini dengan komponen SageMaker. Sebagai bagian dari solusi, layanan berikut digunakan:
- Amazon S3 - Kita gunakan Layanan Penyimpanan Sederhana Amazon (Amazon S3) untuk menyimpan kumpulan data
- Buku catatan SageMaker โ Kami menggunakan buku catatan untuk melakukan praproses dan memvisualisasikan data, serta untuk melatih model pembelajaran mendalam
- Titik akhir SageMaker โ Kami menggunakan titik akhir untuk menerapkan model terlatih
Alur kerja meliputi langkah-langkah berikut:
- Ekstrak data historis dibuat dari Sistem Manajemen Armada yang berisi data kendaraan dan log sensor.
- Setelah model ML dilatih, artefak model SageMaker disebarkan.
- Kendaraan yang terhubung mengirimkan log sensor ke Inti AWS IoT (sebagai alternatif, melalui antarmuka HTTP).
- Log sensor disimpan melalui Firehose Data Amazon Kinesis.
- Log sensor dikirim ke AWS Lambda untuk melakukan kueri terhadap model untuk membuat prediksi.
- Lambda mengirimkan log sensor ke inferensi model Sagemaker untuk prediksi.
- Prediksi tetap ada Amazon Aurora.
- Hasil agregat ditampilkan pada Amazon QuickSight dasbor.
- Pemberitahuan real-time tentang perkiraan kemungkinan kegagalan dikirimkan ke Layanan Pemberitahuan Sederhana Amazon (Amazon SNS).
- Amazon SNS mengirimkan notifikasi kembali ke kendaraan yang terhubung.
Solusinya terdiri dari enam buku catatan:
- 0_demo.ipynb โ Pratinjau singkat solusi kami
- 1_pengantar.ipynb โ Ikhtisar pengenalan dan solusi
- 2_data_persiapan.ipynb โ Siapkan kumpulan data sampel
- 3_data_visualisasi.ipynb โ Visualisasikan kumpulan data sampel kami
- 4_model_training.ipynb โ Latih model pada kumpulan data sampel kami untuk mendeteksi kegagalan
- 5_hasil_analisis.ipynb โ Analisis hasil dari model yang kami latih
Prasyarat
Studio Amazon SageMaker adalah lingkungan pengembangan terintegrasi (IDE) dalam SageMaker yang memberi kita semua fitur ML yang kita perlukan dalam satu panel kaca. Sebelum kita dapat menjalankan SageMaker JumpStart, kita perlu menyiapkan SageMaker Studio. Anda dapat melewati langkah ini jika Anda sudah menjalankan SageMaker Studio versi Anda sendiri.
Hal pertama yang perlu kita lakukan sebelum dapat menggunakan layanan AWS apa pun adalah memastikan bahwa kita telah mendaftar dan membuat akun AWS. Kemudian kami membuat pengguna administratif dan grup. Untuk instruksi pada kedua langkah, lihat Siapkan Prasyarat Amazon SageMaker.
Langkah selanjutnya adalah membuat domain SageMaker. Domain menyiapkan semua penyimpanan dan memungkinkan Anda menambahkan pengguna untuk mengakses SageMaker. Untuk informasi lebih lanjut, lihat Masuk ke Domain Amazon SageMaker. Demo ini dibuat di Wilayah AWS us-east-1.
Terakhir, Anda meluncurkan SageMaker Studio. Untuk postingan ini, kami menyarankan untuk meluncurkan aplikasi profil pengguna. Untuk instruksi, lihat Luncurkan Amazon SageMaker Studio.
Untuk menjalankan solusi SageMaker JumpStart ini dan menerapkan infrastruktur ke akun AWS Anda, Anda perlu membuat instans SageMaker Studio yang aktif (lihat Masuk ke Amazon SageMaker Studio). Saat instans Anda sudah siap, gunakan petunjuk di SageMaker JumpStart untuk meluncurkan solusinya. Artefak solusi termasuk di dalamnya Repositori GitHub sebagai referensi.
Luncurkan solusi SageMaker Jumpstart
Untuk memulai solusinya, selesaikan langkah-langkah berikut:
- Di konsol SageMaker Studio, pilih Tingkatkan.
- pada Solusi tab, pilih Pemeliharaan Prediktif untuk Armada Kendaraan.
- Pilih Launch.
Dibutuhkan beberapa menit untuk menerapkan solusinya. - Setelah solusi disebarkan, pilih Buka Buku Catatan.
Jika Anda diminta untuk memilih kernel, pilih PyTorch 1.8 Python 3.6 untuk semua notebook dalam solusi ini.
Pratinjau solusi
Kami pertama kali mengerjakannya 0_demo.ipynb
buku catatan. Di buku catatan ini, Anda bisa mendapatkan pratinjau singkat tentang seperti apa hasilnya saat Anda menyelesaikan buku catatan lengkap untuk solusi ini.
Pilih Run dan Jalankan Semua Sel untuk menjalankan semua sel di SageMaker Studio (atau Sel dan Jalankan Semua dalam contoh buku catatan SageMaker). Anda bisa menjalankan semua sel di setiap buku catatan satu demi satu. Pastikan semua sel menyelesaikan pemrosesan sebelum berpindah ke buku catatan berikutnya.
Solusi ini bergantung pada file konfigurasi untuk menjalankan sumber daya AWS yang disediakan. Kami menghasilkan file sebagai berikut:
Kami memiliki beberapa contoh data masukan deret waktu yang terdiri dari tegangan baterai kendaraan dan arus baterai dari waktu ke waktu. Selanjutnya, kami memuat dan memvisualisasikan data sampel. Seperti yang ditunjukkan pada tangkapan layar berikut, nilai tegangan dan arus berada pada sumbu Y dan pembacaan (19 pembacaan tercatat) berada pada sumbu X.
Kami sebelumnya telah melatih model berdasarkan data tegangan dan arus yang memprediksi kemungkinan kegagalan kendaraan dan telah menerapkan model tersebut sebagai titik akhir di SageMaker. Kami akan memanggil titik akhir ini dengan beberapa data sampel untuk menentukan kemungkinan kegagalan pada periode waktu berikutnya.
Berdasarkan data masukan sampel, kemungkinan kegagalan yang diprediksi adalah 45.73%.
Untuk melanjutkan ke tahap berikutnya, pilih Klik disini untuk melanjutkan.
Ikhtisar pengenalan dan solusi
Grafik 1_introduction.ipynb
notebook memberikan gambaran umum tentang solusi dan tahapan, serta melihat ke dalam file konfigurasi yang memiliki definisi konten, periode pengambilan sampel data, jumlah sampel pelatihan dan pengujian, parameter, lokasi, dan nama kolom untuk konten yang dihasilkan.
Setelah Anda meninjau buku catatan ini, Anda dapat melanjutkan ke tahap berikutnya.
Siapkan kumpulan data sampel
Kami menyiapkan kumpulan data sampel di 2_data_preparation.ipynb
buku catatan.
Kami pertama-tama membuat file konfigurasi untuk solusi ini:
Properti konfigurasinya adalah sebagai berikut:
Anda dapat menentukan kumpulan data Anda sendiri atau menggunakan skrip kami untuk menghasilkan kumpulan data sampel:
Anda dapat menggabungkan data sensor dan data kendaraan armada menjadi satu:
Sekarang kita dapat beralih ke visualisasi data.
Visualisasikan kumpulan data sampel kami
Kami memvisualisasikan kumpulan data sampel kami di 3_data_vizualization.ipynb
. Solusi ini bergantung pada file konfigurasi untuk menjalankan sumber daya AWS yang disediakan. Mari kita buat file yang mirip dengan notebook sebelumnya.
Tangkapan layar berikut menunjukkan kumpulan data kami.
Selanjutnya, mari buat kumpulan data:
Sekarang kumpulan data sudah siap, mari kita visualisasikan statistik datanya. Tangkapan layar berikut menunjukkan sebaran data berdasarkan merek kendaraan, jenis mesin, kelas kendaraan, dan model.
Membandingkan data log, mari kita lihat contoh tegangan rata-rata pada tahun yang berbeda untuk Make E dan C (acak).
Rata-rata tegangan dan arus ada pada sumbu Y dan jumlah pembacaannya ada pada sumbu X.
- Nilai yang mungkin untuk log_target: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- Nilai yang ditetapkan secara acak untuk
log_target: make
- Nilai yang ditetapkan secara acak untuk
- Nilai yang mungkin untuk log_target_value1: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Nilai yang ditetapkan secara acak untuk
log_target_value1: Make B
- Nilai yang ditetapkan secara acak untuk
- Nilai yang mungkin untuk log_target_value2: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Nilai yang ditetapkan secara acak untuk
log_target_value2: Make D
- Nilai yang ditetapkan secara acak untuk
Berdasarkan hal di atas, kami berasumsi log_target: make
, log_target_value1: Make B
dan log_target_value2: Make D
Grafik berikut menguraikan rata-rata data log.
Grafik berikut memvisualisasikan contoh nilai log sensor yang berbeda terhadap tegangan dan arus.
Latih model pada kumpulan data sampel kami untuk mendeteksi kegagalan
Dalam majalah 4_model_training.ipynb
notebook, kami melatih model pada kumpulan data sampel kami untuk mendeteksi kegagalan.
Mari buat file konfigurasi yang mirip dengan notebook sebelumnya, lalu lanjutkan dengan konfigurasi pelatihan:
Analisis hasil dari model yang kami latih
Dalam majalah 5_results_analysis.ipynb
notebook, kami mendapatkan data dari tugas penyetelan hyperparameter, memvisualisasikan metrik semua tugas untuk mengidentifikasi tugas terbaik, dan membangun titik akhir untuk tugas pelatihan terbaik.
Mari buat file konfigurasi yang mirip dengan notebook sebelumnya dan visualisasikan metrik semua pekerjaan. Plot berikut memvisualisasikan akurasi pengujian vs. zaman.
Tangkapan layar berikut menunjukkan pekerjaan penyetelan hyperparameter yang kami jalankan.
Anda sekarang dapat memvisualisasikan data dari tugas pelatihan terbaik (dari empat tugas pelatihan) berdasarkan akurasi pengujian (merah).
Seperti yang bisa kita lihat di tangkapan layar berikut, kerugian pengujian menurun dan AUC serta akurasi meningkat seiring waktu.
Berdasarkan visualisasi, kini kita dapat membangun titik akhir untuk tugas pelatihan terbaik:
Setelah kita membangun titik akhir, kita dapat menguji prediktor dengan meneruskan contoh log sensor:
Berdasarkan data masukan sampel, kemungkinan kegagalan yang diprediksi adalah 34.60%.
Membersihkan
Setelah Anda selesai dengan solusi ini, pastikan Anda menghapus semua sumber daya AWS yang tidak diinginkan. Di Pemeliharaan Prediktif untuk Armada Kendaraan halaman, di bawah Hapus solusi, pilih Hapus semua sumber daya untuk menghapus semua sumber daya yang terkait dengan solusi.
Anda perlu menghapus secara manual semua sumber daya tambahan yang mungkin telah Anda buat di buku catatan ini. Beberapa contoh mencakup bucket S3 tambahan (ke bucket default solusi) dan titik akhir SageMaker tambahan (menggunakan nama kustom).
Sesuaikan solusinya
Solusi kami mudah untuk disesuaikan. Untuk mengubah visualisasi data masukan, lihat sagemaker/3_data_visualization.ipynb. Untuk menyesuaikan pembelajaran mesin, lihat pembuat sage/source/train.py dan sagemaker/source/dl_utils/network.py. Untuk menyesuaikan pemrosesan kumpulan data, lihat pembuat sage/1_introduction.ipynb tentang cara mendefinisikan file konfigurasi.
Selain itu, Anda dapat mengubah konfigurasi di file konfigurasi. Konfigurasi defaultnya adalah sebagai berikut:
File konfigurasi memiliki parameter berikut:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
, dantest_dataset_fn
menentukan lokasi file kumpulan datavehicle_id_column
,timestamp_column
,target_column
, danperiod_column
tentukan header untuk kolomdataset_size
,chunksize
,processing_chunksize
,period_ms
, danwindow_length
menentukan properti kumpulan data
Kesimpulan
Dalam postingan ini, kami menunjukkan kepada Anda cara melatih dan menerapkan model untuk memprediksi kemungkinan kegagalan armada kendaraan menggunakan SageMaker JumpStart. Solusi ini didasarkan pada ML dan model pembelajaran mendalam serta memungkinkan beragam masukan data termasuk data sensor yang berubah-ubah terhadap waktu. Karena setiap kendaraan memiliki telemetri yang berbeda, Anda dapat menyesuaikan model yang disediakan dengan frekuensi dan jenis data yang Anda miliki.
Untuk mempelajari lebih lanjut tentang apa yang dapat Anda lakukan dengan SageMaker JumpStart, lihat berikut ini:
Sumber
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.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Otomotif / EV, Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- BlockOffset. Modernisasi Kepemilikan Offset Lingkungan. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :memiliki
- :adalah
- ][P
- $NAIK
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- Tentang Kami
- atas
- mengakses
- Menurut
- Akun
- ketepatan
- di seluruh
- aktif
- kegiatan
- menambahkan
- administratif
- Setelah
- terhadap
- penjajaran
- Semua
- memungkinkan
- sudah
- juga
- Amazon
- Amazon SageMaker
- Mulai Lompatan Amazon SageMaker
- Amazon Web Services
- an
- menganalisa
- dan
- Apa pun
- aplikasi
- Mendaftar
- ADALAH
- daerah
- AS
- ditugaskan
- terkait
- menganggap
- At
- otomotif
- tersedia
- menghindari
- AWS
- Sumbu
- kembali
- berdasarkan
- baterai
- karena
- sebelum
- TERBAIK
- Memblokir
- tubuh
- mendorong
- kedua
- Istirahat
- membangun
- Bangunan
- by
- panggilan
- CAN
- Bisa Dapatkan
- kasus
- kasus
- Sel
- perubahan
- Pilih
- kelas
- klien
- awan
- Kolom
- Umum
- lengkap
- komponen
- konsep
- konfigurasi
- terhubung
- Terdiri dari
- terdiri
- konsul
- mengandung
- Konten
- Biaya
- bisa
- menutupi
- membuat
- dibuat
- kritis
- terbaru
- adat
- pelanggan
- menyesuaikan
- dasbor
- data
- Persiapan data
- visualisasi data
- Menurun
- mendalam
- belajar mendalam
- Default
- definisi
- demo
- menunjukkan
- menyebarkan
- dikerahkan
- Mendesain
- Menentukan
- Pengembangan
- berbeda
- ditampilkan
- Mengganggu
- distribusi
- do
- domain
- turun
- penghentian
- mendorong
- e
- setiap
- lain
- ujung ke ujung
- Titik akhir
- Mesin
- memastikan
- Lingkungan Hidup
- masa
- zaman
- Setiap
- contoh
- contoh
- menyelidiki
- tambahan
- ekstrak
- Kegagalan
- palsu
- Fitur
- beberapa
- File
- menyelesaikan
- Pertama
- ARMADA KAPAL
- berikut
- berikut
- Untuk
- empat
- Frekuensi
- dari
- penuh
- fungsi
- menghasilkan
- dihasilkan
- generator
- mendapatkan
- diberikan
- kaca
- GPU
- grafik
- Kelompok
- bimbingan
- Memiliki
- he
- header
- membantu
- di sini
- historis
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- Pusat
- Optimalisasi Hyperparameter
- Penyesuaian Hyperparameter
- i
- mengenali
- if
- mengimpor
- memperbaiki
- in
- memasukkan
- termasuk
- termasuk
- Termasuk
- Meningkatkan
- industri
- informasi
- Infrastruktur
- mulanya
- memulai
- memasukkan
- contoh
- instruksi
- terpadu
- Antarmuka
- ke
- Pengantar
- idiot
- IT
- Pekerjaan
- Jobs
- jpg
- json
- kunci-kunci
- pendaratan
- jalankan
- peluncuran
- BELAJAR
- pengetahuan
- adalah ide yang bagus
- 'like'
- memuat
- lokal
- tempat
- mencatat
- melihat
- terlihat seperti
- lepas
- mesin
- Mesin belajar
- pemeliharaan
- membuat
- mengelola
- pengelolaan
- manajer
- manual
- banyak
- Maksimalkan
- Mungkin..
- berarti
- mekanis
- Bergabung
- Metrik
- menit
- ML
- model
- model
- memodifikasi
- lebih
- pindah
- bergerak
- nama
- nama
- Perlu
- berikutnya
- buku catatan
- pemberitahuan
- pemberitahuan
- sekarang
- jumlah
- of
- ditawarkan
- on
- ONE
- hanya
- Buka
- operasi
- Operasi
- optimasi
- Optimize
- or
- OS
- Lainnya
- kami
- di luar
- Hasil
- diuraikan
- lebih
- ikhtisar
- sendiri
- halaman
- pane
- parameter
- bagian
- Lewat
- bergairah
- path
- periode
- plato
- Kecerdasan Data Plato
- Data Plato
- silahkan
- Pos
- meramalkan
- diprediksi
- memprediksi
- Prediksi
- Predictor
- Prediksi
- persiapan
- Mempersiapkan
- Preview
- sebelumnya
- sebelumnya
- Utama
- Masalah
- proses
- proses
- pengolahan
- produktifitas
- Profil
- bukti
- bukti konsep
- properties
- disediakan
- menyediakan
- menyediakan
- di depan umum
- Ular sanca
- pytorch
- Cepat
- acak
- jarak
- siap
- sarankan
- catatan
- tercatat
- Merah
- menurunkan
- wilayah
- memperbaiki
- Sumber
- tanggapan
- Hasil
- kembali
- ulasan
- Peran
- Run
- berjalan
- Safety/keselamatan
- pembuat bijak
- Contoh kumpulan data
- penjadwalan
- screenshot
- script
- Bagian
- melihat
- mengirimkan
- mengirim
- Seri
- melayani
- Layanan
- Sidang
- set
- set
- beberapa
- Pendek
- Menunjukkan
- menunjukkan
- ditunjukkan
- Pertunjukkan
- tertanda
- mirip
- Sederhana
- tunggal
- ENAM
- larutan
- Solusi
- beberapa
- sumber
- spesialis
- tertentu
- Tahap
- magang
- mulai
- statistika
- Langkah
- Tangga
- penyimpanan
- menyimpan
- studio
- selanjutnya
- pendukung
- yakin
- sintetis
- sistem
- Dibutuhkan
- Teknis
- teknik
- Template
- template
- uji
- bahwa
- Grafik
- mereka
- kemudian
- hal
- ini
- waktu
- Seri waktu
- timestamp
- untuk
- bersama
- Pelatihan VE
- terlatih
- Pelatihan
- mencoba
- mengetik
- jenis
- bawah
- tidak diinginkan
- us
- menggunakan
- gunakan case
- bekas
- Pengguna
- Pengguna
- menggunakan
- nilai
- Nilai - Nilai
- variasi
- kendaraan
- versi
- melalui
- visualisasi
- Volt
- Tegangan
- vs
- W
- we
- jaringan
- layanan web
- Apa
- ketika
- yang
- lebar
- Rentang luas
- akan
- dengan
- dalam
- Kerja
- alur kerja
- bekerja
- X
- yaml
- tahun
- Kamu
- Anda
- zephyrnet.dll