La previsione dei tipi comuni di guasto delle macchine è fondamentale nelle industrie manifatturiere. Dato un insieme di caratteristiche di un prodotto legato a un determinato tipo di errore, puoi sviluppare un modello in grado di prevedere il tipo di errore quando inserisci quegli attributi in un modello di machine learning (ML). Il ML può aiutare con le informazioni dettagliate, ma fino ad ora avevi bisogno di esperti di ML per creare modelli per prevedere i tipi di guasto delle macchine, la cui mancanza potrebbe ritardare qualsiasi azione correttiva necessaria alle aziende per l'efficienza o il miglioramento.
In questo post, ti mostriamo come gli analisti aziendali possono creare un modello ML di previsione del tipo di guasto della macchina con Tela di Amazon SageMaker. Canvas ti offre un'interfaccia visiva point-and-click che ti consente di creare modelli e generare previsioni ML accurate in autonomia, senza richiedere alcuna esperienza ML o dover scrivere una singola riga di codice.
Panoramica della soluzione
Supponiamo che tu sia un analista aziendale assegnato a un team di manutenzione di una grande organizzazione di produzione. Il tuo team di manutenzione ti ha chiesto di assisterti nella previsione dei guasti comuni. Ti hanno fornito un set di dati storico che contiene le caratteristiche legate a un determinato tipo di guasto e vorrebbe che tu preveda quale guasto si verificherà in futuro. I tipi di guasto includono Nessun guasto, Sovraccarico e Interruzioni di alimentazione. Lo schema dei dati è elencato nella tabella seguente.
Nome colonna | Tipo di dati | Descrizione |
UID | INT | Identificatore univoco compreso tra 1 e 10,000 |
numero identificativo del prodotto | STRING | Composto da una lettera (L, M o H per bassa, media o alta) come varianti di qualità del prodotto e un numero di serie specifico della variante |
Digitare | STRING | Lettera iniziale associata a productID composta solo da L, M o H |
temperatura dell'aria [K] | DECIMALE | Temperatura dell'aria specificata in kelvin |
temperatura di processo [K] | DECIMALE | Temperature controllate con precisione per garantire la qualità di un determinato tipo di prodotto specificato in kelvin |
velocità di rotazione [rpm] | DECIMALE | La velocità di rotazione di un oggetto che ruota attorno a un asse è il numero di giri dell'oggetto diviso per il tempo, specificato come rivoluzioni al minuto |
coppia [Nm] | DECIMALE | Forza di rotazione della macchina in un raggio, espressa in newton metri |
usura utensile [min] | INT | Usura utensile espressa in minuti |
tipo di errore (obiettivo) | STRING | Nessun guasto, interruzione di corrente o guasto da sovraccarico |
Dopo aver identificato il tipo di errore, le aziende possono intraprendere qualsiasi azione correttiva. Per fare ciò, utilizzi i dati che hai in un file CSV, che contiene alcune caratteristiche di un prodotto come indicato nella tabella. Utilizzare Canvas per eseguire i seguenti passaggi:
- Importa il set di dati di manutenzione.
- Addestrare e costruire il modello di manutenzione predittiva delle macchine.
- Analizza i risultati del modello.
- Testare le previsioni rispetto al modello.
Prerequisiti
Un amministratore cloud con un Account AWS con le autorizzazioni appropriate è necessario completare i seguenti prerequisiti:
- Distribuisci un file Amazon Sage Maker dominio Per istruzioni, vedere Integrazione nel dominio Amazon SageMaker.
- Avvia tela. Per istruzioni, vedere Configurazione e gestione di Amazon SageMaker Canvas (per amministratori IT).
- Configura i criteri di condivisione delle risorse tra le origini (CORS) per Canvas. Per istruzioni, vedere Offri ai tuoi utenti la possibilità di caricare file locali.
Importa il set di dati
Innanzitutto, scarica il set di dati di manutenzione ed esamina il file per assicurarti che tutti i dati siano presenti.
Canvas fornisce diversi set di dati di esempio nell'applicazione per aiutarti a iniziare. Per ulteriori informazioni sui set di dati di esempio forniti da SageMaker con cui è possibile sperimentare, vedere Usa set di dati di esempio. Se si utilizza il set di dati di esempio (canvas-sample-maintenance.csv
) disponibile in Canvas, non è necessario importare il dataset di manutenzione.
Puoi importare dati da diverse origini dati in Canvas. Se prevedi di utilizzare il tuo set di dati, segui i passaggi in Importazione dei dati in Amazon SageMaker Canvas.
Per questo post, utilizziamo il set di dati di manutenzione completo che abbiamo scaricato.
- Accedi al Console di gestione AWS, utilizzando un account con le autorizzazioni appropriate per accedere a Canvas.
- Accedi alla console Canvas.
- Scegli Importare.
- Scegli Caricare e seleziona la
maintenance_dataset.csv
file. - Scegli Importa le date per caricarlo su Canvas.
Il processo di importazione richiede circa 10 secondi (questo può variare a seconda delle dimensioni del set di dati). Quando è completo, puoi vedere che il set di dati è in Ready
stato.
Dopo aver confermato che il set di dati importato è ready
, puoi creare il tuo modello.
Costruisci e addestra il modello
Per creare e addestrare il tuo modello, completa i seguenti passaggi:
- Scegli Nuovo modelloe fornisci un nome per il tuo modello.
- Scegli Creare.
- Seleziona il
maintenance_dataset.csv
set di dati e scegli Seleziona dataset.
Nella vista del modello, puoi vedere quattro schede, che corrispondono ai quattro passaggi per creare un modello e utilizzarlo per generare previsioni: Seleziona, Costruire, Analizzi i datie Prevedere. - Sulla Seleziona scheda, selezionare il
maintenance_dataset.csv
set di dati che hai caricato in precedenza e scegli Seleziona dataset.
Questo set di dati include 9 colonne e 10,000 righe. La tela passa automaticamente alla fase di costruzione. - In questa scheda, scegli la colonna di destinazione, nel nostro caso Tipo di fallimento.Il team di manutenzione ha informato l'utente che questa colonna indica il tipo di guasti generalmente riscontrati in base ai dati storici delle macchine esistenti. Questo è ciò che vuoi addestrare il tuo modello a prevedere. Canvas rileva automaticamente che si tratta di un Categoria 3 problema (noto anche come classificazione multiclasse). Se viene rilevato il tipo di modello sbagliato, è possibile modificarlo manualmente con il Cambia tipo opzione.
Va notato che questo set di dati è fortemente sbilanciato rispetto alla classe No Failure, che può essere visualizzata visualizzando la colonna denominata Tipo di fallimento. Sebbene Canvas e le funzionalità di AutoML sottostanti possano in parte gestire lo squilibrio del set di dati, ciò potrebbe comportare prestazioni distorte. Come ulteriore passaggio successivo, fare riferimento a Bilancia i tuoi dati per l'apprendimento automatico con Amazon SageMaker Data Wrangler. Seguendo i passaggi nel collegamento condiviso, puoi avviare un Amazon Sage Maker Studio app dalla console SageMaker e importare questo set di dati all'interno Gestore di dati di Amazon SageMaker e utilizzare la trasformazione dei dati Balance, quindi riportare il set di dati bilanciato su Canvas e continuare i passaggi seguenti. Stiamo procedendo con il set di dati sbilanciato in questo post per dimostrare che Canvas può gestire anche set di dati sbilanciati.
Nella metà inferiore della pagina, puoi esaminare alcune delle statistiche del set di dati, inclusi valori mancanti e non corrispondenti, valori univoci e valori medi e mediani. Puoi anche eliminare alcune colonne se non vuoi usarle per la previsione semplicemente deselezionandole.
Dopo aver esplorato questa sezione, è il momento di addestrare il modello! Prima di costruire un modello completo, è buona norma avere un'idea generale sulle prestazioni del modello addestrando un modello rapido. Un modello rapido addestra meno combinazioni di modelli e iperparametri per dare la priorità alla velocità rispetto alla precisione, soprattutto nei casi in cui si desidera dimostrare il valore dell'addestramento di un modello ML per il proprio caso d'uso. Tieni presente che l'opzione di compilazione rapida non è disponibile per i modelli di dimensioni superiori a 50,000 righe. - Scegli Costruzione rapida.
Ora aspetti da 2 a 15 minuti. Una volta terminato, Canvas si sposta automaticamente su Analizzi i dati scheda per mostrarti i risultati dell'allenamento rapido. L'analisi eseguita utilizzando la creazione rapida stima che il modello sia in grado di prevedere il tipo di guasto (risultato) corretto il 99.2% delle volte. Potresti riscontrare valori leggermente diversi. Questo è previsto.
Concentriamoci sulla prima scheda, Panoramica. Questa è la scheda che ti mostra il Impatto della colonnao l'importanza stimata di ciascuna colonna nella previsione della colonna di destinazione. In questo esempio, le colonne Coppia [Nm] e Velocità di rotazione [rpm] hanno l'impatto più significativo nella previsione del tipo di guasto che si verificherà.
Valuta le prestazioni del modello
Quando ti sposti in Punteggio parte della tua analisi, puoi vedere un grafico che rappresenta la distribuzione dei nostri valori previsti rispetto ai valori effettivi. Si noti che la maggior parte degli errori rientrerà nella categoria Nessun errore. Per ulteriori informazioni su come Canvas utilizza le linee di base SHAP per apportare spiegazioni al ML, fare riferimento a Valutazione delle prestazioni del tuo modello in Amazon SageMaker Canvas, così come Linee di base SHAP per la spiegabilità.
Canvas divide il set di dati originale in set di training e di convalida prima del training. Il punteggio è il risultato di Canvas che esegue il set di convalida rispetto al modello. Si tratta di un'interfaccia interattiva in cui è possibile selezionare il tipo di errore. Se scegli Fallimento da sovraccarico nel grafico, puoi vedere che il modello identifica questi 84% delle volte. Questo è abbastanza buono per intervenire, magari chiedere a un operatore oa un tecnico di effettuare ulteriori controlli. Puoi scegliere Mancanza di corrente nel grafico per vedere il rispettivo punteggio per ulteriori interpretazioni e azioni.
Potresti essere interessato ai tipi di guasto e al modo in cui il modello prevede i tipi di guasto in base a una serie di input. Per dare un'occhiata più da vicino ai risultati, scegli Metriche avanzate. Viene visualizzata una matrice che consente di esaminare più da vicino i risultati. In ML, questo è indicato come a matrice di confusione.
Per impostazione predefinita, questa matrice è la classe dominate, No Failure. Sul Classe menu, puoi scegliere di visualizzare le metriche avanzate degli altri due tipi di guasto di Overstrain Failure e Power Failure.
In ML, l'accuratezza del modello è definita come il numero di previsioni corrette diviso per il numero totale di previsioni. Le caselle blu rappresentano le previsioni corrette che il modello ha fatto rispetto a un sottoinsieme di dati di test in cui c'era un risultato noto. Qui siamo interessati a quale percentuale di volte il modello ha previsto un particolare tipo di guasto della macchina (diciamo Nessun fallimento) quando è effettivamente quel tipo di errore (Nessun fallimento). In ML, un rapporto utilizzato per misurare questo è TP / (TP + FN). Questo è indicato come ricordare. Nel caso predefinito, No Failure, c'erano 1,923 previsioni corrette su 1,926 record complessivi, il che ha portato al 99% ricordare. In alternativa, nella classe di Overstrain Failure, ce n'erano 32 su 38, il che risulta nell'84% ricordare. Nella classe di Power Failure, infine, ce n'erano 16 su 19, il che si traduce nell'84% ricordare.
Ora hai due opzioni:
- Puoi utilizzare questo modello per eseguire alcune previsioni scegliendo Prevedere.
- Puoi creare una nuova versione di questo modello per allenarti con il Costruzione standard opzione. L'operazione richiederà molto più tempo, circa 1-2 ore, ma fornisce un modello più robusto perché passa attraverso una revisione AutoML completa di dati, algoritmi e iterazioni di ottimizzazione.
Poiché stai cercando di prevedere i guasti e il modello prevede i guasti correttamente l'84% delle volte, puoi utilizzare con sicurezza il modello per identificare possibili guasti. Quindi, puoi procedere all'opzione 1. Se non eri sicuro, potresti chiedere a un data scientist di rivedere la modellazione eseguita da Canvas e offrire potenziali miglioramenti tramite l'opzione 2.
Genera previsioni
Ora che il modello è stato addestrato, puoi iniziare a generare previsioni.
- Scegli Prevedere in fondo al Analizzi i dati pagina o scegli il Prevedere scheda.
- Scegli Seleziona datasete scegli il file
maintenance_dataset.csv
file. - Scegli Genera previsioni.
Canvas utilizza questo set di dati per generare le nostre previsioni. Sebbene in genere sia una buona idea non utilizzare lo stesso set di dati sia per l'addestramento che per i test, in questo caso è possibile utilizzare lo stesso set di dati per motivi di semplicità. In alternativa, puoi rimuovere alcuni record dal set di dati originale che utilizzi per l'addestramento e utilizzare tali record in un file CSV e inviarlo alla previsione batch qui in modo da non utilizzare lo stesso set di dati per testare il post-addestramento.
Dopo pochi secondi, la previsione è completa. Canvas restituisce una previsione per ogni riga di dati e la probabilità che la previsione sia corretta. Puoi scegliere Anteprima per visualizzare le previsioni o scegliere Scaricare per scaricare un file CSV contenente l'output completo.
Puoi anche scegliere di prevedere uno per uno i valori scegliendo Pronostico unico invece di Previsione in lotti. Canvas mostra una vista in cui puoi fornire manualmente i valori per ciascuna funzione e generare una previsione. Questo è l'ideale per situazioni come scenari ipotetici, ad esempio: in che modo l'usura dell'utensile influisce sul tipo di guasto? E se la temperatura di processo aumenta o diminuisce? E se la velocità di rotazione cambia?
Costruzione standard
I Costruzione standard l'opzione sceglie la precisione rispetto alla velocità. Se desideri condividere gli artefatti del modello con il tuo data scientist e gli ingegneri ML, puoi creare successivamente una build standard.
- Scegli Aggiungi versione
- Scegli una nuova versione e scegli Costruzione standard.
- Dopo aver creato una build standard, puoi condividere il modello con data scientist e ingegneri ML per ulteriori valutazioni e iterazioni.
ripulire
Per evitare di incorrere in futuro spese di sessione, esci da Canvas.
Conclusione
In questo post, abbiamo mostrato come un analista aziendale può creare un modello di previsione del tipo di guasto della macchina con Canvas utilizzando i dati di manutenzione. Canvas consente agli analisti aziendali come gli ingegneri dell'affidabilità di creare modelli ML accurati e generare previsioni utilizzando un'interfaccia point-and-click senza codice, visiva. Gli analisti possono portare questo al livello successivo condividendo i loro modelli con i colleghi data scientist. I data scientist possono visualizzare il modello Canvas in Studio, dove possono esplorare le scelte fatte da Canvas, convalidare i risultati del modello e persino portare il modello in produzione con pochi clic. Ciò può accelerare la creazione di valore basata sul ML e aiutare a scalare più rapidamente i risultati migliori.
Per ulteriori informazioni sull'utilizzo di Canvas, vedere Build, Share, Deploy: in che modo analisti aziendali e data scientist ottengono un time-to-market più rapido utilizzando ML senza codice e Amazon SageMaker Canvas. Per ulteriori informazioni sulla creazione di modelli ML con una soluzione senza codice, vedere Annuncio di Amazon SageMaker Canvas: una funzionalità visiva e senza codice di machine learning per analisti aziendali.
Informazioni sugli autori
Rajakumar Sampathkumar è un Principal Technical Account Manager presso AWS, che fornisce ai clienti una guida sull'allineamento della tecnologia aziendale e supporta la reinvenzione dei loro modelli e processi operativi cloud. È appassionato di cloud e machine learning. Raj è anche uno specialista dell'apprendimento automatico e collabora con i clienti AWS per progettare, distribuire e gestire i carichi di lavoro e le architetture AWS.
Twan Atkins è un Senior Solutions Architect per Amazon Web Services. È responsabile della collaborazione con i clienti di agricoltura, vendita al dettaglio e produzione per identificare i problemi aziendali e di lavorare a ritroso per identificare soluzioni tecniche praticabili e scalabili. Twann aiuta i clienti a pianificare e migrare i carichi di lavoro critici da oltre 10 anni, concentrandosi di recente sulla democratizzazione dell'analisi, dell'intelligenza artificiale e dell'apprendimento automatico per i clienti e i costruttori di domani.
Omkar Mukadam è un'architettura di soluzioni Edge Specialist presso Amazon Web Services. Attualmente si concentra su soluzioni che consentono ai clienti commerciali di progettare, costruire e scalare in modo efficace con le offerte di servizi AWS Edge che includono, a titolo esemplificativo, AWS Snow Family.
- Coinsmart. Il miglior scambio di bitcoin e criptovalute d'Europa.
- Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. ACCESSO LIBERO.
- Criptofalco. Radar Altcoin. Prova gratuita.
- Fonte: 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
- capacità
- Chi siamo
- accelerare
- accesso
- Il mio account
- preciso
- Raggiungere
- Action
- azioni
- aggiuntivo
- Admin
- amministratori
- Avanzate
- contro
- agricoltura
- Algoritmi
- Tutti
- consente
- Sebbene il
- Amazon
- Amazon Web Services
- analizzare
- .
- analista
- analitica
- ovunque
- App
- Applicazioni
- opportuno
- circa
- architettura
- in giro
- artificiale
- intelligenza artificiale
- Intelligenza artificiale e apprendimento automatico
- addetto
- associato
- gli attributi
- automaticamente
- disponibile
- AWS
- Axis
- perché
- prima
- essendo
- maggiore
- sistema
- portare
- costruire
- Costruzione
- affari
- aziende
- tela
- funzionalità
- Custodie
- casi
- Categoria
- certo
- il cambiamento
- scelte
- Scegli
- classe
- più vicino
- Cloud
- codice
- colleghi
- Colonna
- combinazioni
- Uncommon
- completamento di una
- fiducioso
- consolle
- contiene
- continua
- potuto
- creare
- Creazione
- creazione
- critico
- Attualmente
- Clienti
- dati
- scienziato di dati
- ritardo
- Dipendente
- schierare
- Design
- rilevato
- sviluppare
- DID
- diverso
- display
- distribuzione
- dominio
- scaricare
- Cadere
- ogni
- bordo
- in maniera efficace
- Abilita
- ingegnere
- Ingegneri
- particolarmente
- stimato
- stime
- valutare
- valutazione
- esempio
- esistente
- previsto
- esperienza
- esperimento
- esperti
- esplora
- espresso
- Fallimento
- famiglia
- più veloce
- caratteristica
- Nome
- Focus
- si concentra
- seguire
- i seguenti
- da
- pieno
- ulteriormente
- futuro
- Generale
- generalmente
- generare
- la generazione di
- buono
- maniglia
- avendo
- Aiuto
- aiutare
- qui
- vivamente
- storico
- Come
- HTTPS
- idea
- ideale
- identificare
- Impact
- importanza
- migliorata
- miglioramento
- includere
- inclusi
- Compreso
- industrie
- informazioni
- informati
- intuizioni
- Intelligence
- interattivo
- interessato
- Interfaccia
- interpretazione
- IT
- conosciuto
- grandi
- lanciare
- IMPARARE
- apprendimento
- Livello
- Limitato
- linea
- LINK
- elencati
- locale
- Guarda
- macchina
- machine learning
- macchine
- fatto
- manutenzione
- make
- gestire
- gestione
- direttore
- gestione
- manualmente
- consigliato per la
- Matrice
- misurare
- medie
- Metrica
- ML
- modello
- modelli
- Scopri di più
- maggior parte
- cambiano
- GENERAZIONE
- noto
- numero
- offrire
- offerte
- operazione
- operatore
- Opzione
- Opzioni
- minimo
- organizzazione
- i
- Altro
- complessivo
- proprio
- particolare
- appassionato
- percentuale
- performance
- prestazioni
- fase
- Termini e Condizioni
- possibile
- potenziale
- energia
- pratica
- predire
- predizione
- Previsioni
- Direttore
- Problema
- problemi
- processi
- i processi
- Prodotto
- Qualità del prodotto
- Produzione
- fornire
- purché
- fornisce
- fornitura
- qualità
- Presto
- che vanno
- recente
- record
- rappresentare
- che rappresenta
- necessario
- risorsa
- responsabile
- Risultati
- nello specifico retail
- problemi
- recensioni
- Correre
- running
- stesso
- scalabile
- Scala
- Scienziato
- scienziati
- punteggio
- secondo
- serial
- Serie
- servizio
- Servizi
- set
- alcuni
- Condividi
- condiviso
- compartecipazione
- mostrare attraverso le sue creazioni
- significativa
- singolo
- Taglia
- neve
- So
- solido
- soluzione
- Soluzioni
- alcuni
- specialista
- velocità
- Si divide
- Standard
- inizia a
- iniziato
- statistica
- Stato dei servizi
- studio
- Supporto
- Target
- team
- Consulenza
- test
- Testing
- I
- Attraverso
- Legato
- tempo
- domani
- verso
- Training
- forma
- Trasformazione
- Tipi di
- tipicamente
- unico
- uso
- utenti
- convalida
- APPREZZIAMO
- versione
- Visualizza
- aspettare
- sito web
- servizi web
- Che
- entro
- lavoro
- lavori
- sarebbe
- anni
- Trasferimento da aeroporto a Sharm