תחזוקה חזויה היא קריטית בתעשיות הרכב מכיוון שהיא יכולה למנוע תקלות מכניות חריגות ופעילויות תחזוקה תגובתיות המשבשות את הפעילות. על ידי חיזוי תקלות ברכב ותזמון תחזוקה ותיקונים, תפחית את זמן ההשבתה, תשפר את הבטיחות ותגביר את רמות הפרודוקטיביות.
מה אם נוכל ליישם טכניקות למידה עמוקה באזורים נפוצים שגורמים לכשלים ברכב, השבתה לא מתוכננת ועלויות תיקון?
בפוסט זה, אנו מראים לך כיצד לאמן ולפרוס מודל לניבוי הסתברות לכשל בצי הרכב באמצעות אמזון SageMaker JumpStart. SageMaker Jumpstart הוא מרכז למידת המכונה (ML) של אמזון SageMaker, מספקים מודלים מאומנים מראש וזמינים לציבור עבור מגוון רחב של סוגי בעיות כדי לעזור לך להתחיל עם ML. הפתרון המתואר בפוסט זמין ב- GitHub.
תבניות פתרון של SageMaker JumpStart
SageMaker JumpStart מספק פתרונות מקצה לקצה בלחיצה אחת עבור מקרי שימוש נפוצים רבים ב-ML. בדוק את מקרי השימוש הבאים לקבלת מידע נוסף על תבניות פתרונות זמינות:
תבניות הפתרון של SageMaker JumpStart מכסות מגוון מקרי שימוש, תחת כל אחת מהן מוצעות מספר תבניות פתרון שונות (הפתרון בפוסט זה, תחזוקה חזויה לציי רכב, נמצא ב פתרונות סָעִיף). בחר את תבנית הפתרון המתאימה ביותר למקרה השימוש שלך מדף הנחיתה של SageMaker JumpStart. למידע נוסף על פתרונות ספציפיים תחת כל מקרה שימוש וכיצד להשיק פתרון של SageMaker JumpStart, ראה תבניות פתרונות.
סקירת פתרונות
פתרון התחזוקה החזוי של AWS עבור ציי רכב מיישם טכניקות למידה עמוקה באזורים נפוצים שגורמים לכשלים ברכב, השבתה לא מתוכננת ועלויות תיקון. הוא משמש כאבן בניין ראשוני עבורך להגיע להוכחת קונספט תוך פרק זמן קצר. פתרון זה מכיל פונקציונליות של הכנת נתונים והדמיה בתוך SageMaker ומאפשר לך לאמן ולמטב את הפרמטרים ההיפרמטרים של מודלים של למידה עמוקה עבור מערך הנתונים שלך. אתה יכול להשתמש בנתונים שלך או לנסות את הפתרון עם מערך נתונים סינתטי כחלק מפתרון זה. גרסה זו מעבדת את נתוני חיישני הרכב לאורך זמן. גרסה שלאחר מכן תעבד נתוני רשומות תחזוקה.
התרשים הבא מדגים כיצד ניתן להשתמש בפתרון זה עם רכיבי SageMaker. כחלק מהפתרון, נעשה שימוש בשירותים הבאים:
- אמזון S3 - אנו משתמשים שירות אחסון פשוט של אמזון (Amazon S3) לאחסון מערכי נתונים
- מחברת SageMaker – אנו משתמשים במחברת כדי לעבד מראש ולהמחיש את הנתונים, וכדי לאמן את מודל הלמידה העמוקה
- נקודת קצה של SageMaker - אנו משתמשים בנקודת הקצה כדי לפרוס את המודל המאומן
זרימת העבודה כוללת את השלבים הבאים:
- מחלץ של נתונים היסטוריים נוצר ממערכת ניהול הצי המכילה נתוני רכב ויומני חיישנים.
- לאחר הכשרה של מודל ה-ML, פריסת המודל של SageMaker נפרסת.
- הרכב המחובר שולח אליו יומני חיישן ליבת IoT של AWS (לחלופין, באמצעות ממשק HTTP).
- יומני חיישנים נמשכים באמצעות צינור אש נתונים של אמזון קינסי.
- יומני חיישנים נשלחים אל AWS למבדה עבור שאילתה נגד המודל כדי לבצע תחזיות.
- למבדה שולחת יומני חיישנים להסקת מודל Sagemaker לצורך תחזיות.
- התחזיות נמשכות אמזון אורורה.
- תוצאות מצטברות מוצגות ב- אמזון קוויקסייט לוח מחוונים.
- הודעות בזמן אמת על ההסתברות החזויה לכישלון נשלחות אל שירות התראה פשוט של אמזון (Amazon SNS).
- Amazon SNS שולחת הודעות בחזרה לרכב המחובר.
הפתרון מורכב משש מחברות:
- 0_demo.ipynb - תצוגה מקדימה מהירה של הפתרון שלנו
- 1_introduction.ipynb – מבוא וסקירת פתרונות
- 2_data_preparation.ipynb - הכן מערך נתונים לדוגמה
- 3_data_visualization.ipynb - הדמיין את מערך הנתונים לדוגמה שלנו
- 4_model_training.ipynb - אמן מודל במערך הנתונים לדוגמה שלנו כדי לזהות כשלים
- 5_results_analysis.ipynb – נתחו את התוצאות מהמודל שהכשרנו
תנאים מוקדמים
סטודיו SageMaker של אמזון היא סביבת הפיתוח המשולבת (IDE) בתוך SageMaker המספקת לנו את כל תכונות ה-ML שאנו צריכים בחלון זכוכית אחד. לפני שנוכל להפעיל את SageMaker JumpStart, עלינו להגדיר את SageMaker Studio. אתה יכול לדלג על שלב זה אם כבר פועלת לך גרסה משלך של SageMaker Studio.
הדבר הראשון שעלינו לעשות לפני שנוכל להשתמש בשירותי AWS כלשהם הוא לוודא שנרשמנו ויצרנו חשבון AWS. לאחר מכן אנו יוצרים משתמש מנהלי וקבוצה. להנחיות לגבי שני השלבים, עיין ב הגדר תנאים מוקדמים של Amazon SageMaker.
השלב הבא הוא יצירת דומיין של SageMaker. דומיין מגדיר את כל האחסון ומאפשר לך להוסיף משתמשים כדי לגשת ל- SageMaker. למידע נוסף, עיין ב נכלל ב-Amazon SageMaker Domain. הדגמה זו נוצרה באזור AWS us-east-1.
לבסוף, אתה משיק את SageMaker Studio. עבור פוסט זה, אנו ממליצים להשיק אפליקציית פרופיל משתמש. להנחיות, עיין ב הפעל את Amazon SageMaker Studio.
כדי להפעיל את פתרון SageMaker JumpStart זה ולהפרוס את התשתית בחשבון ה-AWS שלך, עליך ליצור מופע SageMaker Studio פעיל (ראה על הסיפון לאמזון SageMaker Studio). כאשר המופע שלך מוכן, השתמש בהוראות ב SageMaker JumpStart כדי להשיק את הפתרון. חפצי הפתרון כלולים בזה מאגר GitHub להשוואה.
הפעל את פתרון SageMaker Jumpstart
כדי להתחיל עם הפתרון, בצע את השלבים הבאים:
- במסוף SageMaker Studio, בחר קפיצת פתיחה.
- על פתרונות בחר, בחר תחזוקה חזויה לציי רכב.
- בחרו לשגר.
זה לוקח כמה דקות לפרוס את הפתרון. - לאחר פריסת הפתרון, בחר פתח מחברת.
אם תתבקש לבחור ליבה, בחר PyTorch 1.8 Python 3.6 עבור כל המחברות בפתרון זה.
תצוגה מקדימה של הפתרון
קודם כל אנחנו עובדים על 0_demo.ipynb
מחברת. במחברת זו, תוכל לקבל תצוגה מקדימה מהירה של איך תיראה התוצאה כשתסיים את המחברת המלאה עבור פתרון זה.
בחרו הפעלה ו הפעל את כל התאים כדי להפעיל את כל התאים ב-SageMaker Studio (או תא ו הפעל הכל במופע מחברת SageMaker). אתה יכול להפעיל את כל התאים בכל מחברת בזה אחר זה. ודא שכל התאים מסיימים את העיבוד לפני המעבר למחברת הבאה.
פתרון זה מסתמך על קובץ תצורה כדי להפעיל את משאבי ה-AWS הניתנים. אנו יוצרים את הקובץ באופן הבא:
יש לנו כמה נתוני קלט מסדרת זמן לדוגמה המורכבים ממתח המצבר של הרכב וזרם המצבר לאורך זמן. לאחר מכן, אנו טוענים ומדמיינים את הנתונים לדוגמה. כפי שמוצג בצילומי המסך הבאים, ערכי המתח והזרם נמצאים על ציר Y והקריאות (19 קריאות מוקלטות) נמצאות על ציר X.
אימנו בעבר מודל על נתוני מתח וזרם אלה המנבאים את ההסתברות לכשל ברכב ופרסנו את המודל כנקודת קצה ב- SageMaker. אנו נקרא לנקודת קצה זו עם כמה נתונים לדוגמה כדי לקבוע את ההסתברות לכישלון בתקופת הזמן הבאה.
בהינתן נתוני הקלט לדוגמה, ההסתברות החזויה לכישלון היא 45.73%.
כדי לעבור לשלב הבא, בחר לחץ כאן כדי להמשיך.
מבוא וסקירת פתרונות
השמיים 1_introduction.ipynb
מחברת מספקת סקירה כללית של הפתרון והשלבים, ומבט לתוך קובץ התצורה הכולל הגדרת תוכן, תקופת דגימת נתונים, ספירת דגימות רכבות ובדיקות, פרמטרים, מיקום ושמות עמודות עבור תוכן שנוצר.
לאחר שתבדוק מחברת זו, תוכל לעבור לשלב הבא.
הכן מערך נתונים לדוגמה
אנו מכינים מערך נתונים לדוגמה ב- 2_data_preparation.ipynb
מחברת.
תחילה אנו יוצרים את קובץ התצורה עבור פתרון זה:
מאפייני התצורה הם כדלקמן:
אתה יכול להגדיר מערך נתונים משלך או להשתמש בסקריפטים שלנו כדי ליצור מערך נתונים לדוגמה:
אתה יכול למזג את נתוני החיישן ונתוני צי הרכב יחד:
כעת נוכל לעבור להדמיית נתונים.
דמיין את מערך הנתונים לדוגמה שלנו
אנו מדמיינים את מערך הנתונים לדוגמה שלנו 3_data_vizualization.ipynb
. פתרון זה מסתמך על קובץ תצורה כדי להפעיל את משאבי ה-AWS הניתנים. בואו ניצור את הקובץ בדומה למחברת הקודמת.
צילום המסך הבא מציג את מערך הנתונים שלנו.
לאחר מכן, בואו נבנה את מערך הנתונים:
כעת, כאשר מערך הנתונים מוכן, בואו נראה את הנתונים הסטטיסטיים. צילום המסך הבא מציג את התפלגות הנתונים על סמך יצרן הרכב, סוג המנוע, סוג הרכב והדגם.
בהשוואה של נתוני היומן, בואו נסתכל על דוגמה של המתח הממוצע לאורך שנים שונות עבור Make E ו-C (אקראי).
ממוצע המתח והזרם נמצא על ציר Y ומספר הקריאות הוא על ציר X.
- ערכים אפשריים עבור log_target: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- ערך שהוקצה באופן אקראי עבור
log_target: make
- ערך שהוקצה באופן אקראי עבור
- ערכים אפשריים עבור log_target_value1: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- ערך שהוקצה באופן אקראי עבור
log_target_value1: Make B
- ערך שהוקצה באופן אקראי עבור
- ערכים אפשריים עבור log_target_value2: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- ערך שהוקצה באופן אקראי עבור
log_target_value2: Make D
- ערך שהוקצה באופן אקראי עבור
בהתבסס על האמור לעיל, אנו מניחים log_target: make
, log_target_value1: Make B
ו log_target_value2: Make D
הגרפים הבאים מפרקים את הממוצע של נתוני היומן.
הגרפים הבאים מציגים דוגמה של ערכי יומן חיישנים שונים מול מתח וזרם.
אמן מודל במערך הנתונים לדוגמה שלנו כדי לזהות כשלים
ב 4_model_training.ipynb
מחברת, אנו מאמנים מודל במערך הנתונים לדוגמה שלנו כדי לזהות כשלים.
בואו ניצור את קובץ התצורה בדומה למחברת הקודמת, ולאחר מכן נמשיך עם תצורת ההדרכה:
נתחו את התוצאות מהמודל שהכשרנו
ב 5_results_analysis.ipynb
מחברת, אנו מקבלים נתונים מעבודת כוונון ההיפרפרמטרים שלנו, מדמיינים מדדים של כל העבודות כדי לזהות את העבודה הטובה ביותר, ובונים נקודת קצה עבור עבודת ההדרכה הטובה ביותר.
בואו ניצור את קובץ התצורה בדומה למחברת הקודמת ונראה את המדדים של כל המשימות. העלילה הבאה מדמה את דיוק הבדיקה לעומת תקופה.
צילום המסך הבא מציג את עבודות כוונון ההיפרפרמטרים שהרצנו.
כעת אתה יכול לדמיין נתונים מעבודת ההדרכה הטובה ביותר (מתוך ארבע עבודות ההדרכה) בהתבסס על דיוק הבדיקה (אדום).
כפי שאנו יכולים לראות בצילומי המסך הבאים, אובדן הבדיקה יורד וה-AUC והדיוק עולים עם תקופות.
בהתבסס על ההדמיות, אנו יכולים כעת לבנות נקודת קצה עבור עבודת ההדרכה הטובה ביותר:
לאחר שנבנה את נקודת הקצה, נוכל לבדוק את המנבא על ידי העברת יומני חיישנים לדוגמה:
בהינתן נתוני הקלט לדוגמה, ההסתברות החזויה לכישלון היא 34.60%.
לנקות את
לאחר שתסיים עם הפתרון הזה, ודא שאתה מוחק את כל משאבי ה-AWS הבלתי רצויים. על תחזוקה חזויה לציי רכב עמוד, מתחת מחק פתרון, בחר מחק את כל המשאבים כדי למחוק את כל המשאבים הקשורים לפתרון.
עליך למחוק באופן ידני משאבים נוספים שייתכן שיצרת במחברת זו. כמה דוגמאות כוללות את דלי S3 הנוספים (לדלי ברירת המחדל של הפתרון) ואת נקודות הקצה הנוספות של SageMaker (באמצעות שם מותאם אישית).
התאם אישית את הפתרון
הפתרון שלנו פשוט להתאמה אישית. כדי לשנות את ההדמיות של נתוני הקלט, עיין ב sagemaker/3_data_visualization.ipynb. כדי להתאים אישית את למידת המכונה, עיין ב sagemaker/source/train.py ו sagemaker/source/dl_utils/network.py. כדי להתאים אישית את עיבוד מערך הנתונים, עיין ב sagemaker/1_introduction.ipynb כיצד להגדיר את קובץ התצורה.
בנוסף, אתה יכול לשנות את התצורה בקובץ התצורה. תצורת ברירת המחדל היא כדלקמן:
לקובץ התצורה יש את הפרמטרים הבאים:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
, וtest_dataset_fn
להגדיר את המיקום של קבצי הנתוניםvehicle_id_column
,timestamp_column
,target_column
, וperiod_column
הגדר את הכותרות עבור העמודותdataset_size
,chunksize
,processing_chunksize
,period_ms
, וwindow_length
להגדיר את המאפיינים של מערך הנתונים
סיכום
בפוסט זה, הראינו לכם כיצד לאמן ולפרוס מודל לניבוי הסתברות לכשל בצי הרכב באמצעות SageMaker JumpStart. הפתרון מבוסס על מודלים של ML ולמידה עמוקה ומאפשר מגוון רחב של נתוני קלט כולל כל נתוני חיישנים משתנים בזמן. מכיוון שלכל רכב יש טלמטריה שונה, אתה יכול לכוונן עדין את הדגם המסופק לתדירות ולסוג הנתונים שברשותך.
למידע נוסף על מה שאתה יכול לעשות עם SageMaker JumpStart, עיין בפרטים הבאים:
משאבים
על הכותבים
ראג'קומאר סמפאטקומאר הוא מנהל חשבון טכני ראשי ב-AWS, המספק ללקוחות הדרכה על יישור טכנולוגיה עסקית ותומך בהמצאה מחדש של המודלים והתהליכים של תפעול הענן שלהם. הוא נלהב בענן ולמידת מכונה. Raj הוא גם מומחה למידת מכונה ועובד עם לקוחות AWS כדי לתכנן, לפרוס ולנהל את עומסי העבודה והארכיטקטורות של AWS שלהם.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. רכב / רכבים חשמליים, פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- BlockOffsets. מודרניזציה של בעלות על קיזוז סביבתי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :יש ל
- :הוא
- ][עמ'
- $ למעלה
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- אודות
- מֵעַל
- גישה
- פי
- חֶשְׁבּוֹן
- דיוק
- לרוחב
- פעיל
- פעילויות
- להוסיף
- מנהלי
- לאחר
- נגד
- יישור
- תעשיות
- מאפשר
- כְּבָר
- גם
- אמזון בעברית
- אמזון SageMaker
- אמזון SageMaker JumpStart
- אמזון שירותי אינטרנט
- an
- לנתח
- ו
- כל
- האפליקציה
- החל
- ARE
- אזורים
- AS
- שהוקצה
- המשויך
- לְהַנִיחַ
- At
- רכב
- זמין
- לְהִמָנַע
- AWS
- צִיר
- בחזרה
- מבוסס
- סוללה
- כי
- לפני
- הטוב ביותר
- לחסום
- גוּף
- לְהַגבִּיר
- שניהם
- לשבור
- לִבנוֹת
- בִּניָן
- by
- שיחה
- CAN
- יכול לקבל
- מקרה
- מקרים
- תאים
- שינוי
- בחרו
- בכיתה
- לקוחות
- ענן
- טור
- Common
- להשלים
- רכיבים
- מושג
- תְצוּרָה
- מחובר
- מורכב
- מורכב
- קונסול
- מכיל
- תוכן
- עלויות
- יכול
- לכסות
- לִיצוֹר
- נוצר
- קריטי
- נוֹכְחִי
- מנהג
- לקוחות
- אישית
- לוח מחוונים
- נתונים
- הכנת נתונים
- נתונים להדמיה
- ירידות
- עמוק
- למידה עמוקה
- בְּרִירַת מֶחדָל
- הגדרה
- הדגמה
- מדגים
- לפרוס
- פרס
- עיצוב
- לקבוע
- צעצועי התפתחות
- אחר
- מוצג
- לשבש
- הפצה
- do
- תחום
- מטה
- זמן השבתה
- נהיגה
- e
- כל אחד
- אחר
- מקצה לקצה
- נקודת קצה
- מנוע
- לְהַבטִיחַ
- סביבה
- תקופה
- תקופות
- כל
- דוגמה
- דוגמאות
- לחקור
- נוסף
- תמצית
- כשלון
- שקר
- תכונות
- מעטים
- שלח
- גימור
- ראשון
- צי
- הבא
- כדלקמן
- בעד
- ארבע
- תדר
- החל מ-
- מלא
- פונקציונלי
- ליצור
- נוצר
- גנרטור
- לקבל
- נתן
- זכוכית
- GPU
- גרפים
- קְבוּצָה
- הדרכה
- יש
- he
- כותרות
- לעזור
- כאן
- היסטורי
- איך
- איך
- HTML
- http
- HTTPS
- טבור
- אופטימיזציה של היפר-פרמטרים
- כוונון היפר-פרמטר
- i
- לזהות
- if
- לייבא
- לשפר
- in
- לכלול
- כלול
- כולל
- כולל
- להגדיל
- תעשיות
- מידע
- תשתית
- בתחילה
- ליזום
- קלט
- למשל
- הוראות
- משולב
- מִמְשָׁק
- אל תוך
- מבוא
- IOT
- IT
- עבודה
- מקומות תעסוקה
- jpg
- ג'סון
- מפתחות
- נחיתה
- לשגר
- השקה
- לִלמוֹד
- למידה
- רמות
- כמו
- לִטעוֹן
- מקומי
- מיקום
- היכנס
- נראה
- נראה כמו
- את
- מכונה
- למידת מכונה
- תחזוקה
- לעשות
- לנהל
- ניהול
- מנהל
- באופן ידני
- רב
- לְהַגדִיל
- מאי..
- אומר
- מֵכָנִי
- למזג
- מדדים
- דקות
- ML
- מודל
- מודלים
- לשנות
- יותר
- המהלך
- נע
- שם
- שמות
- צורך
- הבא
- מחברה
- הודעה
- הודעות
- עַכשָׁיו
- מספר
- of
- מוצע
- on
- ONE
- רק
- לפתוח
- מבצע
- תפעול
- אופטימיזציה
- מטב
- or
- OS
- אחר
- שלנו
- הַחוּצָה
- תוֹצָאָה
- המתואר
- יותר
- סקירה
- שֶׁלוֹ
- עמוד
- זגוגית
- פרמטרים
- חלק
- חולף
- לוהט
- נתיב
- תקופה
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- אנא
- הודעה
- לחזות
- חזה
- ניבוי
- התחזיות
- חיזוי
- תחזית
- הכנה
- להכין
- תצוגה מקדימה
- קודם
- קוֹדֶם
- מנהל
- בעיה
- תהליך
- תהליכים
- תהליך
- פִּריוֹן
- פּרוֹפִיל
- הוכחה
- הוכחה של רעיון או תאוריה
- נכסים
- ובלבד
- מספק
- מתן
- בפומבי
- פיתון
- פיטורך
- מָהִיר
- אקראי
- רכס
- מוכן
- להמליץ
- שיא
- מוקלט
- Red
- להפחית
- באזור
- לתקן
- משאבים
- תגובה
- תוצאות
- לַחֲזוֹר
- סקירה
- תפקיד
- הפעלה
- ריצה
- בְּטִיחוּת
- בעל חכמים
- מערך נתונים לדוגמה
- תזמון
- צילומי מסך
- סקריפטים
- סעיף
- לִרְאוֹת
- שולח
- נשלח
- סדרה
- משמש
- שירותים
- מושב
- סט
- סטים
- כמה
- קצר
- לְהַצִיג
- הראה
- הראה
- הופעות
- חָתוּם
- דומה
- פָּשׁוּט
- יחיד
- שישה
- פִּתָרוֹן
- פתרונות
- כמה
- מָקוֹר
- מומחה
- ספציפי
- התמחות
- שלבים
- החל
- סטטיסטיקה
- שלב
- צעדים
- אחסון
- חנות
- סטודיו
- לאחר מכן
- מסייע
- בטוח
- סינטטי
- מערכת
- לוקח
- טכני
- טכניקות
- תבנית
- תבניות
- מבחן
- זֶה
- השמיים
- שֶׁלָהֶם
- אז
- דבר
- זֶה
- זמן
- סדרת זמן
- חותם
- ל
- יַחַד
- רכבת
- מְאוּמָן
- הדרכה
- לנסות
- סוג
- סוגים
- תחת
- לא רצוי
- us
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- משתמש
- משתמשים
- באמצעות
- ערך
- ערכים
- מגוון
- רכב
- גרסה
- באמצעות
- ראיה
- וולט
- מתח
- vs
- W
- we
- אינטרנט
- שירותי אינטרנט
- מה
- מתי
- אשר
- רָחָב
- טווח רחב
- יצטרך
- עם
- בתוך
- תיק עבודות
- זרימת עבודה
- עובד
- X
- יאמל
- שנים
- אתה
- זפירנט