予知保全は、予期せぬ機械故障や操業を中断する事後保全活動を回避できるため、自動車業界では非常に重要です。 車両の故障を予測し、メンテナンスや修理のスケジュールを設定することで、ダウンタイムを削減し、安全性を向上させ、生産性レベルを向上させることができます。
車両の故障、計画外のダウンタイム、修理費用の原因となる一般的な領域にディープラーニング技術を適用できたらどうなるでしょうか?
この投稿では、車両フリートの故障確率を予測するモデルをトレーニングおよびデプロイする方法を説明します。 Amazon SageMaker ジャンプスタート。 SageMaker Jumpstart は、 アマゾンセージメーカー、ML を始めるのに役立つ、幅広い問題タイプに対応する事前トレーニング済みの公開されているモデルを提供します。 この投稿で概説されているソリューションは、次のサイトから入手できます。 GitHubの.
SageMaker JumpStart ソリューション テンプレート
SageMaker JumpStart は、多くの一般的な ML ユースケースにワンクリックでエンドツーエンドのソリューションを提供します。 利用可能なソリューション テンプレートの詳細については、次の使用例を参照してください。
SageMaker JumpStart ソリューション テンプレートはさまざまなユースケースをカバーしており、それぞれのユースケースでいくつかの異なるソリューション テンプレートが提供されています (この投稿のソリューションは、 車両群の予知保全、 の中に ソリューション セクション)。 SageMaker JumpStart ランディング ページから、ユースケースに最適なソリューション テンプレートを選択します。 各ユースケースの特定のソリューションの詳細と、SageMaker JumpStart ソリューションを起動する方法については、を参照してください。 ソリューション テンプレート.
ソリューションの概要
自動車フリート向けの AWS 予測メンテナンス ソリューションは、車両の故障、計画外のダウンタイム、修理コストを引き起こす一般的な領域にディープラーニング技術を適用します。 これは、短期間で概念実証に到達するための最初の構成要素として機能します。 このソリューションには、SageMaker 内にデータの準備と視覚化の機能が含まれており、データセットの深層学習モデルのハイパーパラメーターをトレーニングおよび最適化できるようになります。 独自のデータを使用することも、このソリューションの一部として合成データセットを使用してソリューションを試すこともできます。 このバージョンでは、車両センサー データを時間の経過とともに処理します。 後続のバージョンでは、保守記録データが処理されます。
次の図は、このソリューションを SageMaker コンポーネントで使用する方法を示しています。 ソリューションの一部として、次のサービスが使用されます。
- アマゾンS3 - を使用しております Amazon シンプル ストレージ サービス (Amazon S3) データセットを保存する
- SageMaker ノート – ノートブックを使用してデータを前処理して視覚化し、深層学習モデルをトレーニングします
- SageMakerエンドポイント – エンドポイントを使用してトレーニング済みモデルをデプロイします
ワークフローには次の手順が含まれます。
- 車両データとセンサー ログを含む履歴データの抽出がフリート管理システムから作成されます。
- ML モデルがトレーニングされた後、SageMaker モデル アーティファクトがデプロイされます。
- コネクテッド車両はセンサーログを送信します。 AWS IoTコア (または、HTTP インターフェース経由)。
- センサーのログは次のように保存されます。 Amazon Kinesis データ ファイアホース.
- センサーログの送信先 AWSラムダ モデルに対してクエリを実行して予測を行うため。
- Lambda は、予測のためにセンサー ログを Sagemaker モデル推論に送信します。
- 予測は次のように保持されます。 アマゾンオーロラ.
- 集計結果は アマゾンクイックサイト ダッシュボード。
- 予測される故障の確率に関するリアルタイム通知が送信されます。 Amazon シンプル通知サービス (AmazonSNS)。
- Amazon SNS は接続された車両に通知を送り返します。
ソリューションは XNUMX つのノートブックで構成されます。
- 0_demo.ipynb – ソリューションの簡単なプレビュー
- 1_紹介.ipynb – 導入とソリューションの概要
- 2_データ_準備.ipynb – サンプルデータセットを準備する
- 3_データ_視覚化.ipynb – サンプル データセットを視覚化する
- 4_モデル_トレーニング.ipynb – サンプル データセットでモデルをトレーニングして障害を検出する
- 5_結果_分析.ipynb – トレーニングしたモデルの結果を分析する
前提条件
Amazon SageMakerスタジオ は、必要なすべての ML 機能を XNUMX つの画面で提供する SageMaker 内の統合開発環境 (IDE) です。 SageMaker JumpStart を実行する前に、SageMaker Studio をセットアップする必要があります。 独自のバージョンの SageMaker Studio がすでに実行されている場合は、この手順をスキップできます。
AWS のサービスを使用する前に最初に行う必要があるのは、AWS アカウントにサインアップして作成したことを確認することです。 次に、管理ユーザーとグループを作成します。 両方の手順の手順については、次を参照してください。 Amazon SageMaker の前提条件をセットアップする.
次のステップは、SageMaker ドメインを作成することです。 ドメインはすべてのストレージをセットアップし、SageMaker にアクセスするユーザーを追加できるようにします。 詳細については、以下を参照してください。 AmazonSageMakerドメインにオンボード。 このデモは、AWS リージョン us-east-1 で作成されています。
最後に、SageMaker Studio を起動します。 この投稿では、ユーザー プロファイル アプリを起動することをお勧めします。 手順については、を参照してください。 Amazon SageMaker Studio を起動する.
この SageMaker JumpStart ソリューションを実行し、インフラストラクチャを AWS アカウントにデプロイするには、アクティブな SageMaker Studio インスタンスを作成する必要があります (「 Amazon SageMakerStudioにオンボード)。 インスタンスの準備ができたら、次の手順に従ってください。 SageMaker ジャンプスタート ソリューションを起動します。 ソリューションのアーティファクトはこれに含まれています GitHubリポジトリ 参考のため。
SageMaker Jumpstart ソリューションを起動する
ソリューションを開始するには、次の手順を実行します。
- SageMaker Studio コンソールで、次を選択します。 ジャンプスタート.
- ソフトウェア設定ページで、下図のように ソリューション タブを選択 車両群の予知保全.
- 選択する 起動する.
ソリューションの展開には数分かかります。 - ソリューションがデプロイされたら、[ノートブックを開く] を選択します。
カーネルの選択を求められたら、このソリューションのすべてのノートブックに対して PyTorch 1.8 Python 3.6 を選択します。
ソリューションのプレビュー
まず最初に取り組むのは、 0_demo.ipynb
ノート。 このノートブックでは、このソリューションの完全なノートブックを完了したときに結果がどのようになるかを簡単にプレビューできます。
選択する ラン および すべてのセルを実行 SageMaker Studio ですべてのセルを実行する (または セル および すべて実行 SageMaker ノートブック インスタンス内)。 各ノートブック内のすべてのセルを順番に実行できます。 次のノートブックに移動する前に、すべてのセルの処理が完了していることを確認してください。
このソリューションは、プロビジョニングされた AWS リソースを実行するために構成ファイルに依存します。 次のようにファイルを生成します。
時間の経過に伴う車両のバッテリー電圧とバッテリー電流から構成されるサンプル時系列入力データがいくつかあります。 次に、サンプル データをロードして視覚化します。 次のスクリーンショットに示すように、電圧と電流の値は Y 軸上にあり、読み取り値 (記録された 19 個の読み取り値) は X 軸上にあります。
私たちは以前に、車両故障の確率を予測するこの電圧と電流のデータに基づいてモデルをトレーニングし、そのモデルを SageMaker のエンドポイントとしてデプロイしました。 次の期間での失敗の確率を判断するために、いくつかのサンプル データを使用してこのエンドポイントを呼び出します。
サンプル入力データを考慮すると、予測される故障確率は次のようになります。 45.73%
次のステージに進むには、選択してください 続けるには、ここをクリック.
導入とソリューションの概要
1_introduction.ipynb
ノートブックは、ソリューションとステージの概要を提供し、コンテンツ定義、データ サンプリング期間、トレーニングとテストのサンプル数、パラメーター、場所、生成されたコンテンツの列名を含む構成ファイルを調べます。
このノートブックを確認したら、次の段階に進むことができます。
サンプルデータセットを準備する
サンプルデータセットを用意します。 2_data_preparation.ipynb
ノート。
まず、このソリューションの構成ファイルを生成します。
構成プロパティは次のとおりです。
独自のデータセットを定義することも、スクリプトを使用してサンプル データセットを生成することもできます。
センサー データと車両データを結合できます。
次に、データの視覚化に移ります。
サンプル データセットを視覚化する
サンプル データセットを視覚化します。 3_data_vizualization.ipynb
。 このソリューションは、プロビジョニングされた AWS リソースを実行するために構成ファイルに依存します。 先ほどのノートブックと同様のファイルを生成してみましょう。
次のスクリーンショットはデータセットを示しています。
次に、データセットを構築しましょう。
データセットの準備ができたので、データ統計を視覚化しましょう。 次のスクリーンショットは、車両メーカー、エンジン タイプ、車両クラス、モデルに基づいたデータ分布を示しています。
ログ データを比較して、Make E と C (ランダム) の異なる年の平均電圧の例を見てみましょう。
電圧と電流の平均が Y 軸に、読み取り値の数が X 軸に表示されます。
- log_target の可能な値: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- ランダムに割り当てられた値
log_target: make
- ランダムに割り当てられた値
- log_target_value1 の可能な値: ['Make A'、'Make B'、'Make E'、'Make C'、'Make D']
- ランダムに割り当てられた値
log_target_value1: Make B
- ランダムに割り当てられた値
- log_target_value2 の可能な値: ['Make A'、'Make B'、'Make E'、'Make C'、'Make D']
- ランダムに割り当てられた値
log_target_value2: Make D
- ランダムに割り当てられた値
上記を踏まえて推測すると、 log_target: make
, log_target_value1: Make B
および log_target_value2: Make D
次のグラフは、ログ データの平均を分析したものです。
次のグラフは、電圧と電流に対するさまざまなセンサーのログ値の例を視覚化しています。
サンプル データセットでモデルをトレーニングして障害を検出する
4_model_training.ipynb
ノートブックでは、サンプル データセットでモデルをトレーニングして障害を検出します。
前のノートブックと同様の構成ファイルを生成して、トレーニング構成に進みましょう。
トレーニングしたモデルの結果を分析する
5_results_analysis.ipynb
ノートブックでは、ハイパーパラメーター調整ジョブからデータを取得し、すべてのジョブのメトリクスを視覚化して最適なジョブを特定し、最適なトレーニング ジョブのエンドポイントを構築します。
前のノートブックと同様の構成ファイルを生成し、すべてのジョブのメトリクスを視覚化しましょう。 次のプロットは、テスト精度とエポックを視覚化したものです。
次のスクリーンショットは、実行したハイパーパラメーター調整ジョブを示しています。
テスト精度 (赤) に基づいて、(XNUMX つのトレーニング ジョブのうち) 最適なトレーニング ジョブからのデータを視覚化できるようになりました。
次のスクリーンショットでわかるように、エポックが進むにつれてテスト損失が減少し、AUC と精度が増加しています。
視覚化に基づいて、最適なトレーニング ジョブのエンドポイントを構築できるようになりました。
エンドポイントを構築した後、サンプル センサー ログを渡して予測子をテストできます。
サンプル入力データを考慮すると、予測される故障確率は次のようになります。 視聴者の38%が.
クリーンアップ
このソリューションを完了したら、不要な AWS リソースをすべて削除してください。 で 車両群の予知保全 ページ、下 ソリューションを削除する、選択する すべてのリソースを削除する ソリューションに関連付けられたすべてのリソースを削除します。
このノートブックで作成した余分なリソースは手動で削除する必要があります。 いくつかの例には、追加の S3 バケット (ソリューションのデフォルト バケットへ) や追加の SageMaker エンドポイント (カスタム名を使用) が含まれます。
ソリューションをカスタマイズする
私たちのソリューションは簡単にカスタマイズできます。 入力データの視覚化を変更するには、以下を参照してください。 sagemaker/3_data_visualization.ipynb。 機械学習をカスタマイズするには、を参照してください。 sagemaker/source/train.py および sagemaker/source/dl_utils/network.py。 データセット処理をカスタマイズするには、を参照してください。 sagemaker/1_introduction.ipynb 構成ファイルを定義する方法について説明します。
さらに、構成ファイル内の構成を変更することもできます。 デフォルトの構成は次のとおりです。
構成ファイルには次のパラメータがあります。
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
,test_dataset_fn
データセット ファイルの場所を定義するvehicle_id_column
,timestamp_column
,target_column
,period_column
列のヘッダーを定義するdataset_size
,chunksize
,processing_chunksize
,period_ms
,window_length
データセットのプロパティを定義する
まとめ
この投稿では、SageMaker JumpStart を使用して車両フリートの故障確率を予測するモデルをトレーニングおよびデプロイする方法を説明しました。 このソリューションは ML および深層学習モデルに基づいており、時間とともに変化するセンサー データを含む幅広い入力データを使用できます。 各車両には異なるテレメトリが搭載されているため、提供されたモデルを、所有するデータの周波数とタイプに合わせて微調整できます。
SageMaker JumpStart でできることの詳細については、以下を参照してください。
リソース
著者について
ラジャクマールサンパスクマール AWSのプリンシパルテクニカルアカウントマネージャーであり、ビジネステクノロジーの調整に関するガイダンスをお客様に提供し、クラウド運用モデルとプロセスの再発明をサポートしています。 彼はクラウドと機械学習に情熱を注いでいます。 Rajは機械学習のスペシャリストでもあり、AWSのお客様と協力して、AWSのワークロードとアーキテクチャを設計、デプロイ、管理しています。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 自動車/EV、 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- ブロックオフセット。 環境オフセット所有権の近代化。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :持っている
- :は
- ][p
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 視聴者の38%が
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- 私たちについて
- 上記の.
- アクセス
- 従った
- 精度
- 越えて
- アクティブ
- 活動
- 加えます
- 行政の
- 後
- に対して
- アラインメント
- すべて
- ことができます
- 既に
- また
- Amazon
- アマゾンセージメーカー
- Amazon SageMaker ジャンプスタート
- Amazon Webサービス
- an
- 分析します
- および
- どれか
- アプリ
- 申し込む
- です
- エリア
- AS
- 割り当てられた
- 関連する
- 引き受けます
- At
- 自動車
- 利用できます
- 避ける
- AWS
- 軸
- バック
- ベース
- バッテリー
- なぜなら
- BEST
- ブロック
- ボディ
- ブースト
- 両言語で
- ブレーク
- ビルド
- 建物
- by
- コール
- 缶
- 取得することができます
- 場合
- 例
- 細胞
- 変化する
- 選択する
- class
- クライアント
- クラウド
- コラム
- コマンドと
- コンプリート
- コンポーネント
- コンセプト
- 交流
- からなる
- からなる
- 領事
- 含まれています
- コンテンツ
- コスト
- 可能性
- カバー
- 作ります
- 作成した
- 重大な
- 電流プローブ
- カスタム
- Customers
- カスタマイズ
- ダッシュボード
- データ
- データの準備
- データの可視化
- 下落
- 深いです
- 深い学習
- デフォルト
- 定義
- デモ
- 実証
- 展開します
- 展開
- 設計
- 決定する
- 開発
- 異なります
- 表示される
- 混乱する
- ディストリビューション
- do
- ドメイン
- ダウン
- ダウンタイム
- ドライブ
- e
- 各
- ほかに
- 端から端まで
- エンドポイント
- エンジン
- 確保
- 環境
- 時代
- エポック
- あらゆる
- 例
- 例
- 探る
- 余分な
- エキス
- 不良解析
- false
- 特徴
- 少数の
- File
- 仕上げ
- 名
- 艦隊
- フォロー中
- 次
- 4
- 周波数
- から
- フル
- 機能性
- 生成する
- 生成された
- ジェネレータ
- 取得する
- 与えられた
- ガラス
- GPU
- グラフ
- グループ
- ガイダンス
- 持ってる
- he
- ヘッダーの
- 助けます
- こちら
- 歴史的
- 認定条件
- How To
- HTML
- HTTP
- HTTPS
- ハブ
- ハイパーパラメーターの最適化
- ハイパーパラメータ調整
- i
- 識別する
- if
- import
- 改善します
- in
- include
- 含まれました
- 含ま
- 含めて
- 増える
- 産業
- 情報
- インフラ関連事業
- 初期
- 開始する
- 説明書
- 統合された
- インタフェース
- に
- 概要
- IOT
- IT
- ジョブ
- Jobs > Create New Job
- JPG
- JSON
- キー
- 着陸
- 起動する
- 発射
- LEARN
- 学習
- レベル
- ような
- 負荷
- ローカル
- 場所
- ログ
- 見て
- のように見える
- 損失
- 機械
- 機械学習
- メンテナンス
- make
- 管理します
- 管理
- マネージャー
- 手動で
- 多くの
- 最大化します
- 五月..
- 意味する
- 機械的な
- マージ
- メトリック
- 分
- ML
- モデル
- 修正する
- 他には?
- 移動する
- 名
- 名
- 必要
- 次の
- ノート
- 通知
- 通知
- 今
- 数
- of
- 提供
- on
- ONE
- の
- 開いた
- 操作
- 業務執行統括
- 最適化
- 最適化
- or
- OS
- その他
- 私たちの
- でる
- 結果
- 概説
- が
- 概要
- 自分の
- ページ
- ペイン
- パラメータ
- 部
- 通過
- 情熱的な
- path
- 期間
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- お願いします
- ポスト
- 予測する
- 予測
- 予測
- 予測
- Predictor
- 予測
- 準備
- 準備
- プレビュー
- 前
- 前に
- 校長
- 問題
- プロセス
- ラボレーション
- 処理
- 生産性
- プロフィール
- 証明
- 概念実証
- プロパティ
- 提供
- は、大阪で
- 提供
- 公然と
- Python
- パイトーチ
- クイック
- ランダム
- 範囲
- 準備
- 推奨する
- 記録
- 記録された
- レッド
- 減らします
- 地域
- 修理
- リソース
- 応答
- 結果
- return
- レビュー
- 職種
- ラン
- ランニング
- 安全性
- セージメーカー
- サンプル データセット
- スケジューリング
- スクリーンショット
- スクリプト
- セクション
- 送る
- 送信
- シリーズ
- 仕える
- サービス
- セッション
- セッションに
- セット
- いくつかの
- ショート
- 表示する
- 示されました
- 示す
- 作品
- 署名されました
- 同様の
- 簡単な拡張で
- SIX
- 溶液
- ソリューション
- 一部
- ソース
- 専門家
- 特定の
- ステージ
- ステージ
- 開始
- 統計
- 手順
- ステップ
- ストレージ利用料
- 店舗
- 研究
- それに続きます
- 支援する
- 確か
- 合成
- 取り
- 技術的
- テクニック
- template
- テンプレート
- test
- それ
- アプリ環境に合わせて
- その後
- もの
- この
- 時間
- 時系列
- タイムスタンプ
- 〜へ
- 一緒に
- トレーニング
- 訓練された
- トレーニング
- 試します
- type
- 下
- 不要な
- us
- つかいます
- 使用事例
- 中古
- ユーザー
- users
- 値
- 価値観
- 多様
- 自動車
- バージョン
- 、
- 可視化
- ボルト
- 電圧
- vs
- W
- we
- ウェブ
- Webサービス
- この試験は
- いつ
- which
- ワイド
- 広い範囲
- 意志
- 以内
- 仕事
- ワークフロー
- 作品
- X
- ヤムル
- 年
- You
- あなたの
- ゼファーネット