예측 유지보수는 예기치 못한 기계적 고장과 운영을 방해하는 반응적 유지보수 활동을 방지할 수 있기 때문에 자동차 산업에서 매우 중요합니다. 차량 고장을 예측하고 유지보수 및 수리를 예약함으로써 가동 중지 시간을 줄이고 안전을 개선하며 생산성 수준을 높일 수 있습니다.
차량 고장, 계획되지 않은 가동 중단 및 수리 비용을 유발하는 공통 영역에 딥 러닝 기술을 적용할 수 있다면 어떨까요?
이 게시물에서는 다음을 사용하여 차량 함대 고장 확률을 예측하기 위해 모델을 훈련하고 배포하는 방법을 보여줍니다. Amazon SageMaker 점프스타트. SageMaker Jumpstart는 다음의 기계 학습(ML) 허브입니다. 아마존 세이지 메이커, ML을 시작하는 데 도움이 되는 광범위한 문제 유형에 대해 사전 학습되고 공개적으로 사용 가능한 모델을 제공합니다. 게시물에 설명된 솔루션은 다음에서 사용할 수 있습니다. GitHub의.
SageMaker JumpStart 솔루션 템플릿
SageMaker JumpStart는 많은 일반적인 ML 사용 사례에 대한 원클릭 엔드 투 엔드 솔루션을 제공합니다. 사용 가능한 솔루션 템플릿에 대한 자세한 내용은 다음 사용 사례를 살펴보십시오.
SageMaker JumpStart 솔루션 템플릿은 다양한 사용 사례를 다루며 각 사용 사례에서 여러 솔루션 템플릿이 제공됩니다(이 게시물의 솔루션은 차량 함대를 위한 예측 유지보수, 에 솔루션 부분). SageMaker JumpStart 랜딩 페이지에서 사용 사례에 가장 적합한 솔루션 템플릿을 선택하십시오. 각 사용 사례의 특정 솔루션에 대한 자세한 내용과 SageMaker JumpStart 솔루션을 시작하는 방법은 다음을 참조하십시오. 솔루션 템플릿.
솔루션 개요
자동차 차량을 위한 AWS 예측 유지 관리 솔루션은 차량 고장, 계획되지 않은 가동 중단 및 수리 비용을 유발하는 공통 영역에 딥 러닝 기술을 적용합니다. 단기간에 개념 증명을 얻을 수 있는 초기 빌딩 블록 역할을 합니다. 이 솔루션에는 SageMaker 내에 데이터 준비 및 시각화 기능이 포함되어 있으며 데이터 세트에 대한 딥 러닝 모델의 하이퍼파라미터를 훈련하고 최적화할 수 있습니다. 자체 데이터를 사용하거나 이 솔루션의 일부로 합성 데이터 세트로 솔루션을 사용해 볼 수 있습니다. 이 버전은 시간이 지남에 따라 차량 센서 데이터를 처리합니다. 후속 버전은 유지 관리 기록 데이터를 처리합니다.
다음 다이어그램은 SageMaker 구성 요소와 함께 이 솔루션을 사용하는 방법을 보여줍니다. 솔루션의 일부로 다음 서비스가 사용됩니다.
- 아마존 S3 - 우리는 사용 아마존 단순 스토리지 서비스 (Amazon S3) 데이터 세트 저장
- SageMaker 노트북 – 노트북을 사용하여 데이터를 전처리 및 시각화하고 딥 러닝 모델을 교육합니다.
- SageMaker 엔드 포인트 – 끝점을 사용하여 훈련된 모델을 배포합니다.
워크 플로우에는 다음 단계가 포함됩니다.
- 차량 데이터 및 센서 로그를 포함하는 차량 관리 시스템에서 과거 데이터 추출이 생성됩니다.
- ML 모델이 훈련된 후 SageMaker 모델 아티팩트가 배포됩니다.
- 연결된 차량은 센서 로그를 다음으로 전송합니다. AWS IoT 코어 (또는 HTTP 인터페이스를 통해).
- 센서 로그는 다음을 통해 유지됩니다. 아마존 키네 시스 데이터 파이어 호스.
- 센서 로그는 다음 주소로 전송됩니다. AWS 람다 예측을 위해 모델에 대해 쿼리합니다.
- Lambda는 예측을 위해 Sagemaker 모델 추론에 센서 로그를 보냅니다.
- 예측은 Amazon Aurora.
- 집계 결과는 아마존 퀵 사이트 계기반.
- 예측된 실패 확률에 대한 실시간 알림이 다음으로 전송됩니다. 아마존 단순 알림 서비스 (아마존 SNS).
- Amazon SNS는 연결된 차량으로 알림을 다시 보냅니다.
이 솔루션은 XNUMX개의 노트북으로 구성됩니다.
- 0_demo.ipynb – 솔루션의 빠른 미리보기
- 1_소개.ipynb – 소개 및 솔루션 개요
- 2_data_preparation.ipynb – 샘플 데이터 세트 준비
- 3_data_visualization.ipynb – 샘플 데이터 세트 시각화
- 4_모델_훈련.ipynb – 샘플 데이터 세트에서 모델을 교육하여 실패를 감지합니다.
- 5_결과_분석.ipynb – 학습한 모델의 결과 분석
사전 조건
아마존 세이지 메이커 스튜디오 단일 창에서 필요한 모든 ML 기능을 제공하는 SageMaker 내의 통합 개발 환경(IDE)입니다. SageMaker JumpStart를 실행하려면 먼저 SageMaker Studio를 설정해야 합니다. 자체 버전의 SageMaker Studio가 이미 실행 중인 경우 이 단계를 건너뛸 수 있습니다.
AWS 서비스를 사용하기 전에 가장 먼저 해야 할 일은 AWS 계정에 가입하고 생성했는지 확인하는 것입니다. 그런 다음 관리 사용자와 그룹을 만듭니다. 두 단계에 대한 지침은 다음을 참조하십시오. Amazon SageMaker 사전 조건 설정.
다음 단계는 SageMaker 도메인을 생성하는 것입니다. 도메인은 모든 스토리지를 설정하고 SageMaker에 액세스할 사용자를 추가할 수 있도록 합니다. 자세한 내용은 다음을 참조하십시오. Amazon SageMaker 도메인에 온보딩. 이 데모는 AWS 리전 us-east-1에서 생성됩니다.
마지막으로 SageMaker Studio를 시작합니다. 이 게시물에서는 사용자 프로필 앱을 실행하는 것이 좋습니다. 지침은 다음을 참조하십시오. Amazon SageMaker Studio 시작.
이 SageMaker JumpStart 솔루션을 실행하고 AWS 계정에 인프라를 배포하려면 활성 SageMaker Studio 인스턴스를 생성해야 합니다(참조: Amazon SageMaker Studio에 온보드). 인스턴스가 준비되면 다음 지침을 따르십시오. 세이지메이커 점프스타트 솔루션을 시작합니다. 솔루션 아티팩트가 여기에 포함됩니다. GitHub 저장소 참조.
SageMaker Jumpstart 솔루션 실행
솔루션을 시작하려면 다음 단계를 완료하십시오.
- SageMaker Studio 콘솔에서 다음을 선택합니다. 점프 시작.
- 에 솔루션 탭에서 차량 함대를 위한 예측 유지보수.
- 왼쪽 메뉴에서 실행.
솔루션을 배포하는 데 몇 분 정도 걸립니다. - 솔루션이 배포된 후 노트북 열기를 선택합니다.
커널을 선택하라는 메시지가 표시되면 이 솔루션의 모든 노트북에 대해 PyTorch 1.8 Python 3.6을 선택합니다.
솔루션 미리보기
우리는 먼저 0_demo.ipynb
공책. 이 노트북에서 이 솔루션에 대한 전체 노트북을 완료할 때 결과가 어떻게 표시되는지 빠르게 미리 볼 수 있습니다.
왼쪽 메뉴에서 달리기 및 모든 셀 실행 SageMaker Studio에서 모든 셀을 실행하려면(또는 세포 및 모두 실행 SageMaker 노트북 인스턴스에서). 각 노트북의 모든 셀을 차례로 실행할 수 있습니다. 다음 노트북으로 이동하기 전에 모든 셀이 처리를 완료했는지 확인하십시오.
이 솔루션은 구성 파일을 사용하여 프로비저닝된 AWS 리소스를 실행합니다. 다음과 같이 파일을 생성합니다.
차량의 배터리 전압과 시간 경과에 따른 배터리 전류로 구성된 몇 가지 샘플 시계열 입력 데이터가 있습니다. 다음으로 샘플 데이터를 로드하고 시각화합니다. 다음 스크린샷에 표시된 것처럼 전압 및 전류 값은 Y축에 있고 판독값(기록된 19개 판독값)은 X축에 있습니다.
우리는 이전에 차량 고장 가능성을 예측하는 이 전압 및 전류 데이터에 대한 모델을 교육했으며 이 모델을 SageMaker의 엔드포인트로 배포했습니다. 다음 기간의 실패 확률을 결정하기 위해 몇 가지 샘플 데이터로 이 끝점을 호출합니다.
주어진 샘플 입력 데이터에서 예측된 실패 확률은 다음과 같습니다. 45.73 %
다음 단계로 이동하려면 다음을 선택하십시오. 계속하려면 여기를 클릭하십시오.
소개 및 솔루션 개요
XNUMXD덴탈의 1_introduction.ipynb
노트북은 솔루션 및 단계에 대한 개요와 생성된 콘텐츠에 대한 콘텐츠 정의, 데이터 샘플링 기간, 훈련 및 테스트 샘플 수, 매개 변수, 위치 및 열 이름이 있는 구성 파일을 살펴봅니다.
이 노트북을 검토한 후 다음 단계로 이동할 수 있습니다.
샘플 데이터 세트 준비
에서 샘플 데이터 세트를 준비합니다. 2_data_preparation.ipynb
공책.
먼저 이 솔루션에 대한 구성 파일을 생성합니다.
구성 속성은 다음과 같습니다.
자체 데이터세트를 정의하거나 스크립트를 사용하여 샘플 데이터세트를 생성할 수 있습니다.
센서 데이터와 차량 데이터를 함께 병합할 수 있습니다.
이제 데이터 시각화로 이동할 수 있습니다.
샘플 데이터 세트 시각화
샘플 데이터 세트를 시각화합니다. 3_data_vizualization.ipynb
. 이 솔루션은 구성 파일을 사용하여 프로비저닝된 AWS 리소스를 실행합니다. 이전 노트북과 유사한 파일을 생성해 봅시다.
다음 스크린샷은 데이터 세트를 보여줍니다.
다음으로 데이터 세트를 빌드해 보겠습니다.
이제 데이터 세트가 준비되었으므로 데이터 통계를 시각화해 보겠습니다. 다음 스크린샷은 차량 제조사, 엔진 유형, 차량 등급 및 모델에 따른 데이터 분포를 보여줍니다.
로그 데이터를 비교하여 Make E와 C(무작위)에 대한 서로 다른 연도의 평균 전압 예를 살펴보겠습니다.
전압과 전류의 평균은 Y축에 있고 판독값의 수는 X축에 있습니다.
- log_target에 가능한 값: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- 에 대해 임의로 할당된 값
log_target: make
- 에 대해 임의로 할당된 값
- log_target_value1에 가능한 값: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- 에 대해 임의로 할당된 값
log_target_value1: Make B
- 에 대해 임의로 할당된 값
- log_target_value2에 가능한 값: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- 에 대해 임의로 할당된 값
log_target_value2: Make D
- 에 대해 임의로 할당된 값
위의 내용을 바탕으로 가정합니다. log_target: make
, log_target_value1: Make B
및 log_target_value2: Make D
다음 그래프는 로그 데이터의 평균을 분석합니다.
다음 그래프는 전압 및 전류에 대한 다양한 센서 로그 값의 예를 시각화합니다.
실패를 감지하기 위해 샘플 데이터 세트에서 모델 훈련
. 4_model_training.ipynb
노트북에서 샘플 데이터 세트에 대한 모델을 교육하여 오류를 감지합니다.
이전 노트북과 유사한 구성 파일을 생성한 다음 교육 구성을 진행해 보겠습니다.
학습한 모델의 결과 분석
. 5_results_analysis.ipynb
노트북에서 우리는 하이퍼파라미터 튜닝 작업에서 데이터를 얻고, 모든 작업의 메트릭을 시각화하여 최상의 작업을 식별하고, 최상의 교육 작업을 위한 엔드포인트를 구축합니다.
이전 노트북과 유사한 구성 파일을 생성하고 모든 작업의 메트릭을 시각화해 보겠습니다. 다음 플롯은 테스트 정확도 대 에포크를 시각화합니다.
다음 스크린샷은 우리가 실행한 하이퍼파라미터 튜닝 작업을 보여줍니다.
이제 테스트 정확도(빨간색)를 기준으로 최상의 교육 작업(네 가지 교육 작업 중)의 데이터를 시각화할 수 있습니다.
다음 스크린샷에서 볼 수 있듯이 테스트 손실은 감소하고 AUC와 정확도는 에폭과 함께 증가합니다.
시각화를 기반으로 이제 최상의 교육 작업을 위한 엔드포인트를 구축할 수 있습니다.
엔드포인트를 구축한 후 샘플 센서 로그에 전달하여 예측자를 테스트할 수 있습니다.
주어진 샘플 입력 데이터에서 예측된 실패 확률은 다음과 같습니다. 34.60%.
정리
이 솔루션을 마쳤으면 원치 않는 AWS 리소스를 모두 삭제했는지 확인하십시오. 에 차량 함대를 위한 예측 유지보수 페이지, 아래 솔루션 삭제선택한다. 모든 리소스 삭제 솔루션과 관련된 모든 리소스를 삭제합니다.
이 노트북에서 만들었을 수 있는 추가 리소스를 수동으로 삭제해야 합니다. 몇 가지 예에는 추가 S3 버킷(솔루션의 기본 버킷에 대한) 및 추가 SageMaker 엔드포인트(사용자 지정 이름 사용)가 포함됩니다.
솔루션 사용자 지정
우리의 솔루션은 간단하게 사용자 정의할 수 있습니다. 입력 데이터 시각화를 수정하려면 다음을 참조하십시오. 세이지메이커/3_data_visualization.ipynb. 기계 학습을 사용자 정의하려면 다음을 참조하십시오. 세이지메이커/소스/train.py 및 세이지메이커/소스/dl_utils/network.py. 데이터 세트 처리를 사용자 정의하려면 다음을 참조하십시오. 세이지메이커/1_introduction.ipynb 구성 파일을 정의하는 방법에 대해 설명합니다.
또한 구성 파일에서 구성을 변경할 수 있습니다. 기본 구성은 다음과 같습니다.
구성 파일에는 다음 매개변수가 있습니다.
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
및test_dataset_fn
데이터 세트 파일의 위치 정의vehicle_id_column
,timestamp_column
,target_column
및period_column
열의 헤더 정의dataset_size
,chunksize
,processing_chunksize
,period_ms
및window_length
데이터 세트의 속성 정의
결론
이 게시물에서는 SageMaker JumpStart를 사용하여 차량 함대 고장 확률을 예측하기 위해 모델을 교육하고 배포하는 방법을 보여주었습니다. 이 솔루션은 ML 및 딥 러닝 모델을 기반으로 하며 시변 센서 데이터를 포함하여 다양한 입력 데이터를 허용합니다. 모든 차량에는 서로 다른 원격 측정이 있기 때문에 제공된 모델을 가지고 있는 데이터의 빈도와 유형에 맞게 미세 조정할 수 있습니다.
SageMaker JumpStart로 수행할 수 있는 작업에 대해 자세히 알아보려면 다음을 참조하십시오.
제품 자료
저자에 관하여
라자쿠마르 삼파스쿠마르 AWS의 수석 기술 계정 관리자로서 고객에게 비즈니스 기술 조정에 대한 지침을 제공하고 클라우드 운영 모델 및 프로세스의 재창조를 지원합니다. 그는 클라우드와 머신 러닝에 열정적입니다. Raj는 또한 기계 학습 전문가이며 AWS 고객과 협력하여 AWS 워크로드 및 아키텍처를 설계, 배포 및 관리합니다.
- SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
- PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
- PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
- 플라톤ESG. 자동차 / EV, 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
- BlockOffsets. 환경 오프셋 소유권 현대화. 여기에서 액세스하십시오.
- 출처: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :있다
- :이다
- ][피
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- 소개
- 위의
- ACCESS
- 에 따르면
- 계정
- 가로질러
- 활동적인
- 방과 후 액티비티
- 더하다
- 관리
- 후
- 반대
- 조정
- All
- 수
- 이미
- 또한
- 아마존
- 아마존 세이지 메이커
- Amazon SageMaker 점프스타트
- Amazon Web Services
- an
- 분석하다
- 및
- 어떤
- 앱
- 신청
- 있군요
- 지역
- AS
- 할당 된
- 관련
- 취하다
- At
- 자동차
- 가능
- 피하기
- AWS
- 축
- 뒤로
- 기반으로
- 배터리
- 때문에
- 전에
- BEST
- 블록
- 몸
- 후원
- 두
- 흩어져
- 빌드
- 건물
- by
- 전화
- CAN
- 얻을 수 있습니다
- 케이스
- 가지 경우
- 셀
- 이전 단계로 돌아가기
- 왼쪽 메뉴에서
- 수업
- 클라이언트
- 클라우드
- 단
- 공통의
- 완전한
- 구성 요소들
- 개념
- 구성
- 연결
- 구성
- 구성
- 콘솔에서
- 이 포함되어 있습니다
- 함유량
- 비용
- 수
- 엄호
- 만들
- 만든
- 임계
- Current
- 관습
- 고객
- 사용자 정의
- 계기반
- 데이터
- 데이터 준비
- 데이터 시각화
- 감소
- 깊은
- 깊은 학습
- 태만
- 정의
- 데모
- 보여줍니다
- 배포
- 배포
- 디자인
- 결정
- 개발
- 다른
- 표시된
- 혼란
- 분포
- do
- 도메인
- 아래 (down)
- 중단 시간
- 드라이브
- e
- 마다
- 그렇지 않으면
- 끝으로 종료
- 종점
- 엔진
- 확인
- 환경
- 시대
- 신기원
- 모든
- 예
- 예
- 탐험
- 여분의
- 추출물
- 고장
- 그릇된
- 특징
- 를
- 입양 부모로서의 귀하의 적합성을 결정하기 위해 미국 이민국에
- 마무리
- 먼저,
- 함대
- 수행원
- 다음
- 럭셔리
- 사
- 진동수
- 에
- 가득 찬
- 기능
- 생성
- 생성
- 발전기
- 얻을
- 주어진
- 유리
- GPU
- 그래프
- 그룹
- 지도
- 있다
- he
- 헤더
- 도움
- 여기에서 지금 확인해 보세요.
- 역사적인
- 방법
- How To
- HTML
- HTTP
- HTTPS
- 허브
- 하이퍼 파라미터 최적화
- 하이퍼 파라미터 튜닝
- i
- 확인
- if
- import
- 개선
- in
- 포함
- 포함
- 포함
- 포함
- 증가
- 산업
- 정보
- 인프라
- 처음에는
- 시작
- 입력
- 예
- 명령
- 통합 된
- 인터페이스
- 으로
- 개요
- IOT
- IT
- 일
- 작업
- JPG
- JSON
- 키
- 상륙
- 시작
- 진수
- 배우다
- 배우기
- 레벨
- 처럼
- 하중
- 지방의
- 위치
- 기록
- 보기
- 같이
- 오프
- 기계
- 기계 학습
- 유지
- 확인
- 관리
- 구축
- 매니저
- 수동으로
- .
- 극대화하다
- XNUMX월..
- 평균
- 기계적인
- 병합
- 통계
- 회의록
- ML
- 모델
- 모델
- 수정
- 배우기
- 움직임
- 움직이는
- name
- 이름
- 필요
- 다음 것
- 수첩
- 공고
- 알림
- 지금
- 번호
- of
- 제공
- on
- ONE
- 만
- 열 수
- 조작
- 행정부
- 최적화
- 최적화
- or
- OS
- 기타
- 우리의
- 아웃
- 결과
- 설명
- 위에
- 개요
- 자신의
- 페이지
- 빵
- 매개 변수
- 부품
- 통과
- 열렬한
- 통로
- 기간
- 플라톤
- 플라톤 데이터 인텔리전스
- 플라토데이터
- 부디
- 게시하다
- 예측
- 예측
- 예측
- 예측
- Predictor
- 예측
- 준비
- Prepare
- 시사
- 너무 이른
- 이전에
- 교장
- 문제
- 방법
- 프로세스
- 처리
- 생산력
- 프로필
- 증명
- 개념 증명
- 속성
- 제공
- 제공
- 제공
- 공개적으로
- Python
- 파이 토치
- 빠른
- 닥치는대로의
- 범위
- 준비
- 권하다
- 기록
- 기록
- 빨간색
- 감소
- 지방
- 수리
- 제품 자료
- 응답
- 결과
- return
- 리뷰
- 직위별
- 달리기
- 달리는
- 안전
- 현자
- 샘플 데이터세트
- 일정
- 스크린 샷
- 스크립트
- 섹션
- 참조
- 전송
- 전송
- 연속
- 봉사하다
- 서비스
- 세션
- 세트
- 설정
- 몇몇의
- 짧은
- 표시
- 보여
- 표시
- 쇼
- 서명
- 비슷한
- 단순, 간단, 편리
- 단일
- SIX
- 해결책
- 솔루션
- 일부
- 출처
- 전문가
- 구체적인
- 단계
- 단계
- 시작
- 통계
- 단계
- 단계
- 저장
- 저장
- 스튜디오
- 후속의
- 지원
- 확인
- 인조
- 체계
- 소요
- 테크니컬
- 기법
- 이 템플릿
- 템플릿
- test
- 그
- XNUMXD덴탈의
- 그들의
- 그때
- 맡은 일
- 이
- 시간
- 시계열
- 따라서 오른쪽 하단에
- 에
- 함께
- Train
- 훈련 된
- 트레이닝
- 시도
- 유형
- 유형
- 아래에
- 불필요한
- us
- 사용
- 유스 케이스
- 익숙한
- 사용자
- 사용자
- 사용
- 가치
- 마케팅은:
- 종류
- 자동차
- 버전
- 를 통해
- 심상
- 볼트
- 전압
- vs
- W
- we
- 웹
- 웹 서비스
- 뭐
- 언제
- 어느
- 넓은
- 넓은 범위
- 의지
- 과
- 이내
- 작업
- 워크플로우
- 일
- X
- 얌
- 년
- 자신의
- 너의
- 제퍼 넷