Voorspellend onderhoud is van cruciaal belang in de auto-industrie, omdat het onverwachte mechanische storingen en reactieve onderhoudsactiviteiten die de bedrijfsvoering verstoren, kan voorkomen. Door voertuigstoringen te voorspellen en onderhoud en reparaties te plannen, vermindert u de uitvaltijd, verbetert u de veiligheid en verhoogt u de productiviteit.
Wat als we deep learning-technieken zouden kunnen toepassen op gemeenschappelijke gebieden die leiden tot voertuigstoringen, ongeplande stilstand en reparatiekosten?
In dit bericht laten we u zien hoe u een model traint en implementeert om de faalkans van het wagenpark te voorspellen met behulp van Amazon SageMaker JumpStart. SageMaker Jumpstart is de machine learning (ML) hub van Amazon Sage Maker, met vooraf getrainde, openbaar beschikbare modellen voor een breed scala aan probleemtypen om u te helpen aan de slag te gaan met ML. De oplossing die in het bericht wordt beschreven, is beschikbaar op GitHub.
SageMaker JumpStart-oplossingssjablonen
SageMaker JumpStart biedt end-to-end-oplossingen met รฉรฉn klik voor veel voorkomende ML-use-cases. Verken de volgende use cases voor meer informatie over beschikbare oplossingssjablonen:
De SageMaker JumpStart-oplossingssjablonen dekken een verscheidenheid aan gebruiksscenario's, waaronder verschillende oplossingssjablonen worden aangeboden (de oplossing in dit bericht, Voorspellend onderhoud voor wagenparken, is in de Oplossingen sectie). Kies de oplossingssjabloon die het beste bij uw use-case past op de startpagina van SageMaker JumpStart. Zie voor meer informatie over specifieke oplossingen voor elke gebruikssituatie en het starten van een SageMaker JumpStart-oplossing Oplossingssjablonen.
Overzicht oplossingen
De AWS-oplossing voor voorspellend onderhoud voor wagenparken past deep learning-technieken toe op gemeenschappelijke gebieden die leiden tot voertuigstoringen, ongeplande stilstand en reparatiekosten. Het dient als eerste bouwsteen om in korte tijd tot een proof of concept te komen. Deze oplossing bevat functionaliteit voor gegevensvoorbereiding en visualisatie binnen SageMaker en stelt u in staat om de hyperparameters van deep learning-modellen voor uw dataset te trainen en te optimaliseren. U kunt uw eigen gegevens gebruiken of de oplossing proberen met een synthetische dataset als onderdeel van deze oplossing. Deze versie verwerkt voertuigsensorgegevens in de loop van de tijd. Een volgende versie zal de onderhoudsregistratiegegevens verwerken.
Het volgende diagram laat zien hoe u deze oplossing kunt gebruiken met SageMaker-componenten. Als onderdeel van de oplossing worden de volgende services gebruikt:
- Amazon S3 - We gebruiken Amazon eenvoudige opslagservice (Amazon S3) om datasets op te slaan
- SageMaker notitieboek โ We gebruiken een notebook om de gegevens voor te verwerken en te visualiseren, en om het deep learning-model te trainen
- SageMaker-eindpunt โ We gebruiken het eindpunt om het getrainde model te implementeren
De workflow omvat de volgende stappen:
- Er wordt een uittreksel van historische gegevens gemaakt van het wagenparkbeheersysteem met voertuiggegevens en sensorlogboeken.
- Nadat het ML-model is getraind, wordt het artefact van het SageMaker-model geรฏmplementeerd.
- Het verbonden voertuig stuurt sensorlogs naar AWS IoT-kern (alternatief via een HTTP-interface).
- Sensorlogboeken worden bewaard via Amazon Kinesis-gegevens Firehose.
- Sensorlogboeken worden verzonden naar AWS Lambda voor query's tegen het model om voorspellingen te doen.
- Lambda stuurt sensorlogboeken naar Sagemaker-modelinferentie voor voorspellingen.
- Voorspellingen worden volgehouden Amazon Aurora.
- Geaggregeerde resultaten worden weergegeven op een Amazon QuickSight dashboard.
- Er worden real-time notificaties over de voorspelde faalkans verzonden Amazon eenvoudige meldingsservice (Amazone SNS).
- Amazon SNS stuurt meldingen terug naar het verbonden voertuig.
De oplossing bestaat uit zes notebooks:
- 0_demo.ipynb โ Een snelle preview van onze oplossing
- 1_introductie.ipynb โ Inleiding en oplossingsoverzicht
- 2_data_preparation.ipynb โ Bereid een voorbeelddataset voor
- 3_data_visualisatie.ipynb โ Visualiseer onze voorbeelddataset
- 4_model_training.ipynb โ Train een model op onze voorbeelddataset om fouten te detecteren
- 5_resultaten_analyse.ipynb โ Analyseer de resultaten van het model dat we hebben getraind
Voorwaarden
Amazon SageMaker Studio is de geรฏntegreerde ontwikkelomgeving (IDE) binnen SageMaker die ons alle ML-functies biedt die we nodig hebben in รฉรฉn enkel venster. Voordat we SageMaker JumpStart kunnen uitvoeren, moeten we SageMaker Studio instellen. U kunt deze stap overslaan als u al een eigen versie van SageMaker Studio heeft.
Het eerste dat we moeten doen voordat we AWS-services kunnen gebruiken, is ervoor te zorgen dat we ons hebben aangemeld voor en een AWS-account hebben gemaakt. Vervolgens maken we een administratieve gebruiker en een groep aan. Raadpleeg voor instructies over beide stappen Vereisten voor Amazon SageMaker instellen.
De volgende stap is het maken van een SageMaker-domein. Een domein stelt alle opslag in en stelt u in staat gebruikers toe te voegen om toegang te krijgen tot SageMaker. Voor meer informatie, zie Aan boord van Amazon SageMaker Domain. Deze demo is gemaakt in de AWS-regio us-east-1.
Ten slotte start u SageMaker Studio. Voor dit bericht raden we aan een gebruikersprofiel-app te starten. Raadpleeg voor instructies Start Amazon SageMaker Studio.
Om deze SageMaker JumpStart-oplossing uit te voeren en de infrastructuur op uw AWS-account te implementeren, moet u een actieve SageMaker Studio-instantie maken (zie Aan boord van Amazon SageMaker Studio). Wanneer uw instantie klaar is, gebruikt u de instructies in SageMaker JumpStart om de oplossing te lanceren. Hierin zijn de oplossingsartefacten meegenomen GitHub-repository als referentie.
Start de SageMaker Jumpstart-oplossing
Voer de volgende stappen uit om aan de slag te gaan met de oplossing:
- Kies op de SageMaker Studio-console snelle start.
- Op de Oplossingen tabblad, kies Voorspellend onderhoud voor wagenparken.
- Kies Lancering.
Het duurt een paar minuten om de oplossing te implementeren. - Nadat de oplossing is geรฏmplementeerd, kiest u Open Notebook.
Als u wordt gevraagd een kernel te selecteren, kiest u PyTorch 1.8 Python 3.6 voor alle notebooks in deze oplossing.
Voorbeeld van oplossing
We werken eerst aan de 0_demo.ipynb
notitieboekje. In dit notitieboek kunt u snel een voorproefje krijgen van hoe het resultaat eruit zal zien als u het volledige notitieboekje voor deze oplossing voltooit.
Kies lopen en Voer alle cellen uit om alle cellen in SageMaker Studio (of Cel en Alles uitvoeren in een SageMaker-notebookexemplaar). U kunt alle cellen in elke notebook na elkaar uitvoeren. Zorg ervoor dat alle cellen klaar zijn met verwerken voordat u naar de volgende notebook gaat.
Deze oplossing is afhankelijk van een configuratiebestand om de ingerichte AWS-bronnen uit te voeren. We genereren het bestand als volgt:
We hebben enkele voorbeelden van invoergegevens uit tijdreeksen, bestaande uit de accuspanning en accustroom van een voertuig in de loop van de tijd. Vervolgens laden en visualiseren we de voorbeeldgegevens. Zoals te zien is in de volgende schermafbeeldingen, staan โโde spannings- en stroomwaarden op de Y-as en de meetwaarden (19 geregistreerde meetwaarden) op de X-as.
We hebben eerder een model getraind op deze spannings- en stroomgegevens dat de waarschijnlijkheid van voertuigstoringen voorspelt en hebben het model ingezet als een eindpunt in SageMaker. We zullen dit eindpunt noemen met enkele voorbeeldgegevens om de faalkans in de volgende periode te bepalen.
Gegeven de voorbeeldinvoergegevens is de voorspelde faalkans 45.73%.
Kies om naar de volgende fase te gaan Klik hier om verder te gaan.
Introductie en oplossingsoverzicht
De 1_introduction.ipynb
notebook biedt een overzicht van de oplossing en stadia, en een kijkje in het configuratiebestand met inhoudsdefinitie, gegevensbemonsteringsperiode, aantal trein- en testmonsters, parameters, locatie en kolomnamen voor gegenereerde inhoud.
Nadat u dit notitieblok hebt bekeken, kunt u doorgaan naar de volgende fase.
Bereid een voorbeeldgegevensset voor
We maken een voorbeelddataset in de 2_data_preparation.ipynb
notebook.
We genereren eerst het configuratiebestand voor deze oplossing:
De configuratie-eigenschappen zijn als volgt:
U kunt uw eigen dataset definiรซren of onze scripts gebruiken om een โโvoorbeelddataset te genereren:
U kunt de sensorgegevens en wagenparkgegevens samenvoegen:
We kunnen nu overgaan tot datavisualisatie.
Visualiseer onze voorbeelddataset
We visualiseren onze voorbeelddataset in 3_data_vizualization.ipynb
. Deze oplossing is afhankelijk van een configuratiebestand om de ingerichte AWS-bronnen uit te voeren. Laten we het bestand genereren dat vergelijkbaar is met het vorige notitieblok.
De volgende schermafbeelding toont onze dataset.
Laten we vervolgens de dataset bouwen:
Nu de dataset gereed is, gaan we de datastatistieken visualiseren. De volgende schermafbeelding toont de gegevensverdeling op basis van voertuigmerk, motortype, voertuigklasse en model.
Laten we, als we de loggegevens vergelijken, een voorbeeld bekijken van de gemiddelde spanning over verschillende jaren voor Make E en C (willekeurig).
Het gemiddelde van spanning en stroom staat op de Y-as en het aantal metingen op de X-as.
- Mogelijke waarden voor log_target: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- Willekeurig toegewezen waarde voor
log_target: make
- Willekeurig toegewezen waarde voor
- Mogelijke waarden voor log_target_value1: ['Maak A', 'Maak B', 'Maak E', 'Maak C', 'Maak D']
- Willekeurig toegewezen waarde voor
log_target_value1: Make B
- Willekeurig toegewezen waarde voor
- Mogelijke waarden voor log_target_value2: ['Maak A', 'Maak B', 'Maak E', 'Maak C', 'Maak D']
- Willekeurig toegewezen waarde voor
log_target_value2: Make D
- Willekeurig toegewezen waarde voor
Op basis van het bovenstaande gaan we ervan uit log_target: make
, log_target_value1: Make B
en log_target_value2: Make D
In de volgende grafieken wordt het gemiddelde van de loggegevens weergegeven.
De volgende grafieken visualiseren een voorbeeld van verschillende sensorlogwaarden tegen spanning en stroom.
Train een model op onze voorbeelddataset om fouten te detecteren
In het 4_model_training.ipynb
notebook, trainen we een model op onze voorbeelddataset om fouten te detecteren.
Laten we het configuratiebestand genereren dat vergelijkbaar is met het vorige notebook en vervolgens doorgaan met de trainingsconfiguratie:
Analyseer de resultaten van het model dat we hebben getraind
In het 5_results_analysis.ipynb
notebook, krijgen we gegevens van onze hyperparameter-afstemmingstaak, visualiseren we statistieken van alle taken om de beste taak te identificeren en bouwen we een eindpunt voor de beste trainingstaak.
Laten we het configuratiebestand genereren dat vergelijkbaar is met het vorige notebook en de metrische gegevens van alle taken visualiseren. De volgende grafiek visualiseert de testnauwkeurigheid versus het tijdperk.
De volgende schermafbeelding toont de afstemmingsafstemmingstaken die we hebben uitgevoerd.
U kunt nu gegevens visualiseren van de beste trainingstaak (van de vier trainingstaken) op basis van de testnauwkeurigheid (rood).
Zoals we kunnen zien in de volgende schermafbeeldingen, neemt het testverlies af en nemen de AUC en nauwkeurigheid toe met tijdperken.
Op basis van de visualisaties kunnen we nu een eindpunt bouwen voor de beste trainingstaak:
Nadat we het eindpunt hebben gebouwd, kunnen we de voorspeller testen door deze voorbeeldsensorlogboeken door te geven:
Gegeven de voorbeeldinvoergegevens is de voorspelde faalkans 34.60%.
Opruimen
Wanneer u klaar bent met deze oplossing, zorg er dan voor dat u alle ongewenste AWS-bronnen verwijdert. Op de Voorspellend onderhoud voor wagenparken pagina, onder Oplossing verwijderen, kiezen Alle bronnen verwijderen om alle bronnen te verwijderen die aan de oplossing zijn gekoppeld.
U moet eventuele extra resources die u mogelijk in dit notitieblok hebt gemaakt, handmatig verwijderen. Enkele voorbeelden zijn de extra S3-buckets (naar de standaardbucket van de oplossing) en de extra SageMaker-eindpunten (met een aangepaste naam).
Pas de oplossing aan
Onze oplossing is eenvoudig aan te passen. Raadpleeg voor het wijzigen van de invoergegevensvisualisaties sagemaker/3_data_visualization.ipynb. Raadpleeg voor meer informatie over het aanpassen van machine learning sagemaker/source/train.py en sagemaker/source/dl_utils/network.py. Raadpleeg voor meer informatie over het aanpassen van de verwerking van de gegevensset sagemaker/1_introductie.ipynb over het definiรซren van het configuratiebestand.
Bovendien kunt u de configuratie wijzigen in het configuratiebestand. De standaardconfiguratie is als volgt:
Het configuratiebestand heeft de volgende parameters:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
entest_dataset_fn
definieer de locatie van datasetbestandenvehicle_id_column
,timestamp_column
,target_column
enperiod_column
definieer de kopteksten voor kolommendataset_size
,chunksize
,processing_chunksize
,period_ms
enwindow_length
definieer de eigenschappen van de dataset
Conclusie
In dit bericht hebben we u laten zien hoe u een model traint en implementeert om de kans op uitval van het wagenpark te voorspellen met behulp van SageMaker JumpStart. De oplossing is gebaseerd op ML- en deep learning-modellen en maakt een breed scala aan invoergegevens mogelijk, inclusief alle in de tijd variรซrende sensorgegevens. Omdat elk voertuig een andere telemetrie heeft, kunt u het geleverde model afstemmen op de frequentie en het type gegevens dat u hebt.
Raadpleeg het volgende voor meer informatie over wat u kunt doen met SageMaker JumpStart:
Resources
Over de auteurs
Rajakumar Sampathkumar is een Principal Technical Account Manager bij AWS en biedt klanten begeleiding bij de afstemming van bedrijfstechnologie en ondersteunt de heruitvinding van hun cloud-operatiemodellen en -processen. Hij is gepassioneerd door cloud en machine learning. Raj is ook een machine learning-specialist en werkt samen met AWS-klanten om hun AWS-workloads en architecturen te ontwerpen, implementeren en beheren.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. Automotive / EV's, carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- BlockOffsets. Eigendom voor milieucompensatie moderniseren. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- : heeft
- :is
- ][P
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- Over
- boven
- toegang
- Volgens
- Account
- nauwkeurigheid
- over
- actieve
- activiteiten
- toevoegen
- administratief
- Na
- tegen
- opstelling
- Alles
- toestaat
- al
- ook
- Amazone
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- analyseren
- en
- elke
- gebruiken
- Solliciteer
- ZIJN
- gebieden
- AS
- toegewezen
- geassocieerd
- ervan uitgaan
- At
- automotive
- Beschikbaar
- vermijd
- AWS
- As
- terug
- gebaseerde
- Accu
- omdat
- vaardigheden
- BEST
- Blok
- lichaam
- boost
- zowel
- Breken
- bouw
- Gebouw
- by
- Bellen
- CAN
- Kan krijgen
- geval
- gevallen
- Cellen
- verandering
- Kies
- klasse
- klant
- Cloud
- Kolom
- Gemeen
- compleet
- componenten
- concept
- Configuratie
- gekoppeld blijven
- bestaande uit
- bestaat uit
- troosten
- bevat
- content
- Kosten
- kon
- deksel
- en je merk te creรซren
- aangemaakt
- kritisch
- Actueel
- gewoonte
- Klanten
- aan te passen
- dashboards
- gegevens
- Data voorbereiding
- data visualisatie
- Dalingen
- deep
- diepgaand leren
- Standaard
- definitie
- demonstratie
- demonstreert
- implementeren
- ingezet
- Design
- Bepalen
- Ontwikkeling
- anders
- weergegeven
- ontwrichten
- distributie
- do
- domein
- beneden
- uitvaltijd
- rit
- e
- elk
- anders
- eind tot eind
- Endpoint
- Motor
- verzekeren
- Milieu
- tijdperk
- tijdperken
- Alle
- voorbeeld
- voorbeelden
- Verken
- extra
- extract
- Storing
- vals
- Voordelen
- weinig
- Dien in
- afmaken
- Voornaam*
- VLOOT
- volgend
- volgt
- Voor
- vier
- Frequentie
- oppompen van
- vol
- functionaliteit
- voortbrengen
- gegenereerde
- generator
- krijgen
- gegeven
- glas
- GPU
- grafieken
- Groep
- leiding
- Hebben
- he
- headers
- hulp
- hier
- historisch
- Hoe
- How To
- HTML
- http
- HTTPS
- Naaf
- Optimalisatie van hyperparameters
- Hyperparameter afstemmen
- i
- identificeren
- if
- importeren
- verbeteren
- in
- omvatten
- inclusief
- omvat
- Inclusief
- Laat uw omzet
- industrieรซn
- informatie
- Infrastructuur
- eerste
- beginnen
- invoer
- instantie
- instructies
- geรฏntegreerde
- Interface
- in
- Introductie
- iot
- IT
- Jobomschrijving:
- Vacatures
- jpg
- json
- toetsen
- landing
- lancering
- lancering
- LEARN
- leren
- niveaus
- als
- laden
- lokaal
- plaats
- inloggen
- Kijk
- ziet eruit als
- uit
- machine
- machine learning
- onderhoud
- maken
- beheer
- management
- manager
- handmatig
- veel
- Maximaliseren
- Mei..
- gemiddelde
- mechanisch
- gaan
- Metriek
- minuten
- ML
- model
- modellen
- wijzigen
- meer
- beweging
- bewegend
- naam
- namen
- Noodzaak
- volgende
- notitieboekje
- notificatie
- meldingen
- nu
- aantal
- of
- aangeboden
- on
- EEN
- Slechts
- open
- operatie
- Operations
- optimalisatie
- Optimaliseer
- or
- OS
- Overige
- onze
- uit
- Resultaat
- geschetst
- over
- overzicht
- het te bezitten.
- pagina
- brood
- parameters
- deel
- Voorbijgaand
- hartstochtelijk
- pad
- periode
- Plato
- Plato gegevensintelligentie
- PlatoData
- dan
- Post
- voorspellen
- voorspeld
- het voorspellen van
- Voorspellingen
- predictor
- voorspelt
- voorbereiding
- Voorbereiden
- Voorbeschouwing
- vorig
- die eerder
- Principal
- probleem
- processen
- verwerking
- produktiviteit
- Profiel
- bewijs
- proof of concept voor
- vastgoed
- mits
- biedt
- het verstrekken van
- in het openbaar
- Python
- pytorch
- Quick
- willekeurige
- reeks
- klaar
- adviseren
- record
- opgenomen
- Rood
- verminderen
- regio
- reparatie
- Resources
- antwoord
- Resultaten
- terugkeer
- beoordelen
- Rol
- lopen
- lopend
- Veiligheid
- sagemaker
- Voorbeeldgegevensset
- scheduling
- screenshots
- scripts
- sectie
- zien
- verzendt
- verzonden
- -Series
- bedient
- Diensten
- Sessie
- reeks
- Sets
- verscheidene
- Bermuda's
- tonen
- vertoonde
- getoond
- Shows
- Gesigneerd
- gelijk
- Eenvoudig
- single
- ZES
- oplossing
- Oplossingen
- sommige
- bron
- specialist
- specifiek
- Stadium
- stadia
- gestart
- statistiek
- Stap voor
- Stappen
- mediaopslag
- shop
- studio
- volgend
- Ondersteuning
- zeker
- synthetisch
- system
- neemt
- Technisch
- technieken
- sjabloon
- templates
- proef
- dat
- De
- hun
- harte
- ding
- dit
- niet de tijd of
- Tijdreeksen
- tijdstempel
- naar
- samen
- Trainen
- getraind
- Trainingen
- proberen
- type dan:
- types
- voor
- ongewenste
- us
- .
- use case
- gebruikt
- Gebruiker
- gebruikers
- gebruik
- waarde
- Values
- variรซteit
- voertuig
- versie
- via
- visualisatie
- Voltage machine
- Voltage
- vs
- W
- we
- web
- webservices
- Wat
- wanneer
- welke
- breed
- Grote range
- wil
- Met
- binnen
- Mijn werk
- workflow
- Bedrijven
- X
- YAML
- jaar
- You
- Your
- zephyrnet