Przewidywanie typowych awarii maszyn ma kluczowe znaczenie w przemyśle wytwórczym. Mając zestaw cech produktu, który jest powiązany z danym typem awarii, możesz opracować model, który może przewidzieć typ awarii podczas przekazywania tych atrybutów do modelu uczenia maszynowego (ML). ML może pomóc w uzyskaniu szczegółowych informacji, ale do tej pory potrzebni byli eksperci ML do tworzenia modeli do przewidywania typów awarii maszyn, których brak może opóźnić wszelkie działania naprawcze, których firmy potrzebują w celu zwiększenia wydajności lub poprawy.
W tym poście pokazujemy, jak analitycy biznesowi mogą zbudować model przewidywania typu awarii maszyny ML za pomocą Płótno Amazon SageMaker. Canvas zapewnia wizualny interfejs typu „wskaż i kliknij”, który umożliwia samodzielne budowanie modeli i generowanie dokładnych prognoz ML — bez konieczności korzystania z ML ani konieczności pisania pojedynczej linii kodu.
Omówienie rozwiązania
Załóżmy, że jesteś analitykiem biznesowym przydzielonym do zespołu utrzymania ruchu dużej organizacji produkcyjnej. Twój zespół serwisowy poprosił Cię o pomoc w przewidywaniu typowych awarii. Dostarczyli ci historyczny zbiór danych, który zawiera cechy związane z danym typem awarii i chcieliby, abyś przewidział, która awaria wystąpi w przyszłości. Typy awarii obejmują brak awarii, przeciążenie i awarie zasilania. Schemat danych znajduje się w poniższej tabeli.
Nazwa kolumny | DataType | Opis |
UID | INT | Unikalny identyfikator od 1 do 10,000 XNUMX |
ID produktu | STRING | Składa się z litery — L, M lub H oznaczającej niską, średnią lub wysoką — jako warianty jakości produktu oraz numer seryjny specyficzny dla wariantu |
rodzaj | STRING | Pierwsza litera powiązana z identyfikatorem produktu składająca się tylko z L, M lub H |
temperatura powietrza [K] | DZIESIĘTNY | Temperatura powietrza podana w kelwinach |
temperatura procesu [K] | DZIESIĘTNY | Precyzyjnie kontrolowane temperatury w celu zapewnienia jakości danego rodzaju produktu określonej w kelwinach |
prędkość obrotowa [obr/min] | DZIESIĘTNY | Prędkość obrotowa obiektu obracającego się wokół osi to liczba obrotów obiektu podzielona przez czas, wyrażona jako obroty na minutę |
moment obrotowy [Nm] | DZIESIĘTNY | Siła obracania maszyny przez promień, wyrażona w niutonometrach |
zużycie narzędzia [min] | INT | Zużycie narzędzia wyrażone w minutach |
typ awarii (cel) | STRING | Brak awarii, awaria zasilania lub awaria przeciążenia |
Po zidentyfikowaniu typu awarii firmy mogą podjąć wszelkie działania naprawcze. W tym celu wykorzystujesz dane, które posiadasz w pliku CSV, który zawiera określone cechy produktu przedstawione w tabeli. Używasz kanwy do wykonywania następujących czynności:
- Zaimportuj zestaw danych konserwacji.
- Trenuj i buduj model predykcyjnej konserwacji maszyn.
- Przeanalizuj wyniki modelu.
- Przetestuj prognozy względem modelu.
Wymagania wstępne
Administrator chmury z Konto AWS z odpowiednimi uprawnieniami jest wymagane do spełnienia następujących warunków wstępnych:
- Wdróż plik Amazon Sage Maker domena Aby uzyskać instrukcje, zobacz Na pokładzie do domeny Amazon SageMaker.
- Uruchom kanwę. Aby uzyskać instrukcje, zobacz Konfigurowanie i zarządzanie Amazon SageMaker Canvas (dla administratorów IT).
- Skonfiguruj zasady udostępniania zasobów między źródłami (CORS) dla kanwy. Aby uzyskać instrukcje, zobacz Daj swoim użytkownikom możliwość przesyłania plików lokalnych.
Importuj zbiór danych
Najpierw pobierz zbiór danych konserwacyjnych i przejrzyj plik, aby upewnić się, że są tam wszystkie dane.
Canvas udostępnia kilka przykładowych zestawów danych w Twojej aplikacji, aby ułatwić rozpoczęcie pracy. Aby dowiedzieć się więcej o przykładowych zestawach danych dostarczonych przez firmę SageMaker, z którymi możesz eksperymentować, zobacz Użyj przykładowych zbiorów danych. Jeśli używasz przykładowego zbioru danych (canvas-sample-maintenance.csv
) dostępne w kanwie, nie musisz importować zestawu danych konserwacji.
Do Canvas możesz importować dane z różnych źródeł danych. Jeśli planujesz używać własnego zbioru danych, wykonaj czynności opisane w Importowanie danych do Amazon SageMaker Canvas.
W tym poście używamy pełnego zestawu danych konserwacyjnych, który pobraliśmy.
- Zaloguj się do Konsola zarządzania AWS, używając konta z odpowiednimi uprawnieniami dostępu do kanwy.
- Zaloguj się do konsoli Canvas.
- Dodaj import.
- Dodaj Prześlij I wybierz opcję
maintenance_dataset.csv
plik. - Dodaj Importuj daty aby przesłać go do Canvas.
Proces importowania trwa około 10 sekund (może się to różnić w zależności od rozmiaru zestawu danych). Po zakończeniu możesz zobaczyć, że zbiór danych jest w Ready
stan.
Po potwierdzeniu, że importowany zestaw danych jest ready
, możesz stworzyć swój model.
Zbuduj i wytrenuj model
Aby utworzyć i wytrenować swój model, wykonaj następujące czynności:
- Dodaj Nowy modeli podaj nazwę swojego modelu.
- Dodaj Stwórz.
- Wybierz
maintenance_dataset.csv
zbiór danych i wybierz Wybierz zbiór danych.
W widoku modelu możesz zobaczyć cztery zakładki, które odpowiadają czterem krokom tworzenia modelu i używania go do generowania prognoz: Wybierz, Budować, Analizować, Przewiduj. - Na Wybierz zakładka, wybierz
maintenance_dataset.csv
zestaw danych, który przesłałeś wcześniej i wybrałeś Wybierz zbiór danych.
Ten zestaw danych zawiera 9 kolumn i 10,000 XNUMX wierszy. Canvas automatycznie przechodzi do fazy budowy. - Na tej zakładce wybierz kolumnę docelową, w naszym przypadku Rodzaj awarii.Zespół konserwacyjny poinformował Cię, że ta kolumna wskazuje typ awarii, które są zwykle obserwowane na podstawie danych historycznych z ich istniejących komputerów. To jest to, co chcesz wytrenować w swoim modelu do przewidywania. Canvas automatycznie wykrywa, że jest to 3 Kategoria problem (znany również jako klasyfikacja wieloklasowa). Jeśli zostanie wykryty niewłaściwy typ modelu, możesz go zmienić ręcznie za pomocą Zmień typ opcja.
Należy zauważyć, że ten zestaw danych jest wysoce niezrównoważony w kierunku klasy No Failure, co można zobaczyć, przeglądając kolumnę o nazwie Rodzaj awarii. Chociaż kanwa i podstawowe funkcje AutoML mogą częściowo obsługiwać nierównowagę zestawu danych, może to spowodować pewne zniekształcenia wydajności. Jako dodatkowy następny krok, zapoznaj się z Zrównoważ swoje dane do uczenia maszynowego dzięki Amazon SageMaker Data Wrangler. Postępując zgodnie z instrukcjami w udostępnionym łączu, możesz uruchomić Studio Amazon SageMaker aplikacji z konsoli SageMaker i zaimportuj ten zestaw danych w Pogromca danych Amazon SageMaker i użyj transformacji danych Saldo, a następnie przenieś zrównoważony zestaw danych z powrotem do kanwy i kontynuuj następujące kroki. W tym poście kontynuujemy pracę z niezrównoważonym zestawem danych, aby pokazać, że Canvas może również obsługiwać niezrównoważone zestawy danych.
W dolnej połowie strony możesz przejrzeć niektóre statystyki zestawu danych, w tym brakujące i niedopasowane wartości, unikalne wartości oraz wartości średnie i mediany. Możesz także usunąć niektóre kolumny, jeśli nie chcesz ich używać do przewidywania, po prostu odznaczając je.
Po zapoznaniu się z tą sekcją nadszedł czas na trenowanie modelu! Przed zbudowaniem kompletnego modelu dobrze jest mieć ogólne pojęcie o wydajności modelu przez uczenie szybkiego modelu. Szybki model szkoli mniej kombinacji modeli i hiperparametrów w celu nadania priorytetu szybkości nad dokładnością, szczególnie w przypadkach, gdy chcesz udowodnić wartość uczenia modelu ML dla przypadku użycia. Pamiętaj, że opcja szybkiego budowania nie jest dostępna dla modeli większych niż 50,000 XNUMX wierszy. - Dodaj Szybka budowa.
Teraz czekasz od 2 do 15 minut. Po zakończeniu Canvas automatycznie przenosi się do Analizować zakładka, aby pokazać wyniki szybkiego treningu. Analiza przeprowadzona za pomocą szybkiej budowy szacuje, że Twój model jest w stanie przewidzieć właściwy typ awarii (wynik) w 99.2% przypadków. Możesz doświadczyć nieco innych wartości. To jest oczekiwane.
Skupmy się na pierwszej karcie, Przegląd. To jest zakładka, która pokazuje Uderzenie kolumnylub szacowane znaczenie każdej kolumny w przewidywaniu kolumny docelowej. W tym przykładzie kolumny Moment obrotowy [Nm] i Prędkość obrotowa [obr./min] mają największy wpływ na przewidywanie rodzaju awarii.
Oceń wydajność modelu
Kiedy przenosisz się do Punktacja część analizy, możesz zobaczyć wykres przedstawiający rozkład naszych przewidywanych wartości w stosunku do wartości rzeczywistych. Zauważ, że większość niepowodzeń będzie należała do kategorii Brak awarii. Aby dowiedzieć się więcej o tym, jak Canvas korzysta z linii bazowych SHAP, aby zapewnić wyjaśnianie ML, zobacz Ocena wydajności Twojego modelu w Amazon SageMaker Canvas, jak również Podstawy SHAP dla wyjaśnialności.
Canvas dzieli oryginalny zestaw danych na zestawy do trenowania i walidacji przed szkoleniem. Ocena jest wynikiem uruchomienia przez Canvas zestawu walidacji względem modelu. Jest to interaktywny interfejs, w którym można wybrać typ awarii. Jeśli wybierzesz Awaria przeciążenia na grafice widać, że model identyfikuje te 84% czasu. Jest to wystarczająco dobre, aby podjąć działania — być może zlecić dalsze sprawdzenie operatorowi lub inżynierowi. Możesz wybrać Awaria zasilania na grafice, aby zobaczyć odpowiednią punktację do dalszej interpretacji i działań.
Możesz być zainteresowany typami awarii i tym, jak dobrze model przewiduje typy awarii na podstawie serii danych wejściowych. Aby bliżej przyjrzeć się wynikom, wybierz Zaawansowane metryki. Wyświetla to macierz, która pozwala dokładniej przyjrzeć się wynikom. W ML jest to określane jako matryca zamieszania.
Ta macierz domyślnie przyjmuje klasę dominate, No Failure. Na Klasa można wybrać wyświetlanie zaawansowanych metryk pozostałych dwóch typów awarii: Awaria przeciążenia i Awaria zasilania.
W ML dokładność modelu jest definiowana jako liczba poprawnych predykcji podzielona przez całkowitą liczbę predykcji. Niebieskie prostokąty reprezentują prawidłowe przewidywania, które model wykonał w odniesieniu do podzbioru danych testowych, w przypadku których istniał znany wynik. W tym miejscu interesuje nas, jaki procent czasu model przewidywał konkretny typ awarii maszyny (powiedzmy, Bez porażki), gdy jest to faktycznie ten typ awarii (Bez porażki). W ML stosunek używany do pomiaru to TP / (TP + FN). Jest to określane jako odwołanie. W przypadku domyślnym, No Failure, było 1,923 poprawnych prognoz z 1,926 wszystkich rekordów, co dało 99% odwołanie. Alternatywnie w klasie Overstrain Failure było 32 z 38, co daje 84% odwołanie. Wreszcie w klasie Awaria zasilania było 16 na 19, co daje 84% odwołanie.
Teraz masz dwie możliwości:
- Możesz użyć tego modelu do uruchomienia niektórych prognoz, wybierając Przewiduj.
- Możesz utworzyć nową wersję tego modelu, aby trenować z Wersja standardowa opcja. Potrwa to znacznie dłużej — około 1–2 godzin — ale zapewnia bardziej niezawodny model, ponieważ przechodzi przez pełny przegląd danych, algorytmów i iteracji dostrajania w trybie AutoML.
Ponieważ próbujesz przewidzieć awarie, a model przewiduje awarie poprawnie w 84% czasu, możesz śmiało użyć modelu do zidentyfikowania możliwych awarii. Możesz więc przejść do opcji 1. Jeśli nie masz pewności, możesz poprosić naukowca zajmującego się danymi, aby sprawdził modelowanie wykonane przez Canvas i zaproponował potencjalne ulepszenia za pomocą opcji 2.
Generuj prognozy
Teraz, gdy model jest wytrenowany, możesz zacząć generować prognozy.
- Dodaj Przewiduj na dole Analizować stronę lub wybierz Przewiduj patka.
- Dodaj Wybierz zbiór danychi wybierz
maintenance_dataset.csv
plik. - Dodaj Generuj prognozy.
Canvas używa tego zbioru danych do generowania naszych prognoz. Chociaż ogólnie dobrym pomysłem jest nieużywanie tego samego zestawu danych zarówno do uczenia, jak i testowania, w tym przypadku można użyć tego samego zestawu danych dla uproszczenia. Alternatywnie możesz usunąć niektóre rekordy z oryginalnego zestawu danych używanego do trenowania i użyć tych rekordów w pliku CSV i przekazać je do prognozy zbiorczej tutaj, aby nie używać tego samego zestawu danych do testowania po szkoleniu.
Po kilku sekundach prognoza jest kompletna. Canvas zwraca prognozę dla każdego wiersza danych oraz prawdopodobieństwo, że prognoza jest poprawna. Możesz wybrać Podgląd aby zobaczyć prognozy lub wybrać Do pobrania aby pobrać plik CSV zawierający pełne dane wyjściowe.
Możesz również wybrać przewidywanie wartości jedna po drugiej, wybierając Pojedyncza prognoza zamiast Przewidywanie partii. Kanwa przedstawia widok, w którym można ręcznie podać wartości dla każdej funkcji i wygenerować prognozę. Jest to idealne rozwiązanie w sytuacjach takich jak scenariusze „co, jeśli”, na przykład: Jak zużycie narzędzia wpływa na typ awarii? Co się stanie, jeśli temperatura procesu wzrośnie lub spadnie? Co się stanie, jeśli zmieni się prędkość obrotowa?
Wersja standardowa
Połączenia Wersja standardowa opcja wybiera dokładność zamiast szybkości. Jeśli chcesz udostępnić artefakty modelu swoim naukowcom zajmującym się danymi i inżynierom ML, możesz następnie utworzyć kompilację standardową.
- Dodaj Dodaj wersję
- Wybierz nową wersję i wybierz Wersja standardowa.
- Po utworzeniu standardowej kompilacji możesz udostępnić model analitykom danych i inżynierom ML w celu dalszej oceny i iteracji.
Sprzątać
Aby uniknąć ponoszenia przyszłości opłaty za sesję, wyloguj się z kanwy.
Wnioski
W tym poście pokazaliśmy, jak analityk biznesowy może stworzyć model przewidywania typu awarii maszyny za pomocą Canvas przy użyciu danych konserwacyjnych. Canvas umożliwia analitykom biznesowym, takim jak inżynierowie niezawodności, tworzenie dokładnych modeli ML i generowanie prognoz przy użyciu interfejsu wizualnego typu „wskaż i kliknij” bez kodu. Analitycy mogą przenieść to na wyższy poziom, udostępniając swoje modele współpracownikom zajmującym się danymi. Analitycy danych mogą wyświetlać model Canvas w programie Studio, gdzie mogą badać wybory dokonane przez kanwę, weryfikować wyniki modelu, a nawet kilkoma kliknięciami wprowadzać model do produkcji. Może to przyspieszyć tworzenie wartości w oparciu o ML i pomóc w szybszym skalowaniu lepszych wyników.
Aby dowiedzieć się więcej o korzystaniu z Canvas, zobacz Buduj, udostępniaj, wdrażaj: jak analitycy biznesowi i analitycy danych osiągają szybszy czas wprowadzania produktów na rynek, korzystając z bezkodowej ML i Amazon SageMaker Canvas. Aby uzyskać więcej informacji na temat tworzenia modeli ML za pomocą rozwiązania bez kodu, zobacz Przedstawiamy Amazon SageMaker Canvas — wizualną możliwość uczenia maszynowego bez kodu dla analityków biznesowych.
O autorach
Rajakumar Sampathkumar jest głównym kierownikiem ds. kont technicznych w AWS, udzielając klientom wskazówek dotyczących dostosowania technologii biznesowych i wspierających na nowo modele i procesy operacyjne w chmurze. Pasjonuje się chmurą i uczeniem maszynowym. Raj jest również specjalistą od uczenia maszynowego i współpracuje z klientami AWS przy projektowaniu, wdrażaniu i zarządzaniu ich obciążeniami i architekturami AWS.
Twanna Atkinsa jest starszym architektem rozwiązań dla Amazon Web Services. Jest odpowiedzialny za współpracę z klientami z sektora rolnictwa, handlu detalicznego i produkcji w celu identyfikacji problemów biznesowych i pracy wstecz w celu zidentyfikowania wykonalnych i skalowalnych rozwiązań technicznych. Twann pomaga klientom planować i migrować krytyczne obciążenia od ponad 10 lat, koncentrując się ostatnio na demokratyzacji analiz, sztucznej inteligencji i uczeniu maszynowym dla klientów i konstruktorów jutra.
Omkara Mukadama jest architekturą rozwiązań Edge Specialist w Amazon Web Services. Obecnie koncentruje się na rozwiązaniach, które umożliwiają klientom komercyjnym efektywne projektowanie, budowanie i skalowanie z ofertą usług AWS Edge, która obejmuje między innymi rodzinę AWS Snow.
- Coinsmart. Najlepsza w Europie giełda bitcoinów i kryptowalut.
- Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. DARMOWY DOSTĘP.
- CryptoJastrząb. Radar Altcoin. Bezpłatna wersja próbna.
- Źródło: 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
- zdolność
- O nas
- przyśpieszyć
- dostęp
- Konto
- dokładny
- Osiągać
- Działania
- działania
- Dodatkowy
- Admin
- Administratorzy
- zaawansowany
- przed
- rolnictwo
- Algorytmy
- Wszystkie kategorie
- pozwala
- Chociaż
- Amazonka
- Amazon Web Services
- analizować
- analiza
- analityk
- analityka
- nigdzie
- Aplikacja
- Zastosowanie
- właściwy
- w przybliżeniu
- architektura
- na około
- sztuczny
- sztuczna inteligencja
- Sztuczna inteligencja i uczenie maszynowe
- przydzielony
- powiązany
- atrybuty
- automatycznie
- dostępny
- AWS
- Oś
- bo
- zanim
- jest
- większe
- granica
- przynieść
- budować
- Budowanie
- biznes
- biznes
- brezentowy
- możliwości
- walizka
- Etui
- Kategoria
- pewien
- zmiana
- wybory
- Dodaj
- klasa
- bliższy
- Chmura
- kod
- koledzy
- Kolumna
- kombinacje
- handlowy
- wspólny
- kompletny
- pewność
- Konsola
- zawiera
- kontynuować
- mógłby
- Stwórz
- Tworzenie
- tworzenie
- krytyczny
- Obecnie
- Klientów
- dane
- naukowiec danych
- opóźnienie
- W zależności
- rozwijać
- Wnętrze
- wykryte
- rozwijać
- ZROBIŁ
- różne
- wyświetlacze
- 分配
- domena
- pobieranie
- Spadek
- każdy
- krawędź
- faktycznie
- Umożliwia
- inżynier
- Inżynierowie
- szczególnie
- szacunkowa
- Szacunki
- oceniać
- ewaluację
- przykład
- Przede wszystkim system został opracowany
- spodziewany
- doświadczenie
- eksperyment
- eksperci
- odkryj
- wyrażone
- Brak
- członków Twojej rodziny
- szybciej
- Cecha
- i terminów, a
- Skupiać
- koncentruje
- obserwuj
- następujący
- od
- pełny
- dalej
- przyszłość
- Ogólne
- ogólnie
- Generować
- generujący
- dobry
- uchwyt
- mający
- pomoc
- pomoc
- tutaj
- wysoko
- historyczny
- W jaki sposób
- HTTPS
- pomysł
- idealny
- zidentyfikować
- Rezultat
- znaczenie
- ulepszony
- poprawa
- zawierać
- obejmuje
- Włącznie z
- przemysłowa
- Informacja
- poinformowany
- spostrzeżenia
- Inteligencja
- interaktywne
- zainteresowany
- Interfejs
- interpretacja
- IT
- znany
- duży
- uruchomić
- UCZYĆ SIĘ
- nauka
- poziom
- Ograniczony
- Linia
- LINK
- Katalogowany
- miejscowy
- Popatrz
- maszyna
- uczenie maszynowe
- maszyny
- zrobiony
- konserwacja
- robić
- zarządzanie
- i konserwacjami
- kierownik
- zarządzający
- ręcznie
- produkcja
- Matrix
- zmierzyć
- średni
- Metryka
- ML
- model
- modele
- jeszcze
- większość
- ruch
- Następny
- zauważyć
- numer
- oferta
- Oferty
- działanie
- operator
- Option
- Opcje
- zamówienie
- organizacja
- oryginalny
- Inne
- ogólny
- własny
- szczególny
- namiętny
- procent
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- spektakle
- faza
- polityka
- możliwy
- potencjał
- power
- praktyka
- przewidzieć
- przepowiednia
- Przewidywania
- Główny
- Problem
- problemy
- wygląda tak
- procesów
- Produkt
- Jakość produktu
- Produkcja
- zapewniać
- pod warunkiem,
- zapewnia
- że
- jakość
- Szybki
- nośny
- niedawny
- dokumentacja
- reprezentować
- reprezentowanie
- wymagany
- Zasób
- odpowiedzialny
- Efekt
- detaliczny
- powraca
- przeglądu
- run
- bieganie
- taki sam
- skalowalny
- Skala
- Naukowiec
- Naukowcy
- punktacji
- sekund
- seryjny
- Serie
- usługa
- Usługi
- zestaw
- kilka
- Share
- shared
- dzielenie
- pokazać
- znaczący
- pojedynczy
- Rozmiar
- śnieg
- So
- solidny
- rozwiązanie
- Rozwiązania
- kilka
- specjalista
- prędkość
- Dzieli
- standard
- początek
- rozpoczęty
- statystyka
- Rynek
- studio
- Wspierający
- cel
- zespół
- Techniczny
- test
- Testowanie
- Połączenia
- Przez
- Związany
- czas
- jutro
- narzędzie
- w kierunku
- Trening
- pociągi
- Transformacja
- typy
- zazwyczaj
- wyjątkowy
- posługiwać się
- Użytkownicy
- uprawomocnienie
- wartość
- wersja
- Zobacz i wysłuchaj
- czekać
- sieć
- usługi internetowe
- Co
- w ciągu
- pracujący
- działa
- by
- lat
- Twój