Konserwacja predykcyjna ma kluczowe znaczenie w przemyśle motoryzacyjnym, ponieważ pozwala uniknąć nagłych awarii mechanicznych i reaktywnych działań konserwacyjnych, które zakłócają działalność. Przewidując awarie pojazdów oraz planując konserwację i naprawy, ograniczysz przestoje, poprawisz bezpieczeństwo i zwiększysz poziom produktywności.
Co by było, gdybyśmy mogli zastosować techniki głębokiego uczenia się do wspólnych obszarów, które powodują awarie pojazdów, nieplanowane przestoje i koszty napraw?
W tym poście pokazujemy, jak wyszkolić i wdrożyć model do przewidywania prawdopodobieństwa awarii floty pojazdów Amazon SageMaker JumpStart. SageMaker Jumpstart to centrum uczenia maszynowego (ML). Amazon Sage Maker, udostępniając wstępnie wytrenowane, publicznie dostępne modele dla szerokiego zakresu typów problemów, które pomogą Ci rozpocząć pracę z uczeniem maszynowym. Rozwiązanie opisane w poście jest dostępne na GitHub.
Szablony rozwiązań SageMaker JumpStart
SageMaker JumpStart zapewnia kompleksowe rozwiązania jednym kliknięciem dla wielu typowych przypadków użycia ML. Zapoznaj się z poniższymi przypadkami użycia, aby uzyskać więcej informacji na temat dostępnych szablonów rozwiązań:
Szablony rozwiązań SageMaker JumpStart obejmują różne przypadki użycia, z których każdy oferuje kilka różnych szablonów rozwiązań (rozwiązanie w tym poście, Predictive Maintenance dla flot pojazdów, jest w Rozwiązania Sekcja). Wybierz szablon rozwiązania, który najlepiej pasuje do Twojego przypadku użycia ze strony docelowej SageMaker JumpStart. Aby uzyskać więcej informacji na temat konkretnych rozwiązań w każdym przypadku użycia oraz sposobu uruchamiania rozwiązania SageMaker JumpStart, patrz Szablony rozwiązań.
Omówienie rozwiązania
Rozwiązanie konserwacji zapobiegawczej AWS dla flot samochodowych stosuje techniki głębokiego uczenia się do wspólnych obszarów, które powodują awarie pojazdów, nieplanowane przestoje i koszty napraw. Służy jako początkowy element konstrukcyjny, dzięki któremu możesz przejść do weryfikacji koncepcji w krótkim czasie. To rozwiązanie zawiera funkcje przygotowania i wizualizacji danych w SageMaker i pozwala trenować i optymalizować hiperparametry modeli głębokiego uczenia się dla twojego zbioru danych. Możesz użyć własnych danych lub wypróbować rozwiązanie z syntetycznym zestawem danych w ramach tego rozwiązania. Ta wersja przetwarza dane z czujników pojazdu w czasie. Kolejna wersja będzie przetwarzać dane rejestru konserwacji.
Poniższy diagram pokazuje, w jaki sposób można użyć tego rozwiązania z komponentami SageMaker. W ramach rozwiązania wykorzystywane są następujące usługi:
- Amazon S3 - Używamy Usługa Amazon Simple Storage (Amazon S3) do przechowywania zestawów danych
- Notatnik SageMakera – Używamy notebooka do wstępnego przetwarzania i wizualizacji danych oraz do trenowania modelu głębokiego uczenia
- Punkt końcowy SageMaker – Używamy punktu końcowego do wdrożenia wytrenowanego modelu
Przepływ pracy obejmuje następujące kroki:
- Z Systemu Zarządzania Flotą tworzony jest wyciąg danych historycznych, zawierający dane pojazdu i logi czujników.
- Po przeszkoleniu modelu ML wdrażany jest artefakt modelu SageMaker.
- Podłączony pojazd wysyła dzienniki czujników do Rdzeń IoT AWS (alternatywnie przez interfejs HTTP).
- Dzienniki czujników są utrwalane za pośrednictwem Wąż strażacki Amazon Kinesis Data.
- Dzienniki czujników są wysyłane do AWS Lambda do wykonywania zapytań względem modelu w celu prognozowania.
- Lambda wysyła logi czujników do wnioskowania modelu Sagemaker w celu przewidywania.
- Przewidywania są utrzymywane w Amazonka Aurora.
- Zbiorcze wyniki są wyświetlane na Amazon QuickSight deska rozdzielcza.
- Powiadomienia w czasie rzeczywistym o przewidywanym prawdopodobieństwie awarii są wysyłane do Usługa prostego powiadomienia Amazon (Amazonskie SNS).
- Amazon SNS wysyła powiadomienia z powrotem do podłączonego pojazdu.
Rozwiązanie składa się z sześciu notebooków:
- 0_demo.ipynb – Szybki podgląd naszego rozwiązania
- 1_wprowadzenie.ipynb – Wprowadzenie i przegląd rozwiązań
- 2_data_preparation.ipynb – Przygotuj przykładowy zestaw danych
- 3_data_visualization.ipynb – Wizualizuj nasz przykładowy zestaw danych
- 4_model_training.ipynb – Wytrenuj model na naszym przykładowym zbiorze danych, aby wykrywać awarie
- 5_results_analytics.ipynb – Analizuj wyniki z wytrenowanego przez nas modelu
Wymagania wstępne
Studio Amazon SageMaker to zintegrowane środowisko programistyczne (IDE) w ramach SageMaker, które zapewnia nam wszystkie funkcje ML, których potrzebujemy, w jednej tafli szkła. Zanim będziemy mogli uruchomić SageMaker JumpStart, musimy skonfigurować SageMaker Studio. Możesz pominąć ten krok, jeśli masz już uruchomioną własną wersję SageMaker Studio.
Pierwszą rzeczą, którą musimy zrobić, zanim będziemy mogli korzystać z usług AWS, jest upewnienie się, że zarejestrowaliśmy się i utworzyliśmy konto AWS. Następnie tworzymy użytkownika administracyjnego i grupę. Aby uzyskać instrukcje dotyczące obu kroków, patrz Skonfiguruj wymagania wstępne Amazon SageMaker.
Następnym krokiem jest utworzenie domeny SageMaker. Domena konfiguruje całą przestrzeń dyskową i umożliwia dodawanie użytkowników w celu uzyskania dostępu do SageMaker. Aby uzyskać więcej informacji, patrz Na pokładzie do domeny Amazon SageMaker. To demo jest tworzone w regionie AWS us-east-1.
Na koniec uruchamiasz SageMaker Studio. W przypadku tego postu zalecamy uruchomienie aplikacji profilu użytkownika. Aby uzyskać instrukcje, patrz Uruchom Amazon SageMaker Studio.
Aby uruchomić to rozwiązanie SageMaker JumpStart i wdrożyć infrastrukturę na swoim koncie AWS, musisz utworzyć aktywną instancję SageMaker Studio (patrz Na pokładzie do Amazon SageMaker Studio). Gdy instancja będzie gotowa, skorzystaj z instrukcji w SageMaker Szybki start aby uruchomić rozwiązanie. Artefakty rozwiązania są w tym uwzględnione Repozytorium GitHub na przykład.
Uruchom rozwiązanie SageMaker Jumpstart
Aby rozpocząć korzystanie z rozwiązania, wykonaj następujące kroki:
- W konsoli SageMaker Studio wybierz Szybki start.
- Na Rozwiązania kartę, wybierz Predictive Maintenance dla flot pojazdów.
- Dodaj Premiera.
Wdrożenie rozwiązania zajmuje kilka minut. - Po wdrożeniu rozwiązania wybierz pozycję Otwórz notes.
Jeśli zostanie wyświetlony monit o wybranie jądra, wybierz PyTorch 1.8 Python 3.6 dla wszystkich notesów w tym rozwiązaniu.
Podgląd rozwiązania
Najpierw pracujemy nad 0_demo.ipynb
zeszyt. W tym notatniku możesz uzyskać szybki podgląd tego, jak będzie wyglądał wynik po wypełnieniu całego notatnika dla tego rozwiązania.
Dodaj run i Uruchom wszystkie komórki uruchomić wszystkie komórki w SageMaker Studio (lub Komórka i Uruchom wszystko w instancji notatnika SageMaker). Możesz uruchamiać wszystkie komórki w każdym notatniku jedna po drugiej. Upewnij się, że wszystkie komórki zakończyły przetwarzanie przed przejściem do następnego notatnika.
To rozwiązanie opiera się na pliku konfiguracyjnym do uruchamiania udostępnionych zasobów AWS. Plik generujemy w następujący sposób:
Mamy kilka przykładowych szeregów czasowych danych wejściowych składających się z napięcia akumulatora pojazdu i prądu akumulatora w czasie. Następnie ładujemy i wizualizujemy przykładowe dane. Jak pokazano na poniższych zrzutach ekranu, wartości napięcia i prądu znajdują się na osi Y, a odczyty (zarejestrowano 19 odczytów) na osi X.
Wcześniej trenowaliśmy model na podstawie tych danych dotyczących napięcia i prądu, który przewiduje prawdopodobieństwo awarii pojazdu, i wdrożyliśmy model jako punkt końcowy w SageMaker. Wywołamy ten punkt końcowy z przykładowymi danymi, aby określić prawdopodobieństwo niepowodzenia w następnym okresie.
Biorąc pod uwagę przykładowe dane wejściowe, przewidywane prawdopodobieństwo niepowodzenia wynosi % 45.73.
Aby przejść do następnego etapu, wybierz Kliknij tu by kontynuować.
Wprowadzenie i przegląd rozwiązań
Połączenia 1_introduction.ipynb
Notebook zawiera omówienie rozwiązania i etapów oraz wgląd w plik konfiguracyjny, który zawiera definicję zawartości, okres próbkowania danych, liczbę próbek szkoleniowych i testowych, parametry, lokalizację i nazwy kolumn dla wygenerowanej zawartości.
Po przejrzeniu tego notatnika możesz przejść do następnego etapu.
Przygotuj przykładowy zestaw danych
Przygotowujemy przykładowy zbiór danych w formacie 2_data_preparation.ipynb
notatnik.
Najpierw generujemy plik konfiguracyjny dla tego rozwiązania:
Właściwości konfiguracji są następujące:
Możesz zdefiniować własny zestaw danych lub użyć naszych skryptów do wygenerowania przykładowego zestawu danych:
Możesz połączyć dane z czujników i dane pojazdów flotowych:
Możemy teraz przejść do wizualizacji danych.
Wizualizuj nasz przykładowy zestaw danych
Wizualizujemy nasz przykładowy zestaw danych w 3_data_vizualization.ipynb
. To rozwiązanie opiera się na pliku konfiguracyjnym do uruchamiania udostępnionych zasobów AWS. Wygenerujmy plik podobny do poprzedniego notatnika.
Poniższy zrzut ekranu przedstawia nasz zbiór danych.
Następnie zbudujmy zestaw danych:
Teraz, gdy zestaw danych jest gotowy, zwizualizujmy statystyki danych. Poniższy zrzut ekranu przedstawia dystrybucję danych w oparciu o markę pojazdu, typ silnika, klasę pojazdu i model.
Porównując dane dziennika, spójrzmy na przykład średniego napięcia w różnych latach dla marek E i C (losowo).
Średnia napięcia i prądu znajduje się na osi Y, a liczba odczytów na osi X.
- Możliwe wartości parametru log_target: ['marka', 'model', 'year', 'vehicle_class', 'engine_type']
- Losowo przypisana wartość dla
log_target: make
- Losowo przypisana wartość dla
- Możliwe wartości dla log_target_value1: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Losowo przypisana wartość dla
log_target_value1: Make B
- Losowo przypisana wartość dla
- Możliwe wartości dla log_target_value2: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Losowo przypisana wartość dla
log_target_value2: Make D
- Losowo przypisana wartość dla
Na podstawie powyższego zakładamy log_target: make
, log_target_value1: Make B
i log_target_value2: Make D
Poniższe wykresy przedstawiają średnią danych dziennika.
Poniższe wykresy przedstawiają przykład różnych wartości dziennika czujnika w funkcji napięcia i prądu.
Wytrenuj model na naszym przykładowym zbiorze danych, aby wykrywać awarie
W 4_model_training.ipynb
notebook, trenujemy model na naszym przykładowym zbiorze danych, aby wykrywać awarie.
Wygenerujmy plik konfiguracyjny podobnie jak w poprzednim notatniku, a następnie przejdźmy do trenowania konfiguracji:
Przeanalizuj wyniki z modelu, który wytrenowaliśmy
W 5_results_analysis.ipynb
notebook, uzyskujemy dane z naszego zadania dostrajania hiperparametrów, wizualizujemy metryki wszystkich zadań, aby zidentyfikować najlepsze zadanie i budujemy punkt końcowy dla najlepszego zadania szkoleniowego.
Wygenerujmy plik konfiguracyjny podobnie jak w poprzednim notatniku i zwizualizujmy metryki wszystkich zadań. Poniższy wykres przedstawia dokładność testu w funkcji epoki.
Poniższy zrzut ekranu przedstawia zadania dostrajania hiperparametrów, które uruchomiliśmy.
Możesz teraz wizualizować dane z najlepszego zadania szkoleniowego (z czterech zadań szkoleniowych) na podstawie dokładności testu (kolor czerwony).
Jak widać na poniższych zrzutach ekranu, utrata testu maleje, a AUC i dokładność rosną wraz z epokami.
Na podstawie wizualizacji możemy teraz zbudować punkt końcowy dla najlepszego zadania szkoleniowego:
Po zbudowaniu punktu końcowego możemy przetestować predyktor, przekazując mu przykładowe logi czujnika:
Biorąc pod uwagę przykładowe dane wejściowe, przewidywane prawdopodobieństwo niepowodzenia wynosi 34.60%.
Sprzątać
Po zakończeniu korzystania z tego rozwiązania upewnij się, że usunąłeś wszystkie niechciane zasoby AWS. Na Predictive Maintenance dla flot pojazdów strona, pod Usuń rozwiązaniewybierz Usuń wszystkie zasoby aby usunąć wszystkie zasoby skojarzone z rozwiązaniem.
Musisz ręcznie usunąć wszelkie dodatkowe zasoby, które mogły zostać utworzone w tym notatniku. Niektóre przykłady obejmują dodatkowe zasobniki S3 (do zasobnika domyślnego rozwiązania) i dodatkowe punkty końcowe SageMaker (przy użyciu niestandardowej nazwy).
Dostosuj rozwiązanie
Nasze rozwiązanie jest łatwe do dostosowania. Aby zmodyfikować wizualizacje danych wejściowych, patrz sagemaker/3_data_visualization.ipynb. Aby dostosować uczenie maszynowe, zobacz sagemaker/source/train.py i sagemaker/source/dl_utils/network.py. Aby dostosować przetwarzanie zestawu danych, patrz sagemaker/1_introduction.ipynb jak zdefiniować plik konfiguracyjny.
Dodatkowo możesz zmienić konfigurację w pliku config. Domyślna konfiguracja jest następująca:
Plik konfiguracyjny ma następujące parametry:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
,test_dataset_fn
określić lokalizację plików zestawu danychvehicle_id_column
,timestamp_column
,target_column
,period_column
zdefiniuj nagłówki dla kolumndataset_size
,chunksize
,processing_chunksize
,period_ms
,window_length
zdefiniuj właściwości zestawu danych
Wnioski
W tym poście pokazaliśmy, jak trenować i wdrażać model do przewidywania prawdopodobieństwa awarii floty pojazdów za pomocą SageMaker JumpStart. Rozwiązanie opiera się na modelach ML i głębokiego uczenia się i umożliwia wprowadzanie szerokiej gamy danych wejściowych, w tym dowolnych zmiennych w czasie danych z czujników. Ponieważ każdy pojazd ma inną telemetrię, możesz dostosować dostarczony model do częstotliwości i rodzaju posiadanych danych.
Aby dowiedzieć się więcej o tym, co możesz zrobić z SageMaker JumpStart, zapoznaj się z poniższymi informacjami:
Zasoby
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.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Motoryzacja / pojazdy elektryczne, Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Przesunięcia bloków. Modernizacja własności offsetu środowiskowego. Dostęp tutaj.
- Źródło: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :ma
- :Jest
- ][P
- $W GÓRĘ
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- O nas
- powyżej
- dostęp
- Stosownie
- Konto
- precyzja
- w poprzek
- aktywny
- zajęcia
- Dodaj
- administracyjny
- Po
- przed
- wyrównanie
- Wszystkie kategorie
- pozwala
- już
- również
- Amazonka
- Amazon Sage Maker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- w czasie rzeczywistym sprawiają,
- i
- każdy
- Aplikacja
- Aplikuj
- SĄ
- obszary
- AS
- przydzielony
- powiązany
- założyć
- At
- motoryzacyjny
- dostępny
- uniknąć
- AWS
- Oś
- z powrotem
- na podstawie
- bateria
- bo
- zanim
- BEST
- Blokować
- ciało
- podnieść
- obie
- przerwa
- budować
- Budowanie
- by
- wezwanie
- CAN
- Może uzyskać
- walizka
- Etui
- Komórki
- zmiana
- Dodaj
- klasa
- klient
- Chmura
- Kolumna
- wspólny
- kompletny
- składniki
- pojęcie
- systemu
- połączony
- Składający się
- składa się
- Konsola
- zawiera
- zawartość
- Koszty:
- mógłby
- pokrywa
- Stwórz
- stworzony
- krytyczny
- Aktualny
- zwyczaj
- Klientów
- dostosować
- tablica rozdzielcza
- dane
- Przygotowywanie danych
- Wizualizacja danych
- Odrzuca
- głęboko
- głęboka nauka
- Domyślnie
- definicja
- próbny
- demonstruje
- rozwijać
- wdrażane
- Wnętrze
- Ustalać
- oprogramowania
- różne
- wystawiany
- Zakłócać
- 分配
- do
- domena
- na dół
- przestojów
- napęd
- e
- każdy
- więcej
- koniec końców
- Punkt końcowy
- silnik
- zapewnić
- Środowisko
- epoka
- epoki
- Każdy
- przykład
- przykłady
- odkryj
- dodatkowy
- wyciąg
- Brak
- fałszywy
- Korzyści
- kilka
- filet
- koniec
- i terminów, a
- FLOTA
- następujący
- następujący sposób
- W razie zamówieenia projektu
- cztery
- Częstotliwość
- od
- pełny
- Funkcjonalność
- Generować
- wygenerowane
- generator
- otrzymać
- dany
- szkło
- GPU
- wykresy
- Zarządzanie
- poradnictwo
- Have
- he
- headers
- pomoc
- tutaj
- historyczny
- W jaki sposób
- How To
- HTML
- http
- HTTPS
- Piasta
- Optymalizacja hiperparametrów
- Dostrajanie hiperparametrów
- i
- zidentyfikować
- if
- importować
- podnieść
- in
- zawierać
- włączony
- obejmuje
- Włącznie z
- Zwiększać
- przemysłowa
- Informacja
- Infrastruktura
- początkowy
- zainicjować
- wkład
- przykład
- instrukcje
- zintegrowany
- Interfejs
- najnowszych
- Wprowadzenie
- Internet przedmiotów
- IT
- Praca
- Oferty pracy
- jpg
- json
- Klawisze
- lądowanie
- uruchomić
- wodowanie
- UCZYĆ SIĘ
- nauka
- poziomy
- lubić
- załadować
- miejscowy
- lokalizacja
- log
- Popatrz
- wygląda jak
- od
- maszyna
- uczenie maszynowe
- konserwacja
- robić
- zarządzanie
- i konserwacjami
- kierownik
- ręcznie
- wiele
- Maksymalizuj
- Może..
- oznaczać
- mechaniczny
- Łączyć
- Metryka
- minut
- ML
- model
- modele
- modyfikować
- jeszcze
- ruch
- przeniesienie
- Nazwa
- Nazwy
- Potrzebować
- Następny
- notatnik
- powiadomienie
- Powiadomienia
- już dziś
- numer
- of
- oferowany
- on
- ONE
- tylko
- koncepcja
- działanie
- operacje
- optymalizacja
- Optymalizacja
- or
- OS
- Inne
- ludzkiej,
- na zewnątrz
- Wynik
- opisane
- koniec
- przegląd
- własny
- strona
- chleb
- parametry
- część
- Przechodzący
- namiętny
- ścieżka
- okres
- plato
- Analiza danych Platona
- PlatoDane
- Proszę
- Post
- przewidzieć
- Przewiduje
- przewidywanie
- Przewidywania
- Urządzenie prognozujące
- Prognozy
- przygotowanie
- Przygotować
- Podgląd
- poprzedni
- poprzednio
- Główny
- Problem
- wygląda tak
- procesów
- przetwarzanie
- wydajność
- Profil
- dowód
- dowód koncepcji
- niska zabudowa
- pod warunkiem,
- zapewnia
- że
- publicznie
- Python
- płomień
- Szybki
- przypadkowy
- zasięg
- gotowy
- polecić
- rekord
- nagrany
- Czerwony
- zmniejszyć
- region
- naprawa
- Zasoby
- odpowiedź
- Efekt
- powrót
- przeglądu
- Rola
- run
- bieganie
- Bezpieczeństwo
- sagemaker
- Przykładowy zbiór danych
- szeregowanie
- screeny
- skrypty
- Sekcja
- widzieć
- wysyła
- wysłany
- Serie
- służy
- Usługi
- Sesja
- zestaw
- Zestawy
- kilka
- Short
- pokazać
- pokazał
- pokazane
- Targi
- podpisana
- podobny
- Prosty
- pojedynczy
- SIX
- rozwiązanie
- Rozwiązania
- kilka
- Źródło
- specjalista
- specyficzny
- STAGE
- etapy
- rozpoczęty
- statystyka
- Ewolucja krok po kroku
- Cel
- przechowywanie
- sklep
- studio
- kolejny
- Wspierający
- pewnie
- syntetyczny
- system
- trwa
- Techniczny
- Techniki
- szablon
- Szablony
- test
- że
- Połączenia
- ich
- następnie
- rzecz
- to
- czas
- Szereg czasowy
- znak czasu
- do
- razem
- Pociąg
- przeszkolony
- Trening
- próbować
- rodzaj
- typy
- dla
- niepożądany
- us
- posługiwać się
- przypadek użycia
- używany
- Użytkownik
- Użytkownicy
- za pomocą
- wartość
- Wartości
- różnorodność
- pojazd
- wersja
- przez
- wyobrażanie sobie
- Wolt
- Napięcie
- vs
- W
- we
- sieć
- usługi internetowe
- Co
- jeśli chodzi o komunikację i motywację
- który
- szeroki
- Szeroki zasięg
- będzie
- w
- w ciągu
- Praca
- workflow
- działa
- X
- jamla
- lat
- You
- Twój
- zefirnet