Prever tipos comuns de falhas de máquinas é fundamental nas indústrias de manufatura. Dado um conjunto de características de um produto que está vinculado a um determinado tipo de falha, você pode desenvolver um modelo que possa prever o tipo de falha ao alimentar esses atributos em um modelo de aprendizado de máquina (ML). O ML pode ajudar com insights, mas até agora você precisava de especialistas em ML para criar modelos para prever os tipos de falhas de máquina, cuja falta poderia atrasar quaisquer ações corretivas que as empresas precisassem para obter eficiência ou melhoria.
Nesta postagem, mostramos como os analistas de negócios podem criar um modelo de ML de previsão de tipo de falha de máquina com Tela do Amazon SageMaker. O Canvas fornece uma interface visual de apontar e clicar que permite criar modelos e gerar previsões precisas de ML por conta própria, sem exigir nenhuma experiência em ML ou escrever uma única linha de código.
Visão geral da solução
Vamos supor que você seja um analista de negócios designado para uma equipe de manutenção de uma grande organização de manufatura. Sua equipe de manutenção pediu que você ajudasse na previsão de falhas comuns. Eles forneceram a você um conjunto de dados histórico que contém características vinculadas a um determinado tipo de falha e gostaria que você previsse qual falha ocorrerá no futuro. Os tipos de falha incluem Sem Falha, Sobretensão e Falhas de Energia. O esquema de dados está listado na tabela a seguir.
Nome da coluna | Tipo de dados | Descrição |
UID | INT | Identificador exclusivo variando de 1 a 10,000 |
ID do produto | STRING | Consistindo em uma letra – L, M ou H para baixa, média ou alta – como variantes de qualidade do produto e um número de série específico da variante |
tipo | STRING | Letra inicial associada ao productID que consiste apenas em L, M ou H |
temperatura do ar [K] | DECIMAL | Temperatura do ar especificada em kelvin |
temperatura do processo [K] | DECIMAL | Temperaturas precisamente controladas para garantir a qualidade de um determinado tipo de produto especificado em kelvin |
velocidade de rotação [rpm] | DECIMAL | A velocidade de rotação de um objeto girando em torno de um eixo é o número de voltas do objeto dividido pelo tempo, especificado como revoluções por minuto |
binário [Nm] | DECIMAL | Força de giro da máquina através de um raio, expressa em newton metros |
desgaste da ferramenta [min] | INT | Desgaste da ferramenta expresso em minutos |
tipo de falha (alvo) | STRING | Sem falha, falha de energia ou falha de sobretensão |
Depois que o tipo de falha é identificado, as empresas podem tomar as ações corretivas. Para fazer isso, você usa os dados que possui em um arquivo CSV, que contém determinadas características de um produto, conforme descrito na tabela. Você usa o Canvas para executar as seguintes etapas:
- Importe o conjunto de dados de manutenção.
- Treine e construa o modelo de manutenção preditiva de máquinas.
- Analise os resultados do modelo.
- Teste as previsões em relação ao modelo.
Pré-requisitos
Um administrador de nuvem com um Conta da AWS com as permissões apropriadas é necessário para concluir os seguintes pré-requisitos:
- Implantar um Amazon Sage Maker domínio Para obter instruções, consulte Integrado ao domínio do Amazon SageMaker.
- Lançar tela. Para obter instruções, consulte Configuração e gerenciamento do Amazon SageMaker Canvas (para administradores de TI).
- Configure as políticas de compartilhamento de recursos entre origens (CORS) para o Canvas. Para obter instruções, consulte Dê aos seus usuários a capacidade de fazer upload de arquivos locais.
Importar o conjunto de dados
Primeiro, baixe o conjunto de dados de manutenção e revise o arquivo para garantir que todos os dados estejam lá.
O Canvas fornece vários conjuntos de dados de amostra em seu aplicativo para ajudá-lo a começar. Para saber mais sobre os conjuntos de dados de amostra fornecidos pelo SageMaker com os quais você pode experimentar, consulte Usar conjuntos de dados de amostra. Se você usar o conjunto de dados de amostra (canvas-sample-maintenance.csv
) disponível no Canvas, você não precisa importar o conjunto de dados de manutenção.
Você pode importar dados de diferentes fontes de dados para o Canvas. Se você planeja usar seu próprio conjunto de dados, siga as etapas em Importando dados no Amazon SageMaker Canvas.
Para esta postagem, usamos o conjunto de dados de manutenção completo que baixamos.
- Entre no Console de gerenciamento da AWS, usando uma conta com as permissões apropriadas para acessar o Canvas.
- Faça login no console do Canvas.
- Escolha importação.
- Escolha Escolher arquivo e selecione o
maintenance_dataset.csv
arquivo. - Escolha Datas de importação para carregá-lo no Canvas.
O processo de importação leva aproximadamente 10 segundos (isso pode variar dependendo do tamanho do conjunto de dados). Quando estiver concluído, você verá que o conjunto de dados está em Ready
estado.
Depois de confirmar que o conjunto de dados importado está ready
, você pode criar seu modelo.
Construir e treinar o modelo
Para criar e treinar seu modelo, conclua as etapas a seguir:
- Escolha novo modeloe forneça um nome para seu modelo.
- Escolha Crie.
- Selecione os
maintenance_dataset.csv
conjunto de dados e escolha Selecione o conjunto de dados.
Na visualização do modelo, você pode ver quatro guias, que correspondem às quatro etapas para criar um modelo e usá-lo para gerar previsões: Selecionar, Construa, Analise e Prever. - No Selecionar guia, selecione o
maintenance_dataset.csv
conjunto de dados que você carregou anteriormente e escolha Selecione o conjunto de dados.
Este conjunto de dados inclui 9 colunas e 10,000 linhas. O Canvas se move automaticamente para a fase de construção. - Nesta guia, escolha a coluna de destino, no nosso caso Tipo de falha.A equipe de manutenção informou que esta coluna indica o tipo de falhas normalmente observadas com base em dados históricos de suas máquinas existentes. Isso é o que você deseja treinar seu modelo para prever. O Canvas detecta automaticamente que este é um Categoria 3 problema (também conhecido como classificação multiclasse). Se o tipo de modelo errado for detectado, você pode alterá-lo manualmente com o Alterar tipo opção.
Deve-se notar que este conjunto de dados é altamente desequilibrado em relação à classe No Failure, que pode ser vista visualizando a coluna denominada Tipo de falha. Embora o Canvas e os recursos subjacentes do AutoML possam lidar parcialmente com o desequilíbrio do conjunto de dados, isso pode resultar em alguns desempenhos distorcidos. Como um próximo passo adicional, consulte Equilibre seus dados para machine learning com o Amazon SageMaker Data Wrangler. Seguindo as etapas no link compartilhado, você pode iniciar um Estúdio Amazon SageMaker app do console do SageMaker e importe esse conjunto de dados dentro Gerenciador de dados do Amazon SageMaker e use a transformação de dados Balanceado, então leve o conjunto de dados balanceado de volta ao Canvas e continue as etapas a seguir. Estamos prosseguindo com o conjunto de dados desequilibrado neste post para mostrar que o Canvas também pode lidar com conjuntos de dados desequilibrados.
Na metade inferior da página, você pode ver algumas das estatísticas do conjunto de dados, incluindo valores ausentes e incompatíveis, valores únicos e valores médios e medianos. Você também pode descartar algumas das colunas se não quiser usá-las para a previsão simplesmente desmarcando-as.
Depois de explorar esta seção, é hora de treinar o modelo! Antes de construir um modelo completo, é uma boa prática ter uma ideia geral sobre o desempenho do modelo treinando um Modelo Rápido. Um modelo rápido treina menos combinações de modelos e hiperparâmetros para priorizar a velocidade sobre a precisão, especialmente nos casos em que você deseja provar o valor de treinar um modelo de ML para seu caso de uso. Observe que a opção de compilação rápida não está disponível para modelos com mais de 50,000 linhas. - Escolha Construção rápida.
Agora você espera de 2 a 15 minutos. Uma vez feito, o Canvas se move automaticamente para o Analise guia para mostrar os resultados do treinamento rápido. A análise realizada usando a construção rápida estima que seu modelo é capaz de prever o tipo de falha correto (resultado) 99.2% das vezes. Você pode experimentar valores ligeiramente diferentes. Isso é esperado.
Vamos nos concentrar na primeira guia, Visão geral. Esta é a guia que mostra o Impacto da coluna, ou a importância estimada de cada coluna na previsão da coluna de destino. Neste exemplo, as colunas Torque [Nm] e Rotational speed [rpm] têm o impacto mais significativo na previsão do tipo de falha que ocorrerá.
Avalie o desempenho do modelo
Quando você se move para o Marcar parte de sua análise, você pode ver um gráfico representando a distribuição de nossos valores previstos em relação aos valores reais. Observe que a maioria das falhas estará dentro da categoria Sem Falha. Para saber mais sobre como o Canvas usa linhas de base SHAP para trazer explicabilidade ao ML, consulte Avaliando o desempenho do seu modelo no Amazon SageMaker Canvas, assim como Linhas de base SHAP para explicabilidade.
O Canvas divide o conjunto de dados original em conjuntos de treinamento e validação antes do treinamento. A pontuação é resultado do Canvas executando o conjunto de validação em relação ao modelo. Esta é uma interface interativa onde você pode selecionar o tipo de falha. Se você escolher Falha de sobretensão no gráfico, você pode ver que o modelo identifica esses 84% das vezes. Isso é bom o suficiente para agir - talvez um operador ou engenheiro verifique mais. Você pode escolher Falha de energia no gráfico para ver a respectiva pontuação para posterior interpretação e ações.
Você pode estar interessado em tipos de falha e quão bem o modelo prevê tipos de falha com base em uma série de entradas. Para ver mais de perto os resultados, escolha Métricas avançadas. Isso exibe uma matriz que permite examinar mais de perto os resultados. No ML, isso é chamado de matriz de confusão.
Esta matriz padroniza para a classe dominante, Sem Falha. No Aula menu, você pode optar por visualizar as métricas avançadas dos outros dois tipos de falha de Overstrain Failure e Power Failure.
No ML, a precisão do modelo é definida como o número de previsões corretas dividido pelo número total de previsões. As caixas azuis representam as previsões corretas que o modelo fez em relação a um subconjunto de dados de teste em que havia um resultado conhecido. Aqui estamos interessados em qual porcentagem do tempo o modelo previu um tipo de falha de máquina em particular (digamos Sem falha) quando é realmente esse tipo de falha (Sem falha). No ML, uma razão usada para medir isso é TP / (TP + FN). Isto é referido como recordar. No caso padrão, Sem Falha, houve 1,923 previsões corretas de 1,926 registros gerais, o que resultou em 99% recordar. Alternativamente, na classe de Overstrain Failure, foram 32 de 38, o que resulta em 84% recordar. Por fim, na classe de Falha de Energia, foram 16 de 19, o que resulta em 84% recordar.
Agora, você tem duas opções:
- Você pode usar este modelo para executar algumas previsões escolhendo Prever.
- Você pode criar uma nova versão deste modelo para treinar com o Versão padrão opção. Isso levará muito mais tempo, cerca de 1 a 2 horas, mas fornece um modelo mais robusto porque passa por uma revisão completa do AutoML de dados, algoritmos e iterações de ajuste.
Como você está tentando prever falhas e o modelo prevê falhas corretamente em 84% das vezes, você pode usar o modelo com confiança para identificar possíveis falhas. Portanto, você pode prosseguir para a opção 1. Se você não estiver confiante, poderá pedir a um cientista de dados para revisar a modelagem que o Canvas fez e oferecer possíveis melhorias por meio da opção 2.
Gerar previsões
Agora que o modelo está treinado, você pode começar a gerar previsões.
- Escolha Prever na parte inferior do Analise página ou escolha a Prever aba.
- Escolha Selecione o conjunto de dadose escolha o
maintenance_dataset.csv
arquivo. - Escolha Gerar previsões.
O Canvas usa esse conjunto de dados para gerar nossas previsões. Embora geralmente seja uma boa ideia não usar o mesmo conjunto de dados para treinamento e teste, você pode usar o mesmo conjunto de dados para simplificar neste caso. Como alternativa, você pode remover alguns registros do conjunto de dados original que usa para treinamento e usar esses registros em um arquivo CSV e alimentá-los para a previsão em lote aqui para não usar o mesmo conjunto de dados para testar pós-treinamento.
Após alguns segundos, a previsão está concluída. O Canvas retorna uma previsão para cada linha de dados e a probabilidade de a previsão estar correta. Você pode escolher visualização para ver as previsões ou escolha Baixar para baixar um arquivo CSV contendo a saída completa.
Você também pode optar por prever um por um valores escolhendo Previsão única em vez de Previsão de lote. O Canvas mostra uma visualização onde você pode fornecer os valores para cada recurso manualmente e gerar uma previsão. Isso é ideal para situações como cenários hipotéticos, por exemplo: Como o desgaste da ferramenta afeta o tipo de falha? E se a temperatura do processo aumentar ou diminuir? E se a velocidade de rotação mudar?
Versão padrão
A Versão padrão opção escolhe a precisão sobre a velocidade. Se você quiser compartilhar os artefatos do modelo com seu cientista de dados e engenheiros de ML, poderá criar uma compilação padrão em seguida.
- Escolha Adicionar versão
- Escolha uma nova versão e escolha Versão padrão.
- Depois de criar uma compilação padrão, você pode compartilhar o modelo com cientistas de dados e engenheiros de ML para avaliação e iteração adicionais.
limpar
Para evitar incorrer no futuro cobranças de sessão, saia do Canvas.
Conclusão
Neste post, mostramos como um analista de negócios pode criar um modelo de previsão de tipo de falha de máquina com o Canvas usando dados de manutenção. O Canvas permite que analistas de negócios, como engenheiros de confiabilidade, criem modelos de ML precisos e gerem previsões usando uma interface sem código, visual e de apontar e clicar. Os analistas podem levar isso para o próximo nível compartilhando seus modelos com colegas cientistas de dados. Os cientistas de dados podem visualizar o modelo do Canvas no Studio, onde podem explorar as escolhas que o Canvas fez, validar os resultados do modelo e até mesmo levar o modelo para produção com apenas alguns cliques. Isso pode acelerar a criação de valor com base em ML e ajudar a dimensionar resultados aprimorados mais rapidamente.
Para saber mais sobre como usar o Canvas, consulte Crie, compartilhe, implante: como analistas de negócios e cientistas de dados alcançam um time-to-market mais rápido usando ML sem código e Amazon SageMaker Canvas. Para obter mais informações sobre como criar modelos de ML com uma solução sem código, consulte Anunciando o Amazon SageMaker Canvas – um recurso de aprendizado de máquina visual e sem código para analistas de negócios.
Sobre os autores
Rajakumar Sampathkumar é gerente técnico principal de contas da AWS, fornecendo orientação aos clientes sobre o alinhamento de tecnologia de negócios e apoiando a reinvenção de seus modelos e processos de operação em nuvem. Ele é apaixonado por nuvem e aprendizado de máquina. Raj também é especialista em machine learning e trabalha com clientes da AWS para projetar, implantar e gerenciar suas cargas de trabalho e arquiteturas da AWS.
Twann Atkins é arquiteto de soluções sênior da Amazon Web Services. Ele é responsável por trabalhar com clientes de Agricultura, Varejo e Manufatura para identificar problemas de negócios e trabalhar de trás para frente para identificar soluções técnicas viáveis e escaláveis. A Twann ajuda os clientes a planejar e migrar cargas de trabalho críticas há mais de 10 anos, com foco recente na democratização de análises, inteligência artificial e aprendizado de máquina para clientes e construtores de amanhã.
Omkar Mukadam é um especialista em arquitetura de soluções de borda na Amazon Web Services. Atualmente, ele se concentra em soluções que permitem que os clientes comerciais projetem, construam e dimensionem com eficiência as ofertas de serviço AWS Edge, que incluem, mas não se limitam à AWS Snow Family.
- Coinsmart. A melhor troca de Bitcoin e criptografia da Europa.
- Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. ACESSO LIVRE.
- CryptoHawk. Radar Altcoin. Teste grátis.
- Fonte: 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
- habilidade
- Sobre
- acelerar
- Acesso
- Conta
- preciso
- Alcançar
- Açao Social
- ações
- Adicional
- admin
- administradores
- avançado
- contra
- agricultura
- algoritmos
- Todos os Produtos
- permite
- Apesar
- Amazon
- Amazon Web Services
- análise
- análise
- analista
- analítica
- qualquer lugar
- app
- Aplicação
- apropriado
- aproximadamente
- arquitetura
- por aí
- artificial
- inteligência artificial
- Inteligência Artificial e Aprendizado de Máquinas
- atribuído
- associado
- atributos
- automaticamente
- disponível
- AWS
- eixo
- Porque
- antes
- ser
- maior
- fronteira
- trazer
- construir
- Prédio
- negócio
- negócios
- lona
- capacidades
- casas
- casos
- Categoria
- certo
- alterar
- escolhas
- Escolha
- classe
- mais próximo
- Na nuvem
- código
- colegas
- Coluna
- combinações
- comercial
- comum
- completar
- confiante
- cônsul
- contém
- continuar
- poderia
- crio
- Criar
- criação
- crítico
- Atualmente
- Clientes
- dados,
- cientista de dados
- atraso
- Dependendo
- implantar
- Design
- detectou
- desenvolver
- DID
- diferente
- monitores
- distribuição
- domínio
- download
- Cair
- cada
- borda
- efetivamente
- permite
- engenheiro
- Engenheiros
- especialmente
- estimado
- estimativas
- avaliar
- avaliação
- exemplo
- existente
- esperado
- vasta experiência
- experimentar
- especialistas
- explorar
- expressa
- Falha
- família
- mais rápido
- Característica
- Primeiro nome
- Foco
- concentra-se
- seguir
- seguinte
- da
- cheio
- mais distante
- futuro
- Geral
- geralmente
- gerar
- gerando
- Bom estado, com sinais de uso
- manipular
- ter
- ajudar
- ajuda
- SUA PARTICIPAÇÃO FAZ A DIFERENÇA
- altamente
- histórico
- Como funciona o dobrador de carta de canal
- HTTPS
- idéia
- ideal
- identificar
- Impacto
- importância
- melhorado
- melhoria
- incluir
- inclui
- Incluindo
- indústrias
- INFORMAÇÕES
- informado
- insights
- Inteligência
- interativo
- interessado
- Interface
- interpretação
- IT
- conhecido
- grande
- lançamento
- APRENDER
- aprendizagem
- Nível
- Limitado
- Line
- LINK
- Listado
- local
- olhar
- máquina
- aprendizado de máquina
- máquinas
- moldadas
- manutenção
- fazer
- gerencia
- de grupos
- Gerente
- gestão
- manualmente
- fabrica
- Matriz
- a medida
- média
- Métrica
- ML
- modelo
- modelos
- mais
- a maioria
- mover
- Próximo
- notado
- número
- oferecer
- Ofertas
- operação
- operador
- Opção
- Opções
- ordem
- organização
- original
- Outros
- global
- próprio
- particular
- apaixonado
- percentagem
- atuação
- performances
- fase
- políticas
- possível
- potencial
- poder
- prática
- predizer
- predição
- Previsões
- Diretor
- Problema
- problemas
- processo
- processos
- Produto
- Qualidade do produto
- Produção
- fornecer
- fornecido
- fornece
- fornecendo
- qualidade
- Links
- variando
- recentemente
- registros
- representar
- representando
- requeridos
- recurso
- responsável
- Resultados
- varejo
- Retorna
- rever
- Execute
- corrida
- mesmo
- escalável
- Escala
- Cientista
- cientistas
- marcar
- segundo
- serial
- Série
- serviço
- Serviços
- conjunto
- vários
- Partilhar
- compartilhado
- compartilhando
- mostrar
- periodo
- solteiro
- Tamanho
- neve
- So
- sólido
- solução
- Soluções
- alguns
- especialista
- velocidade
- splits
- padrão
- começo
- começado
- estatística
- Status
- estudo
- Apoiar
- Target
- Profissionais
- Dados Técnicos:
- teste
- ensaio
- A
- Através da
- Amarrado
- tempo
- amanhã
- ferramenta
- para
- Training
- trens
- Transformação
- tipos
- tipicamente
- único
- usar
- usuários
- validação
- valor
- versão
- Ver
- esperar
- web
- serviços web
- O Quê
- dentro
- trabalhar
- trabalho
- seria
- anos
- investimentos