A manutenção preditiva é crítica nas indústrias automotivas porque pode evitar falhas mecânicas inesperadas e atividades de manutenção reativa que interrompem as operações. Ao prever falhas nos veículos e programar manutenções e reparos, você reduzirá o tempo de inatividade, aumentará a segurança e aumentará os níveis de produtividade.
E se pudéssemos aplicar técnicas de aprendizagem profunda a áreas comuns que provocam falhas nos veículos, paragens não planeadas e custos de reparação?
Neste post, mostramos como treinar e implantar um modelo para prever a probabilidade de falha da frota de veículos usando JumpStart do Amazon SageMaker. SageMaker Jumpstart é o centro de aprendizado de máquina (ML) de Amazon Sage Maker, fornecendo modelos pré-treinados e disponíveis publicamente para uma ampla variedade de tipos de problemas para ajudar você a começar a usar o ML. A solução descrita na postagem está disponível em GitHub.
Modelos de solução SageMaker JumpStart
O SageMaker JumpStart fornece soluções completas com um clique para muitos casos de uso comuns de ML. Explore os seguintes casos de uso para obter mais informações sobre os modelos de soluções disponíveis:
Os modelos de solução SageMaker JumpStart cobrem uma variedade de casos de uso, em cada um dos quais são oferecidos vários modelos de solução diferentes (a solução nesta postagem, Manutenção Preditiva para Frotas de Veículos, está no Soluções seção). Escolha o modelo de solução que melhor se adapta ao seu caso de uso na página inicial do SageMaker JumpStart. Para obter mais informações sobre soluções específicas em cada caso de uso e como lançar uma solução SageMaker JumpStart, consulte Modelos de solução.
Visão geral da solução
A solução de manutenção preditiva da AWS para frotas automotivas aplica técnicas de aprendizagem profunda a áreas comuns que geram falhas de veículos, tempo de inatividade não planejado e custos de reparo. Ele serve como um alicerce inicial para você chegar a uma prova de conceito em um curto período de tempo. Esta solução contém funcionalidade de preparação e visualização de dados no SageMaker e permite treinar e otimizar os hiperparâmetros de modelos de aprendizado profundo para seu conjunto de dados. Você pode usar seus próprios dados ou tentar a solução com um conjunto de dados sintético como parte desta solução. Esta versão processa dados de sensores de veículos ao longo do tempo. Uma versão subsequente processará os dados do registro de manutenção.
O diagrama a seguir demonstra como você pode usar esta solução com componentes do SageMaker. Como parte da solução, são utilizados os seguintes serviços:
- Amazon S3 - Nós usamos Serviço de armazenamento simples da Amazon (Amazon S3) para armazenar conjuntos de dados
- Caderno SageMaker – Usamos um notebook para pré-processar e visualizar os dados e para treinar o modelo de aprendizagem profunda
- Endpoint SageMaker – Usamos o endpoint para implantar o modelo treinado
O fluxo de trabalho inclui as seguintes etapas:
- Um extrato de dados históricos é criado a partir do Sistema de Gerenciamento de Frota contendo dados do veículo e registros de sensores.
- Depois que o modelo de ML for treinado, o artefato do modelo SageMaker será implantado.
- O veículo conectado envia registros do sensor para Núcleo da AWS IoT (alternativamente, através de uma interface HTTP).
- Os registros do sensor são persistidos via Mangueira de incêndio de dados do Amazon Kinesis.
- Os registros do sensor são enviados para AWS Lambda para consultar o modelo para fazer previsões.
- Lambda envia logs de sensores para inferência de modelo Sagemaker para previsões.
- As previsões persistem em Aurora Amazônica.
- Os resultados agregados são exibidos em um AmazonQuickSight painel de controle.
- Notificações em tempo real sobre a probabilidade prevista de falha são enviadas para Serviço de notificação simples da Amazon (Amazônia SNS).
- O Amazon SNS envia notificações de volta ao veículo conectado.
A solução consiste em seis notebooks:
- 0_demo.ipynb – Uma rápida visualização da nossa solução
- 1_introdução.ipynb – Introdução e visão geral da solução
- 2_data_preparation.ipynb – Prepare um conjunto de dados de amostra
- 3_data_visualization.ipynb – Visualize nosso conjunto de dados de amostra
- 4_model_training.ipynb – Treine um modelo em nosso conjunto de dados de amostra para detectar falhas
- 5_resultados_análise.ipynb – Analise os resultados do modelo que treinamos
Pré-requisitos
Estúdio Amazon SageMaker é o ambiente de desenvolvimento integrado (IDE) do SageMaker que nos fornece todos os recursos de ML de que precisamos em um único painel de vidro. Antes de podermos executar o SageMaker JumpStart, precisamos configurar o SageMaker Studio. Você pode pular esta etapa se já tiver sua própria versão do SageMaker Studio em execução.
A primeira coisa que precisamos fazer antes de podermos usar qualquer serviço AWS é certificar-nos de que nos inscrevemos e criamos uma conta AWS. Em seguida criamos um usuário administrativo e um grupo. Para obter instruções sobre ambas as etapas, consulte Configurar os pré-requisitos do Amazon SageMaker.
A próxima etapa é criar um domínio SageMaker. Um domínio configura todo o armazenamento e permite que você adicione usuários para acessar o SageMaker. Para mais informações, consulte Integrado ao domínio do Amazon SageMaker. Esta demonstração foi criada na região da AWS us-east-1.
Finalmente, você inicia o SageMaker Studio. Para esta postagem, recomendamos lançar um aplicativo de perfil de usuário. Para obter instruções, consulte Inicie o Amazon SageMaker Studio.
Para executar esta solução SageMaker JumpStart e ter a infraestrutura implantada em sua conta AWS, você precisa criar uma instância ativa do SageMaker Studio (consulte Integrado ao Amazon SageMaker Studio). Quando sua instância estiver pronta, use as instruções em SageMaker JumpStart para lançar a solução. Os artefatos da solução estão incluídos neste Repositório GitHub para referência.
Inicie a solução SageMaker Jumpstart
Para começar com a solução, conclua as seguintes etapas:
- No console do SageMaker Studio, escolha Acelerador.
- No Soluções guia, escolha Manutenção Preditiva para Frotas de Veículos.
- Escolha Apresentação livro.
Demora alguns minutos para implantar a solução. - Depois que a solução for implantada, escolha Open Notebook.
Se você for solicitado a selecionar um kernel, escolha PyTorch 1.8 Python 3.6 para todos os notebooks nesta solução.
Visualização da solução
Trabalhamos primeiro no 0_demo.ipynb
caderno. Neste notebook, você pode obter uma visualização rápida de como será o resultado quando você concluir o notebook completo para esta solução.
Escolha Execute e Executar todas as células para executar todas as células no SageMaker Studio (ou Célula e Executar tudo em uma instância de notebook SageMaker). Você pode executar todas as células de cada notebook, uma após a outra. Certifique-se de que todas as células terminem o processamento antes de passar para o próximo notebook.
Esta solução depende de um arquivo de configuração para executar os recursos provisionados da AWS. Geramos o arquivo da seguinte forma:
Temos alguns exemplos de dados de entrada de séries temporais que consistem na tensão e na corrente da bateria de um veículo ao longo do tempo. A seguir, carregamos e visualizamos os dados da amostra. Conforme mostrado nas capturas de tela a seguir, os valores de tensão e corrente estão no eixo Y e as leituras (19 leituras registradas) estão no eixo X.
Anteriormente, treinamos um modelo com esses dados de tensão e corrente que prevê a probabilidade de falha do veículo e implantamos o modelo como um ponto final no SageMaker. Chamaremos esse endpoint com alguns dados de amostra para determinar a probabilidade de falha no próximo período.
Dados os dados de entrada da amostra, a probabilidade prevista de falha é 45.73%.
Para passar para a próxima etapa, escolha Clique aqui para continuar.
Introdução e visão geral da solução
A 1_introduction.ipynb
notebook fornece uma visão geral da solução e dos estágios, além de uma visão geral do arquivo de configuração que contém definição de conteúdo, período de amostragem de dados, contagem de amostras de treinamento e teste, parâmetros, localização e nomes de coluna para conteúdo gerado.
Depois de revisar este caderno, você poderá passar para a próxima etapa.
Prepare um conjunto de dados de amostra
Preparamos um conjunto de dados de amostra no 2_data_preparation.ipynb
notebook.
Primeiro geramos o arquivo de configuração para esta solução:
As propriedades de configuração são as seguintes:
Você pode definir seu próprio conjunto de dados ou usar nossos scripts para gerar um conjunto de dados de amostra:
Você pode mesclar os dados do sensor e os dados do veículo da frota:
Agora podemos passar para a visualização de dados.
Visualize nosso conjunto de dados de amostra
Visualizamos nosso conjunto de dados de amostra em 3_data_vizualization.ipynb
. Esta solução depende de um arquivo de configuração para executar os recursos provisionados da AWS. Vamos gerar o arquivo semelhante ao notebook anterior.
A captura de tela a seguir mostra nosso conjunto de dados.
A seguir, vamos construir o conjunto de dados:
Agora que o conjunto de dados está pronto, vamos visualizar as estatísticas dos dados. A captura de tela a seguir mostra a distribuição de dados com base na marca do veículo, tipo de motor, classe de veículo e modelo.
Comparando os dados de registro, vejamos um exemplo da tensão média em diferentes anos para Marca E e C (aleatório).
A média de tensão e corrente está no eixo Y e o número de leituras está no eixo X.
- Valores possíveis para log_target: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- Valor atribuído aleatoriamente para
log_target: make
- Valor atribuído aleatoriamente para
- Valores possíveis para log_target_value1: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Valor atribuído aleatoriamente para
log_target_value1: Make B
- Valor atribuído aleatoriamente para
- Valores possíveis para log_target_value2: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Valor atribuído aleatoriamente para
log_target_value2: Make D
- Valor atribuído aleatoriamente para
Com base no exposto, assumimos log_target: make
, log_target_value1: Make B
e log_target_value2: Make D
Os gráficos a seguir detalham a média dos dados de registro.
Os gráficos a seguir visualizam um exemplo de diferentes valores de registro do sensor em relação à tensão e à corrente.
Treine um modelo em nosso conjunto de dados de amostra para detectar falhas
No 4_model_training.ipynb
notebook, treinamos um modelo em nosso conjunto de dados de amostra para detectar falhas.
Vamos gerar o arquivo de configuração semelhante ao notebook anterior e depois prosseguir com a configuração do treinamento:
Analise os resultados do modelo que treinamos
No 5_results_analysis.ipynb
notebook, obtemos dados de nosso trabalho de ajuste de hiperparâmetros, visualizamos métricas de todos os trabalhos para identificar o melhor trabalho e construímos um endpoint para o melhor trabalho de treinamento.
Vamos gerar o arquivo de configuração semelhante ao notebook anterior e visualizar as métricas de todos os jobs. O gráfico a seguir visualiza a precisão do teste versus época.
A captura de tela a seguir mostra os trabalhos de ajuste de hiperparâmetros que executamos.
Agora você pode visualizar os dados do melhor trabalho de treinamento (dos quatro trabalhos de treinamento) com base na precisão do teste (vermelho).
Como podemos ver nas capturas de tela a seguir, a perda de teste diminui e a AUC e a precisão aumentam com as épocas.
Com base nas visualizações, podemos agora construir um endpoint para o melhor trabalho de treinamento:
Depois de construir o endpoint, podemos testar o preditor passando-lhe exemplos de logs do sensor:
Dados os dados de entrada da amostra, a probabilidade prevista de falha é 34.60%.
limpar
Ao concluir esta solução, certifique-se de excluir todos os recursos indesejados da AWS. No Manutenção Preditiva para Frotas de Veículos página, sob Excluir solução, escolha Excluir todos os recursos para excluir todos os recursos associados à solução.
Você precisa excluir manualmente quaisquer recursos extras que possa ter criado neste notebook. Alguns exemplos incluem os buckets S3 extras (para o bucket padrão da solução) e os endpoints extras do SageMaker (usando um nome personalizado).
Personalize a solução
Nossa solução é simples de personalizar. Para modificar as visualizações dos dados de entrada, consulte sagemaker/3_data_visualization.ipynb. Para personalizar o aprendizado de máquina, consulte sábiomaker/source/train.py e sagemaker/source/dl_utils/network.py. Para personalizar o processamento do conjunto de dados, consulte sagemaker/1_introdução.ipynb sobre como definir o arquivo de configuração.
Além disso, você pode alterar a configuração no arquivo de configuração. A configuração padrão é a seguinte:
O arquivo de configuração possui os seguintes parâmetros:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
etest_dataset_fn
definir a localização dos arquivos do conjunto de dadosvehicle_id_column
,timestamp_column
,target_column
eperiod_column
definir os cabeçalhos das colunasdataset_size
,chunksize
,processing_chunksize
,period_ms
ewindow_length
definir as propriedades do conjunto de dados
Conclusão
Nesta postagem, mostramos como treinar e implantar um modelo para prever a probabilidade de falha da frota de veículos usando o SageMaker JumpStart. A solução é baseada em modelos de ML e aprendizagem profunda e permite uma ampla variedade de dados de entrada, incluindo quaisquer dados de sensores que variam no tempo. Como cada veículo possui telemetria diferente, você pode ajustar o modelo fornecido de acordo com a frequência e o tipo de dados que possui.
Para saber mais sobre o que você pode fazer com o SageMaker JumpStart, consulte o seguinte:
Recursos
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.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Automotivo / EVs, Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- BlockOffsets. Modernizando a Propriedade de Compensação Ambiental. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :tem
- :é
- ][p
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- Sobre
- acima
- Acesso
- Segundo
- Conta
- precisão
- em
- ativo
- atividades
- adicionar
- administrativo
- Depois de
- contra
- alinhamento
- Todos os Produtos
- permite
- já
- tb
- Amazon
- Amazon Sage Maker
- JumpStart do Amazon SageMaker
- Amazon Web Services
- an
- analisar
- e
- qualquer
- app
- Aplicar
- SOMOS
- áreas
- AS
- atribuído
- associado
- assumir
- At
- automotivo
- disponível
- evitar
- AWS
- eixo
- em caminho duplo
- baseado
- bateria
- Porque
- antes
- MELHOR
- Bloquear
- corpo
- impulsionar
- ambos
- Break
- construir
- Prédio
- by
- chamada
- CAN
- Pode obter
- casas
- casos
- Células
- alterar
- Escolha
- classe
- cliente
- Na nuvem
- Coluna
- comum
- completar
- componentes
- conceito
- Configuração
- conectado
- Consistindo
- consiste
- cônsul
- contém
- conteúdo
- custos
- poderia
- cobrir
- crio
- criado
- crítico
- Atual
- personalizadas
- Clientes
- personalizar
- painel de instrumentos
- dados,
- Preparação de dados
- Visualização de dados
- Recusas
- profundo
- deep learning
- Padrão
- definição
- demonstração
- demonstra
- implantar
- implantado
- Design
- Determinar
- Desenvolvimento
- diferente
- exibido
- perturbe
- distribuição
- do
- domínio
- down
- tempo de inatividade
- distância
- e
- cada
- outro
- end-to-end
- Ponto final
- Motor
- garantir
- Meio Ambiente
- época
- épocas
- Cada
- exemplo
- exemplos
- explorar
- extra
- extrato
- Falha
- falso
- Funcionalidades
- poucos
- Envie o
- acabamento
- Primeiro nome
- ANIMARIS
- seguinte
- segue
- Escolha
- quatro
- Frequência
- da
- cheio
- funcionalidade
- gerar
- gerado
- gerador
- ter
- dado
- vidro
- GPU
- gráficos
- Grupo
- orientações
- Ter
- he
- cabeçalhos
- ajudar
- SUA PARTICIPAÇÃO FAZ A DIFERENÇA
- histórico
- Como funciona o dobrador de carta de canal
- Como Negociar
- HTML
- http
- HTTPS
- Hub
- Otimização de hiperparâmetros
- Ajuste de hiperparâmetros
- i
- identificar
- if
- importar
- melhorar
- in
- incluir
- incluído
- inclui
- Incluindo
- Crescimento
- indústrias
- INFORMAÇÕES
- Infraestrutura
- do estado inicial,
- iniciar
- entrada
- instância
- instruções
- integrado
- Interface
- para dentro
- Introdução
- iot
- IT
- Trabalho
- Empregos
- jpg
- json
- chaves
- aterrissagem
- lançamento
- de lançamento
- APRENDER
- aprendizagem
- níveis
- como
- carregar
- local
- localização
- log
- olhar
- parece
- fora
- máquina
- aprendizado de máquina
- manutenção
- fazer
- gerencia
- de grupos
- Gerente
- manualmente
- muitos
- Maximizar
- Posso..
- significar
- mecânico
- ir
- Métrica
- Minutos
- ML
- modelo
- modelos
- modificar
- mais
- mover
- em movimento
- nome
- nomes
- você merece...
- Próximo
- caderno
- notificação
- notificações
- agora
- número
- of
- oferecido
- on
- ONE
- só
- aberto
- operação
- Operações
- otimização
- Otimize
- or
- OS
- Outros
- A Nossa
- Fora
- Resultado
- delineado
- Acima de
- Visão geral
- próprio
- página
- pão
- parâmetros
- parte
- Passagem
- apaixonado
- caminho
- significativo
- platão
- Inteligência de Dados Platão
- PlatãoData
- por favor
- Publique
- predizer
- previsto
- prevendo
- Previsões
- Predictor
- Previsões
- preparação
- Preparar
- visualização
- anterior
- anteriormente
- Diretor
- Problema
- processo
- processos
- em processamento
- produtividade
- Perfil
- prova
- prova de conceito
- Propriedades
- fornecido
- fornece
- fornecendo
- publicamente
- Python
- pytorch
- Links
- acaso
- alcance
- pronto
- recomendar
- registro
- gravado
- Vermelho
- reduzir
- região
- reparar
- Recursos
- resposta
- Resultados
- retorno
- rever
- Tipo
- Execute
- corrida
- Segurança
- sábio
- Conjunto de dados de amostra
- agendamento
- screenshots
- Scripts
- Seção
- Vejo
- envia
- enviei
- Série
- serve
- Serviços
- Sessão
- conjunto
- Conjuntos
- vários
- Baixo
- mostrar
- mostrou
- mostrando
- Shows
- assinado
- semelhante
- simples
- solteiro
- SIX
- solução
- Soluções
- alguns
- fonte
- especialista
- específico
- Etapa
- Estágio
- começado
- estatística
- Passo
- Passos
- armazenamento
- loja
- estudo
- subseqüente
- Apoiar
- certo
- sintético
- .
- toma
- Dados Técnicos:
- técnicas
- modelo
- modelos
- teste
- que
- A
- deles
- então
- coisa
- isto
- tempo
- Séries temporais
- timestamp
- para
- juntos
- Trem
- treinado
- Training
- tentar
- tipo
- tipos
- para
- não desejado
- us
- usar
- caso de uso
- usava
- Utilizador
- usuários
- utilização
- valor
- Valores
- variedade
- veículo
- versão
- via
- visualização
- Volt
- Voltagem
- vs
- W
- we
- web
- serviços web
- O Quê
- quando
- qual
- Largo
- Ampla variedade
- precisarão
- de
- dentro
- Atividades:
- de gestão de documentos
- trabalho
- X
- yaml
- anos
- Vocês
- investimentos
- zefirnet