Профилактическое техническое обслуживание имеет решающее значение в автомобильной промышленности, поскольку оно позволяет избежать внезапных механических отказов и оперативных действий по техническому обслуживанию, которые нарушают работу. Прогнозируя неисправности транспортных средств и планируя техническое обслуживание и ремонт, вы сократите время простоя, повысите безопасность и повысите уровень производительности.
Что, если бы мы могли применить методы глубокого обучения к общим областям, которые приводят к поломкам транспортных средств, незапланированным простоям и затратам на ремонт?
В этом посте мы покажем вам, как обучить и развернуть модель для прогнозирования вероятности отказа автопарка с использованием Amazon SageMaker JumpStart. SageMaker Jumpstart — это центр машинного обучения (МО) Создатель мудреца Амазонки, предоставляя предварительно обученные общедоступные модели для широкого спектра типов задач, которые помогут вам начать работу с ML. Решение, описанное в посте, доступно на GitHub.
Шаблоны решений SageMaker JumpStart
SageMaker JumpStart предоставляет комплексные решения одним щелчком мыши для многих распространенных случаев использования машинного обучения. Изучите следующие варианты использования для получения дополнительной информации о доступных шаблонах решений:
Шаблоны решений SageMaker JumpStart охватывают множество вариантов использования, в рамках каждого из которых предлагается несколько различных шаблонов решений (решение в этом посте, Профилактическое обслуживание автопарковнаходится в Решения раздел). Выберите шаблон решения, который лучше всего подходит для вашего варианта использования, на целевой странице SageMaker JumpStart. Дополнительные сведения о конкретных решениях для каждого варианта использования и о том, как запустить решение SageMaker JumpStart, см. Шаблоны решений.
Обзор решения
Решение AWS для профилактического обслуживания автомобильных парков применяет методы глубокого обучения к общим областям, которые приводят к поломкам автомобилей, незапланированным простоям и затратам на ремонт. Он служит начальным строительным блоком для проверки концепции за короткий период времени. Это решение содержит функции подготовки и визуализации данных в SageMaker и позволяет обучать и оптимизировать гиперпараметры моделей глубокого обучения для вашего набора данных. Вы можете использовать свои собственные данные или попробовать решение с синтетическим набором данных как часть этого решения. Эта версия обрабатывает данные датчиков автомобиля с течением времени. Последующая версия будет обрабатывать данные записи технического обслуживания.
На следующей диаграмме показано, как можно использовать это решение с компонентами SageMaker. В рамках решения используются следующие сервисы:
- Amazon S3 - Мы используем Простой сервис хранения Amazon (Amazon S3) для хранения наборов данных
- Блокнот SageMaker – Мы используем блокнот для предварительной обработки и визуализации данных, а также для обучения модели глубокого обучения.
- Конечная точка SageMaker – Мы используем конечную точку для развертывания обученной модели
Рабочий процесс включает в себя следующие шаги:
- Извлечение исторических данных создается из системы управления автопарком, содержащей данные о транспортных средствах и журналы датчиков.
- После обучения модели машинного обучения развертывается артефакт модели SageMaker.
- Подключенный автомобиль отправляет журналы датчиков на Ядро Интернета вещей AWS (как вариант, через HTTP-интерфейс).
- Журналы датчиков сохраняются через Пожарный шланг данных Amazon Kinesis.
- Журналы датчиков отправляются на AWS Lambda для запросов к модели, чтобы делать прогнозы.
- Lambda отправляет журналы датчиков в систему вывода модели Sagemaker для получения прогнозов.
- Прогнозы сохраняются в Амазон Аврора.
- Совокупные результаты отображаются на Amazon QuickSight панель приборов.
- Уведомления в режиме реального времени о прогнозируемой вероятности отказа отправляются на Amazon Простая служба уведомлений (Амазон СНС).
- Amazon SNS отправляет уведомления обратно на подключенный автомобиль.
Решение состоит из шести блокнотов:
- 0_demo.ipynb – Быстрый предварительный просмотр нашего решения
- 1_introduction.ipynb – Введение и обзор решения
- 2_data_preparation.ipynb - Подготовьте образец набора данных
- 3_data_visualization.ipynb - Визуализируйте наш образец набора данных
- 4_model_training.ipynb – Обучите модель на нашем образце набора данных для обнаружения сбоев.
- 5_results_anaанализ.ipynb – Анализировать результаты обученной нами модели.
Предпосылки
Студия Amazon SageMaker — это интегрированная среда разработки (IDE) внутри SageMaker, которая предоставляет нам все необходимые функции машинного обучения в одном окне. Прежде чем мы сможем запустить SageMaker JumpStart, нам нужно настроить SageMaker Studio. Вы можете пропустить этот шаг, если у вас уже запущена собственная версия SageMaker Studio.
Первое, что нам нужно сделать, прежде чем мы сможем использовать какие-либо сервисы AWS, — это убедиться, что мы зарегистрировались и создали учетную запись AWS. Затем мы создаем административного пользователя и группу. Инструкции по обоим шагам см. Настройка предварительных условий для Amazon SageMaker.
Следующим шагом является создание домена SageMaker. Домен настраивает все хранилище и позволяет добавлять пользователей для доступа к SageMaker. Для получения дополнительной информации см. Подключение к домену Amazon SageMaker. Эта демонстрация создана в регионе AWS us-east-1.
Наконец, вы запускаете SageMaker Studio. Для этого поста мы рекомендуем запустить приложение профиля пользователя. Инструкции см. Запустите Amazon SageMaker Studio.
Чтобы запустить это решение SageMaker JumpStart и развернуть инфраструктуру в вашей учетной записи AWS, вам необходимо создать активный экземпляр SageMaker Studio (см. На борту Amazon SageMaker Studio). Когда ваш экземпляр будет готов, воспользуйтесь инструкциями в SageMaker JumpStart для запуска решения. Артефакты решения включены в это Репозиторий GitHub для справки.
Запустите решение SageMaker Jumpstart
Чтобы начать работу с решением, выполните следующие действия:
- В консоли SageMaker Studio выберите Толчок.
- На Решения , выберите Профилактическое обслуживание автопарков.
- Выберите Презентация.
Развертывание решения занимает несколько минут. - После развертывания решения выберите «Открыть записную книжку».
Если вам будет предложено выбрать ядро, выберите PyTorch 1.8 Python 3.6 для всех ноутбуков в этом решении.
Предварительный просмотр решения
Сначала мы работаем над 0_demo.ipynb
блокнот. В этой записной книжке вы можете быстро просмотреть, как будет выглядеть результат, когда вы заполните полную записную книжку для этого решения.
Выберите Run и Запустить все ячейки запустить все ячейки в SageMaker Studio (или Ячейка и Запустить все в экземпляре блокнота SageMaker). Вы можете запускать все ячейки в каждой записной книжке одну за другой. Убедитесь, что все ячейки завершили обработку, прежде чем переходить к следующему блокноту.
Это решение использует файл конфигурации для запуска предоставленных ресурсов AWS. Генерируем файл следующим образом:
У нас есть некоторые выборочные входные данные временного ряда, состоящие из напряжения аккумулятора транспортного средства и тока аккумулятора с течением времени. Затем мы загружаем и визуализируем образцы данных. Как показано на следующих снимках экрана, значения напряжения и тока расположены по оси Y, а показания (записано 19 показаний) — по оси X.
Ранее мы обучили модель на этих данных о напряжении и токе, которая прогнозирует вероятность отказа транспортного средства, и развернули модель в качестве конечной точки в SageMaker. Мы вызовем эту конечную точку с некоторыми выборочными данными, чтобы определить вероятность отказа в следующий период времени.
Учитывая выборочные входные данные, прогнозируемая вероятность отказа равна 45.73%.
Чтобы перейти к следующему этапу, выберите Нажмите здесь для продолжения.
Введение и обзор решения
Ассоциация 1_introduction.ipynb
Блокнот предоставляет обзор решения и этапов, а также просмотр файла конфигурации, в котором есть определение содержимого, период выборки данных, количество обучающих и тестовых выборок, параметры, расположение и имена столбцов для сгенерированного содержимого.
После того, как вы просмотрите эту записную книжку, вы можете перейти к следующему этапу.
Подготовьте образец набора данных
Мы готовим образец набора данных в 2_data_preparation.ipynb
Блокнот.
Сначала мы создаем файл конфигурации для этого решения:
Свойства конфига следующие:
Вы можете определить свой собственный набор данных или использовать наши скрипты для создания образца набора данных:
Вы можете объединить данные датчиков и данные о транспортных средствах вместе:
Теперь мы можем перейти к визуализации данных.
Визуализируйте наш образец набора данных
Мы визуализируем наш образец набора данных в 3_data_vizualization.ipynb
. Это решение использует файл конфигурации для запуска предоставленных ресурсов AWS. Давайте создадим файл, аналогичный предыдущему блокноту.
На следующем снимке экрана показан наш набор данных.
Далее, давайте создадим набор данных:
Теперь, когда набор данных готов, давайте визуализируем статистику данных. На следующем снимке экрана показано распределение данных по марке автомобиля, типу двигателя, классу автомобиля и модели.
Сравнивая данные журнала, давайте рассмотрим пример среднего напряжения за разные годы для марок E и C (случайно).
Среднее значение напряжения и тока находится на оси Y, а количество показаний — на оси X.
- Возможные значения для log_target: ['марка', 'модель', 'год', 'класс_транспортного средства', 'тип_двигателя']
- Случайно присвоенное значение для
log_target: make
- Случайно присвоенное значение для
- Возможные значения для log_target_value1: ['Сделать A', 'Сделать B', 'Сделать E', 'Сделать C', 'Сделать D']
- Случайно присвоенное значение для
log_target_value1: Make B
- Случайно присвоенное значение для
- Возможные значения для log_target_value2: ['Сделать A', 'Сделать B', 'Сделать E', 'Сделать C', 'Сделать D']
- Случайно присвоенное значение для
log_target_value2: Make D
- Случайно присвоенное значение для
На основании изложенного полагаем log_target: make
, log_target_value1: Make B
и log_target_value2: Make D
Следующие графики разбивают среднее значение данных журнала.
Следующие графики иллюстрируют пример различных значений журнала датчика в зависимости от напряжения и тока.
Обучите модель на нашем образце набора данных для обнаружения сбоев
В 4_model_training.ipynb
ноутбук, мы обучаем модель на нашем образце набора данных для обнаружения сбоев.
Давайте создадим файл конфигурации, аналогичный предыдущему блокноту, а затем приступим к настройке обучения:
Проанализируйте результаты обучения модели, которую мы обучили.
В 5_results_analysis.ipynb
Блокнот, мы получаем данные из нашего задания по настройке гиперпараметров, визуализируем метрики всех заданий, чтобы определить лучшее задание, и создаем конечную точку для лучшего задания обучения.
Давайте создадим файл конфигурации, аналогичный предыдущему блокноту, и визуализируем показатели всех заданий. Следующий график визуализирует точность теста в зависимости от эпохи.
На следующем снимке экрана показаны выполненные нами задания по настройке гиперпараметров.
Теперь вы можете визуализировать данные лучшего задания обучения (из четырех заданий обучения) на основе точности теста (красный).
Как мы видим на следующих снимках экрана, потери при тестировании снижаются, а AUC и точность увеличиваются с эпохами.
На основе визуализаций теперь мы можем построить конечную точку для лучшей обучающей работы:
После того, как мы создадим конечную точку, мы можем протестировать предиктор, передав ему образцы журналов датчиков:
Учитывая выборочные входные данные, прогнозируемая вероятность отказа равна 34.60%.
Убирать
Когда вы закончите с этим решением, убедитесь, что вы удалили все ненужные ресурсы AWS. На Профилактическое обслуживание автопарков страница, под Удалить решение, выберите Удалить все ресурсы чтобы удалить все ресурсы, связанные с решением.
Вам необходимо вручную удалить все дополнительные ресурсы, которые вы могли создать в этой записной книжке. Некоторые примеры включают в себя дополнительные сегменты S3 (в сегменте решения по умолчанию) и дополнительные конечные точки SageMaker (с использованием пользовательского имени).
Настроить решение
Наше решение легко настроить. Чтобы изменить визуализацию входных данных, см. sagemaker/3_data_visualization.ipynb. Чтобы настроить машинное обучение, см. sagemaker/источник/train.py и sagemaker/источник/dl_utils/network.py. Чтобы настроить обработку набора данных, см. sagemaker/1_introduction.ipynb о том, как определить файл конфигурации.
Кроме того, вы можете изменить конфигурацию в файле конфигурации. Конфигурация по умолчанию выглядит следующим образом:
Файл конфигурации имеет следующие параметры:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
иtest_dataset_fn
определить расположение файлов набора данныхvehicle_id_column
,timestamp_column
,target_column
иperiod_column
определить заголовки для столбцовdataset_size
,chunksize
,processing_chunksize
,period_ms
иwindow_length
определить свойства набора данных
Заключение
В этом посте мы показали вам, как обучить и развернуть модель для прогнозирования вероятности отказа парка транспортных средств с помощью SageMaker JumpStart. Решение основано на моделях машинного обучения и глубокого обучения и позволяет вводить широкий спектр входных данных, включая любые изменяющиеся во времени данные датчиков. Поскольку у каждого автомобиля разные телеметрические данные, вы можете точно настроить предоставленную модель в соответствии с частотой и типом имеющихся у вас данных.
Чтобы узнать больше о том, что вы можете делать с помощью SageMaker JumpStart, см.:
Полезные ресурсы
Об авторах
Раджакумар Сампаткумар является главным техническим менеджером по работе с клиентами в AWS, предоставляя клиентам рекомендации по согласованию бизнес-технологий и поддерживая переосмысление их моделей облачных операций и процессов. Он увлечен облачными технологиями и машинным обучением. Радж также является специалистом по машинному обучению и работает с клиентами AWS над проектированием, развертыванием и управлением их рабочими нагрузками и архитектурами AWS.
- SEO-контент и PR-распределение. Получите усиление сегодня.
- PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
- ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
- ПлатонЭСГ. Автомобили / электромобили, Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
- Смещения блоков. Модернизация права собственности на экологические компенсации. Доступ здесь.
- Источник: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :имеет
- :является
- ][п
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- О нас
- выше
- доступ
- По
- Учетная запись
- точность
- через
- активный
- активно
- Добавить
- административный
- После
- против
- выравнивание
- Все
- позволяет
- уже
- причислены
- Amazon
- Создатель мудреца Амазонки
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- анализировать
- и
- любой
- приложение
- Применить
- МЫ
- области
- AS
- назначенный
- связанный
- предполагать
- At
- автомобильный
- доступен
- избежать
- AWS
- Ось
- назад
- основанный
- аккумулятор
- , так как:
- до
- ЛУЧШЕЕ
- Заблокировать
- тело
- повышение
- изоферменты печени
- Ломать
- строить
- Строительство
- by
- призывают
- CAN
- Может получить
- случаев
- случаев
- Клетки
- изменение
- Выберите
- класс
- клиент
- облако
- Column
- Общий
- полный
- компоненты
- сама концепция
- Конфигурация
- подключенный
- Состоящий из
- состоит
- Консоли
- содержит
- содержание
- Расходы
- может
- чехол для варгана
- Создайте
- создали
- критической
- Текущий
- изготовленный на заказ
- Клиенты
- настроить
- приборная панель
- данным
- Подготовка данных
- визуализация данных
- Снижение
- глубоко
- глубокое обучение
- По умолчанию
- определение
- демонстрация
- демонстрирует
- развертывание
- развернуть
- Проект
- Определять
- Развитие
- различный
- отображается
- срывать
- распределение
- do
- домен
- вниз
- время простоя
- управлять
- e
- каждый
- еще
- впритык
- Конечная точка
- Двигатель
- обеспечивать
- Окружающая среда
- эпоха
- эпохи
- Каждая
- пример
- Примеры
- Больше
- дополнительно
- извлечение
- Ошибка
- ложный
- Особенности
- несколько
- Файл
- окончание
- Во-первых,
- ФЛОТ
- после
- следующим образом
- Что касается
- 4
- частота
- от
- полный
- функциональность
- порождать
- генерируется
- генератор
- получить
- данный
- стекло
- GPU / ГРАФИЧЕСКИЙ ПРОЦЕССОР
- Графики
- группы
- руководство
- Есть
- he
- Заголовки
- помощь
- здесь
- исторический
- Как
- How To
- HTML
- HTTP
- HTTPS
- хаб
- Оптимизация гиперпараметра
- Настройка гиперпараметра
- i
- определения
- if
- Импортировать
- улучшать
- in
- включают
- включены
- включает в себя
- В том числе
- Увеличение
- промышленности
- информация
- Инфраструктура
- начальный
- инициировать
- вход
- пример
- инструкции
- интегрированный
- Интерфейс
- в
- Введение
- КАТО
- IT
- работа
- Джобс
- JPG
- JSON
- ключи
- посадка
- запуск
- запуск
- УЧИТЬСЯ
- изучение
- уровни
- такое как
- загрузка
- локальным
- расположение
- журнал
- посмотреть
- выглядит как
- от
- машина
- обучение с помощью машины
- техническое обслуживание
- сделать
- управлять
- управление
- менеджер
- вручную
- многих
- Максимизировать
- Май..
- значить
- механический
- идти
- Метрика
- Минут
- ML
- модель
- Модели
- изменять
- БОЛЕЕ
- двигаться
- перемещение
- имя
- имена
- Необходимость
- следующий
- ноутбук
- уведомление
- Уведомления
- сейчас
- номер
- of
- предложенный
- on
- ONE
- только
- открытый
- операция
- Операционный отдел
- оптимизация
- Оптимизировать
- or
- OS
- Другое
- наши
- внешний
- Результат
- изложенные
- за
- обзор
- собственный
- страница
- хлеб
- параметры
- часть
- Прохождение
- страстный
- путь
- период
- Платон
- Платон Интеллектуальные данные
- ПлатонДанные
- пожалуйста
- После
- предсказывать
- предсказанный
- прогнозирования
- Predictions
- Predictor
- предсказывает
- подготовка
- Подготовить
- предварительный просмотр
- предыдущий
- предварительно
- Основной
- Проблема
- процесс
- Процессы
- обработка
- производительность
- Профиль
- доказательство
- доказательство концепции
- свойства
- при условии
- приводит
- обеспечение
- публично
- Питон
- pytorch
- САЙТ
- случайный
- ассортимент
- готовый
- рекомендовать
- запись
- записанный
- Red
- уменьшить
- область
- ремонт
- Полезные ресурсы
- ответ
- Итоги
- возвращают
- обзоре
- Роли
- Run
- Бег
- Сохранность
- sagemaker
- Пример набора данных
- планирование
- скриншоты
- скрипты
- Раздел
- посмотреть
- посылает
- послать
- Серии
- служит
- Услуги
- Сессия
- набор
- Наборы
- несколько
- Короткое
- показывать
- показал
- показанный
- Шоу
- подписанный
- аналогичный
- просто
- одинарной
- ШЕСТЬ
- Решение
- Решения
- некоторые
- Источник
- специалист
- конкретный
- Этап
- этапы
- и политические лидеры
- статистика
- Шаг
- Шаги
- диск
- магазин
- студия
- последующее
- поддержки
- Убедитесь
- синтетический
- система
- принимает
- Технический
- снижения вреда
- шаблон
- шаблоны
- тестXNUMX
- который
- Ассоциация
- их
- тогда
- задача
- этой
- время
- Временные ряды
- отметка времени
- в
- вместе
- Train
- специалистов
- Обучение
- стараться
- напишите
- Типы
- под
- нежелательный
- us
- использование
- прецедент
- используемый
- Информация о пользователе
- пользователей
- через
- ценностное
- Наши ценности
- разнообразие
- автомобиль
- версия
- с помощью
- визуализация
- Вольт
- напряжение
- vs
- W
- we
- Web
- веб-сервисы
- Что
- когда
- который
- широкий
- Широкий диапазон
- будете
- в
- Работа
- рабочий
- работает
- X
- YAML
- лет
- Ты
- ВАШЕ
- зефирнет