Napovedovanje pogostih vrst okvar strojev je ključnega pomena v proizvodnih panogah. Glede na nabor značilnosti izdelka, ki je vezan na dano vrsto napake, lahko razvijete model, ki lahko predvidi vrsto napake, ko te atribute vnesete v model strojnega učenja (ML). ML lahko pomaga pri vpogledih, vendar ste do zdaj potrebovali strokovnjake za ML, da bi zgradili modele za napovedovanje vrst okvar strojev, katerih pomanjkanje bi lahko odložilo morebitne korektivne ukrepe, ki jih podjetja potrebujejo za učinkovitost ali izboljšave.
V tej objavi vam pokažemo, kako lahko poslovni analitiki sestavijo model ML za predvidevanje vrste okvare stroja Amazon SageMaker Canvas. Canvas vam ponuja vizualni vmesnik pokaži in klikni, ki vam omogoča, da sami sestavite modele in ustvarite natančne napovedi ML – ne da bi morali imeti izkušnje z ML ali napisati eno vrstico kode.
Pregled rešitev
Recimo, da ste poslovni analitik, dodeljen skupini za vzdrževanje velike proizvodne organizacije. Vaša vzdrževalna ekipa vas je prosila za pomoč pri napovedovanju pogostih okvar. Zagotovili so vam zgodovinski nabor podatkov, ki vsebuje značilnosti, povezane z dano vrsto napake, in želijo, da napoveste, katera napaka se bo zgodila v prihodnosti. Vrste okvar vključujejo brez okvare, prenapetost in izpad napajanja. Podatkovna shema je navedena v naslednji tabeli.
Ime stolpca | Vrsta podatkov | Opis |
UID | INT | Enolični identifikator v razponu od 1–10,000 |
productID | NIZ | Sestavljen iz črke – L, M ali H za nizko, srednjo ali visoko – kot različice kakovosti izdelka in serijske številke, specifične za različico |
tip | NIZ | Začetna črka, povezana z ID-jem izdelka, sestavljena samo iz L, M ali H |
temperatura zraka [K] | DECIMALNO | Temperatura zraka, navedena v kelvinih |
temperatura procesa [K] | DECIMALNO | Natančno nadzorovane temperature za zagotavljanje kakovosti določene vrste izdelka, navedene v kelvinih |
hitrost vrtenja [rpm] | DECIMALNO | Hitrost vrtenja predmeta, ki se vrti okoli osi, je število obratov predmeta, deljeno s časom, podano kot vrtljaji na minuto |
navor [Nm] | DECIMALNO | Sila obračanja stroja skozi polmer, izražena v newton metrih |
obraba orodja [min] | INT | Obraba orodja izražena v minutah |
vrsta napake (cilj) | NIZ | Brez okvare, izpad napajanja ali izpad preobremenitve |
Ko je vrsta napake prepoznana, lahko podjetja sprejmejo popravne ukrepe. Če želite to narediti, uporabite podatke, ki jih imate v datoteki CSV, ki vsebuje določene značilnosti izdelka, kot je opisano v tabeli. Platno uporabljate za izvajanje naslednjih korakov:
- Uvozite nabor podatkov o vzdrževanju.
- Usposobite in zgradite napovedni model vzdrževanja stroja.
- Analizirajte rezultate modela.
- Preizkusite napovedi glede na model.
Predpogoji
Skrbnik v oblaku z AWS račun z ustreznimi dovoljenji mora izpolniti naslednje predpogoje:
- Uvedite Amazon SageMaker domena Za navodila glejte Vkrcajte se na domeno Amazon SageMaker.
- Zaženite Canvas. Za navodila glejte Nastavitev in upravljanje Amazon SageMaker Canvas (za skrbnike IT).
- Konfigurirajte pravilnike skupne rabe virov navzkrižnega izvora (CORS) za Canvas. Za navodila glejte Dajte svojim uporabnikom možnost nalaganja lokalnih datotek.
Uvozite nabor podatkov
Najprej prenesite niz podatkov o vzdrževanju in preglejte datoteko, da se prepričate, ali so tam vsi podatki.
Canvas ponuja več vzorčnih naborov podatkov v vaši aplikaciji, ki vam bodo v pomoč pri začetku. Če želite izvedeti več o vzorčnih naborih podatkov, ki jih je zagotovil SageMaker, s katerimi lahko eksperimentirate, glejte Uporabite vzorčne nize podatkov. Če uporabite vzorčni nabor podatkov (canvas-sample-maintenance.csv
), ki je na voljo v Canvasu, vam ni treba uvoziti nabora podatkov o vzdrževanju.
V Canvas lahko uvozite podatke iz različnih virov podatkov. Če nameravate uporabiti svoj nabor podatkov, sledite korakom v Uvažanje podatkov v Amazon SageMaker Canvas.
Za to objavo uporabljamo celoten nabor podatkov o vzdrževanju, ki smo ga prenesli.
- Prijavite se v Konzola za upravljanje AWS, z uporabo računa z ustreznimi dovoljenji za dostop do Platna.
- Prijavite se v konzolo Canvas.
- Izberite uvoz.
- Izberite Pošiljanje In izberite
maintenance_dataset.csv
Datoteka. - Izberite Uvozi podatke da ga naložite na Canvas.
Postopek uvoza traja približno 10 sekund (to se lahko razlikuje glede na velikost nabora podatkov). Ko je dokončan, lahko vidite, da je nabor podatkov vstavljen Ready
Status.
Ko potrdite, da je uvoženi nabor podatkov ready
, lahko ustvarite svoj model.
Zgradite in usposobite model
Če želite ustvariti in usposobiti svoj model, dokončajte naslednje korake:
- Izberite Novi modelin vnesite ime za svoj model.
- Izberite ustvarjanje.
- Izberite
maintenance_dataset.csv
nabor podatkov in izberite Izberite nabor podatkov.
V pogledu modela lahko vidite štiri zavihke, ki ustrezajo štirim korakom za ustvarjanje modela in njegovo uporabo za ustvarjanje napovedi: Izberite, Zgradite, Analizirajtein Predvidite. - o Izberite zavihek, izberite
maintenance_dataset.csv
nabor podatkov, ki ste ga predhodno naložili, in izberite Izberite nabor podatkov.
Ta nabor podatkov vključuje 9 stolpcev in 10,000 vrstic. Platno se samodejno premakne v fazo gradnje. - Na tem zavihku izberite ciljni stolpec, v našem primeru Vrsta napake.Vzdrževalna ekipa vas je obvestila, da ta stolpec označuje vrsto napak, ki se običajno pojavijo na podlagi zgodovinskih podatkov iz njihovih obstoječih strojev. To je tisto, za kar želite usposobiti svoj model za predvidevanje. Canvas samodejno zazna, da je to a 3 Kategorija težava (znana tudi kot večrazredna klasifikacija). Če je zaznana napačna vrsta modela, jo lahko spremenite ročno z Spremeni vrsto možnost.
Upoštevati je treba, da je ta niz podatkov zelo neuravnotežen glede na razred brez napak, kar lahko vidite, če si ogledate stolpec z imenom Vrsta napake. Čeprav lahko Canvas in osnovne zmogljivosti AutoML delno obravnavajo neravnovesje nabora podatkov, lahko to povzroči nekaj izkrivljenih zmogljivosti. Kot dodaten naslednji korak glejte Uravnotežite podatke za strojno učenje z Amazon SageMaker Data Wrangler. Po korakih v povezavi v skupni rabi lahko zaženete Amazon SageMaker Studio aplikacijo iz konzole SageMaker in uvozite ta nabor podatkov znotraj Amazon SageMaker Data Wrangler in uporabite transformacijo podatkov o ravnovesju, nato prenesite uravnotežen nabor podatkov nazaj na Canvas in nadaljujte z naslednjimi koraki. V tej objavi nadaljujemo z neuravnoteženim naborom podatkov, da pokažemo, da lahko Canvas obravnava tudi neuravnotežene nabore podatkov.
V spodnji polovici strani si lahko ogledate nekaj statističnih podatkov nabora podatkov, vključno z manjkajočimi in neujemajočimi se vrednostmi, edinstvenimi vrednostmi ter srednjimi in srednjimi vrednostmi. Nekatere stolpce lahko tudi izpustite, če jih ne želite uporabiti za predvidevanje, tako da jih preprosto prekličete.
Ko raziščete ta razdelek, je čas za usposabljanje modela! Pred gradnjo celotnega modela je dobro, da imate splošno predstavo o delovanju modela z usposabljanjem hitrega modela. Hitri model usposablja manj kombinacij modelov in hiperparametrov, da da prednost hitrosti pred natančnostjo, zlasti v primerih, ko želite dokazati vrednost usposabljanja modela ML za vaš primer uporabe. Upoštevajte, da možnost hitre gradnje ni na voljo za modele, večje od 50,000 vrstic. - Izberite Hitra izdelava.
Zdaj čakate od 2 do 15 minut. Ko je končano, se Canvas samodejno premakne na Analizirajte zavihek za prikaz rezultatov hitrega treninga. Analiza, izvedena z uporabo hitre gradnje, ocenjuje, da je vaš model sposoben predvideti pravo vrsto napake (izid) v 99.2 % časa. Morda boste občutili nekoliko drugačne vrednosti. To je pričakovano.
Osredotočimo se na prvi zavihek, Pregled. To je zavihek, ki vam prikazuje Vpliv stolpca, ali ocenjeni pomen vsakega stolpca pri napovedovanju ciljnega stolpca. V tem primeru imata stolpca Navor [Nm] in Hitrost vrtenja [vrt/min] najpomembnejši vpliv pri napovedovanju vrste okvare, ki se bo zgodila.
Ocenite delovanje modela
Ko se premaknete na Točkovanje V delu vaše analize si lahko ogledate graf, ki predstavlja porazdelitev naših predvidenih vrednosti glede na dejanske vrednosti. Upoštevajte, da bo večina napak znotraj kategorije Brez napak. Če želite izvedeti več o tem, kako Canvas uporablja osnovne črte SHAP za vnos razložljivosti v ML, glejte Ocenjevanje delovanja vašega modela v Amazon SageMaker Canvas, Pa tudi SHAP Izhodišča za pojasnitev.
Canvas pred usposabljanjem razdeli izvirni nabor podatkov v nize za usposabljanje in validacijo. Točkovanje je rezultat tega, da Canvas izvaja validacijski nabor glede na model. To je interaktivni vmesnik, kjer lahko izberete vrsto napake. Če se odločite Prenapetost Napaka na grafiki lahko vidite, da model identificira teh 84 % časa. To je dovolj dobro, da lahko ukrepate – morda naj operater ali inženir dodatno preveri. Lahko izbirate Izpada električne energije v grafiki, da vidite zadevno točkovanje za nadaljnjo razlago in dejanja.
Morda vas bodo zanimale vrste okvar in kako dobro model napoveduje vrste okvar na podlagi niza vhodnih podatkov. Če si želite podrobneje ogledati rezultate, izberite Napredne meritve. To prikaže matriko, ki vam omogoča natančnejši pregled rezultatov. V ML se to imenuje a matrika zmede.
Ta matrika je privzeto nastavljena na prevladujoči razred, Brez napak. Na Class lahko izberete ogled naprednih meritev drugih dveh vrst okvar, in sicer napake zaradi preobremenitve in izpada napajanja.
V ML je natančnost modela definirana kot število pravilnih napovedi, deljeno s skupnim številom napovedi. Modra polja predstavljajo pravilne napovedi, ki jih je naredil model glede na podmnožico testnih podatkov, kjer je bil znan rezultat. Tukaj nas zanima, kolikšen odstotek časa je model predvidel določeno vrsto okvare stroja (recimo Brez neuspeha), ko je dejansko ta vrsta napake (Brez neuspeha). V ML je razmerje, ki se uporablja za merjenje tega, TP / (TP + FN). To se imenuje odpoklic. V privzetem primeru brez napake je bilo 1,923 pravilnih napovedi od 1,926 skupnih zapisov, kar je pomenilo 99 % odpoklic. Druga možnost je, da je bilo v razredu okvare zaradi prenapetosti 32 od 38, kar pomeni 84 % odpoklic. Nazadnje, v razredu izpada električne energije je bilo 16 od 19, kar pomeni 84 % odpoklic.
Zdaj imate dve možnosti:
- Ta model lahko uporabite za izvajanje nekaterih napovedi z izbiro Predvidite.
- Ustvarite lahko novo različico tega modela za usposabljanje z Standardna izdelava možnost. To bo trajalo veliko dlje – približno 1–2 uri –, vendar zagotavlja robustnejši model, ker gre skozi celoten pregled AutoML podatkov, algoritmov in iteracij prilagajanja.
Ker poskušate napovedati okvare in model pravilno napove okvare v 84 % primerov, lahko brez skrbi uporabite model za prepoznavanje možnih okvare. Torej lahko nadaljujete s 1. možnostjo. Če niste prepričani, lahko naročite podatkovnemu znanstveniku, da pregleda modeliranje Canvas in ponudi morebitne izboljšave prek 2. možnosti.
Ustvarite napovedi
Zdaj, ko je model usposobljen, lahko začnete ustvarjati napovedi.
- Izberite Predvidite na dnu Analizirajte strani ali izberite Predvidite tab.
- Izberite Izberite nabor podatkovin izberite
maintenance_dataset.csv
Datoteka. - Izberite Ustvarite napovedi.
Canvas uporablja ta nabor podatkov za ustvarjanje naših napovedi. Čeprav je na splošno dobro, da ne uporabljate istega nabora podatkov za usposabljanje in testiranje, lahko v tem primeru zaradi poenostavitve uporabite isti nabor podatkov. Druga možnost je, da odstranite nekaj zapisov iz izvirnega nabora podatkov, ki jih uporabljate za usposabljanje, in uporabite te zapise v datoteki CSV ter jih vnesete v paketno napoved tukaj, tako da ne boste uporabili istega nabora podatkov za testiranje po usposabljanju.
Po nekaj sekundah je napoved končana. Canvas vrne napoved za vsako vrstico podatkov in verjetnost, da je napoved pravilna. Lahko izbirate predogled za ogled napovedi ali izberite Prenos da prenesete datoteko CSV, ki vsebuje celoten rezultat.
Izberete lahko tudi napovedovanje posamezne vrednosti z izbiro Enotna napoved Namesto Paketna napoved. Canvas vam prikaže pogled, kjer lahko ročno vnesete vrednosti za vsako funkcijo in ustvarite napoved. To je idealno za situacije, kot so scenariji kaj če, na primer: Kako obraba orodja vpliva na vrsto okvare? Kaj pa, če se temperatura procesa poveča ali zniža? Kaj pa, če se hitrost vrtenja spremeni?
Standardna izdelava
O Standardna izdelava možnost izbere natančnost namesto hitrosti. Če želite deliti artefakte modela s svojim podatkovnim znanstvenikom in inženirji ML, lahko ustvarite standardno gradnjo.
- Izberite Dodaj različico
- Izberite novo različico in izberite Standardna izdelava.
- Ko ustvarite standardno zgradbo, lahko delite model s podatkovnimi znanstveniki in inženirji ML za nadaljnjo oceno in ponovitev.
Čiščenje
Da bi se izognili prihodnjim stroški seje, odjavite se iz Canvasa.
zaključek
V tej objavi smo pokazali, kako lahko poslovni analitik ustvari model predvidevanja vrste okvare stroja s Canvasom na podlagi podatkov o vzdrževanju. Canvas omogoča poslovnim analitikom, kot so inženirji za zanesljivost, da ustvarijo natančne modele ML in generirajo napovedi z uporabo vizualnega vmesnika brez kode, pokaži in klikni. Analitiki lahko to dvignejo na višjo raven tako, da svoje modele delijo s kolegi podatkovnimi znanstveniki. Podatkovni znanstveniki si lahko ogledajo model Canvas v Studiu, kjer lahko raziskujejo odločitve, ki jih je naredil Canvas, potrdijo rezultate modela in z nekaj kliki celo prenesejo model v proizvodnjo. To lahko pospeši ustvarjanje vrednosti, ki temelji na ML, in pomaga hitreje povečati izboljšane rezultate.
Če želite izvedeti več o uporabi Canvas, glejte Zgradite, delite, uvedite: kako poslovni analitiki in podatkovni znanstveniki dosežejo hitrejši čas do trga z uporabo ML brez kode in Amazon SageMaker Canvas. Za več informacij o ustvarjanju modelov ML z rešitvijo brez kode glejte Predstavljamo Amazon SageMaker Canvas – vizualno zmožnost strojnega učenja brez kodiranja za poslovne analitike.
O avtorjih
Rajakumar Sampathkumar je glavni tehnični vodja računa pri AWS, ki strankam zagotavlja smernice glede usklajevanja poslovne tehnologije in podpira preoblikovanje njihovih modelov in procesov delovanja v oblaku. Navdušen je nad oblakom in strojnim učenjem. Raj je tudi specialist za strojno učenje in sodeluje s strankami AWS pri načrtovanju, uvajanju in upravljanju njihovih delovnih obremenitev in arhitektur AWS.
Twann Atkins je višji arhitekt rešitev za Amazon Web Services. Odgovoren je za sodelovanje s strankami v kmetijstvu, trgovini na drobno in proizvodnji za prepoznavanje poslovnih težav in delo nazaj, da bi identificirali izvedljive in razširljive tehnične rešitve. Twann že več kot 10 let pomaga strankam pri načrtovanju in selitvi kritičnih delovnih obremenitev z nedavnim poudarkom na demokratizaciji analitike, umetne inteligence in strojnega učenja za stranke in graditelje prihodnosti.
Omkar Mukadam je Edge Specialist Solution Architecture pri Amazon Web Services. Trenutno se osredotoča na rešitve, ki komercialnim strankam omogočajo učinkovito načrtovanje, gradnjo in prilagajanje s ponudbo storitev AWS Edge, ki vključuje, a ni omejeno na AWS Snow Family.
- Coinsmart. Najboljša evropska borza bitcoinov in kriptovalut.
- Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. PROST DOSTOP.
- CryptoHawk. Altcoin radar. Brezplačen preizkus.
- Vir: 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
- sposobnost
- O meni
- pospeši
- dostop
- Račun
- natančna
- Doseči
- Ukrep
- dejavnosti
- Dodatne
- admin
- administratorji
- napredno
- proti
- Kmetijstvo
- algoritmi
- vsi
- omogoča
- Čeprav
- Amazon
- Amazon Web Services
- analizirati
- Analiza
- Analitik
- analitika
- kjerkoli
- aplikacija
- uporaba
- primerno
- približno
- Arhitektura
- okoli
- umetni
- Umetna inteligenca
- Umetna inteligenca in strojno učenje
- dodeljena
- povezan
- lastnosti
- samodejno
- Na voljo
- AWS
- Os
- ker
- pred
- počutje
- večji
- meja
- prinašajo
- izgradnjo
- Building
- poslovni
- podjetja
- platno
- Zmogljivosti
- primeru
- primeri
- Kategorija
- nekatere
- spremenite
- možnosti
- Izberite
- razred
- bližje
- Cloud
- Koda
- sodelavci
- Stolpec
- kombinacije
- komercialna
- Skupno
- dokončanje
- Prepričani
- Konzole
- Vsebuje
- naprej
- bi
- ustvarjajo
- Ustvarjanje
- Oblikovanje
- kritično
- Trenutno
- Stranke, ki so
- datum
- podatkovni znanstvenik
- zamuda
- Odvisno
- razporedi
- Oblikovanje
- Zaznali
- Razvoj
- DID
- drugačen
- prikazovalniki
- distribucija
- domena
- prenesi
- Drop
- vsak
- Edge
- učinkovito
- omogoča
- inženir
- Inženirji
- zlasti
- ocenjeni
- ocene
- oceniti
- Ocena
- Primer
- obstoječih
- Pričakuje
- izkušnje
- poskus
- Strokovnjaki
- raziskuje
- izražena
- Napaka
- družina
- hitreje
- Feature
- prva
- Osredotočite
- Osredotoča
- sledi
- po
- iz
- polno
- nadalje
- Prihodnost
- splošno
- splošno
- ustvarjajo
- ustvarjajo
- dobro
- ročaj
- ob
- pomoč
- pomoč
- tukaj
- zelo
- zgodovinski
- Kako
- HTTPS
- Ideja
- idealen
- identificirati
- vpliv
- Pomembnost
- izboljšalo
- Izboljšanje
- vključujejo
- vključuje
- Vključno
- industrij
- Podatki
- obvestila
- vpogledi
- Intelligence
- interaktivno
- zainteresirani
- vmesnik
- razlago
- IT
- znano
- velika
- kosilo
- UČITE
- učenje
- Stopnja
- Limited
- vrstica
- LINK
- Navedeno
- lokalna
- Poglej
- stroj
- strojno učenje
- Stroji
- je
- vzdrževanje
- Znamka
- upravljanje
- upravljanje
- upravitelj
- upravljanje
- ročno
- proizvodnja
- Matrix
- merjenje
- srednje
- Meritve
- ML
- Model
- modeli
- več
- Najbolj
- premikanje
- Naslednja
- opozoriti
- Številka
- ponudba
- Ponudbe
- Delovanje
- operater
- Možnost
- možnosti
- Da
- Organizacija
- izvirno
- Ostalo
- Splošni
- lastne
- zlasti
- strastno
- odstotek
- performance
- predstave
- faza
- politike
- mogoče
- potencial
- moč
- praksa
- napovedati
- napoved
- Napovedi
- , ravnateljica
- problem
- Težave
- Postopek
- Procesi
- Izdelek
- Kakovost izdelka
- proizvodnja
- zagotavljajo
- če
- zagotavlja
- zagotavljanje
- kakovost
- Hitri
- obsegu
- nedavno
- evidence
- predstavljajo
- predstavlja
- obvezna
- vir
- odgovorna
- Rezultati
- Trgovina na drobno
- vrne
- pregleda
- Run
- tek
- Enako
- razširljive
- Lestvica
- Znanstvenik
- Znanstveniki
- točkovanje
- sekund
- serijska
- Serija
- Storitev
- Storitve
- nastavite
- več
- Delite s prijatelji, znanci, družino in partnerji :-)
- deli
- delitev
- Prikaži
- pomemben
- sam
- Velikosti
- sneg
- So
- trdna
- Rešitev
- rešitve
- nekaj
- specialist
- hitrost
- Razcepi
- standardna
- Začetek
- začel
- Statistika
- Status
- studio
- Podpora
- ciljna
- skupina
- tehnični
- Test
- Testiranje
- O
- skozi
- vezana
- čas
- jutri
- orodje
- proti
- usposabljanje
- vlaki
- Preoblikovanje
- Vrste
- tipično
- edinstven
- uporaba
- Uporabniki
- potrjevanje
- vrednost
- različica
- Poglej
- Počakaj
- web
- spletne storitve
- Kaj
- v
- deluje
- deluje
- bi
- let
- Vaša rutina za