Predvideno vzdrževanje je ključnega pomena v avtomobilski industriji, saj se lahko izogne nenavadnim mehanskim okvaram in reaktivnim vzdrževalnim dejavnostim, ki motijo delovanje. Z napovedovanjem okvar vozil ter načrtovanjem vzdrževanja in popravil boste zmanjšali čas izpadov, izboljšali varnost in povečali raven produktivnosti.
Kaj pa, če bi lahko uporabili tehnike globokega učenja na skupnih področjih, ki povzročajo okvare vozil, nenačrtovane izpade in stroške popravil?
V tej objavi vam pokažemo, kako usposobiti in uvesti model za napovedovanje verjetnosti okvare voznega parka z uporabo Amazon SageMaker JumpStart. SageMaker Jumpstart je središče strojnega učenja (ML). Amazon SageMaker, ki zagotavlja vnaprej usposobljene, javno dostopne modele za širok nabor vrst težav, ki vam bodo pomagali začeti z ML. Rešitev, opisana v objavi, je na voljo na GitHub.
Predloge rešitev SageMaker JumpStart
SageMaker JumpStart ponuja rešitve od konca do konca z enim klikom za številne običajne primere uporabe ML. Za več informacij o razpoložljivih predlogah rešitev raziščite naslednje primere uporabe:
Predloge rešitev SageMaker JumpStart zajemajo različne primere uporabe, v okviru katerih je na voljo več različnih predlog rešitev (rešitev v tej objavi, Predvideno vzdrževanje za vozni park, je v rešitve razdelek). Na ciljni strani SageMaker JumpStart izberite predlogo rešitve, ki najbolj ustreza vašemu primeru uporabe. Za več informacij o posebnih rešitvah za vsak primer uporabe in o tem, kako zagnati rešitev SageMaker JumpStart, glejte Predloge rešitev.
Pregled rešitev
Rešitev za napovedno vzdrževanje AWS za avtomobilske flote uporablja tehnike globokega učenja za običajna področja, ki povzročajo okvare vozil, nenačrtovane izpade in stroške popravil. Služi kot začetni gradnik, da v kratkem času pridete do dokaza koncepta. Ta rešitev vsebuje funkcijo priprave podatkov in vizualizacije znotraj SageMakerja ter vam omogoča, da usposobite in optimizirate hiperparametre modelov globokega učenja za vaš nabor podatkov. Uporabite lahko svoje podatke ali poskusite rešitev s sintetičnim naborom podatkov kot del te rešitve. Ta različica obdeluje podatke senzorjev vozila skozi čas. Naslednja različica bo obdelala podatke o vzdrževanju.
Naslednji diagram prikazuje, kako lahko uporabite to rešitev s komponentami SageMaker. V sklopu rešitve se uporabljajo naslednje storitve:
- Amazon S3 - Uporabljamo Preprosta storitev shranjevanja Amazon (Amazon S3) za shranjevanje naborov podatkov
- Beležnica SageMaker – Uporabljamo prenosni računalnik za predhodno obdelavo in vizualizacijo podatkov ter za usposabljanje modela globokega učenja
- Končna točka SageMaker – Končno točko uporabimo za uvedbo usposobljenega modela
Potek dela vključuje naslednje korake:
- Izvleček zgodovinskih podatkov se ustvari iz sistema za upravljanje voznega parka, ki vsebuje podatke o vozilih in dnevnike senzorjev.
- Ko se model ML usposobi, se razmesti artefakt modela SageMaker.
- Povezano vozilo pošilja dnevnike senzorjev na AWS IoT jedro (alternativno prek vmesnika HTTP).
- Dnevniki senzorjev se ohranjajo prek Amazon Kinesis Data Firehose.
- Dnevniki senzorjev so poslani na AWS Lambda za poizvedovanje glede na model za napovedovanje.
- Lambda pošilja dnevnike senzorjev sklepanju modela Sagemaker za napovedi.
- Napovedi se vztrajajo Amazonska Aurora.
- Skupni rezultati so prikazani na Amazon QuickSight armaturna plošča.
- Obvestila v realnem času o predvideni verjetnosti okvare se pošiljajo na Amazon Simple notification Service (Amazon SNS).
- Amazon SNS pošilja obvestila nazaj v povezano vozilo.
Rešitev je sestavljena iz šestih zvezkov:
- 0_demo.ipynb – Hiter predogled naše rešitve
- 1_uvod.ipynb – Uvod in pregled rešitve
- 2_priprava_podatkov.ipynb – Pripravite vzorčni nabor podatkov
- 3_data_visualization.ipynb – Vizualizirajte naš vzorčni nabor podatkov
- 4_model_training.ipynb – Usposobite model na našem vzorčnem naboru podatkov za odkrivanje napak
- 5_analiza_rezultatov.ipynb – Analizirajte rezultate modela, ki smo ga usposobili
Predpogoji
Amazon SageMaker Studio je integrirano razvojno okolje (IDE) znotraj SageMakerja, ki nam nudi vse funkcije ML, ki jih potrebujemo, v enem steklenem podoknu. Preden lahko zaženemo SageMaker JumpStart, moramo nastaviti SageMaker Studio. Ta korak lahko preskočite, če že imate v teku svojo različico programa SageMaker Studio.
Prva stvar, ki jo moramo narediti, preden lahko uporabimo katero koli storitev AWS, je, da se prepričamo, da smo se prijavili in ustvarili račun AWS. Nato ustvarimo administratorskega uporabnika in skupino. Za navodila o obeh korakih glejte Nastavite predpogoje za Amazon SageMaker.
Naslednji korak je ustvariti domeno SageMaker. Domena vzpostavi ves prostor za shranjevanje in vam omogoča dodajanje uporabnikov za dostop do SageMakerja. Za več informacij glejte Vkrcajte se na domeno Amazon SageMaker. Ta predstavitev je ustvarjena v regiji AWS us-east-1.
Na koncu zaženete SageMaker Studio. Za to objavo priporočamo zagon aplikacije uporabniškega profila. Za navodila glejte Zaženite Amazon SageMaker Studio.
Če želite zagnati to rešitev SageMaker JumpStart in imeti infrastrukturo nameščeno v vašem računu AWS, morate ustvariti aktiven primerek SageMaker Studio (glejte Na krovu v Amazon SageMaker Studio). Ko je vaš primerek pripravljen, uporabite navodila v SageMaker JumpStart za zagon rešitve. V to so vključeni artefakti rešitve GitHub repozitorij za referenco.
Zaženite rešitev SageMaker Jumpstart
Če želite začeti z rešitvijo, izvedite naslednje korake:
- Na konzoli SageMaker Studio izberite jumpstart.
- o rešitve izberite jeziček Predvideno vzdrževanje za vozni park.
- Izberite Zagon.
Razmestitev rešitve traja nekaj minut. - Ko je rešitev uvedena, izberite Open Notebook.
Če ste pozvani, da izberete jedro, izberite PyTorch 1.8 Python 3.6 za vse prenosnike v tej rešitvi.
Predogled rešitve
Najprej delamo na 0_demo.ipynb
zvezek. V tem zvezku lahko dobite hiter predogled tega, kako bo videti rezultat, ko dokončate celoten zvezek za to rešitev.
Izberite Run in Zaženi vse celice za zagon vseh celic v SageMaker Studio (ali Celica in Zaženi vse v primerku prenosnega računalnika SageMaker). Vse celice v vsakem zvezku lahko izvajate eno za drugo. Zagotovite, da so vse celice dokončane z obdelavo, preden se premaknete na naslednji zvezek.
Ta rešitev se opira na konfiguracijsko datoteko za izvajanje omogočenih virov AWS. Datoteko ustvarimo na naslednji način:
Imamo nekaj vzorčnih časovnih vrst vhodnih podatkov, ki so sestavljeni iz napetosti akumulatorja vozila in toka akumulatorja skozi čas. Nato naložimo in vizualiziramo vzorčne podatke. Kot je prikazano na naslednjih posnetkih zaslona, so vrednosti napetosti in toka na osi Y, odčitki (zabeleženih 19 odčitkov) pa na osi X.
Prej smo usposobili model na podlagi teh podatkov o napetosti in toku, ki napoveduje verjetnost okvare vozila, in smo model uporabili kot končno točko v SageMakerju. To končno točko bomo poklicali z nekaj vzorčnimi podatki, da določimo verjetnost okvare v naslednjem časovnem obdobju.
Glede na vzorčne vhodne podatke je predvidena verjetnost okvare 45.73%.
Za prehod na naslednjo stopnjo izberite Kliknite tukaj za nadaljevanje.
Uvod in pregled rešitve
O 1_introduction.ipynb
notebook ponuja pregled rešitve in stopenj ter vpogled v konfiguracijsko datoteko z definicijo vsebine, obdobjem vzorčenja podatkov, številom vlakov in preskusnih vzorcev, parametri, lokacijo in imena stolpcev za ustvarjeno vsebino.
Ko pregledate ta zvezek, se lahko premaknete na naslednjo stopnjo.
Pripravite vzorčni nabor podatkov
Pripravimo vzorčni nabor podatkov v 2_data_preparation.ipynb
zvezek.
Najprej ustvarimo konfiguracijsko datoteko za to rešitev:
Lastnosti konfiguracije so naslednje:
Določite lahko svoj nabor podatkov ali uporabite naše skripte za ustvarjanje vzorčnega nabora podatkov:
Podatke senzorjev in podatke o voznem parku lahko združite skupaj:
Zdaj lahko preidemo na vizualizacijo podatkov.
Vizualizirajte naš vzorčni nabor podatkov
Vizualiziramo naš vzorčni nabor podatkov 3_data_vizualization.ipynb
. Ta rešitev se opira na konfiguracijsko datoteko za izvajanje omogočenih virov AWS. Ustvarimo datoteko podobno prejšnjemu zvezku.
Naslednji posnetek zaslona prikazuje naš nabor podatkov.
Nato sestavimo nabor podatkov:
Zdaj, ko je nabor podatkov pripravljen, poglejmo statistične podatke podatkov. Naslednji posnetek zaslona prikazuje porazdelitev podatkov glede na znamko vozila, tip motorja, razred vozila in model.
Če primerjamo podatke dnevnika, si poglejmo primer srednje napetosti v različnih letih za Make E in C (naključno).
Srednja vrednost napetosti in toka je na osi Y, število odčitkov pa na osi X.
- Možne vrednosti za log_target: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- Naključno dodeljena vrednost za
log_target: make
- Naključno dodeljena vrednost za
- Možne vrednosti za log_target_value1: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Naključno dodeljena vrednost za
log_target_value1: Make B
- Naključno dodeljena vrednost za
- Možne vrednosti za log_target_value2: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Naključno dodeljena vrednost za
log_target_value2: Make D
- Naključno dodeljena vrednost za
Glede na zgoraj navedeno domnevamo log_target: make
, log_target_value1: Make B
in log_target_value2: Make D
Naslednji grafi razčlenijo povprečje podatkov dnevnika.
Naslednji grafi prikazujejo primer različnih vrednosti dnevnika senzorja glede na napetost in tok.
Usposobite model na našem vzorčnem naboru podatkov za odkrivanje napak
v 4_model_training.ipynb
prenosnik, urimo model na našem vzorčnem naboru podatkov za odkrivanje napak.
Ustvarimo konfiguracijsko datoteko, podobno kot v prejšnjem zvezku, nato pa nadaljujmo s konfiguracijo usposabljanja:
Analizirajte rezultate modela, ki smo ga usposobili
v 5_results_analysis.ipynb
prenosni računalnik, pridobimo podatke iz našega opravila prilagajanja hiperparametrov, vizualiziramo metrike vseh opravil, da prepoznamo najboljše opravilo, in zgradimo končno točko za najboljše opravilo usposabljanja.
Ustvarimo konfiguracijsko datoteko, podobno prejšnjemu zvezku, in vizualizirajmo metrike vseh opravil. Naslednji diagram vizualizira natančnost testa glede na epoho.
Naslednji posnetek zaslona prikazuje opravila prilagajanja hiperparametrov, ki smo jih izvajali.
Zdaj lahko vizualizirate podatke iz najboljšega usposabljanja (od štirih usposabljanj) na podlagi natančnosti testa (rdeče).
Kot lahko vidimo na naslednjih posnetkih zaslona, izguba pri preskusu upada, AUC in natančnost pa naraščata z epohami.
Na podlagi vizualizacij lahko zdaj zgradimo končno točko za najboljše delo usposabljanja:
Ko zgradimo končno točko, lahko preskusimo napovedovalec tako, da mu posredujemo vzorčne dnevnike senzorjev:
Glede na vzorčne vhodne podatke je predvidena verjetnost okvare 34.60%.
Čiščenje
Ko končate s to rešitvijo, se prepričajte, da ste izbrisali vse neželene vire AWS. Na Predvideno vzdrževanje za vozni park strani, pod Izbriši rešitev, izberite Izbriši vse vire da izbrišete vse vire, povezane z rešitvijo.
Vse dodatne vire, ki ste jih morda ustvarili v tem zvezku, morate ročno izbrisati. Nekateri primeri vključujejo dodatna vedra S3 (v privzeto vedro rešitve) in dodatne končne točke SageMaker (z uporabo imena po meri).
Prilagodite rešitev
Našo rešitev je enostavno prilagoditi. Če želite spremeniti vizualizacije vhodnih podatkov, glejte sagemaker/3_data_visualization.ipynb. Če želite prilagoditi strojno učenje, glejte sagemaker/source/train.py in sagemaker/source/dl_utils/network.py. Če želite prilagoditi obdelavo nabora podatkov, glejte sagemaker/1_introduction.ipynb o tem, kako definirati konfiguracijsko datoteko.
Poleg tega lahko spremenite konfiguracijo v konfiguracijski datoteki. Privzeta konfiguracija je naslednja:
Konfiguracijska datoteka ima naslednje parametre:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
intest_dataset_fn
določite lokacijo datotek nabora podatkovvehicle_id_column
,timestamp_column
,target_column
inperiod_column
določite naslove za stolpcedataset_size
,chunksize
,processing_chunksize
,period_ms
inwindow_length
določite lastnosti nabora podatkov
zaključek
V tej objavi smo vam pokazali, kako usposobiti in uvesti model za napovedovanje verjetnosti okvare voznega parka z uporabo SageMaker JumpStart. Rešitev temelji na modelih ML in globokega učenja ter omogoča široko paleto vhodnih podatkov, vključno s kakršnimi koli časovno spremenljivimi podatki senzorjev. Ker ima vsako vozilo drugačno telemetrijo, lahko priloženi model natančno prilagodite frekvenci in vrsti podatkov, ki jih imate.
Če želite izvedeti več o tem, kaj lahko storite s SageMaker JumpStart, glejte naslednje:
viri
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.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Avtomobili/EV, Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- BlockOffsets. Posodobitev okoljskega offset lastništva. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- :ima
- : je
- ][str
- $GOR
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- O meni
- nad
- dostop
- Po
- Račun
- natančnost
- čez
- aktivna
- dejavnosti
- dodajte
- upravno
- po
- proti
- poravnava
- vsi
- omogoča
- že
- Prav tako
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- analizirati
- in
- kaj
- aplikacija
- Uporabi
- SE
- območja
- AS
- dodeljena
- povezan
- domnevati
- At
- avtomobilska
- Na voljo
- izogniti
- AWS
- Os
- nazaj
- temeljijo
- baterija
- ker
- pred
- BEST
- Block
- telo
- povečanje
- tako
- Break
- izgradnjo
- Building
- by
- klic
- CAN
- Lahko dobiš
- primeru
- primeri
- Celice
- spremenite
- Izberite
- razred
- stranke
- Cloud
- Stolpec
- Skupno
- dokončanje
- deli
- Koncept
- konfiguracija
- povezane
- Sestavljeno
- vsebuje
- Konzole
- Vsebuje
- vsebina
- stroški
- bi
- pokrov
- ustvarjajo
- ustvaril
- kritično
- Trenutna
- po meri
- Stranke, ki so
- prilagodite
- Armaturna plošča
- datum
- Priprava podatkov
- vizualizacija podatkov
- Pade
- globoko
- globoko učenje
- privzeto
- opredelitev
- demo
- dokazuje,
- razporedi
- razporejeni
- Oblikovanje
- Ugotovite,
- Razvoj
- drugačen
- prikazano
- Moti
- distribucija
- do
- domena
- navzdol
- odmore
- pogon
- e
- vsak
- ostalo
- konec koncev
- Končna točka
- Motor
- zagotovitev
- okolje
- epoha
- epohe
- Tudi vsak
- Primer
- Primeri
- raziskuje
- dodatna
- ekstrakt
- Napaka
- false
- Lastnosti
- Nekaj
- file
- konča
- prva
- FLET
- po
- sledi
- za
- štiri
- frekvenca
- iz
- polno
- funkcionalnost
- ustvarjajo
- ustvarila
- generator
- dobili
- dana
- steklo
- GPU
- grafi
- skupina
- Navodila
- Imajo
- he
- Glave
- pomoč
- tukaj
- zgodovinski
- Kako
- Kako
- HTML
- http
- HTTPS
- Hub
- Optimizacija hiperparametra
- Uglaševanje hiperparametrov
- i
- identificirati
- if
- uvoz
- izboljšanje
- in
- vključujejo
- vključeno
- vključuje
- Vključno
- Povečajte
- industrij
- Podatki
- Infrastruktura
- začetna
- sproži
- vhod
- primer
- Navodila
- integrirana
- vmesnik
- v
- Predstavitev
- Internet stvari
- IT
- Job
- Delovna mesta
- jpg
- json
- tipke
- pristanek
- kosilo
- začetek
- UČITE
- učenje
- ravni
- kot
- obremenitev
- lokalna
- kraj aktivnosti
- prijavi
- Poglej
- izgleda kot
- off
- stroj
- strojno učenje
- vzdrževanje
- Znamka
- upravljanje
- upravljanje
- upravitelj
- ročno
- več
- Povečajte
- Maj ..
- pomeni
- mehanska
- Spoji
- Meritve
- Minute
- ML
- Model
- modeli
- spremenite
- več
- premikanje
- premikanje
- Ime
- Imena
- Nimate
- Naslednja
- prenosnik
- Obvestilo
- Obvestila
- zdaj
- Številka
- of
- ponujen
- on
- ONE
- samo
- odprite
- Delovanje
- operacije
- optimizacija
- Optimizirajte
- or
- OS
- Ostalo
- naši
- ven
- Rezultat
- opisano
- več
- pregled
- lastne
- Stran
- podokno
- parametri
- del
- Podaje
- strastno
- pot
- Obdobje
- platon
- Platonova podatkovna inteligenca
- PlatoData
- prosim
- Prispevek
- napovedati
- napovedano
- napovedovanje
- Napovedi
- Predictor
- Napovedi
- Priprava
- Pripravimo
- predogled
- prejšnja
- prej
- , ravnateljica
- problem
- Postopek
- Procesi
- obravnavati
- produktivnost
- profil
- dokazilo
- dokaz koncepta
- Lastnosti
- če
- zagotavlja
- zagotavljanje
- javno
- Python
- pitorha
- Hitri
- naključno
- območje
- pripravljen
- Priporočamo
- zapis
- Zabeležena
- Rdeča
- zmanjša
- okolica
- popravilo
- viri
- Odgovor
- Rezultati
- vrnitev
- pregleda
- vloga
- Run
- tek
- Varnost
- sagemaker
- Vzorčni niz podatkov
- razporejanje
- galerija
- skripte
- Oddelek
- glej
- pošlje
- poslan
- Serija
- služi
- Storitve
- Zasedanje
- nastavite
- Kompleti
- več
- Kratke Hlače
- Prikaži
- je pokazala,
- pokazale
- Razstave
- podpisano
- Podoben
- Enostavno
- sam
- SIX
- Rešitev
- rešitve
- nekaj
- vir
- specialist
- specifična
- Stage
- postopka
- začel
- Statistika
- Korak
- Koraki
- shranjevanje
- trgovina
- studio
- kasneje
- Podpora
- Preverite
- sintetična
- sistem
- meni
- tehnični
- tehnike
- Predloga
- predloge
- Test
- da
- O
- njihove
- POTEM
- stvar
- ta
- čas
- Časovne serije
- Časovni žig
- do
- skupaj
- Vlak
- usposobljeni
- usposabljanje
- poskusite
- tip
- Vrste
- pod
- nezaželen
- us
- uporaba
- primeru uporabe
- Rabljeni
- uporabnik
- Uporabniki
- uporabo
- vrednost
- Vrednote
- raznolikost
- vozilo
- različica
- preko
- vizualizacija
- Volt
- Napetost
- vs
- W
- we
- web
- spletne storitve
- Kaj
- kdaj
- ki
- široka
- Širok spekter
- bo
- z
- v
- delo
- potek dela
- deluje
- X
- yaml
- let
- Vi
- Vaša rutina za
- zefirnet