Att förutsäga vanliga maskinfelstyper är avgörande i tillverkningsindustrin. Givet en uppsättning egenskaper hos en produkt som är knuten till en viss typ av fel, kan du utveckla en modell som kan förutsäga feltypen när du matar dessa attribut till en maskininlärningsmodell (ML). ML kan hjälpa till med insikter, men hittills har du behövt ML-experter för att bygga modeller för att förutsäga typer av maskinfel, vars brist kan försena alla korrigerande åtgärder som företag behöver för att effektivisera eller förbättra.
I det här inlägget visar vi dig hur affärsanalytiker kan bygga en ML-modell för förutsägelse av maskinfelstyp Amazon SageMaker Canvas. Canvas ger dig ett visuellt peka-och-klicka-gränssnitt som låter dig bygga modeller och generera exakta ML-förutsägelser på egen hand – utan att behöva någon ML-erfarenhet eller att behöva skriva en enda rad kod.
Lösningsöversikt
Låt oss anta att du är en affärsanalytiker som har tilldelats ett underhållsteam i en stor tillverkningsorganisation. Ditt underhållsteam har bett dig hjälpa till att förutsäga vanliga fel. De har försett dig med en historisk datauppsättning som innehåller egenskaper kopplade till en given typ av fel och vill att du ska förutsäga vilket fel som kommer att inträffa i framtiden. Feltyperna inkluderar Inget fel, Överbelastning och Strömavbrott. Dataschemat listas i följande tabell.
Kolumnnamn | Data typ | Beskrivning |
UID | INT | Unik identifierare från 1–10,000 XNUMX |
Serienummer | STRÄNG | Består av en bokstav – L, M eller H för låg, medium eller hög – som produktkvalitetsvarianter och ett variantspecifikt serienummer |
Typ | STRÄNG | Initialbokstav associerad med produkt-ID som endast består av L, M eller H |
lufttemperatur [K] | DECIMAL | Lufttemperatur angiven i kelvin |
processtemperatur [K] | DECIMAL | Noggrant kontrollerade temperaturer för att säkerställa kvaliteten på en given typ av produkt specificerad i kelvin |
rotationshastighet [rpm] | DECIMAL | Rotationshastigheten för ett föremål som roterar runt en axel är antalet varv för föremålet dividerat med tiden, specificerat som varv per minut |
vridmoment [Nm] | DECIMAL | Maskinsvängkraft genom en radie, uttryckt i newtonmeter |
verktygsslitage [min] | INT | Verktygsslitage uttryckt i minuter |
feltyp (mål) | STRÄNG | Inget fel, strömavbrott eller överbelastningsfel |
Efter att feltypen har identifierats kan företag vidta alla korrigerande åtgärder. För att göra detta använder du den data du har i en CSV-fil, som innehåller vissa egenskaper hos en produkt som beskrivs i tabellen. Du använder Canvas för att utföra följande steg:
- Importera underhållsdataset.
- Träna och bygg modellen för prediktivt maskinunderhåll.
- Analysera modellens resultat.
- Testa förutsägelser mot modellen.
Förutsättningar
En molnadministratör med en AWS-konto med lämpliga behörigheter krävs för att uppfylla följande förutsättningar:
- Implementera en Amazon SageMaker domän För instruktioner, se Ombord på Amazon SageMaker Domain.
- Starta Canvas. För instruktioner, se Konfigurera och hantera Amazon SageMaker Canvas (för IT-administratörer).
- Konfigurera cross-origin resurs sharing (CORS) policyer för Canvas. För instruktioner, se Ge dina användare möjligheten att ladda upp lokala filer.
Importera datamängden
Ladda ner först underhållsdatauppsättning och granska filen för att se till att all data finns där.
Canvas tillhandahåller flera exempeldatauppsättningar i din applikation för att hjälpa dig komma igång. För att lära dig mer om de av SageMaker tillhandahållna exempeldatauppsättningarna som du kan experimentera med, se Använd exempeldatauppsättningar. Om du använder exempeldataset (canvas-sample-maintenance.csv
) tillgängligt inom Canvas, behöver du inte importera underhållsdataset.
Du kan importera data från olika datakällor till Canvas. Om du planerar att använda din egen datauppsättning följer du stegen i Importera data i Amazon SageMaker Canvas.
För det här inlägget använder vi hela underhållsdataset som vi laddade ner.
- Logga in på AWS Management Console, med ett konto med lämpliga behörigheter för att komma åt Canvas.
- Logga in på Canvas-konsolen.
- Välja Importera.
- Välja Ladda och välj
maintenance_dataset.csv
fil. - Välja Importera datum för att ladda upp den till Canvas.
Importprocessen tar cirka 10 sekunder (detta kan variera beroende på datasetets storlek). När den är klar kan du se att datamängden finns i Ready
status.
När du har bekräftat att den importerade datamängden är ready
, kan du skapa din modell.
Bygg och träna modellen
Utför följande steg för att skapa och träna din modell:
- Välja Ny modell, och ange ett namn för din modell.
- Välja Skapa.
- Välj
maintenance_dataset.csv
dataset och välj Välj dataset.
I modellvyn kan du se fyra flikar, som motsvarar de fyra stegen för att skapa en modell och använda den för att generera förutsägelser: Välja, Bygga, Analyseraoch förutsäga. - På Välja , välj den
maintenance_dataset.csv
datauppsättning du laddade upp tidigare och välj Välj dataset.
Denna datauppsättning innehåller 9 kolumner och 10,000 XNUMX rader. Canvas flyttas automatiskt till byggfasen. - På den här fliken väljer du målkolumnen, i vårt fall Typ av fel.Underhållsteamet har informerat dig om att den här kolumnen anger vilken typ av fel som vanligtvis upptäcks baserat på historiska data från deras befintliga maskiner. Detta är vad du vill träna din modell att förutsäga. Canvas känner automatiskt av att detta är en 3 Kategori problem (även känt som flerklassklassificering). Om fel modelltyp upptäcks kan du ändra den manuellt med Ändra typ alternativ.
Det bör noteras att denna datauppsättning är mycket obalanserad mot klassen No Failure, vilket kan ses genom att titta på kolumnen med namnet Typ av fel. Även om Canvas och de underliggande AutoML-funktionerna delvis kan hantera datauppsättningsobalans, kan detta resultera i vissa skeva prestanda. Som ett ytterligare nästa steg, se Balansera dina data för maskininlärning med Amazon SageMaker Data Wrangler. Genom att följa stegen i den delade länken kan du starta en Amazon SageMaker Studio app från SageMaker-konsolen och importera denna datauppsättning inuti Amazon SageMaker Data Wrangler och använd Balansdatatransformationen, ta sedan tillbaka den balanserade datamängden till Canvas och fortsätt med följande steg. Vi fortsätter med den obalanserade datamängden i det här inlägget för att visa att Canvas också kan hantera obalanserade datamängder.
På den nedre halvan av sidan kan du titta på en del av statistiken för datamängden, inklusive saknade och felaktiga värden, unika värden och medel- och medianvärden. Du kan också släppa några av kolumnerna om du inte vill använda dem för förutsägelsen genom att helt enkelt avmarkera dem.
När du har utforskat det här avsnittet är det dags att träna modellen! Innan du bygger en komplett modell är det bra att ha en allmän uppfattning om modellens prestanda genom att träna en snabbmodell. En snabbmodell tränar färre kombinationer av modeller och hyperparametrar för att prioritera hastighet framför noggrannhet, speciellt i de fall du vill bevisa värdet av att träna en ML-modell för ditt användningsfall. Observera att alternativet för snabbbyggnad inte är tillgängligt för modeller som är större än 50,000 XNUMX rader. - Välja Snabbbyggnad.
Nu väntar du allt från 2–15 minuter. När det är klart flyttas Canvas automatiskt till Analysera fliken för att visa dig resultaten av snabb träning. Analysen som utförs med hjälp av quick build uppskattar att din modell kan förutsäga rätt feltyp (utfall) 99.2 % av tiden. Du kan uppleva lite olika värden. Detta förväntas.
Låt oss fokusera på den första fliken, Översikt. Det här är fliken som visar dig Kolumnpåverkan, eller den uppskattade betydelsen av varje kolumn för att förutsäga målkolumnen. I det här exemplet har kolumnerna Vridmoment [Nm] och Rotationshastighet [rpm] den mest betydande inverkan när det gäller att förutsäga vilken typ av fel som kommer att inträffa.
Utvärdera modellens prestanda
När du flyttar till Poängräkning del av din analys kan du se en plot som representerar fördelningen av våra förutsagda värden med avseende på de faktiska värdena. Observera att de flesta fel kommer att vara inom kategorin Inget fel. För att lära dig mer om hur Canvas använder SHAP-baslinjer för att förtydliga ML, se Utvärdera din modells prestanda i Amazon SageMaker Canvas, såväl som SHAP-grundlinjer för förklarbarhet.
Canvas delar upp den ursprungliga datamängden i tåg- och valideringsuppsättningar före träningen. Poängsättningen är ett resultat av att Canvas kör valideringsuppsättningen mot modellen. Detta är ett interaktivt gränssnitt där du kan välja feltyp. Om du väljer Överbelastningsfel i grafiken kan du se att modellen identifierar dessa 84 % av tiden. Detta är tillräckligt bra för att vidta åtgärder - kanske be en operatör eller ingenjör kontrollera ytterligare. Du kan välja Strömavbrott i grafiken för att se respektive poängsättning för vidare tolkning och åtgärder.
Du kanske är intresserad av feltyper och hur väl modellen förutsäger feltyper baserat på en serie indata. För att ta en närmare titt på resultaten, välj Avancerade mätvärden. Detta visar en matris som gör att du kan undersöka resultaten närmare. I ML benämns detta en förvirringsmatris.
Denna matris har som standard den dominerande klassen, No Failure. På Klass menyn kan du välja att visa avancerad statistik för de andra två feltyperna överbelastningsfel och strömavbrott.
I ML definieras modellens noggrannhet som antalet korrekta förutsägelser fördelat på det totala antalet förutsägelser. De blå rutorna representerar korrekta förutsägelser som modellen gjorde mot en delmängd av testdata där det fanns ett känt utfall. Här är vi intresserade av hur stor procentandel av tiden som modellen förutspådde en viss typ av maskinfel (låt säga Inget misslyckande) när det faktiskt är den typen av fel (Inget misslyckande). I ML är ett förhållande som används för att mäta detta TP / (TP + FN). Detta kallas minns. I standardfallet, No Failure, fanns det 1,923 1,926 korrekta förutsägelser av 99 XNUMX totala rekord, vilket resulterade i XNUMX % minns. Alternativt, i klassen överbelastningsfel, fanns det 32 av 38, vilket resulterar i 84 % minns. Slutligen, i klassen strömavbrott, fanns det 16 av 19, vilket resulterar i 84 % minns.
Nu har du två alternativ:
- Du kan använda den här modellen för att köra några förutsägelser genom att välja förutsäga.
- Du kan skapa en ny version av denna modell för att träna med Standardbyggd alternativ. Detta kommer att ta mycket längre tid – cirka 1–2 timmar – men ger en mer robust modell eftersom den går igenom en fullständig AutoML-granskning av data, algoritmer och inställningsiterationer.
Eftersom du försöker förutsäga misslyckanden och modellen förutsäger fel korrekt 84 % av tiden, kan du med säkerhet använda modellen för att identifiera möjliga fel. Så du kan gå vidare till alternativ 1. Om du inte var säker kan du låta en dataforskare granska modelleringen Canvas och erbjuda potentiella förbättringar via alternativ 2.
Skapa förutsägelser
Nu när modellen är tränad kan du börja generera förutsägelser.
- Välja förutsäga längst ner på Analysera sida, eller välj förutsäga fliken.
- Välja Välj datasetoch välj
maintenance_dataset.csv
fil. - Välja Skapa förutsägelser.
Canvas använder denna datauppsättning för att generera våra förutsägelser. Även om det i allmänhet är en bra idé att inte använda samma datauppsättning för både träning och testning, kan du använda samma datauppsättning för enkelhetens skull i det här fallet. Alternativt kan du ta bort några poster från din ursprungliga datauppsättning som du använder för träning och använda dessa poster i en CSV-fil och mata in den till batchförutsägelsen här så att du inte använder samma datauppsättning för att testa efter träning.
Efter några sekunder är förutsägelsen klar. Canvas returnerar en förutsägelse för varje rad med data och sannolikheten för att förutsägelsen är korrekt. Du kan välja Förhandsvisning för att se förutsägelserna, eller välj Download för att ladda ner en CSV-fil som innehåller hela resultatet.
Du kan också välja att förutsäga ett och ett värden genom att välja Enkel förutsägelse istället för Batch-förutsägelse. Canvas visar dig en vy där du kan ange värdena för varje funktion manuellt och generera en förutsägelse. Detta är idealiskt för situationer som vad-om-scenarier, till exempel: Hur påverkar verktygsslitaget feltypen? Vad händer om processtemperaturen ökar eller minskar? Vad händer om rotationshastigheten ändras?
Standardbyggd
Smakämnen Standardbyggd alternativet väljer noggrannhet framför hastighet. Om du vill dela modellens artefakter med din datavetare och ML-ingenjörer kan du skapa en standardversion härnäst.
- Välja Lägg till version
- Välj en ny version och välj Standardbyggd.
- När du har skapat en standardversion kan du dela modellen med datavetare och ML-ingenjörer för vidare utvärdering och iteration.
Städa upp
För att undvika att ådra sig framtid sessionsavgifter, logga ut från Canvas.
Slutsats
I det här inlägget visade vi hur en affärsanalytiker kan skapa en prediktionsmodell för maskinfelstyp med Canvas med hjälp av underhållsdata. Canvas låter affärsanalytiker som tillförlitlighetsingenjörer skapa korrekta ML-modeller och generera förutsägelser med hjälp av ett kodfritt, visuellt, peka-och-klicka-gränssnitt. Analytiker kan ta detta till nästa nivå genom att dela sina modeller med dataforskares kollegor. Dataforskare kan se Canvas-modellen i Studio, där de kan utforska de val Canvas gjort, validera modellresultat och till och med ta modellen till produktion med några få klick. Detta kan påskynda ML-baserat värdeskapande och hjälpa till att skala förbättrade resultat snabbare.
För att lära dig mer om hur du använder Canvas, se Bygg, dela, implementera: hur affärsanalytiker och datavetare uppnår snabbare time-to-market med hjälp av no-code ML och Amazon SageMaker Canvas. För mer information om att skapa ML-modeller med en kodlös lösning, se Tillkännager Amazon SageMaker Canvas – en visuell maskininlärningsförmåga utan kod för affärsanalytiker.
Om författarna
Rajakumar Sampathkumar är en Principal Technical Account Manager på AWS, som ger kunder vägledning om affärsteknologisk anpassning och stödjer återuppfinnandet av deras molndriftsmodeller och -processer. Han brinner för moln och maskininlärning. Raj är också en maskininlärningsspecialist och arbetar med AWS-kunder för att designa, distribuera och hantera deras AWS-arbetsbelastningar och -arkitekturer.
Twann Atkins är en senior lösningsarkitekt för Amazon Web Services. Han är ansvarig för att arbeta med kunder inom jordbruk, detaljhandel och tillverkning för att identifiera affärsproblem och arbeta bakåt för att identifiera hållbara och skalbara tekniska lösningar. Twann har hjälpt kunder att planera och migrera kritiska arbetsbelastningar i mer än 10 år med ett nyligen fokus på demokratisering av analyser, artificiell intelligens och maskininlärning för morgondagens kunder och byggare.
Omkar Mukadam är en Edge Specialist Solution Architecture på Amazon Web Services. Han fokuserar för närvarande på lösningar som gör det möjligt för kommersiella kunder att effektivt designa, bygga och skala med AWS Edge-tjänster som inkluderar men inte begränsat till AWS Snow Family.
- Myntsmart. Europas bästa bitcoin- och kryptobörs.
- Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. FRI TILLGÅNG.
- CryptoHawk. Altcoin radar. Gratis provperiod.
- Källa: 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
- förmåga
- Om oss
- accelerera
- tillgång
- Konto
- exakt
- Uppnå
- Handling
- åtgärder
- Annat
- administration
- administratörer
- avancerat
- mot
- jordbruket
- algoritmer
- Alla
- tillåter
- Även
- amason
- Amazon Web Services
- analysera
- analys
- analytiker
- analytics
- var som helst
- app
- Ansökan
- lämpligt
- cirka
- arkitektur
- runt
- konstgjord
- artificiell intelligens
- Konstgjord intelligens och maskininlärning
- delad
- associerad
- attribut
- automatiskt
- tillgänglig
- AWS
- Axis
- därför att
- innan
- Där vi får lov att vara utan att konstant prestera,
- större
- gränsen
- föra
- SLUTRESULTAT
- Byggnad
- företag
- företag
- canvas
- kapacitet
- Vid
- fall
- Kategori
- vissa
- byta
- val
- Välja
- klass
- närmare
- cloud
- koda
- kollegor
- Kolumn
- kombinationer
- kommersiella
- Gemensam
- fullborda
- säker
- Konsol
- innehåller
- fortsätta
- kunde
- skapa
- Skapa
- skapande
- kritisk
- För närvarande
- Kunder
- datum
- datavetare
- fördröja
- beroende
- distribuera
- Designa
- detekterad
- utveckla
- DID
- olika
- displayer
- fördelning
- domän
- ladda ner
- Drop
- varje
- kant
- effektivt
- möjliggör
- ingenjör
- Ingenjörer
- speciellt
- beräknad
- uppskattningar
- utvärdera
- utvärdering
- exempel
- befintliga
- förväntat
- erfarenhet
- experimentera
- experter
- utforska
- uttryckt
- Misslyckande
- familj
- snabbare
- Leverans
- Förnamn
- Fokus
- fokuserar
- följer
- efter
- från
- full
- ytterligare
- framtida
- Allmänt
- allmänhet
- generera
- generera
- god
- hantera
- har
- hjälpa
- hjälpa
- här.
- höggradigt
- historisk
- Hur ser din drömresa ut
- HTTPS
- Tanken
- idealisk
- identifiera
- Inverkan
- vikt
- förbättras
- förbättring
- innefattar
- innefattar
- Inklusive
- industrier
- informationen
- informeras
- insikter
- Intelligens
- interaktiva
- intresserad
- Gränssnitt
- tolkning
- IT
- känd
- Large
- lansera
- LÄRA SIG
- inlärning
- Nivå
- Begränsad
- linje
- LINK
- Noterade
- lokal
- se
- Maskinen
- maskininlärning
- Maskiner
- gjord
- underhåll
- göra
- hantera
- ledning
- chef
- hantera
- manuellt
- Produktion
- Matris
- mäta
- Medium
- Metrics
- ML
- modell
- modeller
- mer
- mest
- flytta
- Nästa
- noterade
- antal
- erbjudanden
- offer~~POS=TRUNC
- drift
- Operatören
- Alternativet
- Tillbehör
- beställa
- organisation
- ursprungliga
- Övriga
- övergripande
- egen
- särskilt
- brinner
- procentuell
- prestanda
- föreställningar
- fas
- Strategier
- möjlig
- potentiell
- kraft
- praktiken
- förutse
- förutsägelse
- Förutsägelser
- Principal
- Problem
- problem
- process
- processer
- Produkt
- Produktkvalitet
- Produktion
- ge
- förutsatt
- ger
- tillhandahålla
- kvalitet
- Snabbt
- som sträcker sig
- senaste
- register
- representerar
- representerar
- Obligatorisk
- resurs
- ansvarig
- Resultat
- detaljhandeln
- återgår
- översyn
- Körning
- rinnande
- Samma
- skalbar
- Skala
- Forskare
- vetenskapsmän
- poäng
- sekunder
- seriell
- Serier
- service
- Tjänster
- in
- flera
- Dela
- delas
- delning
- show
- signifikant
- enda
- Storlek
- snö
- So
- fast
- lösning
- Lösningar
- några
- specialist
- fart
- Delar upp
- standard
- starta
- igång
- statistik
- status
- studio
- Stödjande
- Målet
- grupp
- Teknisk
- testa
- Testning
- Smakämnen
- Genom
- Bunden
- tid
- i morgon
- verktyg
- mot
- Utbildning
- tåg
- Transformation
- typer
- typiskt
- unika
- användning
- användare
- godkännande
- värde
- version
- utsikt
- vänta
- webb
- webbservice
- Vad
- inom
- arbetssätt
- fungerar
- skulle
- år
- Din