Прогнозування типових типів поломок машин є критичним у виробничих галузях. Враховуючи набір характеристик продукту, який прив’язаний до певного типу відмови, ви можете розробити модель, яка може передбачити тип збою, коли ви подаєте ці атрибути в модель машинного навчання (ML). ML може допомогти з розумінням, але досі вам потрібні були експерти з ML для створення моделей для прогнозування типів збоїв машин, відсутність яких могла б затримати будь-які коригувальні дії, необхідні бізнесу для підвищення ефективності або покращення.
У цій публікації ми покажемо вам, як бізнес-аналітики можуть побудувати модель машинного навчання з прогнозуванням типу відмови Canvas Amazon SageMaker. Canvas надає вам візуальний інтерфейс «наведи і клацни», який дозволяє створювати моделі та генерувати точні прогнози ML самостійно, не вимагаючи досвіду ML або писати один рядок коду.
Огляд рішення
Припустимо, що ви бізнес-аналітик, призначений до команди технічного обслуговування великої виробничої організації. Ваша команда технічного обслуговування звернулася до вас із проханням допомогти передбачити поширені несправності. Вони надали вам історичний набір даних, який містить характеристики, пов’язані з даним типом відмови, і хотіли б, щоб ви передбачили, який збій відбудеться в майбутньому. Типи відмов включають безвідмову, перенапруження та збої живлення. Схема даних наведена в наступній таблиці.
Назва стовпця | Тип даних | Опис |
UID | INT | Унікальний ідентифікатор від 1 до 10,000 XNUMX |
ідентифікатор продукту | STRING | Складається з літери (L, M або H для низької, середньої або високої якості) як варіанти якості продукції та серійного номера для конкретного варіанта |
тип | STRING | Початкова літера, пов’язана з productID, що складається лише з L, M або H |
температура повітря [К] | DECIMAL | Температура повітря вказана в кельвінах |
температура процесу [К] | DECIMAL | Точно контрольовані температури для забезпечення якості даного типу продукту в кельвінах |
швидкість обертання [об/хв] | DECIMAL | Швидкість обертання об'єкта, що обертається навколо осі, - це кількість обертів об'єкта, поділена на час, визначена як обертів за хвилину |
крутний момент [Нм] | DECIMAL | Сила обертання машини через радіус, виражена в ньютон-метрах |
знос інструменту [хв.] | INT | Знос інструменту в хвилинах |
тип збою (ціль) | STRING | Відсутність збою, збій живлення або перенапруження |
Після визначення типу збою підприємства можуть вжити будь-яких дій для виправлення. Для цього ви використовуєте дані у файлі CSV, який містить певні характеристики продукту, зазначені в таблиці. Використовуйте Canvas для виконання таких дій:
- Імпортуйте набір даних обслуговування.
- Навчайте та створюйте прогнозну модель технічного обслуговування машини.
- Проаналізуйте результати моделі.
- Тестові прогнози щодо моделі.
Передумови
Адміністратор хмари з an Обліковий запис AWS з відповідними дозволами потрібно виконати наступні передумови:
- Розгорнути Amazon SageMaker домен Інструкції див На борту до домену Amazon SageMaker.
- Запустіть Canvas. Інструкції див Налаштування та керування Amazon SageMaker Canvas (для ІТ-адміністраторів).
- Налаштуйте політики спільного використання ресурсів між джерелами (CORS) для Canvas. Інструкції див Надайте своїм користувачам можливість завантажувати локальні файли.
Імпортуйте набір даних
Спочатку завантажте набір даних технічного обслуговування і перегляньте файл, щоб переконатися, що всі дані там є.
Canvas надає кілька зразків наборів даних у вашій програмі, щоб допомогти вам розпочати роботу. Щоб дізнатися більше про зразки наборів даних, надані SageMaker, з якими можна експериментувати, див Використовуйте зразки наборів даних. Якщо ви використовуєте зразок набору даних (canvas-sample-maintenance.csv
) доступний у Canvas, вам не потрібно імпортувати набір даних обслуговування.
У Canvas можна імпортувати дані з різних джерел даних. Якщо ви плануєте використовувати свій власний набір даних, дотримуйтеся вказівок Імпорт даних у Amazon SageMaker Canvas.
Для цієї публікації ми використовуємо повний набір даних обслуговування, який ми завантажили.
- Увійдіть у Консоль управління AWS, використовуючи обліковий запис із відповідними дозволами на доступ до Canvas.
- Увійдіть у консоль Canvas.
- Вибирати Імпортувати.
- Вибирати Завантажувати і виберіть
maintenance_dataset.csv
файлу. - Вибирати Дати імпорту щоб завантажити його на Canvas.
Процес імпорту займає приблизно 10 секунд (це може змінюватися в залежності від розміру набору даних). Коли це буде завершено, ви побачите, що набір даних вставлений Ready
Статус.
Після того як ви підтвердите, що імпортований набір даних є ready
, ви можете створити свою модель.
Побудуйте та навчіть модель
Щоб створити та навчити свою модель, виконайте такі кроки:
- Вибирати нова модель, і вкажіть назву для своєї моделі.
- Вибирати Створювати.
- Виберіть
maintenance_dataset.csv
набір даних і виберіть Виберіть набір даних.
У режимі перегляду моделі ви можете побачити чотири вкладки, які відповідають чотирьом крокам для створення моделі та використання її для створення прогнозів: Select, Будувати, Аналізувати та Прогнозуйте. - на Select Вкладка, виберіть
maintenance_dataset.csv
набір даних, який ви завантажили раніше, і виберіть Виберіть набір даних.
Цей набір даних містить 9 стовпців і 10,000 XNUMX рядків. Canvas автоматично переходить до фази Build. - На цій вкладці виберіть цільовий стовпець, у нашому випадку Тип збою.Група технічного обслуговування повідомила вас, що в цьому стовпці вказуються типи збоїв, які зазвичай спостерігаються на основі історичних даних із їхніх існуючих машин. Це те, що ви хочете навчити свою модель передбачати. Canvas автоматично визначає, що це a 3 Категорія проблема (також відома як багатокласова класифікація). Якщо буде виявлено неправильний тип моделі, ви можете змінити його вручну за допомогою Змінити тип варіант.
Слід зазначити, що цей набір даних є дуже незбалансованим щодо класу No Failure, що можна побачити, переглянувши стовпець з назвою Тип збою. Хоча Canvas і базові можливості AutoML можуть частково впоратися з дисбалансом наборів даних, це може призвести до деяких перекосів у продуктивності. Як додатковий наступний крок див Збалансуйте свої дані для машинного навчання за допомогою Amazon SageMaker Data Wrangler. Дотримуючись інструкцій із спільного посилання, ви можете запустити файл Студія Amazon SageMaker з консолі SageMaker та імпортуйте цей набір даних Amazon SageMaker Data Wrangler і скористайтеся перетворенням даних балансу, а потім поверніть збалансований набір даних у Canvas і виконайте наступні кроки. Ми продовжуємо роботу з незбалансованим набором даних у цій публікації, щоб показати, що Canvas також може обробляти незбалансовані набори даних.
У нижній частині сторінки ви можете переглянути деякі статистичні дані набору даних, включаючи відсутні та невідповідні значення, унікальні значення, а також середні та медіанні значення. Ви також можете відкинути деякі стовпці, якщо не хочете використовувати їх для передбачення, просто знімаючи їх вибір.
Після того, як ви дослідили цей розділ, настав час тренувати модель! Перед побудовою повної моделі бажано мати загальне уявлення про продуктивність моделі шляхом навчання швидкої моделі. Швидка модель навчає менше комбінацій моделей і гіперпараметрів, щоб надати пріоритет швидкості над точністю, особливо у випадках, коли ви хочете довести цінність навчання моделі ML для вашого випадку використання. Зауважте, що параметр швидкої збірки недоступний для моделей більше 50,000 XNUMX рядків. - Вибирати Швидка збірка.
Тепер ви чекаєте від 2 до 15 хвилин. Після завершення Canvas автоматично переміститься до Аналізувати вкладку, щоб показати результати швидкого навчання. Аналіз, проведений з використанням швидких оцінок побудови, свідчить про те, що ваша модель здатна передбачити правильний тип збою (результат) у 99.2% випадків. Ви можете відчувати дещо інші значення. Це очікувано.
Зосередимося на першій вкладці, огляд. Це вкладка, яка показує вам Вплив колониабо оцінку важливості кожного стовпця для прогнозування цільового стовпця. У цьому прикладі стовпці Крутний момент [Нм] і Швидкість обертання [об/хв] мають найбільш значний вплив на прогнозування типу відмови.
Оцініть продуктивність моделі
Коли ви переходите до Рахунок У частині вашого аналізу ви можете побачити графік, що представляє розподіл наших прогнозованих значень відносно фактичних значень. Зверніть увагу, що більшість невдач буде в категорії «Немає відмов». Щоб дізнатися більше про те, як Canvas використовує базові лінії SHAP для того, щоб пояснити ML, див Оцінка продуктивності вашої моделі в Amazon SageMaker Canvas, А також Базові положення SHAP для пояснення.
Canvas розбиває вихідний набір даних на набори поїздів і перевірок перед навчанням. Оцінка є результатом виконання Canvas набору перевірки щодо моделі. Це інтерактивний інтерфейс, де ви можете вибрати тип збою. Якщо ви виберете Відмова від перенапруження на графіку ви можете побачити, що модель визначає ці 84% часу. Цього достатньо, щоб вжити заходів — можливо, попросіть оператора або інженера перевірити подальшу роботу. Ви можете вибрати Відключення живлення на графіку, щоб побачити відповідну оцінку для подальшої інтерпретації та дій.
Вас можуть зацікавити типи відмов і те, наскільки добре модель прогнозує типи збоїв на основі ряду вхідних даних. Щоб детальніше ознайомитися з результатами, виберіть Розширені показники. Це відображає матрицю, яка дозволяє більш уважно вивчити результати. У ML це позначається як a матриця плутанини.
Ця матриця за замовчуванням має домінуючий клас, No Failure. На Клас меню, ви можете вибрати для перегляду розширені показники двох інших типів збоїв, таких як перенапруження та збій живлення.
У ML точність моделі визначається як кількість правильних передбачень, поділена на загальну кількість передбачень. Сині поля відображають правильні прогнози, які модель зробила щодо підмножини тестових даних, де був відомий результат. Тут нас цікавить, який відсоток часу модель передбачала певний тип відмови машини (скажімо Немає відмов), коли насправді це тип збою (Немає відмов). У ML для вимірювання цього використовується співвідношення TP / (TP + FN). Це згадується як згадувати. У випадку за замовчуванням, No Failure, було 1,923 правильних прогнозів із 1,926 загальних записів, що призвело до 99% згадувати. Крім того, у класі Overstrain Failure було 32 з 38, що призводить до 84% згадувати. Нарешті, у класі збою живлення було 16 з 19, що призводить до 84% згадувати.
Тепер у вас є два варіанти:
- Ви можете використовувати цю модель для виконання деяких передбачень, вибравши Прогнозуйте.
- Ви можете створити нову версію цієї моделі для тренування з Стандартна збірка варіант. Це займе набагато більше часу — приблизно 1–2 години — але забезпечує більш надійну модель, оскільки вона проходить повний огляд даних, алгоритмів та ітерацій налаштування AutoML.
Оскільки ви намагаєтеся передбачити збої, а модель правильно прогнозує збої 84% часу, ви можете впевнено використовувати модель для визначення можливих збоїв. Отже, ви можете перейти до варіанту 1. Якщо ви не впевнені в собі, ви можете попросити спеціаліста з даних переглянути модель Canvas і запропонувати потенційні покращення за допомогою варіанта 2.
Створюйте прогнози
Тепер, коли модель навчена, ви можете почати генерувати прогнози.
- Вибирати Прогнозуйте у нижній частині Аналізувати сторінку або виберіть Прогнозуйте Вкладка.
- Вибирати Виберіть набір данихі виберіть
maintenance_dataset.csv
файлу. - Вибирати Створюйте прогнози.
Canvas використовує цей набір даних для створення наших прогнозів. Хоча зазвичай не варто використовувати один і той самий набір даних як для навчання, так і для тестування, ви можете використовувати той самий набір даних для простоти в цьому випадку. Крім того, ви можете видалити деякі записи зі свого вихідного набору даних, які ви використовуєте для навчання, і використати ці записи у файлі CSV і передати їх у пакетне передбачення тут, щоб не використовувати той самий набір даних для тестування після навчання.
Через кілька секунд прогноз завершено. Canvas повертає прогноз для кожного рядка даних і ймовірність того, що передбачення буде правильним. Ви можете вибрати попередній перегляд щоб переглянути прогнози, або виберіть Завантажити щоб завантажити файл CSV, що містить повний результат.
Ви також можете передбачити одне за одним значення, вибравши Єдине передбачення замість Пакетне прогнозування. Canvas показує вам подання, де ви можете вручну вказати значення для кожної функції та створити прогноз. Це ідеально підходить для таких ситуацій, як сценарії «що, якщо», наприклад: як знос інструменту впливає на тип відмови? Що робити, якщо температура процесу підвищується або знижується? Що робити, якщо швидкість обертання зміниться?
Стандартна збірка
Команда Стандартна збірка Опція вибирає точність, а не швидкість. Якщо ви хочете поділитися артефактами моделі зі своїм науковцем із даних та інженерами з машинного навчання, ви можете створити стандартну збірку.
- Вибирати Додати версію
- Виберіть нову версію та виберіть Стандартна збірка.
- Після створення стандартної збірки ви можете поділитися цією моделлю з науковцями з даних та інженерами з машинного навчання для подальшої оцінки та повторення.
Прибирати
Щоб уникнути ризику в майбутньому сесійні збори, вийдіть із Canvas.
Висновок
У цій публікації ми показали, як бізнес-аналітик може створити модель прогнозування типу відмови машини за допомогою Canvas, використовуючи дані обслуговування. Canvas дає змогу бізнес-аналітикам, таким як інженери з надійності, створювати точні моделі машинного навчання та генерувати прогнози, використовуючи візуальний інтерфейс без коду та клацання. Аналітики можуть вивести це на новий рівень, поділившись своїми моделями з колегами, які займаються дослідженнями даних. Дослідники даних можуть переглядати модель Canvas в Studio, де вони можуть досліджувати вибір, зроблений Canvas, перевіряти результати моделі і навіть переносити модель у виробництво за допомогою кількох кліків. Це може прискорити створення цінності на основі ML і допомогти швидше масштабувати покращені результати.
Щоб дізнатися більше про використання Canvas, див Створюйте, діліться, розгортайте: як бізнес-аналітики та науковці з даних досягають швидшого виходу на ринок за допомогою ML без коду та Amazon SageMaker Canvas. Додаткову інформацію про створення моделей ML з рішенням без коду див Анонс Amazon SageMaker Canvas – візуальна можливість машинного навчання без коду для бізнес-аналітиків.
Про авторів
Раджакумар Сампаткумар є головним технічним менеджером по роботі з клієнтами в AWS, надає клієнтам рекомендації щодо узгодження бізнес-технологій та підтримує оновлення їхніх моделей і процесів у хмарі. Він захоплений хмарним та машинним навчанням. Радж також є фахівцем з машинного навчання та працює з клієнтами AWS, щоб проектувати, розгортати й керувати їхніми робочими навантаженнями та архітектурами AWS.
Тванн Аткінс є старшим архітектором рішень для веб-сервісів Amazon. Він відповідає за роботу з клієнтами у сфері сільського господарства, роздрібної торгівлі та виробництва, щоб виявити бізнес-проблеми, а також працювати у зворотному напрямку для визначення життєздатних і масштабованих технічних рішень. Twann допомагає клієнтам планувати та переносити важливі робочі навантаження понад 10 років, нещодавно зосередившись на демократизації аналітики, штучного інтелекту та машинного навчання для клієнтів і розробників майбутнього.
Омкар Мукадам є спеціалістом з архітектури рішень Edge в Amazon Web Services. Наразі він зосереджується на рішеннях, які дозволяють комерційним клієнтам ефективно проектувати, створювати та масштабувати за допомогою пропозицій послуг AWS Edge, які включають, але не обмежуючись, AWS Snow Family.
- Coinsmart. Найкраща в Європі біржа біткойн та криптовалют.
- Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. БЕЗКОШТОВНИЙ ДОСТУП.
- CryptoHawk. Альткойн Радар. Безкоштовне випробування.
- Джерело: 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
- здатність
- МЕНЮ
- прискорювати
- доступ
- рахунки
- точний
- Achieve
- дію
- дії
- Додатковий
- адмін
- Адміністратори
- просунутий
- проти
- сільське господарство
- алгоритми
- ВСІ
- дозволяє
- хоча
- Amazon
- Amazon Web Services
- аналіз
- аналіз
- аналітик
- аналітика
- де-небудь
- додаток
- додаток
- відповідний
- приблизно
- архітектура
- навколо
- штучний
- штучний інтелект
- Штучний інтелект і машинне навчання
- призначений
- асоційований
- Атрибути
- автоматично
- доступний
- AWS
- Вісь
- оскільки
- перед тим
- буття
- більший
- border
- приносити
- будувати
- Створюємо
- бізнес
- підприємства
- полотно
- можливості
- випадок
- випадків
- Категорія
- певний
- зміна
- вибір
- Вибирати
- клас
- ближче
- хмара
- код
- колеги
- Колонка
- комбінації
- комерційний
- загальний
- повний
- впевнений
- Консоль
- містить
- продовжувати
- може
- створювати
- створення
- створення
- критичний
- В даний час
- Клієнти
- дані
- вчений даних
- затримка
- Залежно
- розгортання
- дизайн
- виявлено
- розвивати
- DID
- різний
- дисплеїв
- розподіл
- домен
- скачати
- Падіння
- кожен
- край
- фактично
- дозволяє
- інженер
- Інженери
- особливо
- оцінка
- Оцінки
- оцінювати
- оцінка
- приклад
- існуючий
- очікуваний
- досвід
- експеримент
- experts
- дослідити
- виражений
- Провал
- сім'я
- швидше
- особливість
- Перший
- Сфокусувати
- фокусується
- стежити
- після
- від
- Повний
- далі
- майбутнє
- Загальне
- в цілому
- породжувати
- породжує
- добре
- обробляти
- має
- допомога
- допомогу
- тут
- дуже
- історичний
- Як
- HTTPS
- ідея
- ідеальний
- ідентифікувати
- Impact
- значення
- поліпшений
- поліпшення
- включати
- includes
- У тому числі
- промисловості
- інформація
- повідомив
- розуміння
- Інтелект
- інтерактивний
- зацікавлений
- інтерфейс
- інтерпретація
- IT
- відомий
- великий
- запуск
- УЧИТЬСЯ
- вивчення
- рівень
- обмеженою
- Лінія
- LINK
- Перераховані
- місцевий
- подивитися
- машина
- навчання за допомогою машини
- Машинки для перманенту
- made
- обслуговування
- зробити
- управляти
- управління
- менеджер
- управління
- вручну
- виробництво
- Матриця
- вимір
- середа
- Метрика
- ML
- модель
- Моделі
- більше
- найбільш
- рухатися
- наступний
- зазначив,
- номер
- пропонувати
- Пропозиції
- операція
- оператор
- варіант
- Опції
- порядок
- організація
- оригінал
- Інше
- загальний
- власний
- приватність
- пристрасний
- відсоток
- продуктивність
- виступи
- фаза
- Політика
- це можливо
- потенціал
- влада
- практика
- передбачати
- прогноз
- Прогнози
- Головний
- Проблема
- проблеми
- процес
- процеси
- Product
- Якість продукції
- Production
- забезпечувати
- за умови
- забезпечує
- забезпечення
- якість
- Швидко
- ранжування
- останній
- облік
- представляти
- представляє
- вимагається
- ресурс
- відповідальний
- результати
- роздрібна торгівля
- Умови повернення
- огляд
- прогін
- біг
- то ж
- масштабовані
- шкала
- вчений
- Вчені
- рахунок
- seconds
- послідовний
- Серія
- обслуговування
- Послуги
- комплект
- кілька
- Поділитись
- загальні
- поділ
- Показувати
- значний
- один
- Розмір
- сніг
- So
- solid
- рішення
- Рішення
- деякі
- спеціаліст
- швидкість
- Розколи
- standard
- старт
- почалася
- статистика
- Статус
- студія
- Підтримуючий
- Мета
- команда
- технічний
- тест
- Тестування
- Команда
- через
- Зв'язаний
- час
- завтра
- інструмент
- до
- Навчання
- поїзда
- Перетворення
- Типи
- типово
- створеного
- використання
- користувачі
- перевірка достовірності
- значення
- версія
- вид
- чекати
- Web
- веб-сервіси
- Що
- в
- робочий
- працює
- б
- років
- вашу