Прогнозне технічне обслуговування має вирішальне значення в автомобільній промисловості, оскільки воно може уникнути несподіваних механічних несправностей і технічного обслуговування, що реагує на них, що порушує роботу. Прогнозуючи несправності транспортних засобів і плануючи технічне обслуговування та ремонт, ви зменшите час простою, покращите безпеку та підвищите рівень продуктивності.
Що, якби ми могли застосувати методи глибокого навчання до загальних приміщень, які призводять до поломок транспортних засобів, незапланованих простоїв і витрат на ремонт?
У цій публікації ми покажемо вам, як навчити та розгорнути модель для прогнозування ймовірності відмови автопарку за допомогою Amazon SageMaker JumpStart. SageMaker Jumpstart — це центр машинного навчання (ML). Amazon SageMaker, що надає попередньо підготовлені загальнодоступні моделі для широкого спектру проблем, які допоможуть вам розпочати роботу з машинним навчанням. Рішення, описане в публікації, доступне на GitHub.
Шаблони рішень SageMaker JumpStart
SageMaker JumpStart пропонує наскрізні рішення одним клацанням миші для багатьох типових випадків використання машинного навчання. Ознайомтеся з такими варіантами використання, щоб отримати додаткові відомості про доступні шаблони рішень:
Шаблони рішень SageMaker JumpStart охоплюють різні випадки використання, у кожному з яких пропонується кілька різних шаблонів рішень (рішення в цій публікації, Прогнозне технічне обслуговування автопарків, знаходиться в Рішення розділ). Виберіть шаблон рішення, який найкраще відповідає вашому випадку використання, на цільовій сторінці SageMaker JumpStart. Щоб отримати додаткові відомості про конкретні рішення для кожного випадку використання та про те, як запустити рішення SageMaker JumpStart, див Шаблони рішень.
Огляд рішення
Рішення з прогнозованого технічного обслуговування AWS для автомобільних парків застосовує методи глибокого навчання до загальних місць, які призводять до поломок транспортних засобів, незапланованих простоїв і витрат на ремонт. Він служить початковим будівельним блоком для того, щоб за короткий проміжок часу отримати підтвердження концепції. Це рішення містить функції підготовки та візуалізації даних у SageMaker і дозволяє вам тренувати та оптимізувати гіперпараметри моделей глибокого навчання для вашого набору даних. Ви можете використовувати власні дані або спробувати рішення з синтетичним набором даних як частину цього рішення. Ця версія з часом обробляє дані датчиків автомобіля. Подальша версія оброблятиме дані записів технічного обслуговування.
На наступній діаграмі показано, як можна використовувати це рішення з компонентами SageMaker. В рамках рішення використовуються наступні сервіси:
- Amazon S3 - Ми використовуємо Служба простого зберігання Amazon (Amazon S3) для зберігання наборів даних
- Блокнот SageMaker – Ми використовуємо блокнот для попередньої обробки та візуалізації даних, а також для навчання моделі глибокого навчання
- Кінцева точка SageMaker – Ми використовуємо кінцеву точку для розгортання навченої моделі
Робочий процес включає наступні кроки:
- З системи керування автопарком створюється витяг історичних даних, що містить дані транспортного засобу та журнали датчиків.
- Після навчання моделі ML розгортається артефакт моделі SageMaker.
- Підключений автомобіль надсилає журнали датчиків Ядро AWS IoT (або через інтерфейс HTTP).
- Журнали датчиків зберігаються через Amazon Kinesis Data Firehose.
- Журнали датчиків надсилаються на адресу AWS Lambda для запитів щодо моделі для прогнозування.
- Lambda надсилає журнали датчиків до висновку моделі Sagemaker для прогнозів.
- Прогнози зберігаються Амазонська Аврора.
- Зведені результати відображаються на Amazon QuickSight приладова панель.
- На адресу надсилаються повідомлення в режимі реального часу про прогнозовану ймовірність збою Служба простих сповіщень Amazon (Amazon SNS).
- Amazon SNS надсилає сповіщення на підключений автомобіль.
Рішення складається з шести зошитів:
- 0_demo.ipynb – Короткий попередній перегляд нашого рішення
- 1_introduction.ipynb – Вступ і огляд рішення
- 2_data_preparation.ipynb – Підготуйте зразок набору даних
- 3_data_visualization.ipynb – Візуалізуйте наш вибірковий набір даних
- 4_model_training.ipynb – Навчіть модель на нашому зразку набору даних для виявлення збоїв
- 5_results_analysis.ipynb – Проаналізуйте результати моделі, яку ми навчили
Передумови
Студія Amazon SageMaker — це інтегроване середовище розробки (IDE) у SageMaker, яке надає нам усі необхідні функції машинного навчання в одній панелі. Перш ніж ми зможемо запустити SageMaker JumpStart, нам потрібно налаштувати SageMaker Studio. Ви можете пропустити цей крок, якщо у вас уже запущена власна версія SageMaker Studio.
Перше, що нам потрібно зробити, перш ніж ми зможемо використовувати будь-які служби AWS, це переконатися, що ми зареєструвалися та створили обліковий запис AWS. Потім створюємо адміністратора та групу. Інструкції щодо обох кроків див Налаштуйте передумови Amazon SageMaker.
Наступним кроком є створення домену SageMaker. Домен налаштовує все сховище та дозволяє додавати користувачів для доступу до SageMaker. Для отримання додаткової інформації див На борту до домену Amazon SageMaker. Цю демонстрацію створено в регіоні AWS us-east-1.
Нарешті, ви запускаєте SageMaker Studio. Для цієї публікації ми рекомендуємо запустити програму профілю користувача. Інструкції див Запустіть Amazon SageMaker Studio.
Щоб запустити це рішення SageMaker JumpStart і розгорнути інфраструктуру у вашому обліковому записі AWS, вам потрібно створити активний екземпляр SageMaker Studio (див. Підключення до Amazon SageMaker Studio). Коли ваш екземпляр буде готовий, скористайтеся інструкціями в SageMaker JumpStart щоб запустити рішення. Сюди включено артефакти рішення GitHub сховище для довідки
Запустіть рішення SageMaker Jumpstart
Щоб розпочати роботу з рішенням, виконайте наведені нижче дії.
- На консолі SageMaker Studio виберіть Поштовх.
- на Рішення вкладку, виберіть Прогнозне технічне обслуговування автопарків.
- Вибирати Запуск.
Розгортання рішення займає кілька хвилин. - Після розгортання рішення виберіть «Відкрити блокнот».
Якщо вам буде запропоновано вибрати ядро, виберіть PyTorch 1.8 Python 3.6 для всіх ноутбуків у цьому рішенні.
Попередній перегляд рішення
Спочатку ми працюємо над 0_demo.ipynb
блокнот. У цьому блокноті ви можете швидко переглянути, як виглядатиме результат, коли ви заповните повний блокнот для цього рішення.
Вибирати прогін та Запустіть усі клітинки щоб запустити всі клітинки в SageMaker Studio (або Осередок та Запустити все в екземплярі блокнота SageMaker). Ви можете запускати всі клітинки в кожному блокноті одну за одною. Перш ніж переходити до наступного блокнота, переконайтеся, що всі клітинки оброблені.
Це рішення покладається на файл конфігурації для запуску наданих ресурсів AWS. Ми створюємо файл наступним чином:
У нас є кілька зразків вхідних даних часових рядів, що складаються з напруги акумулятора автомобіля та струму акумулятора протягом певного часу. Далі ми завантажуємо та візуалізуємо зразки даних. Як показано на наступних знімках екрана, значення напруги та струму розташовані по осі Y, а показання (записано 19 показань) – по осі X.
Раніше ми навчили модель на цих даних про напругу та струм, яка передбачає ймовірність поломки автомобіля, і розгорнули модель як кінцеву точку в SageMaker. Ми викличемо цю кінцеву точку з деякими зразковими даними, щоб визначити ймовірність відмови в наступний період часу.
З огляду на вибірку вхідних даних, прогнозована ймовірність відмови становить 45.73%.
Щоб перейти до наступного етапу, виберіть Натисніть тут, щоб продовжити.
Вступ і огляд рішення
Команда 1_introduction.ipynb
notebook надає огляд рішення та етапів, а також перегляд файлу конфігурації, який містить визначення вмісту, період вибірки даних, кількість тренувальних і тестових зразків, параметри, розташування та назви стовпців для створеного вмісту.
Переглянувши цей блокнот, можна переходити до наступного етапу.
Підготуйте зразок набору даних
Ми готуємо зразок набору даних у 2_data_preparation.ipynb
зошит.
Спочатку ми створимо файл конфігурації для цього рішення:
Властивості конфігурації такі:
Ви можете визначити свій власний набір даних або використати наші сценарії для створення зразка набору даних:
Ви можете об’єднати дані датчиків і дані автопарку:
Тепер ми можемо переходити до візуалізації даних.
Візуалізуйте наш зразок набору даних
Ми візуалізуємо наш вибірковий набір даних 3_data_vizualization.ipynb
. Це рішення покладається на файл конфігурації для запуску наданих ресурсів AWS. Давайте згенеруємо файл, схожий на попередній блокнот.
На наступному знімку екрана показано наш набір даних.
Далі створимо набір даних:
Тепер, коли набір даних готовий, візуалізуємо статистику даних. На наступному знімку екрана показано розподіл даних на основі марки автомобіля, типу двигуна, класу та моделі автомобіля.
Порівнюючи дані журналу, давайте розглянемо приклад середньої напруги в різні роки для марок E і C (випадково).
Середнє значення напруги та струму відкладено по осі Y, а кількість показань – по осі X.
- Можливі значення для log_target: ['make', 'model', 'year', 'vehicle_class', 'engine_type']
- Довільно призначене значення для
log_target: make
- Довільно призначене значення для
- Можливі значення для log_target_value1: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Довільно призначене значення для
log_target_value1: Make B
- Довільно призначене значення для
- Можливі значення для log_target_value2: ['Make A', 'Make B', 'Make E', 'Make C', 'Make D']
- Довільно призначене значення для
log_target_value2: Make D
- Довільно призначене значення для
Виходячи з вищесказаного, припускаємо log_target: make
, log_target_value1: Make B
та log_target_value2: Make D
На наступних графіках представлено середнє значення даних журналу.
Наступні графіки візуалізують приклади різних значень журналу датчика щодо напруги та струму.
Навчіть модель на нашому зразку набору даних для виявлення помилок
У 4_model_training.ipynb
ноутбук, ми навчаємо модель на нашому зразку набору даних для виявлення збоїв.
Давайте згенеруємо файл конфігурації, подібний до попереднього блокнота, а потім продовжимо налаштування навчання:
Проаналізуйте результати моделі, яку ми навчили
У 5_results_analysis.ipynb
ноутбук, ми отримуємо дані з нашої роботи з налаштування гіперпараметрів, візуалізуємо показники всіх завдань, щоб визначити найкращу роботу, і створюємо кінцеву точку для найкращої навчальної роботи.
Давайте згенеруємо файл конфігурації, подібний до попереднього блокнота, і візуалізуємо метрики всіх завдань. Наступний графік візуалізує точність тесту в порівнянні з епохою.
На наступному знімку екрана показано завдання налаштування гіперпараметрів, які ми запускали.
Тепер ви можете візуалізувати дані найкращого навчального завдання (з чотирьох навчальних завдань) на основі точності тесту (червоний).
Як ми бачимо на наступних знімках екрана, втрати при тестуванні зменшуються, а AUC і точність зростають із епохами.
На основі візуалізацій тепер ми можемо створити кінцеву точку для найкращої навчальної роботи:
Після створення кінцевої точки ми можемо протестувати предиктор, передавши йому зразки журналів датчиків:
З огляду на вибірку вхідних даних, прогнозована ймовірність відмови становить 34.60%.
Прибирати
Коли ви завершите роботу з цим рішенням, переконайтеся, що ви видалили всі небажані ресурси AWS. На Прогнозне технічне обслуговування автопарків сторінка, під Видалити рішеннявиберіть Видалити всі ресурси щоб видалити всі ресурси, пов’язані з рішенням.
Вам потрібно вручну видалити всі додаткові ресурси, які ви могли створити в цьому блокноті. Деякі приклади включають додаткові відра S3 (до відра рішення за замовчуванням) і додаткові кінцеві точки SageMaker (з використанням спеціальної назви).
Налаштуйте рішення
Наше рішення легко налаштувати. Щоб змінити візуалізацію вхідних даних, див sagemaker/3_data_visualization.ipynb. Щоб налаштувати машинне навчання, див sagemaker/source/train.py та sagemaker/source/dl_utils/network.py. Щоб налаштувати обробку набору даних, див sagemaker/1_introduction.ipynb про те, як визначити файл конфігурації.
Крім того, ви можете змінити конфігурацію у файлі конфігурації. Конфігурація за замовчуванням така:
Конфігураційний файл має такі параметри:
fleet_info_fn
,fleet_sensor_logs_fn
,fleet_dataset_fn
,train_dataset_fn
таtest_dataset_fn
визначити розташування файлів набору данихvehicle_id_column
,timestamp_column
,target_column
таperiod_column
визначте заголовки для стовпцівdataset_size
,chunksize
,processing_chunksize
,period_ms
таwindow_length
визначте властивості набору даних
Висновок
У цій публікації ми показали вам, як навчити та розгорнути модель для прогнозування ймовірності відмови автопарку за допомогою SageMaker JumpStart. Рішення засноване на моделях ML і глибокого навчання та дозволяє вводити широкий спектр вхідних даних, включаючи будь-які дані датчиків, що змінюються в часі. Оскільки кожен транспортний засіб має різну телеметрію, ви можете точно налаштувати надану модель відповідно до частоти та типу даних, які у вас є.
Щоб дізнатися більше про те, що можна робити за допомогою SageMaker JumpStart, див.
ресурси
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.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. Автомобільні / електромобілі, вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- BlockOffsets. Модернізація екологічної компенсаційної власності. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/predict-vehicle-fleet-failure-probability-using-amazon-sagemaker-jumpstart/
- : має
- :є
- ][стор
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 15%
- 16
- 19
- 20
- 50
- 67
- 7
- 8
- a
- МЕНЮ
- вище
- доступ
- За
- рахунки
- точність
- через
- активний
- діяльності
- додавати
- адміністративний
- після
- проти
- вирівнювання
- ВСІ
- дозволяє
- вже
- Також
- Amazon
- Amazon SageMaker
- Amazon SageMaker JumpStart
- Amazon Web Services
- an
- аналізувати
- та
- будь-який
- додаток
- Застосовувати
- ЕСТЬ
- області
- AS
- призначений
- асоційований
- припустити
- At
- автомобільний
- доступний
- уникнути
- AWS
- Вісь
- назад
- заснований
- акумулятор
- оскільки
- перед тим
- КРАЩЕ
- Блокувати
- тіло
- підвищення
- обидва
- Перерва
- будувати
- Створюємо
- by
- call
- CAN
- Може отримати
- випадок
- випадків
- Клітини
- зміна
- Вибирати
- клас
- клієнт
- хмара
- Колонка
- загальний
- повний
- Компоненти
- концепція
- конфігурація
- підключений
- Складається
- складається
- Консоль
- містить
- зміст
- витрати
- може
- обкладинка
- створювати
- створений
- критичний
- Поточний
- виготовлений на замовлення
- Клієнти
- налаштувати
- приладова панель
- дані
- Підготовка даних
- візуалізація даних
- Спад
- глибокий
- глибоке навчання
- дефолт
- визначення
- демонстрація
- демонструє
- розгортання
- розгорнути
- дизайн
- Визначати
- розробка
- різний
- displayed
- Зривати
- розподіл
- do
- домен
- вниз
- час простою
- управляти
- e
- кожен
- ще
- кінець в кінець
- Кінцева точка
- двигун
- забезпечувати
- Навколишнє середовище
- епоха
- епохи
- Кожен
- приклад
- Приклади
- дослідити
- додатково
- витяг
- Провал
- false
- риси
- кілька
- філе
- закінчення
- Перший
- ФЛЕТ
- після
- слідує
- для
- чотири
- частота
- від
- Повний
- функціональність
- породжувати
- генерується
- generator
- отримати
- даний
- скло
- GPU
- графіки
- Group
- керівництво
- Мати
- he
- Заголовки
- допомога
- тут
- історичний
- Як
- How To
- HTML
- HTTP
- HTTPS
- Концентратор
- Оптимізація гіперпараметрів
- Налаштування гіперпараметрів
- i
- ідентифікувати
- if
- імпорт
- удосконалювати
- in
- включати
- включені
- includes
- У тому числі
- Augmenter
- промисловості
- інформація
- Інфраструктура
- початковий
- ініціювати
- вхід
- екземпляр
- інструкції
- інтегрований
- інтерфейс
- в
- Вступ
- КАТО
- IT
- робота
- Джобс
- JPG
- json
- ключі
- посадка
- запуск
- запуск
- УЧИТЬСЯ
- вивчення
- рівні
- як
- загрузка
- місцевий
- розташування
- журнал
- подивитися
- виглядає як
- від
- машина
- навчання за допомогою машини
- обслуговування
- зробити
- управляти
- управління
- менеджер
- вручну
- багато
- Максимізувати
- Може..
- значити
- механічний
- Злиття
- Метрика
- хвилин
- ML
- модель
- Моделі
- змінювати
- більше
- рухатися
- переміщення
- ім'я
- Імена
- Необхідність
- наступний
- ноутбук
- сповіщення
- Повідомлення
- зараз
- номер
- of
- запропонований
- on
- ONE
- тільки
- відкрити
- операція
- операції
- оптимізація
- Оптимізувати
- or
- OS
- Інше
- наші
- з
- Результат
- викладені
- над
- огляд
- власний
- сторінка
- pane
- параметри
- частина
- Проходження
- пристрасний
- шлях
- period
- plato
- Інформація про дані Платона
- PlatoData
- будь ласка
- пошта
- передбачати
- передвіщений
- прогнозування
- Прогнози
- Прогноз
- Прогнози
- підготовка
- Готувати
- попередній перегляд
- попередній
- раніше
- Головний
- Проблема
- процес
- процеси
- обробка
- продуктивність
- профіль
- доказ
- доказ концепції
- властивості
- за умови
- забезпечує
- забезпечення
- публічно
- Python
- піторх
- Швидко
- випадковий
- діапазон
- готовий
- рекомендувати
- запис
- записаний
- червоний
- зменшити
- регіон
- ремонт
- ресурси
- відповідь
- результати
- повертати
- огляд
- Роль
- прогін
- біг
- Безпека
- мудрець
- Зразок набору даних
- планування
- скріншоти
- scripts
- розділ
- побачити
- посилає
- посланий
- Серія
- служить
- Послуги
- Сесія
- комплект
- набори
- кілька
- Короткий
- Показувати
- показав
- показаний
- Шоу
- підписаний
- аналогічний
- простий
- один
- SIX
- рішення
- Рішення
- деякі
- Source
- спеціаліст
- конкретний
- Стажування
- етапи
- почалася
- статистика
- Крок
- заходи
- зберігання
- зберігати
- студія
- наступні
- Підтримуючий
- Переконайтеся
- синтетичний
- система
- приймає
- технічний
- методи
- шаблон
- Шаблони
- тест
- Що
- Команда
- їх
- потім
- річ
- це
- час
- Часовий ряд
- відмітка часу
- до
- разом
- поїзд
- навчений
- Навчання
- намагатися
- тип
- Типи
- при
- небажаний
- us
- використання
- використання випадку
- використовуваний
- користувач
- користувачі
- використання
- значення
- Цінності
- різноманітність
- автомобіль
- версія
- через
- візуалізації
- Volt
- Напруга
- vs
- W
- we
- Web
- веб-сервіси
- Що
- коли
- який
- широкий
- Широкий діапазон
- волі
- з
- в
- Work
- робочий
- працює
- X
- ямл
- років
- Ти
- вашу
- зефірнет