AWS Lookout для оборудования

Насколько легко реализовать проект профилактического обслуживания с помощью Lookout-for-Equipment.

Не будет ошибкой, если я скажу это, это самый простой способ начать работу с прогнозированием отказов машины с помощью профилактического обслуживания.

Поиск оборудования помогает найти неисправность или аномальные данные датчика без какой-либо экспертизы машинного обучения. Это поможет вам избежать процесса внедрения машинного обучения, который сложен и требует много времени. Он работает прямо из вашего набора данных, чтобы предупреждать вас о любых неисправных машинах.

В каких отраслях вы можете использовать эту услугу?

Вы можете использовать эту услугу как свою систему непрерывного мониторинга промышленного оборудования. Сюда входят все типы оборудования, такие как насосы, компрессоры, двигатели и турбины. Это также помогает перерабатывающей промышленности с теплообменниками, котлами и инверторами.

Но эта услуга не может быть использована в отраслях, где условия эксплуатации существенно изменяются, таких как автомобили, роботы,
бытовая техника и станки с числовым программным управлением (ЧПУ).

Как мы можем это использовать?

1. Первый шаг - отформатировать и загрузить данные в s3, поскольку это простой и понятный сервис для хранения данных от команды AWS. а для поиска оборудования использует s3 только для приема данных.
2. Подготовка данных об отказе, где мы должны указать время, когда машина вышла из строя. и это не было обязательным, поэтому, если оно у вас есть, это хорошо, иначе эта служба может справиться сама.
3. Выберите датчики, которые нужно контролировать
4. После приема мы можем создать нашу модель, здесь нам не нужно беспокоиться о том, какая модель ML используется, как утверждает aws docs, на основе наших данных она выберет лучшую модель и даст результат.
5. Как только вы получили желаемый результат, можете приступить к следующему выводу.

Давайте подробнее рассмотрим эти шаги, как выглядят конечные результаты, а после этого мы сможем обсудить цены и все такое.

Данные:

Один из важных шагов, которые вы должны сделать сами, чтобы заставить его работать. Расположите данные на временной шкале. Переименуйте столбец, содержащий время, как «Отметка времени», так как это то, что понимает aws lookout для оборудования.

Минимальный критерий - 180 дней для представления данных, поэтому перед загрузкой данных обязательно проверьте это. Вот скриншот из видео AWS, где показана структура данных.

Прежде чем перейти к загрузке данных, здесь, на этом этапе, мы также должны определить схему, то есть простое форматирование json. Первым элементом должна быть отметка времени, а остальными - двойные.

Получение данных:

Для загрузки данных мы должны использовать путь s3, в котором мы сохранили. Структура папок должна быть такой, когда вы выбираете для приема данных.

Ваша_папка → Senor1 → data.csv

и когда вы будете просматривать и выбирать папку, вы выбираете для Your_folder, что это одна папка выше ваших данных csv.

После того, как данные были загружены, мы можем создать модель, просто нажав кнопку создания модели.

Создание модели:

Создание модели требует нескольких действий с вашей стороны, а именно:

1. Атрибуты сенсора, которые ... то, с чем мы хотим обучать нашу модель.
2. Ярлык отказа, если он у нас есть?
3. Наиболее важными являются временные рамки для обучения и проверки.

Введите атрибуты датчика, с которыми вы хотите тренироваться, поэтому есть список флажков, как показано ниже, просто щелкните все важные атрибуты, с которыми вы хотите моделировать, чтобы тренироваться.

следующий - с меткой, на которой вы должны расположить набор данных с диапазонами дат, указывающими, что сбой произошел в прошлом.

Образец данных ярлыка:

Несколько указателей на данные этого ярлыка.

1. не должно быть заголовков.
2. следует отсортировать
3. И только укажите дату и время, когда произошел сбой.

Обучение и оценка:

Мы должны выбрать график для обучения и проверки, это хорошая практика - брать для проверки данные не менее 1 месяца. И мы не можем брать совпадающие даты для этого обучения и проверки, что означает, что данные проверки должны быть после даты и времени данных обучения. Так что имейте это в виду, когда будете использовать это.

Щелкните создать, чтобы начать обучение модели:

Обучение вашей модели займет некоторое время, поэтому расслабьтесь и позвольте поиску оборудования сделать свое дело.

Как выглядят результаты?

Как только вы увидите сообщение об успешном выполнении в части обучения модели, вы можете щелкнуть по модели, и вы попадете на страницу, которая выглядит как на скриншоте выше.

Здесь у нас есть все результаты, предсказанные моделью, как и все модели аномального поведения, выбранные при проверке. Вы можете перекрестно проверить, какие диапазоны дат были указаны.

и после этого появится график, показывающий те же текстовые результаты на графиках.

Как вы можете видеть, вертикальная линия оранжевого оттенка показывает все обнаруженные аномалии модели. а серая зона - это чистая правда.

Как вы можете видеть в этом примере, серая область и оранжевые вертикальные линии каждый раз совпадают. следовательно, в этом примере модель может предсказать все отклонения.

Мы получим не только результаты, но и все основные функции, которые отвечают за эти прогнозы.

Если все выглядит хорошо, мы можем перейти к выводу, что является последней частью службы.

Вывод расписания:

Здесь шаги очень просты, мы должны выбрать папку данных (из s3) для вывода, поскольку она может работать в реальном времени, мы должны указать частоту загрузки данных, формат временной метки, местоположение выходных данных из s3 снова и Готово.

Если вы хотите запланировать диапазоны от 5 минут до 30 минут до 1 часа, это также можно сделать, чтобы он выводил их в определенных диапазонах.

Теперь у вас есть полностью собранный AWS Lookout для обслуживания оборудования, который может работать в режиме реального времени.

Стоимость?

Плата взимается за три места, а именно:

1. Прием данных на гигабайт.
2. Время обучения модели в час
3. С вас взимается почасовая оплата независимо от установленной частоты во время вывода.

Спасибо, что прочитали эту статью. Дайте мне знать, если у вас возникнут вопросы, надеюсь, я смогу помочь вам с ними.

Что теперь?

В следующий раз поделюсь демонстрационным проектом с поиском оборудования.

Спасибо за прочтение.

Если вам понравилась статья, пожалуйста, не забудьте аплодировать. Следуйте за мной, чтобы увидеть больше проектов и статей на моем Github и моем среднем профиле.

Не забудьте проверить сквозное развертывание проекта глубокого обучения с разработкой приложений для Android.

Спасибо. Прокомментируйте, пожалуйста, любые вопросы.