پیش‌بینی انواع رایج خرابی ماشین‌ها در صنایع تولیدی حیاتی است. با توجه به مجموعه‌ای از ویژگی‌های یک محصول که به نوع معینی از خرابی مرتبط است، می‌توانید مدلی ایجاد کنید که می‌تواند نوع شکست را زمانی که آن ویژگی‌ها را به یک مدل یادگیری ماشین (ML) تغذیه می‌کنید، پیش‌بینی کند. ML می‌تواند به بینش‌ها کمک کند، اما تاکنون به متخصصان ML نیاز داشتید تا مدل‌هایی را برای پیش‌بینی انواع خرابی ماشین بسازند، که فقدان آن‌ها می‌تواند هر گونه اقدام اصلاحی را که کسب‌وکارها برای کارایی یا بهبود نیاز دارند به تأخیر بیاندازد.

در این پست، ما به شما نشان می‌دهیم که چگونه تحلیلگران کسب‌وکار می‌توانند یک مدل ML پیش‌بینی نوع خرابی ماشین بسازند آمازون SageMaker Canvas. Canvas یک رابط بصری نقطه و کلیک را در اختیار شما قرار می دهد که به شما امکان می دهد مدل ها را بسازید و پیش بینی های دقیق ML را به تنهایی ایجاد کنید - بدون نیاز به تجربه ML یا نیاز به نوشتن یک خط کد.

بررسی اجمالی راه حل

بیایید فرض کنیم شما یک تحلیلگر تجاری هستید که به تیم تعمیر و نگهداری یک سازمان تولیدی بزرگ منصوب شده اید. تیم تعمیر و نگهداری شما از شما خواسته است که در پیش بینی خرابی های رایج کمک کنید. آنها یک مجموعه داده تاریخی را در اختیار شما قرار داده اند که حاوی ویژگی های مرتبط با نوع معینی از شکست است و از شما می خواهند پیش بینی کنید که کدام شکست در آینده رخ می دهد. انواع خرابی شامل No Failure، Overstrain و Power Failures است. طرح داده ها در جدول زیر آمده است.

نام ستون	نوع داده	توضیحات:
UID	INT	شناسه منحصر به فرد از 1 تا 10,000
شناسه محصول	STRING	متشکل از یک حرف - L، M، یا H برای کم، متوسط ​​یا زیاد - به عنوان انواع کیفیت محصول و یک شماره سریال خاص برای نوع
نوع	STRING	حرف اولیه مرتبط با productID که فقط از L، M یا H تشکیل شده است
دمای هوا [K]	اعشاری	دمای هوا بر حسب کلوین مشخص شده است
دمای فرآیند [K]	اعشاری	دماهای دقیق کنترل شده برای اطمینان از کیفیت یک نوع محصول مشخص شده در کلوین
سرعت چرخش [rpm]	اعشاری	سرعت چرخش جسمی که حول یک محور می چرخد، تعداد دورهای جسم تقسیم بر زمان است که به صورت دور در دقیقه مشخص می شود.
گشتاور [Nm]	اعشاری	نیروی چرخش ماشین در یک شعاع، که بر حسب نیوتن متر بیان می شود
سایش ابزار [دقیقه]	INT	سایش ابزار در دقیقه بیان می شود
نوع شکست (هدف)	STRING	بدون شکست، خرابی برق، یا شکست بیش از حد فشار

پس از شناسایی نوع شکست، کسب و کارها می توانند هر گونه اقدام اصلاحی را انجام دهند. برای انجام این کار، از داده هایی که در یک فایل CSV دارید استفاده می کنید، که شامل ویژگی های خاصی از یک محصول است که در جدول ذکر شده است. برای انجام مراحل زیر از Canvas استفاده می کنید:

1. وارد کردن مجموعه داده تعمیر و نگهداری
2. آموزش و ساخت مدل تعمیر و نگهداری ماشین پیش بینی.
3. نتایج مدل را تجزیه و تحلیل کنید.
4. پیش بینی های آزمایشی در برابر مدل

پیش نیازها

یک مدیر ابری با یک حساب AWS با مجوزهای مناسب برای تکمیل پیش نیازهای زیر لازم است:

1. استقرار یک آمازون SageMaker دامنه برای دستورالعمل ها، نگاه کنید ورود به دامنه Amazon SageMaker.
2. Canvas را اجرا کنید. برای دستورالعمل، نگاه کنید راه اندازی و مدیریت Amazon SageMaker Canvas (برای مدیران فناوری اطلاعات).
3. خط‌مشی‌های اشتراک‌گذاری منابع متقاطع (CORS) را برای Canvas پیکربندی کنید. برای دستورالعمل، نگاه کنید به کاربران خود توانایی آپلود فایل های محلی را بدهید.

وارد کردن مجموعه داده

ابتدا ، بارگیری کنید مجموعه داده تعمیر و نگهداری و فایل را بررسی کنید تا مطمئن شوید همه داده ها وجود دارد.

Canvas چندین مجموعه داده نمونه را در برنامه شما ارائه می دهد تا به شما در شروع کار کمک کند. برای کسب اطلاعات بیشتر در مورد مجموعه داده های نمونه ارائه شده توسط SageMaker که می توانید با آنها آزمایش کنید، ببینید از مجموعه داده های نمونه استفاده کنید. اگر از مجموعه داده نمونه استفاده می کنید (canvas-sample-maintenance.csv) در Canvas موجود است، لازم نیست مجموعه داده تعمیر و نگهداری را وارد کنید.

می توانید داده ها را از منابع داده های مختلف به Canvas وارد کنید. اگر قصد دارید از مجموعه داده خود استفاده کنید، مراحل زیر را دنبال کنید وارد کردن داده ها در آمازون SageMaker Canvas.

برای این پست، ما از مجموعه داده نگهداری کاملی که دانلود کردیم استفاده می کنیم.

1. ورود به سیستم کنسول مدیریت AWS، با استفاده از یک حساب کاربری با مجوزهای مناسب برای دسترسی به Canvas.
2. وارد کنسول Canvas شوید.
3. را انتخاب کنید وارد كردن.
4. را انتخاب کنید بارگذاری و انتخاب کنید maintenance_dataset.csv فایل.
5. را انتخاب کنید وارد کردن داده برای آپلود آن در بوم.

فرآیند وارد کردن تقریباً 10 ثانیه طول می کشد (این بسته به اندازه مجموعه داده می تواند متفاوت باشد). وقتی کامل شد، می‌توانید ببینید که مجموعه داده در آن است Ready وضعیت.

پس از تأیید اینکه مجموعه داده وارد شده است ready، می توانید مدل خود را ایجاد کنید.

مدل را بسازید و آموزش دهید

برای ایجاد و آموزش مدل خود، مراحل زیر را انجام دهید:

1. را انتخاب کنید مدل جدیدو نامی برای مدل خود ارائه دهید.
2. را انتخاب کنید ساختن.
3. را انتخاب کنید maintenance_dataset.csv مجموعه داده و انتخاب کنید مجموعه داده را انتخاب کنید.
   در نمای مدل، می توانید چهار تب را مشاهده کنید که مربوط به چهار مرحله برای ایجاد یک مدل و استفاده از آن برای تولید پیش بینی است: انتخاب کنید, ساختن, تجزیه و تحلیلو پیش بینی.
4. بر انتخاب کنید زبانه را انتخاب کنید maintenance_dataset.csv مجموعه داده ای که قبلا آپلود کرده اید و انتخاب کنید مجموعه داده را انتخاب کنید.
   این مجموعه داده شامل 9 ستون و 10,000 ردیف است. Canvas به طور خودکار به مرحله ساخت منتقل می شود.
5. در این تب، در مورد ما، ستون هدف را انتخاب کنید نوع شکست.تیم تعمیر و نگهداری به شما اطلاع داده است که این ستون نوع خرابی هایی را نشان می دهد که معمولاً بر اساس داده های تاریخی ماشین های موجود آنها مشاهده می شود. این همان چیزی است که می خواهید مدل خود را برای پیش بینی آموزش دهید. بوم به طور خودکار تشخیص می دهد که این یک است 3 دسته مشکل (همچنین به عنوان طبقه بندی چند طبقه). اگر نوع مدل اشتباهی تشخیص داده شد، می توانید آن را به صورت دستی با استفاده از آن تغییر دهید تغییر نوع گزینه.
   لازم به ذکر است که این مجموعه داده نسبت به کلاس No Failure بسیار نامتعادل است که با مشاهده ستونی به نام آن قابل مشاهده است. نوع شکست. اگرچه Canvas و قابلیت‌های AutoML زیربنایی می‌توانند تا حدی عدم تعادل مجموعه داده‌ها را کنترل کنند، این ممکن است منجر به برخی عملکردهای منحرف شود. به عنوان یک مرحله بعدی اضافی، مراجعه کنید با Amazon SageMaker Data Wrangler داده های خود را برای یادگیری ماشین متعادل کنید. با دنبال کردن مراحل موجود در پیوند مشترک، می توانید یک را راه اندازی کنید Amazon SageMaker Studio از کنسول SageMaker استفاده کنید و این مجموعه داده را وارد کنید Amazon SageMaker Data Rangler و از تبدیل داده Balance استفاده کنید، سپس مجموعه داده متعادل را به Canvas برگردانید و مراحل زیر را ادامه دهید. ما در این پست به مجموعه داده های نامتعادل ادامه می دهیم تا نشان دهیم که Canvas می تواند مجموعه داده های نامتعادل را نیز مدیریت کند.
   در نیمه پایین صفحه، می‌توانید به برخی از آمار مجموعه داده‌ها، از جمله مقادیر گمشده و ناهماهنگ، مقادیر منحصربه‌فرد، و مقادیر میانگین و میانه نگاه کنید. همچنین می‌توانید برخی از ستون‌ها را در صورتی که نمی‌خواهید برای پیش‌بینی از آن‌ها استفاده کنید، صرفاً با لغو انتخاب آن‌ها، رها کنید.
   بعد از اینکه این بخش را بررسی کردید، نوبت به آموزش مدل می رسد! قبل از ساخت یک مدل کامل، تمرین خوبی است که با آموزش یک مدل سریع، یک ایده کلی در مورد عملکرد مدل داشته باشید. یک مدل سریع ترکیب های کمتری از مدل ها و فراپارامترها را به منظور اولویت دادن به سرعت بر دقت آموزش می دهد، به خصوص در مواردی که می خواهید ارزش آموزش یک مدل ML را برای مورد استفاده خود ثابت کنید. توجه داشته باشید که گزینه ساخت سریع برای مدل های بزرگتر از 50,000 ردیف موجود نیست.
6. را انتخاب کنید ساخت سریع.

اکنون بین 2 تا 15 دقیقه منتظر بمانید. پس از انجام، Canvas به طور خودکار به قسمت منتقل می شود تجزیه و تحلیل برگه برای نشان دادن نتایج آموزش سریع. تجزیه و تحلیل انجام شده با استفاده از تخمین های ساخت سریع نشان می دهد که مدل شما قادر است نوع شکست (نتیجه) مناسب را در 99.2٪ مواقع پیش بینی کند. ممکن است مقادیر کمی متفاوت را تجربه کنید. این مورد انتظار است.

بیایید روی برگه اول تمرکز کنیم، بررسی اجمالی. این برگه ای است که به شما نشان می دهد تاثیر ستون، یا اهمیت تخمینی هر ستون در پیش بینی ستون هدف. در این مثال، ستون‌های گشتاور [Nm] و سرعت چرخش [rpm] بیشترین تأثیر را در پیش‌بینی نوع خرابی دارند.

ارزیابی عملکرد مدل

وقتی به سمت نمره دهی در بخشی از تجزیه و تحلیل خود، می توانید نموداری را مشاهده کنید که توزیع مقادیر پیش بینی شده ما را با توجه به مقادیر واقعی نشان می دهد. توجه داشته باشید که اکثر خرابی ها در دسته No Failure قرار دارند. برای کسب اطلاعات بیشتر در مورد اینکه Canvas چگونه از خطوط پایه SHAP برای آوردن توضیح پذیری به ML استفاده می کند، به مراجعه کنید ارزیابی عملکرد مدل شما در بوم آمازون SageMaker، و همچنین مبانی SHAP برای توضیح پذیری.

Canvas مجموعه داده اصلی را به مجموعه های قطار و اعتبار سنجی قبل از آموزش تقسیم می کند. امتیاز دهی نتیجه اجرای Canvas مجموعه اعتبار سنجی در برابر مدل است. این یک رابط تعاملی است که در آن می توانید نوع شکست را انتخاب کنید. اگر انتخاب کنی شکست بیش از حد فشار در تصویر می بینید که مدل این 84 درصد مواقع را شناسایی می کند. این به اندازه کافی خوب است که بتوان در مورد آن اقدام کرد - شاید یک اپراتور یا مهندس بخواهید بیشتر بررسی کند. شما می توانید انتخاب کنید خرابی برق در نمودار برای مشاهده امتیاز مربوطه برای تفسیر و اقدامات بیشتر.

ممکن است به انواع شکست و اینکه مدل چگونه انواع خرابی را بر اساس یک سری ورودی ها پیش بینی می کند، علاقه مند باشید. برای نگاهی دقیق تر به نتایج، انتخاب کنید معیارهای پیشرفته. این ماتریسی را نمایش می دهد که به شما امکان می دهد نتایج را با دقت بیشتری بررسی کنید. در ML، این به عنوان a ماتریس سردرگمی.

این ماتریس به صورت پیش‌فرض روی کلاس غالب یعنی No Failure پیش‌فرض می‌شود. در طبقه در منو، می‌توانید معیارهای پیشرفته دو نوع خرابی دیگر، Failure Overstrain و Power Failure را مشاهده کنید.

در ML، دقت مدل به عنوان تعداد پیش بینی های صحیح تقسیم بر تعداد کل پیش بینی ها تعریف می شود. جعبه‌های آبی نشان‌دهنده پیش‌بینی‌های درستی هستند که مدل در برابر زیرمجموعه‌ای از داده‌های آزمایشی که در آن یک نتیجه شناخته شده وجود داشت، انجام داده است. در اینجا ما به این علاقه داریم که چند درصد از مواقع مدل یک نوع خرابی ماشین خاص را پیش‌بینی کرده است (بگذریم بدون شکستوقتی واقعاً آن نوع شکست است (بدون شکست). در ML، نسبتی که برای اندازه گیری آن استفاده می شود TP / (TP + FN) است. به این عنوان اشاره می شود فراخوان. در حالت پیش فرض، بدون شکست، 1,923 پیش بینی صحیح از 1,926 رکورد کلی وجود داشت که منجر به 99٪ شد. فراخوان. از طرف دیگر، در کلاس شکست بیش از حد فشار، 32 مورد از 38 وجود دارد که منجر به 84٪ می شود. فراخوان. در نهایت در کلاس خرابی برق 16 از 19 وجود دارد که نتیجه آن 84 درصد است. فراخوان.

حالا شما دو گزینه دارید:

1. با انتخاب می توانید از این مدل برای اجرای برخی پیش بینی ها استفاده کنید پیش بینی.
2. شما می توانید یک نسخه جدید از این مدل برای آموزش با ساخت استاندارد گزینه. این کار بسیار بیشتر طول می کشد - حدود 1 تا 2 ساعت - اما مدل قوی تری را ارائه می دهد زیرا از طریق بررسی کامل AutoML داده ها، الگوریتم ها و تکرارهای تنظیم انجام می شود.

از آنجایی که شما در تلاش برای پیش‌بینی خرابی‌ها هستید و مدل در ۸۴ درصد مواقع شکست‌ها را به درستی پیش‌بینی می‌کند، می‌توانید با اطمینان از مدل برای شناسایی خرابی‌های احتمالی استفاده کنید. بنابراین، می‌توانید به گزینه 84 بروید. اگر مطمئن نبودید، می‌توانید از یک دانشمند داده بخواهید مدل‌سازی Canvas را بررسی کند و از طریق گزینه 1 پیشرفت‌های بالقوه ارائه دهد.

پیش بینی ایجاد کنید

اکنون که مدل آموزش داده شده است، می توانید شروع به تولید پیش بینی کنید.

1. را انتخاب کنید پیش بینی در پایین تجزیه و تحلیل صفحه، یا انتخاب کنید پیش بینی تب.
2. را انتخاب کنید مجموعه داده را انتخاب کنید، و را انتخاب کنید maintenance_dataset.csv فایل.
3. را انتخاب کنید پیش بینی ایجاد کنید.

Canvas از این مجموعه داده برای ایجاد پیش بینی های ما استفاده می کند. اگرچه عموماً ایده خوبی است که از یک مجموعه داده هم برای آموزش و هم برای آزمایش استفاده نکنید، برای سادگی در این مورد می توانید از همان مجموعه داده استفاده کنید. همچنین، می‌توانید برخی از رکوردها را از مجموعه داده اصلی خود که برای آموزش استفاده می‌کنید حذف کنید و از آن رکوردها در یک فایل CSV استفاده کنید و آن را به پیش‌بینی دسته‌ای در اینجا وارد کنید تا از همان مجموعه داده برای آزمایش پس از آموزش استفاده نکنید.

پس از چند ثانیه، پیش بینی کامل می شود. Canvas یک پیش بینی برای هر ردیف از داده ها و احتمال درست بودن پیش بینی را برمی گرداند. شما می توانید انتخاب کنید پیش نمایش برای مشاهده پیش بینی ها، یا انتخاب کنید دانلود برای دانلود یک فایل CSV حاوی خروجی کامل.

شما همچنین می توانید با انتخاب مقادیر یک به یک را پیش بینی کنید پیش بینی واحد بجای پیش بینی دسته ای. Canvas نمایی را به شما نشان می دهد که در آن می توانید مقادیر هر ویژگی را به صورت دستی ارائه کنید و یک پیش بینی ایجاد کنید. این برای شرایطی مانند سناریوهای چه می‌شود ایده‌آل است، برای مثال: سایش ابزار چگونه بر نوع خرابی تأثیر می‌گذارد؟ اگر دمای فرآیند افزایش یا کاهش یابد چه؟ اگر سرعت چرخش تغییر کند چه؟

ساخت استاندارد

La ساخت استاندارد گزینه دقت را به سرعت انتخاب می کند. اگر می خواهید مصنوعات مدل را با دانشمند داده و مهندسان ML خود به اشتراک بگذارید، می توانید در مرحله بعد یک ساخت استاندارد ایجاد کنید.

1. را انتخاب کنید اضافه کردن نسخه
   
   
2. یک نسخه جدید را انتخاب کنید و انتخاب کنید ساخت استاندارد.
3. پس از ایجاد یک ساخت استاندارد، می توانید مدل را با دانشمندان داده و مهندسان ML برای ارزیابی و تکرار بیشتر به اشتراک بگذارید.

پاک کردن

برای جلوگیری از متحمل شدن در آینده هزینه های جلسه، از Canvas خارج شوید.

نتیجه

در این پست نشان دادیم که چگونه یک تحلیلگر تجاری می تواند با استفاده از داده های تعمیر و نگهداری یک مدل پیش بینی نوع خرابی ماشین با Canvas ایجاد کند. Canvas به تحلیلگران تجاری مانند مهندسین قابلیت اطمینان اجازه می دهد تا مدل های ML دقیقی ایجاد کنند و پیش بینی هایی را با استفاده از یک رابط بدون کد، تصویری، نقطه و کلیک ایجاد کنند. تحلیلگران می توانند با به اشتراک گذاشتن مدل های خود با همکاران دانشمند داده، این را به سطح بعدی برسانند. دانشمندان داده می توانند مدل Canvas را در استودیو مشاهده کنند، جایی که می توانند انتخاب های Canvas را بررسی کنند، نتایج مدل را تأیید کنند، و حتی مدل را با چند کلیک به تولید برسانند. این می تواند ایجاد ارزش مبتنی بر ML را تسریع کند و به مقیاس سریعتر نتایج بهبود یافته کمک کند.

برای کسب اطلاعات بیشتر در مورد استفاده از Canvas، مراجعه کنید ساخت، اشتراک گذاری، استقرار: چگونه تحلیلگران کسب و کار و دانشمندان داده با استفاده از ML بدون کد و آمازون SageMaker Canvas به زمان سریع تری به بازار می رسند. برای اطلاعات بیشتر در مورد ایجاد مدل‌های ML با راه‌حل بدون کد، رجوع کنید اعلام آمازون SageMaker Canvas – قابلیت یادگیری ماشینی بصری و بدون کد برای تحلیلگران کسب و کار.

---

درباره نویسنده

راجاکومار سامپاتکومار یک مدیر حساب فنی اصلی در AWS است که راهنمایی های مشتریان را در مورد همسویی فناوری تجاری ارائه می دهد و از اختراع مجدد مدل ها و فرآیندهای عملیات ابری آنها پشتیبانی می کند. او علاقه زیادی به یادگیری ابری و ماشینی دارد. راج همچنین یک متخصص یادگیری ماشین است و با مشتریان AWS برای طراحی، استقرار و مدیریت حجم کاری و معماری AWS آنها کار می کند.

توان اتکینز یک معمار ارشد راه حل برای خدمات وب آمازون است. او مسئول کار با مشتریان کشاورزی، خرده‌فروشی و تولیدی برای شناسایی مشکلات تجاری و کار معکوس برای شناسایی راه‌حل‌های فنی قابل اجرا و مقیاس‌پذیر است. Twann بیش از 10 سال است که با تمرکز اخیر بر دموکراتیزه کردن تجزیه و تحلیل، هوش مصنوعی و یادگیری ماشین برای مشتریان و سازندگان آینده، به مشتریان کمک می‌کند تا بارهای کاری حیاتی را برنامه‌ریزی و مهاجرت کنند.

امکار مکدم یک معماری راه حل تخصصی Edge در خدمات وب آمازون است. او در حال حاضر روی راه‌حل‌هایی تمرکز می‌کند که مشتریان تجاری را قادر می‌سازد تا به طور مؤثری با ارائه خدمات AWS Edge طراحی، ساخت و مقیاس‌بندی کنند که شامل، اما نه محدود به AWS Snow Family است.