विनिर्माण उद्योगों में सामान्य मशीन विफलता प्रकारों की भविष्यवाणी करना महत्वपूर्ण है। किसी उत्पाद की विशेषताओं के एक सेट को देखते हुए जो किसी दिए गए प्रकार की विफलता से जुड़ा होता है, आप एक मॉडल विकसित कर सकते हैं जो विफलता प्रकार की भविष्यवाणी कर सकता है जब आप उन विशेषताओं को मशीन लर्निंग (एमएल) मॉडल में फीड करते हैं। एमएल अंतर्दृष्टि के साथ मदद कर सकता है, लेकिन अब तक आपको मशीन विफलता प्रकारों की भविष्यवाणी करने के लिए मॉडल बनाने के लिए एमएल विशेषज्ञों की आवश्यकता होती है, जिसके अभाव में किसी भी सुधारात्मक कार्रवाई में देरी हो सकती है जो व्यवसायों को दक्षता या सुधार के लिए आवश्यक है।

इस पोस्ट में, हम आपको दिखाते हैं कि कैसे व्यापार विश्लेषक मशीन विफलता प्रकार भविष्यवाणी एमएल मॉडल का निर्माण कर सकते हैं अमेज़ॅन सेजमेकर कैनवास. कैनवास आपको एक दृश्य बिंदु-और-क्लिक इंटरफ़ेस प्रदान करता है जो आपको मॉडल बनाने और सटीक एमएल पूर्वानुमान उत्पन्न करने की अनुमति देता है-बिना किसी एमएल अनुभव की आवश्यकता के या कोड की एक पंक्ति लिखने की आवश्यकता के बिना।

समाधान अवलोकन

आइए मान लें कि आप एक बड़े निर्माण संगठन की रखरखाव टीम को सौंपे गए व्यवसाय विश्लेषक हैं। आपकी रखरखाव टीम ने आपको सामान्य विफलताओं की भविष्यवाणी करने में सहायता करने के लिए कहा है। उन्होंने आपको एक ऐतिहासिक डेटासेट प्रदान किया है जिसमें किसी दिए गए प्रकार की विफलता से जुड़ी विशेषताएं शामिल हैं और चाहते हैं कि आप भविष्यवाणी करें कि भविष्य में कौन सी विफलता होगी। विफलता के प्रकारों में नो फेल्योर, ओवरस्ट्रेन और पावर फेल्योर शामिल हैं। डेटा स्कीमा निम्न तालिका में सूचीबद्ध है।

विफलता के प्रकार की पहचान होने के बाद, व्यवसाय कोई भी सुधारात्मक कार्रवाई कर सकते हैं। ऐसा करने के लिए, आप एक CSV फ़ाइल में मौजूद डेटा का उपयोग करते हैं, जिसमें तालिका में उल्लिखित उत्पाद की कुछ विशेषताएं होती हैं। आप निम्न चरणों को करने के लिए कैनवास का उपयोग करते हैं:

1. रखरखाव डेटासेट आयात करें।
2. भविष्य कहनेवाला मशीन रखरखाव मॉडल को प्रशिक्षित और निर्मित करें।
3. मॉडल परिणामों का विश्लेषण करें।
4. मॉडल के खिलाफ परीक्षण भविष्यवाणियां।

.. पूर्वापेक्षाएँ

एक के साथ एक क्लाउड व्यवस्थापक AWS खाता निम्नलिखित पूर्वापेक्षाओं को पूरा करने के लिए उपयुक्त अनुमतियों के साथ आवश्यक है:

1. तैनात ए अमेज़न SageMaker डोमेन निर्देशों के लिए देखें अमेज़न सेजमेकर डोमेन पर ऑनबोर्ड.
2. कैनवास लॉन्च करें। निर्देशों के लिए देखें अमेज़ॅन सेजमेकर कैनवास की स्थापना और प्रबंधन (आईटी प्रशासकों के लिए).
3. कैनवास के लिए क्रॉस-ओरिजिनल रिसोर्स शेयरिंग (CORS) नीतियां कॉन्फ़िगर करें। निर्देशों के लिए देखें अपने उपयोगकर्ताओं को स्थानीय फ़ाइलें अपलोड करने की क्षमता दें.

डेटासेट आयात करें

सबसे पहले, डाउनलोड करें रखरखाव डाटासेट और यह सुनिश्चित करने के लिए फ़ाइल की समीक्षा करें कि सभी डेटा वहां है।

आरंभ करने में आपकी सहायता के लिए कैनवास आपके एप्लिकेशन में कई नमूना डेटासेट प्रदान करता है। सेजमेकर द्वारा प्रदान किए गए नमूना डेटासेट के बारे में अधिक जानने के लिए आप प्रयोग कर सकते हैं, देखें नमूना डेटासेट का उपयोग करें. यदि आप नमूना डेटासेट का उपयोग करते हैं (canvas-sample-maintenance.csv) कैनवास के भीतर उपलब्ध है, आपको रखरखाव डेटासेट आयात करने की आवश्यकता नहीं है।

आप विभिन्न डेटा स्रोतों से डेटा को कैनवास में आयात कर सकते हैं। यदि आप अपने स्वयं के डेटासेट का उपयोग करने की योजना बना रहे हैं, तो इन चरणों का पालन करें अमेज़ॅन सेजमेकर कैनवास में डेटा आयात करना.

इस पोस्ट के लिए, हम डाउनलोड किए गए पूर्ण रखरखाव डेटासेट का उपयोग करते हैं।

1. में साइन इन करें एडब्ल्यूएस प्रबंधन कंसोल, कैनवास तक पहुँचने के लिए उपयुक्त अनुमतियों वाले खाते का उपयोग करना।
2. कैनवास कंसोल में लॉग इन करें।
3. चुनें आयात.
4. चुनें अपलोड और चयन करें maintenance_dataset.csv फ़ाइल.
5. चुनें आयात आंकड़ा कैनवास पर अपलोड करने के लिए।

आयात प्रक्रिया में लगभग 10 सेकंड लगते हैं (यह डेटासेट आकार के आधार पर भिन्न हो सकता है)। जब यह पूरा हो जाए, तो आप देख सकते हैं कि डेटासेट अंदर है Ready स्थिति।

आपके द्वारा पुष्टि किए जाने के बाद कि आयातित डेटासेट है ready, आप अपना मॉडल बना सकते हैं।

मॉडल बनाएं और प्रशिक्षित करें

अपना मॉडल बनाने और प्रशिक्षित करने के लिए, निम्नलिखित चरणों को पूरा करें:

1. चुनें नए मॉडल, और अपने मॉडल के लिए एक नाम प्रदान करें।
2. चुनें बनाएं.
3. चयन maintenance_dataset.csv डेटासेट और चुनें डेटासेट चुनें.
   मॉडल दृश्य में, आप चार टैब देख सकते हैं, जो मॉडल बनाने के लिए चार चरणों के अनुरूप होते हैं और पूर्वानुमान उत्पन्न करने के लिए इसका उपयोग करते हैं: चुनते हैं, बनाएँ, विश्लेषण करें, तथा भविष्यवाणी करना.
4. पर चुनते हैं टैब, चयन maintenance_dataset.csv आपके द्वारा पहले अपलोड किया गया डेटासेट और चुनें डेटासेट चुनें.
   इस डेटासेट में 9 कॉलम और 10,000 पंक्तियाँ शामिल हैं। कैनवास स्वचालित रूप से बिल्ड चरण में चला जाता है।
5. इस टैब पर, हमारे मामले में लक्ष्य कॉलम चुनें विफलता प्रकार.रखरखाव टीम ने आपको सूचित किया है कि यह कॉलम आमतौर पर उनकी मौजूदा मशीनों के ऐतिहासिक डेटा के आधार पर देखी जाने वाली विफलताओं के प्रकार को दर्शाता है। यही वह है जिसे आप भविष्यवाणी करने के लिए अपने मॉडल को प्रशिक्षित करना चाहते हैं। कैनवास स्वचालित रूप से पता लगाता है कि यह एक है 3 श्रेणी समस्या (जिसे के रूप में भी जाना जाता है) बहु-वर्गीय वर्गीकरण) यदि गलत मॉडल प्रकार का पता चलता है, तो आप इसे मैन्युअल रूप से बदल सकते हैं प्रकार बदलें विकल्प.
   यह ध्यान दिया जाना चाहिए कि यह डेटासेट नो फेल्योर क्लास के प्रति अत्यधिक असंतुलित है, जिसे नामक कॉलम को देखकर देखा जा सकता है विफलता प्रकार. हालांकि कैनवास और अंतर्निहित ऑटोएमएल क्षमताएं आंशिक रूप से डेटासेट असंतुलन को संभाल सकती हैं, इसके परिणामस्वरूप कुछ विषम प्रदर्शन हो सकते हैं। एक अतिरिक्त अगले चरण के रूप में देखें Amazon SageMaker Data Wrangler के साथ मशीन लर्निंग के लिए अपने डेटा को संतुलित करें. साझा लिंक में दिए गए चरणों का पालन करते हुए, आप एक लॉन्च कर सकते हैं अमेज़ॅन सैजमेकर स्टूडियो सेजमेकर कंसोल से ऐप और इस डेटासेट को आयात करें अमेज़न SageMaker डेटा रैंगलर और शेष डेटा परिवर्तन का उपयोग करें, फिर संतुलित डेटासेट को वापस कैनवास पर ले जाएं और निम्न चरणों को जारी रखें। हम इस पोस्ट में असंतुलित डेटासेट के साथ आगे बढ़ रहे हैं ताकि यह दिखाया जा सके कि कैनवास असंतुलित डेटासेट को भी संभाल सकता है।
   पृष्ठ के निचले भाग में, आप डेटासेट के कुछ आंकड़ों को देख सकते हैं, जिनमें गुम और बेमेल मान, अद्वितीय मान, और माध्य और माध्य मान शामिल हैं। यदि आप केवल उनका चयन रद्द करके भविष्यवाणी के लिए उनका उपयोग नहीं करना चाहते हैं तो आप कुछ स्तंभों को छोड़ भी सकते हैं।
   आपके द्वारा इस अनुभाग का अध्ययन करने के बाद, मॉडल को प्रशिक्षित करने का समय आ गया है! एक संपूर्ण मॉडल बनाने से पहले, एक त्वरित मॉडल को प्रशिक्षित करके मॉडल के प्रदर्शन के बारे में एक सामान्य विचार रखना एक अच्छा अभ्यास है। एक त्वरित मॉडल सटीकता से अधिक गति को प्राथमिकता देने के लिए मॉडल और हाइपरपैरामीटर के कम संयोजनों को प्रशिक्षित करता है, विशेष रूप से उन मामलों में जहां आप अपने उपयोग के मामले के लिए एक एमएल मॉडल के प्रशिक्षण के मूल्य को साबित करना चाहते हैं। ध्यान दें कि 50,000 पंक्तियों से बड़े मॉडल के लिए त्वरित निर्माण विकल्प उपलब्ध नहीं है।
6. चुनें त्वरित निर्माण.

अब आप 2-15 मिनट से कहीं भी प्रतीक्षा करें। एक बार हो जाने पर, कैनवास स्वचालित रूप से पर चला जाता है विश्लेषण करें आपको त्वरित प्रशिक्षण के परिणाम दिखाने के लिए टैब। त्वरित बिल्ड अनुमानों का उपयोग करते हुए किए गए विश्लेषण से पता चलता है कि आपका मॉडल सही विफलता प्रकार (परिणाम) 99.2% समय की भविष्यवाणी करने में सक्षम है। आप थोड़े भिन्न मूल्यों का अनुभव कर सकते हैं। यह अपेक्षित है।

आइए पहले टैब पर ध्यान दें, अवलोकन . यह वह टैब है जो आपको दिखाता है स्तंभ प्रभाव, या लक्ष्य स्तंभ की भविष्यवाणी में प्रत्येक स्तंभ का अनुमानित महत्व। इस उदाहरण में, टोक़ [एनएम] और घूर्णी गति [आरपीएम] कॉलम का भविष्यवाणी करने में सबसे महत्वपूर्ण प्रभाव पड़ता है कि किस प्रकार की विफलता होगी।

मॉडल के प्रदर्शन का मूल्यांकन करें

जब आप में जाते हैं स्कोरिंग अपने विश्लेषण के हिस्से में, आप वास्तविक मूल्यों के संबंध में हमारे अनुमानित मूल्यों के वितरण का प्रतिनिधित्व करने वाला एक प्लॉट देख सकते हैं। ध्यान दें कि अधिकांश विफलताएँ नो फ़ेलियर श्रेणी में होंगी। इस बारे में अधिक जानने के लिए कि कैनवास एमएल के लिए व्याख्यात्मकता लाने के लिए SHAP बेसलाइन का उपयोग कैसे करता है, देखें Amazon SageMaker कैनवास में अपने मॉडल के प्रदर्शन का मूल्यांकन, के रूप में के रूप में अच्छी तरह से व्याख्या के लिए SHAP बेसलाइन.

कैनवास प्रशिक्षण से पहले मूल डेटासेट को ट्रेन और सत्यापन सेट में विभाजित करता है। स्कोरिंग कैनवास के मॉडल के विरुद्ध सत्यापन सेट चलाने का परिणाम है। यह एक इंटरेक्टिव इंटरफ़ेस है जहाँ आप विफलता प्रकार का चयन कर सकते हैं। यदि आप चुनते हैं ओवरस्ट्रेन विफलता ग्राफिक में, आप देख सकते हैं कि मॉडल इन 84% समय की पहचान करता है। यह कार्रवाई करने के लिए पर्याप्त है—शायद किसी ऑपरेटर या इंजीनियर से आगे की जांच करवाएं। आप चुन सकते हैं बिजली की विफलता आगे की व्याख्या और कार्यों के लिए संबंधित स्कोरिंग देखने के लिए ग्राफिक में।

आपको विफलता प्रकारों में रुचि हो सकती है और इनपुट की एक श्रृंखला के आधार पर मॉडल कितनी अच्छी तरह विफलता प्रकारों की भविष्यवाणी करता है। परिणामों पर करीब से नज़र डालने के लिए, चुनें उन्नत मेट्रिक्स. यह एक मैट्रिक्स प्रदर्शित करता है जो आपको परिणामों की अधिक बारीकी से जांच करने की अनुमति देता है। एमएल में, इसे ए के रूप में जाना जाता है असमंजस का जाल.

यह मैट्रिक्स हावी वर्ग के लिए डिफ़ॉल्ट है, कोई विफलता नहीं। पर वर्ग मेनू में, आप अन्य दो विफलता प्रकारों के ओवरस्ट्रेन विफलता और पावर विफलता के उन्नत मीट्रिक देखना चुन सकते हैं।

एमएल में, मॉडल की सटीकता को भविष्यवाणियों की कुल संख्या से विभाजित सही भविष्यवाणियों की संख्या के रूप में परिभाषित किया गया है। नीले बॉक्स सही भविष्यवाणियों का प्रतिनिधित्व करते हैं कि मॉडल परीक्षण डेटा के सबसेट के खिलाफ बनाया गया था जहां एक ज्ञात परिणाम था। यहां हम इस बात में रुचि रखते हैं कि मॉडल ने किसी विशेष मशीन विफलता प्रकार की भविष्यवाणी कितने प्रतिशत समय में की है (मान लीजिए कोई विफलता नहीं) जब यह वास्तव में वह विफलता प्रकार है (कोई विफलता नहीं) एमएल में, इसे मापने के लिए इस्तेमाल किया जाने वाला अनुपात टीपी / (टीपी + एफएन) है। इसे के रूप में संदर्भित किया जाता है याद. डिफ़ॉल्ट मामले में, कोई विफलता नहीं, कुल 1,923 रिकॉर्डों में से 1,926 सही भविष्यवाणियां थीं, जिसके परिणामस्वरूप 99% याद. वैकल्पिक रूप से, ओवरस्ट्रेन विफलता की श्रेणी में, 32 में से 38 थे, जिसके परिणामस्वरूप 84% याद. अंत में, बिजली की विफलता की श्रेणी में, 16 में से 19 थे, जिसका परिणाम 84% था। याद.

अब, आपके पास दो विकल्प हैं:

1. आप चुनकर कुछ पूर्वानुमान चलाने के लिए इस मॉडल का उपयोग कर सकते हैं भविष्यवाणी करना.
2. आप के साथ प्रशिक्षित करने के लिए इस मॉडल का एक नया संस्करण बना सकते हैं मानक निर्माण विकल्प। इसमें अधिक समय लगेगा—लगभग 1-2 घंटे—लेकिन यह एक अधिक मजबूत मॉडल प्रदान करता है क्योंकि यह डेटा, एल्गोरिदम और ट्यूनिंग पुनरावृत्तियों की पूर्ण ऑटोएमएल समीक्षा से गुजरता है।

क्योंकि आप विफलताओं की भविष्यवाणी करने की कोशिश कर रहे हैं, और मॉडल 84% समय में विफलताओं की सही भविष्यवाणी करता है, आप संभावित विफलताओं की पहचान करने के लिए आत्मविश्वास से मॉडल का उपयोग कर सकते हैं। इसलिए, आप विकल्प 1 पर आगे बढ़ सकते हैं। यदि आप आश्वस्त नहीं थे, तो आप एक डेटा वैज्ञानिक को कैनवास द्वारा किए गए मॉडलिंग की समीक्षा करने और विकल्प 2 के माध्यम से संभावित सुधारों की पेशकश करने के लिए कह सकते हैं।

भविष्यवाणियां उत्पन्न करें

अब जब मॉडल प्रशिक्षित हो गया है, तो आप भविष्यवाणियां बनाना शुरू कर सकते हैं।

1. चुनें भविष्यवाणी करना के नीचे विश्लेषण करें पृष्ठ, या चुनें भविष्यवाणी करना टैब.
2. चुनें डेटासेट चुनें, और चुनें maintenance_dataset.csv फ़ाइल.
3. चुनें भविष्यवाणियां उत्पन्न करें.

कैनवास इस डेटासेट का उपयोग हमारी भविष्यवाणियां उत्पन्न करने के लिए करता है। यद्यपि प्रशिक्षण और परीक्षण दोनों के लिए समान डेटासेट का उपयोग नहीं करना आम तौर पर एक अच्छा विचार है, आप इस मामले में सादगी के लिए समान डेटासेट का उपयोग कर सकते हैं। वैकल्पिक रूप से, आप अपने मूल डेटासेट से कुछ रिकॉर्ड निकाल सकते हैं जिनका उपयोग आप प्रशिक्षण के लिए करते हैं और उन रिकॉर्ड को CSV फ़ाइल में उपयोग करते हैं और इसे यहां बैच पूर्वानुमान में फीड कर सकते हैं ताकि आप प्रशिक्षण के बाद के परीक्षण के लिए उसी डेटासेट का उपयोग न करें।

कुछ सेकंड के बाद, भविष्यवाणी पूरी हो गई है। कैनवास डेटा की प्रत्येक पंक्ति और भविष्यवाणी के सही होने की प्रायिकता के लिए एक पूर्वानुमान देता है। आप चुन सकते हैं पूर्वावलोकन भविष्यवाणियों को देखने के लिए, या चुनें डाउनलोड संपूर्ण आउटपुट वाली CSV फ़ाइल डाउनलोड करने के लिए।

आप चुनकर एक-एक करके मूल्यों की भविष्यवाणी करना भी चुन सकते हैं एकल भविष्यवाणी के बजाय बैच भविष्यवाणी. कैनवास आपको एक दृश्य दिखाता है जहां आप मैन्युअल रूप से प्रत्येक सुविधा के लिए मान प्रदान कर सकते हैं और एक भविष्यवाणी उत्पन्न कर सकते हैं। यह क्या-अगर परिदृश्य जैसी स्थितियों के लिए आदर्श है, उदाहरण के लिए: टूल वियर विफलता प्रकार को कैसे प्रभावित करता है? क्या होगा यदि प्रक्रिया तापमान बढ़ता या घटता है? क्या होगा अगर घूर्णी गति बदल जाती है?

मानक निर्माण

RSI मानक निर्माण विकल्प गति से अधिक सटीकता चुनता है। यदि आप मॉडल की कलाकृतियों को अपने डेटा वैज्ञानिक और एमएल इंजीनियरों के साथ साझा करना चाहते हैं, तो आप आगे एक मानक बिल्ड बना सकते हैं।

1. चुनें संस्करण जोड़ें
   
   
2. एक नया संस्करण चुनें और चुनें मानक निर्माण.
3. एक मानक बिल्ड बनाने के बाद, आप आगे के मूल्यांकन और पुनरावृत्ति के लिए मॉडल को डेटा वैज्ञानिकों और एमएल इंजीनियरों के साथ साझा कर सकते हैं।

क्लीन अप

भविष्य में आने से बचने के लिए सत्र शुल्क, कैनवास से लॉग आउट करें।

निष्कर्ष

इस पोस्ट में, हमने दिखाया कि कैसे एक व्यापार विश्लेषक रखरखाव डेटा का उपयोग करके कैनवास के साथ मशीन विफलता प्रकार भविष्यवाणी मॉडल बना सकता है। कैनवास व्यावसायिक विश्लेषकों जैसे विश्वसनीयता इंजीनियरों को सटीक एमएल मॉडल बनाने और नो-कोड, विज़ुअल, पॉइंट-एंड-क्लिक इंटरफ़ेस का उपयोग करके भविष्यवाणियां उत्पन्न करने की अनुमति देता है। विश्लेषक अपने मॉडल को डेटा वैज्ञानिक सहयोगियों के साथ साझा करके इसे अगले स्तर तक ले जा सकते हैं। डेटा वैज्ञानिक स्टूडियो में कैनवास मॉडल देख सकते हैं, जहां वे कैनवास द्वारा किए गए विकल्पों का पता लगा सकते हैं, मॉडल परिणामों को मान्य कर सकते हैं और यहां तक ​​कि कुछ क्लिक के साथ मॉडल को उत्पादन में ले जा सकते हैं। यह एमएल-आधारित मूल्य निर्माण में तेजी ला सकता है और तेजी से बेहतर परिणामों में मदद कर सकता है।

कैनवास का उपयोग करने के बारे में अधिक जानने के लिए देखें बिल्ड, शेयर, डिप्लॉय: कैसे व्यापार विश्लेषक और डेटा वैज्ञानिक बिना कोड एमएल और अमेज़ॅन सेजमेकर कैनवास का उपयोग करके तेजी से समय-समय पर बाजार प्राप्त करते हैं. बिना कोड समाधान वाले एमएल मॉडल बनाने के बारे में अधिक जानकारी के लिए देखें अमेज़ॅन सेजमेकर कैनवास की घोषणा - व्यापार विश्लेषकों के लिए एक दृश्य, बिना कोड मशीन सीखने की क्षमता.

लेखक के बारे में

राजकुमार संपतकुमार AWS में एक प्रधान तकनीकी खाता प्रबंधक है, जो ग्राहकों को व्यवसाय-प्रौद्योगिकी संरेखण पर मार्गदर्शन प्रदान करता है और उनके क्लाउड ऑपरेशन मॉडल और प्रक्रियाओं के पुनर्निवेश का समर्थन करता है। उन्हें क्लाउड और मशीन लर्निंग का शौक है। राज एक मशीन लर्निंग विशेषज्ञ भी है और एडब्ल्यूएस ग्राहकों के साथ उनके एडब्ल्यूएस वर्कलोड और आर्किटेक्चर को डिजाइन, तैनात और प्रबंधित करने के लिए काम करता है।

ट्वैन एटकिंस अमेज़ॅन वेब सेवाओं के लिए एक वरिष्ठ समाधान वास्तुकार हैं। वह व्यावसायिक समस्याओं की पहचान करने के लिए कृषि, खुदरा और विनिर्माण ग्राहकों के साथ काम करने और व्यवहार्य और स्केलेबल तकनीकी समाधानों की पहचान करने के लिए पीछे की ओर काम करने के लिए जिम्मेदार है। ट्वैन ग्राहकों की योजना बनाने और 10 से अधिक वर्षों से महत्वपूर्ण कार्यभार को स्थानांतरित करने में मदद कर रहा है, हाल ही में ग्राहकों और कल के बिल्डरों के लिए विश्लेषिकी, कृत्रिम बुद्धिमत्ता और मशीन सीखने पर ध्यान केंद्रित कर रहा है।

ओंकार मुकादामी Amazon वेब सर्विसेज में एज स्पेशलिस्ट सॉल्यूशन आर्किटेक्चर है। वह वर्तमान में उन समाधानों पर ध्यान केंद्रित करता है जो वाणिज्यिक ग्राहकों को एडब्ल्यूएस एज सेवा प्रसाद के साथ प्रभावी ढंग से डिजाइन, निर्माण और स्केल करने में सक्षम बनाता है जिसमें एडब्ल्यूएस स्नो फैमिली शामिल है लेकिन सीमित नहीं है।