Wozu verwendet man diese AWS-Lösungsimplementierung?

Predictive Maintenance Using Machine Learning stellt ein ML-Modell (Machine Learning) und einen Beispieldatensatz mit Simulationsdaten der Turbofan-Degradation bereit, um das Modell so zu trainieren, dass es potenzielle Geräteausfälle erkennt.  

Mit dieser Lösung können Sie die Erkennung potenzieller Geräteausfälle automatisieren und Handlungsempfehlungen geben. Die Lösung ist einfach zu implementieren und enthält einen Beispieldatensatz, aber Sie können die Lösung so modifizieren, dass sie mit jedem beliebigen Datensatz funktioniert.

Übersicht über die AWS-Lösungsimplementierung

Predictive Maintenance Using Machine Learning ermöglicht es Ihnen, eine automatisierte Datenverarbeitung auf einem Beispieldatenbestand oder Ihrem eigenen Datenbestand durchzuführen. Das im Lieferumfang enthaltene ML-Modell erkennt potenzielle Geräteausfälle und gibt Handlungsempfehlungen. Das folgende Diagramm zeigt die Architektur, die Sie mithilfe des Einführungsleitfadens der Lösung und der dazugehörigen AWS CloudFormation-Vorlage automatisch bereitstellen können.

Predictive Maintenance Using Machine Learning | Architekturdiagramm
 Zum Vergrößern anklicken

Architektur für Predictive Maintenance Using Machine Learning

Diese Lösung umfasst eine AWS CloudFormation-Vorlage, die einen Beispieldatensatz einer Turbofan-Degradationssimulation, die in einem Amazon Simple Storage Service (Amazon S3)-Bucket enthalten ist, und einen Amazon SageMaker-Endpunkt mit einem ML-Modell, das auf dem Datensatz trainiert wird, um die Restnutzungsdauer (RUL) vorherzusagen.

Die Lösung verwendet eine SageMaker-Notebook-Instance zur Orchestrierung des Modells und eine SageMaker-Trainingsinstance zur Durchführung des Training. Der Trainingscode und das trainierte Modell werden im Amazon S3-Bucket der Lösung gespeichert.

Die Lösung setzt auch eine Amazon CloudWatch Events-Regel ein, die so konfiguriert ist, dass sie einmal pro Tag ausgeführt wird. Die Regel ist so konfiguriert, dass sie eine AWS Lambda-Funktion auslöst, die eine Amazon SageMaker-Batch-Transformationsaufgabe erstellt, die das trainierte Modell zur Vorhersage der RUL aus dem Beispieldatensatz verwendet.

Standardmäßig ist die Lösung so konfiguriert, dass sie die RUL aus dem Beispieldatensatz vorhersagt. Um Ihren eigenen Datensatz zu verwenden, müssen Sie die Lösung modifizieren. Weitere Informationen finden Sie im Bereitstellungshandbuch.

Predictive Maintenance Using Machine Learning

Version 1.0.1
Letzte Aktualisierung: 06/2020
Autor: AWS

Geschätzte Bereitstellungszeit: 5 Minuten

Funktionen

Anpassbar

Diese Lösung enthält einen Datensatz zur Simulation der Turbofan-Degradation, aber Sie können die Lösung so modifizieren, dass Sie Ihren eigenen Datensatz verwenden.

Automatisierung

Erkennen Sie potenzielle Geräteausfälle und geben Sie Handlungsempfehlungen für ein vorgefertigtes, selbstlernendes ML-Modell.
Entwickeln (Symbol)
Selbst eine Lösung bereitstellen

Durchsuchen Sie unsere Bibliothek der AWS-Lösungsimplementierungen, um Antworten auf häufige Architekturprobleme zu erhalten.

Weitere Informationen 
Einen APN-Partner suchen
Einen APN-Partner suchen

Finden Sie Beratungs- und Technologiepartner mit AWS-Zertifizierung, die Ihnen den Einstieg erleichtern.

Weitere Informationen 
Erkunden (Symbol)
Beratungsangebote für Lösungen erkunden

Durchsuchen Sie unser Portfolio mit Beratungsangeboten, um AWS-geprüfte Hilfe mit Lösungsbereitstellung zu erhalten.

Weitere Informationen