Vorausschauende Wartung mit Machine Learning

Prädiktive Wartung unter Verwendung von Machine Learning setzt ein Machine Learning (ML)-Modell und einen Beispieldatensatz von Turbofan-Degradations-Simulationsdaten ein, um das Modell für die Erkennung potenzieller Geräteausfälle zu trainieren.  

Verwenden Sie diese Anleitung, um die Erkennung potenzieller Geräteausfälle zu automatisieren und empfohlene Maßnahmen bereitzustellen. Dies ist einfach zu implementieren und enthält einen Beispieldatensatz, aber Sie können den Code so ändern, dass er mit jedem Datensatz funktioniert.

Übersicht

Mit der prädikativen Wartung unter Verwendung von Machine Learning können Sie eine automatisierte Datenverarbeitung für einen Beispieldatensatz oder Ihren eigenen Datensatz durchführen. Das im Lieferumfang enthaltene ML-Modell erkennt potenzielle Geräteausfälle und gibt Handlungsempfehlungen. Das folgende Diagramm zeigt die Architektur, die Sie mit dem Beispielcode auf GitHub erstellen können.

Prädiktive Wartung unter Verwendung von Machine Learning

Der Code stellt einen Beispieldatensatz einer Turbofan-Degradationssimulation bereit, die in einem Amazon Simple Storage Service (Amazon S3)-Bucket und einem Amazon SageMaker-Endpunkt mit einem ML-Modell enthalten ist, das auf dem Datensatz trainiert wird, um die verbleibende Nutzungsdauer (RUL) vorherzusagen.

Prädikative Wartung unter Verwendung von Machine Learning verwendet eine SageMaker-Notebook-Instanz, um das Modell zu orchestrieren, und eine SageMaker-Trainingsinstanz, um das Training durchzuführen. 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 der Code so konfiguriert, dass er die RUL aus dem Beispieldatensatz vorhersagt. Um Ihren eigenen Datensatz zu verwenden, müssen Sie den Code modifizieren.

Prädiktive Wartung unter Verwendung von Machine Learning

Version 1.0.1
Letzte Aktualisierung: 06/2020
Autor: AWS

Hat Ihnen diese Lösungsimplementierung geholfen?
Feedback geben 

Funktionen

Anpassbar

Diese Anleitung enthält einen Turbofan-Degradationssimulationsdatensatz, aber Sie können den Code ändern, um Ihren eigenen Datensatz zu verwenden.

Automatisierung

Erkennen Sie potenzielle Geräteausfälle und geben Sie Handlungsempfehlungen für ein vorgefertigtes, selbstlernendes ML-Modell.
Video
Lösen mit AWS-Lösungen: Vorausschauende Wartung mit Machine Learning
Zurück zum Seitenanfang 
Symbol für Entwickeln
Stellen Sie eine AWS-Lösung selbst bereit

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

Weitere Informationen 
Einen APN-Partner suchen
Eine AWS-Partner-Lösung finden

Finden Sie AWS-Partner, die Ihnen den Einstieg erleichtern.

Symbol für Erkunden
Beratung erkunden

Präskriptive Architekturdiagramme, Beispielcode und technische Inhalte für häufig vorkommende Anwendungsfälle finden.

Weitere Informationen