使用AWS Sage Maker进行预测性车辆维护的想法(译文)
By S.F.
本文链接 https://www.kyfws.com/news/an-idea-for-using-aws-sage-maker-for-predictive-ve/
版权声明 本博客所有文章除特别声明外,均采用 BY-NC-SA 许可协议。转载请注明出处!
- 6 分钟阅读 - 2586 个词 阅读量 0使用AWS Sage Maker进行预测性车辆维护的想法(译文)
原文地址:https://www.codeproject.com/Articles/5250060/An-Idea-for-using-AWS-Sage-Maker-for-predictive-ve
原文作者:Joel Ivory Johnson
译文由本站翻译
前言
一种收集收集的车辆传感器和其他信息,并在AWS问题上使用机器学习来预测和诊断严重问题的想法.
介绍
近年来,“互联汽车"已经从概念上的存在变成了已经存在并偶尔遇到的事物,如今已成为许多汽车中的一种选择.即使对于那些在生产时没有连接能力的汽车,也可以使用连接到车辆诊断端口并可以传输车辆运行实时数据的设备. ([我之前做过的事情(https://www.codeproject.com/Articles/1255745/Streaming-Engine-Data-to-Azure-with-Windows-IoT)).)他们可以与过去25年生产的几乎所有汽车配合使用.在单个车辆上,此信息最多是有趣的,但对于进行广泛适用的推断而言却不是.在整个车队中,此信息可能具有预测价值,并且在进行决策时很有用.在更多类似车辆的集合中,有可能做出丰富的推论.车辆维护通常基于建议和一般规则.利用附加数据,可以根据车辆的实际状态调整这些周期.对于那些对特定系统显示较高故障风险或延迟指示的车辆,提前进行排定的时间表明对系统的维护为时过早.在可能的地方可以实施一些实践措施,以促进汽车内某些系统的更长久使用. 该系统的预期结果最终是节省资源.资源包括燃料,维修零件以及诊断出现的问题所涉及的工作.在估计车辆的未来维护成本以及决定是否保留或替换车辆方面更有利时,这也可能是有用的.货币成本将是我们在比较资源成本时可以考虑的成本函数之一.
为什么仅凭里程数还不够?
行驶里程是一项重要指标,但不一定足够.让我们看一下车辆内的特定系统;发起人.起动机是一种电动机,它启动发动机各部分的运动,以便可以产生自己的动力.引擎在运转,启动器什么也没做.起动器所经历的磨损的一个方面是从汽车起动的次数开始的.想象两辆相同的车辆,一辆通常行驶50英里,另一辆通常行驶5英里.在行驶1,000英里时,行驶50英里的车辆使用了20次启动器,而行驶5英里时的车辆使用了200次启动器.由于车辆是复杂的机器,因此存在许多其他方式,根据一种度量标准,具有相似用途的两辆车辆可能在零件受力或磨损程度方面存在差异.
哪些指标值得考虑?
车辆外部存在许多情况,可能会影响我们可能希望记录的故障.温度,路况以及暴露于诸如雨水或靠近咸水的元素会在很长一段时间内影响各种系统.将这些外部元素与操作数据一起保存可能会有所帮助.我们不知道会在某些方面产生影响的所有因素.我们将让ML发现存在的关系. 对于内部条件,汽车已经具有许多有用的传感器.需要手动捕获某些信息,例如未由汽车计算机监控的系统故障(轮胎,悬架等).还有一些问题状况不是故障(仍然可以驾驶汽车),而是需要在问题变为故障之前加以解决,并解决问题状况带来的效率低下(消耗比正常情况更多的燃料,车辆排放的差异,更高的工作温度) ). 车辆的传感器提供测量信息,通过该信息我们可以了解汽车各部分的状态.但是传感器可能会发生故障并向其提供错误的信息.我们希望能够识别出何时发生.各种传感器之间可能有一定的关系,如果测量结果不一致,则可以检测到传感器故障.例如,如果燃油水平传感器开始提供明显增加的读数,而发动机rpm读数和速度不为零,则燃油水平传感器可能存在问题. 我们可能希望提取或计算一些其他功能,而不是仅在ML算法中抛出原始传感器数据.出于某些目的,也可能存在噪音.一种平衡的做法是希望拥有足够高分辨率的数据以进行推理,同时还希望能够在可能的情况下使用少量数据集进行这些推理.我倾向于以可能高于所需分辨率的分辨率捕获数据,并在使用它之前将其减少.低分辨率数据可以由高分辨率数据产生.如果进行了分辨率选择,然后发现分辨率不够,我们仍然可以从高分辨率数据中进行其他选择.由于可能需要一段时间才能收集足够的数据来充分训练ML代理,因此,我不想在长时间收集数据后发现分辨率不够高.丢弃不需要的数据要比没有足够的数据恢复要容易.特别是在需要大量时间来收集该数据时. 可能还会有一些新信息,可以通过平均值,和,导数和标准差从记录的数据中计算得出.在某些传感器上滚动平均值也可能有助于清除数据中的某些噪声.
数据标签
我们的数据需要标记为有用.对于我们的初始标签,我们需要使用一些传感器的正常读数的建议.对于许多系统来说,“工作"和"失败"并不是唯一合适的标签.也有一些系统的性能可能会下降(例如电池电量不足).许多车辆还将传感器读数标记为问题,并在检测到问题时将其保存在内部.当检查引擎灯亮起时,来自传感器的读数将与问题代码一起存储.
附加数据
我以前没有在车辆中看到这些,但是我认为振动传感器也可以提供有用的信息.有时,通过车辆发出的声音变化(声音本身就是振动)可以识别出正在出现的车辆问题.我相信,通过使用一些放置适当的振动传感器,我们可以学习将某些类型的振动与某些类型的问题相关联.一些预期的可检测问题包括检测制动盘的翘曲和轮胎不平衡.我相信其他旋转部件的问题也可以检测到.这是一个信念,需要通过收集可能与其他传感器和性能数据相关的振动数据来进行验证.在实际使用振动传感器诊断问题的一个示例中,SpaceEx能够使用从振动传感器记录的信息来检测发射失败的原因.第三方提供的零件在发射过程中失败.这些信息帮助他们缩小了故障原因的范围,进一步的测试表明,所涉及的特定供应商的零件不符合要求的规格.
进一步收集和使用DataData
一旦对有用的ML进行了充分的训练以使其有用,就可能希望继续对其进行训练,以提高准确性并适应随时间变化的车辆行为.实现此目的的一种方法是允许用户选择要收集其引擎的数据.用户可以从中获得的好处是无需额外付费即可获得诊断信息.即使对于那些不愿意共享引擎数据的人,也有可能在应用程序中生成经过简化的经过训练的AI形式,以便他们的手机可以为他们处理和解释数据.
许可
本文以及所有相关的源代码和文件均已获得The Code Project Open License (CPOL)的许可。
machine-learning AWS sharing 新闻 翻译