Gyakorlat: Gépi tanulási modell betanítása

  • 7 perc

Olyan érzékelőadatokat gyűjtött össze a gyártási eszközökről, amelyek kifogástalan állapotban vannak, és amelyek sikertelenek. Most a Model Builder használatával szeretne betaníteni egy olyan gépi tanulási modellt, amely előrejelzi, hogy egy gép meghibásodik-e vagy sem. Ha gépi tanulással automatizálja ezeknek az eszközöknek a monitorozását, időt és megbízhatóbb karbantartást biztosítva pénzt takaríthat meg vállalata számára.

Új machine Tanulás model (ML.NET) elem hozzáadása

A betanítási folyamat elindításához új machine Tanulás Model (ML.NET) elemet kell hozzáadnia egy új vagy meglévő .NET-alkalmazáshoz.

C#-osztálytár létrehozása

Mivel az alapoktól kezdi, hozzon létre egy új C#-osztálytár-projektet, amelyben gépi tanulási modellt fog hozzáadni.

  1. Indítsa el a Visual Studiót.

  2. A kezdési ablakban válassza az Új projekt létrehozása lehetőséget.

  3. Az Új projekt létrehozása párbeszédpanelen adja meg az osztálytárat a keresősávon.

  4. Válassza az Osztálytár lehetőséget a lehetőségek listájából. Győződjön meg arról, hogy a nyelv C#, és válassza a Tovább gombot.

    Screenshot that shows selections for creating a class library project.

  5. A Projektnév szövegmezőbe írja be a PredictiveMaintenance kifejezést. Hagyja meg az összes többi mező alapértelmezett értékét, és válassza a Tovább gombot.

  6. Válassza a .NET 6.0 -t (előzetes verzió) a Keretrendszer legördülő listából, majd válassza a Létrehozás lehetőséget a C#-osztálytár összecsukásához.

Gépi tanulás hozzáadása a projekthez

Miután megnyílik az osztálytárprojekt a Visual Studióban, itt az ideje, hogy gépi tanulást adjon hozzá.

  1. A Visual Studio Megoldáskezelő kattintson a jobb gombbal a projektre.

  2. Válassza a Gépi Tanulás modell hozzáadása>lehetőséget.

    Screenshot that shows selections for adding a machine learning model to a project.

  3. Az Új elem hozzáadása párbeszédpanel új elemeinek listájában válassza a Gépi Tanulás modell (ML.NET) lehetőséget.

  4. A Név szövegmezőben használja a modell PrediktívMaintenanceModel.mbconfig nevét, és válassza a Hozzáadás lehetőséget.

    Screenshot that shows selections for creating a model.

Néhány másodperc elteltével a program hozzáad egy PredictiveMaintenanceModel.mbconfig nevű fájlt a projekthez.

Válassza ki a forgatókönyvet

Amikor először ad hozzá gépi tanulási modellt egy projekthez, megnyílik a Model Builder képernyő. Most itt az ideje, hogy kiválassza a forgatókönyvet.

A használati esetnél azt próbálja megállapítani, hogy egy gép meghibásodott-e vagy sem. Mivel csak két lehetőség van, és meg szeretné határozni, hogy melyik állapotban van egy gép, az adatbesorolási forgatókönyv a legmegfelelőbb.

A Model Builder képernyő Forgatókönyv lépésében válassza ki az Adatbesorolási forgatókönyvet. Miután kiválasztotta ezt a forgatókönyvet, azonnal továbblép a Környezeti lépésre.

Screenshot that shows selections for choosing the data classification scenario.

A környezet kiválasztása

Adatbesorolási forgatókönyvek esetén csak a cpu-t használó helyi környezetek támogatottak.

  1. A Modellszerkesztő képernyő Környezeti lépésében alapértelmezés szerint a Helyi (CPU) beállítás van kiválasztva. Hagyja bejelölve az alapértelmezett környezetet.
  2. Válassza a Következő lépés lehetőséget.

Screenshot that shows selections for choosing a local compute training environment.

Adatok betöltése és előkészítése

Most, hogy kiválasztotta a forgatókönyvet és a betanítási környezetet, ideje betölteni és előkészíteni az összegyűjtött adatokat a Model Builder használatával.

Adatok előkészítése

  1. Nyissa meg a fájlt a választott szövegszerkesztőben.

  2. Az eredeti oszlopnevek speciális zárójelkarakterekből állnak. Az adatok elemzésével kapcsolatos problémák elkerülése érdekében távolítsa el a speciális karaktereket az oszlopnevekből.

    Eredeti fejléc:

    UDI,Product ID,Type,Air temperature [K],Process temperature [K],Rotational speed [rpm],Torque [Nm],Tool wear [min],Machine failure,TWF,HDF,PWF,OSF,RNF

    Frissített fejléc:

    UDI,Product ID,Type,Air temperature,Process temperature,Rotational speed,Torque,Tool wear,Machine failure,TWF,HDF,PWF,OSF,RNF

  3. Mentse az ai4i2020.csv fájlt a módosításokkal.

Az adatforrás típusának kiválasztása

A prediktív karbantartási adatkészlet egy CSV-fájl.

A Modellszerkesztő képernyő Adat lépésében válassza a Fájl (csv, tsv, txt) lehetőséget az adatforrástípushoz.

Adja meg az adatok helyét

Válassza a Tallózás gombot, és a fájlkezelővel adja meg az ai4i2020.csv adatkészlet helyét.

A címkeoszlop kiválasztása

Válassza a Gép meghibásodása lehetőséget az oszlopban a (Címke) legördülő lista előrejelzéséhez.

Screenshot that shows loading a predictive maintenance C S V file dataset.

Speciális adatbeállítások kiválasztása

Alapértelmezés szerint a rendszer minden olyan oszlopot használ, amely nem a címke. Egyes oszlopok redundáns információkat tartalmaznak, míg mások nem tájékoztatják az előrejelzést. A speciális adatbeállítások használatával figyelmen kívül hagyhatja ezeket az oszlopokat.

  1. Válassza a Speciális adatbeállítások lehetőséget.

  2. A Speciális adatbeállítások párbeszédpanelen válassza az Oszlopbeállítások lapot.

    Screenshot that shows configuring advanced data options for the predictive maintenance dataset.

  3. Konfigurálja az oszlopbeállításokat az alábbiak szerint:

    Oszlopok Cél Adattípus Kategorikus
    UDI Mellőzés Egyszeres
    Termékazonosító Szolgáltatás Sztring
    Type Szolgáltatás Sztring X
    Levegő hőmérséklete Szolgáltatás Egyszeres
    Folyamat hőmérséklete Szolgáltatás Egyszeres
    Forgási sebesség Szolgáltatás Egyszeres
    Nyomaték Szolgáltatás Egyszeres
    Szerszámkopás Szolgáltatás Egyszeres
    Gépi hiba Felirat Egyszeres X
    TWF Mellőzés Egyszeres X
    HDF Mellőzés Egyszeres X
    PWF Mellőzés Egyszeres X
    OSF Mellőzés Egyszeres X
    RNF Mellőzés Egyszeres X

  4. Válassza a Mentés parancsot.

  5. A Modellszerkesztő képernyő Adat lépésében válassza a Következő lépés lehetőséget.

Saját modell betanítása

A modell betanítása a Model Builder és az AutoML használatával.

Betanítási idő beállítása

A Model Builder automatikusan beállítja, hogy mennyi ideig kell betanítása a fájl mérete alapján. Ebben az esetben, ha segíteni szeretné a Model Buildert több modell felfedezésében, adjon meg magasabb számot a betanítási időhöz.

  1. A Model Builder képernyő Betanítás lépésében állítsa a betanítási időt (másodperc) 30-ra.
  2. Válassza a Betanítás lehetőséget.

A betanítási folyamat nyomon követése

Screenshot that shows where to track training of the predictive maintenance classification model.

A betanítási folyamat elindítása után a Model Builder különböző modelleket ismer meg. A betanítási folyamat nyomon követhető a betanítási eredményekben és a Visual Studio kimeneti ablakban. A betanítási eredmények a betanítási folyamat során talált legjobb modellről nyújtanak információt. A kimeneti ablak részletes információkat tartalmaz, például a használt algoritmus nevét, a betanítása időtartamát és a modell teljesítménymetrikáit.

Előfordulhat, hogy ugyanaz az algoritmusnév többször is megjelenik. Ennek az az oka, hogy a Model Builder a különböző algoritmusok kipróbálása mellett különböző hiperparaméter-konfigurációkat is kipróbál ezekhez az algoritmusokhoz.

A modell kiértékelése

Kiértékelési metrikák és adatok használatával tesztelheti a modell teljesítményét.

A modell vizsgálata

A Model Builder képernyőjén található Kiértékelési lépés lehetővé teszi a legjobb modellhez kiválasztott kiértékelési metrikák és algoritmusok vizsgálatát. Ne feledje, hogy nem baj, ha az eredmények eltérnek a modulban említettektől, mert a választott algoritmus és hiperparaméterek eltérőek lehetnek.

Modell tesztelése

A Kiértékelési lépés Modell kipróbálása szakaszában új adatokat adhat meg, és kiértékelheti az előrejelzés eredményeit.

Screenshot that shows making predictions with your trained model.

A mintaadatszakaszban adja meg a modell bemeneti adatait az előrejelzések készítéséhez. Minden mező a modell betanítása során használt oszlopoknak felel meg. Ez egy kényelmes módszer annak ellenőrzésére, hogy a modell a várt módon működik-e. Alapértelmezés szerint a Model Builder előre kitölti a mintaadatokat az adathalmaz első sorával.

Teszteljük a modellt, és nézzük meg, hogy a várt eredményt hozza-e.

  1. A Mintaadatok szakaszban adja meg a következő adatokat. Ez az adathalmaz UID 161 azonosítójú sorából származik.

    Column Value
    Termékazonosító L47340
    Type L
    Levegő hőmérséklete 298.4
    Folyamat hőmérséklete 308.2
    Forgási sebesség 1282
    Nyomaték 60.7
    Szerszámkopás 216

  2. Válassza az Előrejelzés lehetőséget.

Előrejelzési eredmények kiértékelése

Az Eredmények szakasz megjeleníti a modell által készített előrejelzést és az előrejelzés megbízhatósági szintjét.

Ha az adathalmazban a UID 161 gépi hiba oszlopát tekinti meg, láthatja, hogy az érték 1. Ez ugyanaz, mint az eredmény szakaszban a legnagyobb megbízhatósággal rendelkező előrejelzett érték.

Ha szeretné, folytathatja a modell kipróbálását különböző bemeneti értékekkel és az előrejelzések kiértékelésével.

Gratulálunk! Betanított egy modellt a géphibák előrejelzésére. A következő leckében megismerheti a modellhasználatot.