Ćwiczenie: trenowanie modelu uczenia maszynowego

  • 7 min

Zebrano dane czujników z urządzeń produkcyjnych, które są w dobrej kondycji i te, które zakończyły się niepowodzeniem. Teraz chcesz użyć narzędzia Model Builder do wytrenowania modelu uczenia maszynowego, który przewiduje, czy maszyna zakończy się niepowodzeniem, czy nie. Korzystając z uczenia maszynowego w celu zautomatyzowania monitorowania tych urządzeń, możesz zaoszczędzić pieniądze firmy, zapewniając większą czasową i niezawodną konserwację.

Dodawanie nowego elementu modelu uczenia maszynowego (ML.NET)

Aby rozpocząć proces trenowania, musisz dodać nowy element modelu uczenia maszynowego (ML.NET) do nowej lub istniejącej aplikacji .NET.

Tworzenie biblioteki klas języka C#

Ponieważ zaczynasz od podstaw, utwórz nowy projekt biblioteki klas języka C#, w którym dodasz model uczenia maszynowego.

  1. Uruchom program Visual Studio.

  2. W oknie uruchamiania wybierz pozycję Utwórz nowy projekt.

  3. W oknie dialogowym Tworzenie nowego projektu wprowadź bibliotekę klas na pasku wyszukiwania.

  4. Wybierz pozycję Biblioteka klas z listy opcji. Upewnij się, że język to C# i wybierz przycisk Dalej.

    Zrzut ekranu przedstawiający opcje tworzenia projektu biblioteki klas.

  5. W polu tekstowym Nazwa projektu wprowadź wartość PredictiveMaintenance. Pozostaw wartości domyślne dla wszystkich innych pól i wybierz pozycję Dalej.

  6. Wybierz pozycję .NET 6.0 (wersja zapoznawcza) z listy rozwijanej Framework , a następnie wybierz pozycję Utwórz , aby utworzyć szkielet biblioteki klas języka C#.

Dodawanie uczenia maszynowego do projektu

Gdy projekt biblioteki klas zostanie otwarty w programie Visual Studio, nadszedł czas, aby dodać do niego uczenie maszynowe.

  1. W programie Visual Studio Eksplorator rozwiązań kliknij prawym przyciskiem myszy projekt.

  2. Wybierz pozycję Dodaj>model uczenia maszynowego.

    Zrzut ekranu przedstawiający opcje dodawania modelu uczenia maszynowego do projektu.

  3. Z listy nowych elementów w oknie dialogowym Dodawanie nowego elementu wybierz pozycję Model uczenia maszynowego (ML.NET).

  4. W polu tekstowym Nazwa użyj nazwy PredictiveMaintenanceModel.mbconfig dla modelu i wybierz pozycję Dodaj.

    Zrzut ekranu przedstawiający opcje tworzenia modelu.

Po kilku sekundach do projektu zostanie dodany plik o nazwie PredictiveMaintenanceModel.mbconfig .

Wybieranie scenariusza

Po pierwszym dodaniu modelu uczenia maszynowego do projektu zostanie otwarty ekran Konstruktor modelu. Teraz nadszedł czas, aby wybrać swój scenariusz.

W przypadku użycia próbujesz określić, czy maszyna jest uszkodzona, czy nie. Ponieważ istnieją tylko dwie opcje i chcesz określić stan, w którym znajduje się maszyna, scenariusz klasyfikacji danych jest najbardziej odpowiedni.

W kroku Scenariusz ekranu konstruktora modelu wybierz scenariusz klasyfikacji danych. Po wybraniu tego scenariusza natychmiast przejdź do kroku Środowisko .

Zrzut ekranu przedstawiający wybór scenariusza klasyfikacji danych.

Wybieranie środowiska

W przypadku scenariuszy klasyfikacji danych obsługiwane są tylko środowiska lokalne korzystające z procesora CPU.

  1. W kroku Środowisko ekranu konstruktora modelu domyślnie wybierana jest opcja Lokalna (procesor CPU). Pozostaw wybrane środowisko domyślne.
  2. Wybierz pozycję Następny krok.

Zrzut ekranu przedstawiający wybór lokalnego środowiska trenowania obliczeniowego.

Ładowanie i przygotowywanie danych

Po wybraniu scenariusza i środowiska szkoleniowego nadszedł czas na załadowanie i przygotowanie zebranych danych przy użyciu narzędzia Model Builder.

Przygotowywanie danych

  1. Otwórz plik w wybranym edytorze tekstów.

  2. Oryginalne nazwy kolumn zawierają znaki nawiasu specjalnego. Aby zapobiec problemom z analizowaniem danych, usuń znaki specjalne z nazw kolumn.

    Oryginalny nagłówek:

    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

    Zaktualizowany nagłówek:

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

  3. Zapisz plik ai4i2020.csv ze zmianami.

Wybierz typ źródła danych

Zestaw danych konserwacji predykcyjnej jest plikiem CSV.

W kroku Dane ekranu konstruktora modelu wybierz pozycję Plik (csv, tsv, txt) dla pozycji Typ źródła danych.

Podaj lokalizację danych

Wybierz przycisk Przeglądaj i użyj Eksploratora plików, aby podać lokalizację zestawu danych ai4i2020.csv.

Wybieranie kolumny etykiety

Wybierz pozycję Niepowodzenie maszyny z listy rozwijanej Kolumna, aby przewidzieć (etykietę).

Zrzut ekranu przedstawiający ładowanie zestawu danych pliku C S V konserwacji predykcyjnej.

Wybieranie zaawansowanych opcji danych

Domyślnie wszystkie kolumny, które nie są etykietą, są używane jako funkcje. Niektóre kolumny zawierają nadmiarowe informacje, a inne nie informują o prognozie. Użyj zaawansowanych opcji danych, aby zignorować te kolumny.

  1. Wybierz pozycję Zaawansowane opcje danych.

  2. W oknie dialogowym Zaawansowane opcje danych wybierz kartę Ustawienia kolumny.

    Zrzut ekranu przedstawiający konfigurowanie zaawansowanych opcji danych dla zestawu danych konserwacji predykcyjnej.

  3. Skonfiguruj ustawienia kolumny w następujący sposób:

    Kolumny Purpose Typ danych Podzielone na kategorie
    UDI Ignoruj Pojedynczy
    Identyfikator produktu Funkcja String
    Typ Funkcja String X
    Temperatura powietrza Funkcja Pojedynczy
    Temperatura procesu Funkcja Pojedynczy
    Prędkość rotacji Funkcja Pojedynczy
    Obrócić Funkcja Pojedynczy
    Zużycie narzędzi Funkcja Pojedynczy
    Awaria maszyny Etykieta Pojedynczy X
    TWF Ignoruj Pojedynczy X
    HDF Ignoruj Pojedynczy X
    PWF Ignoruj Pojedynczy X
    OSF Ignoruj Pojedynczy X
    RNF Ignoruj Pojedynczy X

  4. Wybierz pozycję Zapisz.

  5. W kroku Dane ekranu konstruktora modelu wybierz pozycję Następny krok.

Szkolenie modelu

Trenowanie modelu przy użyciu narzędzia Model Builder i rozwiązania AutoML.

Ustawianie czasu trenowania

Narzędzie Model Builder automatycznie ustawia czas trenowania na podstawie rozmiaru pliku. W tym przypadku, aby ułatwić konstruktorowi modeli eksplorowanie większej liczby modeli, podaj większą liczbę czasu trenowania.

  1. Na ekranie Trenowanie konstruktora modelu ustaw wartość Czas trenowania (w sekundach) na 30.
  2. Wybierz Szkolenie.

Śledzenie procesu trenowania

Zrzut ekranu pokazujący, gdzie śledzić trenowanie modelu klasyfikacji konserwacji predykcyjnej.

Po rozpoczęciu procesu trenowania narzędzie Model Builder eksploruje różne modele. Proces trenowania jest śledzony w wynikach trenowania i w oknie danych wyjściowych programu Visual Studio. Wyniki trenowania zawierają informacje o najlepszym modelu, który został znaleziony w całym procesie trenowania. Okno danych wyjściowych zawiera szczegółowe informacje, takie jak nazwa używanego algorytmu, czas trenowania oraz metryki wydajności dla tego modelu.

Ta sama nazwa algorytmu może być wyświetlana wiele razy. Dzieje się tak, ponieważ oprócz próby różnych algorytmów narzędzie Model Builder próbuje różnych konfiguracji hiperparametrów dla tych algorytmów.

Ocenianie modelu

Użyj metryk i danych oceny, aby sprawdzić, jak dobrze działa model.

Sprawdzanie modelu

Krok Ocena na ekranie Konstruktor modelu umożliwia sprawdzenie metryk i algorytmów oceny wybranych dla najlepszego modelu. Pamiętaj, że wyniki różnią się od wyników wymienionych w tym module, ponieważ wybrany algorytm i hiperparametry mogą się różnić.

Testowanie modelu

W sekcji Wypróbuj model kroku Ocena możesz podać nowe dane i ocenić wyniki przewidywania.

Zrzut ekranu przedstawiający tworzenie przewidywań przy użyciu wytrenowanego modelu.

Sekcja Przykładowe dane to miejsce, w którym podajesz dane wejściowe dla modelu w celu przewidywania. Każde pole odpowiada kolumnom używanym do trenowania modelu. Jest to wygodny sposób sprawdzania, czy model działa zgodnie z oczekiwaniami. Domyślnie narzędzie Model Builder wstępnie wypełnia przykładowe dane pierwszym wierszem z zestawu danych.

Przetestujmy model, aby sprawdzić, czy generuje oczekiwane wyniki.

  1. W sekcji Przykładowe dane wprowadź następujące dane. Pochodzi on z wiersza w zestawie danych z identyfikatorem UID 161.

    Kolumna Wartość
    Identyfikator produktu L47340
    Typ L
    Temperatura powietrza 298.4
    Temperatura procesu 308.2
    Prędkość rotacji 1282
    Obrócić 60.7
    Zużycie narzędzi 216

  2. Wybierz pozycję Przewidywanie.

Ocena wyników przewidywania

W sekcji Wyniki zostanie wyświetlone przewidywanie wykonane przez model oraz poziom zaufania do tego przewidywania.

Jeśli przyjrzysz się kolumnie Błąd komputera identyfikatora UID 161 w zestawie danych, zauważysz, że wartość to 1. Jest to taka sama jak przewidywana wartość z najwyższym zaufaniem w sekcji Wyniki .

Jeśli chcesz, możesz kontynuować wypróbowanie modelu z różnymi wartościami wejściowymi i oceniać przewidywania.

Gratulacje! Wytrenowaliśmy model w celu przewidywania awarii maszyny. W następnej lekcji dowiesz się więcej o użyciu modelu.