Questa esercitazione si concentra sul monitoraggio delle informazioni di stato di una macchina e sul problema del riconoscimento e della previsione degli stati di guasto.
I dati sono creati da una simulazione fittizia e consistono in diverse serie concatenate che vengono misurate nel tempo. Ogni record è un'istantanea della macchina e comprende i seguenti campi:
Time. Un numero intero.
Power. Un numero intero.
Temperature. Un numero intero.
Pressure. 0 se normale, 1 per un'avvertenza di pressione momentanea.
Uptime. Tempo trascorso dall'ultima manutenzione.
Status. Normalmente 0, cambia in un codice di errore se si verifica un errore (101, 202o 303).
Outcome. Il codice di errore visualizzato in questa serie temporale o 0 se non si verifica alcun errore. (Questi codici sono disponibili solo con il senno di poi.)
Il seguente processo è comune alla maggior parte di progetti di mining.
Esaminare i dati per determinare quali attributi potrebbero essere rilevanti per la previsione o il riconoscimento degli stati di interesse.
Conservare questi attributi (se già presenti), o derivarli e aggiungerli ai dati, se necessario.
Utilizzare i dati risultanti per formare le regole e le reti neurali.
Testare i sistemi addestrati utilizzando dati di prova indipendenti.
Anteprima del tutorial
Copy link to section
Guardate questo video per vedere in anteprima i passaggi di questa esercitazione. L'interfaccia utente mostrata nel video potrebbe presentare lievi differenze. Il video è destinato ad accompagnare l'esercitazione scritta. Questo video fornisce un metodo visivo per apprendere i concetti e le attività di questa documentazione.
Prova il tutorial
Copy link to section
In questa esercitazione, completerete questi compiti:
Questa esercitazione utilizza il flusso Condition Monitoring del progetto campione. Il file di dati utilizzato è cond1n.csv. L'immagine seguente mostra il flusso del modellatore di esempio.
Figura 1. Flusso del modellatore di campioni
Per ogni serie temporale, è presente una serie di registrazioni di un periodo di funzionamento normale seguito da un periodo che porta al guasto, come mostrato nell'immagine seguente:
Figura 2. Dataset di esempio
Compito 1: Aprire il progetto di esempio
Copy link to section
Il progetto campione contiene diversi set di dati e flussi di modellazione di esempio. Se non si dispone già del progetto di esempio, consultare l'argomento Tutorial per creare il progetto di esempio. Seguite quindi i passaggi seguenti per aprire il progetto campione:
In watsonx, dal menu di navigazione, scegliete Progetti > Visualizza tutti i progetti.
Fare clic su ProgettoSPSS Modeler.
Fare clic sulla scheda Assets per visualizzare i set di dati e i flussi del modellatore.
Controlla i tuoi progressi
L'immagine seguente mostra la scheda Assets del progetto. Ora si è pronti a lavorare con il flusso del modellatore di esempio associato a questa esercitazione.
Il flusso del modellatore di Condition Monitoring comprende diversi nodi. Per esaminare il nodo Asset di dati, procedere come segue:
Dalla scheda Assets, aprire il flusso del modellatore Condition Monitoring e attendere il caricamento dell'area di disegno.
Fare doppio clic sul nodo cond1n.csv Questo nodo è un nodo di risorse dati che punta al file cond1n.csv nel progetto.
Esaminare il 'Proprietà del formato del file.
Dalla sezione Operazioni di registrazione della palette, trascinare il nodo Seleziona sull'area di disegno. Passare il mouse sul nodo, fare clic su Modifica titolo e rinominarlo in 'Select
(101). Collegarlo al nodo delle risorse di dati cond1n.csv. Fare doppio clic sul nodo Select e inserire il valore 'Outcome == 101 per Condition.
Fare clic su Salva.
Quindi, dalla sezione Grafico della tavolozza, trascinare il nodo Traccia sull'area di disegno. Passare il mouse sul nodo, fare clic sul pulsante Modifica titolo e rinominarlo in 'Tempo v. Potenza v. Temperatura (101). Quindi, collegarlo al nodo Select.
Fare doppio clic sul nodo Traccia e fare clic sul pulsante Grafico 3-D per aggiungere un terzo asse al grafico. Dall'elenco, selezionare i campi da visualizzare nel grafico 3-D. In questo caso: 'Time, 'Power e 'Temperature.
Passare il mouse sul nodo Trama e fare clic sull'icona Esegui '.
Nel riquadro Output e modelli, fare clic sui risultati di output con il nome 'Tempo v. Potenza v. Temperatura (101) per visualizzare i risultati.
Figura 3. Tempo v. Potenza v. Grafico della temperatura
Questo grafico mostra 101 errori di aumento della temperatura e di fluttuazione della potenza nel tempo. Sperimentare la selezione di altre condizioni di errore e visualizzare altri grafici.
Sulla base di questi grafici, la presenza e il tasso di variazione della temperatura e della potenza, insieme alla presenza e al grado di fluttuazione, sono rilevanti per prevedere e distinguere i guasti. Questi attributi possono essere aggiunti ai dati prima di applicare i sistemi di apprendimento.
Opzionale: Eliminare i nodi Select e Plot per evitare un potenziale errore quando l'utente esegue il flusso in un secondo momento.
Controlla i tuoi progressi
L'immagine seguente mostra il flusso. Ora si è pronti a preparare i dati.
In base ai risultati dell'esplorazione dei dati, il seguente flusso
ricava i dati rilevanti ed impara a prevedere gli errori.
Questo esempio utilizza il flusso denominato Condition Monitoring, disponibile nel progetto di esempio installato con il prodotto. I file di dati sono cond1n.csv e
cond2n.csv.
Il flusso utilizza diversi nodi Derive per preparare i dati per la modellazione.
Nodo di importazione Asset dati. Legge il file di
dati
cond1n.csv.
Avvisi pressione (Ricava). Conta il numero di
avvisi temporanei relativi alla pressione. Reimpostare quando il tempo ritorna a 0.
TempInc (Ricava). Calcola il tasso momentaneo di variazione della temperatura utilizzando il '@DIFF1.
PowerInc (Ricava). Calcola il tasso di variazione momentanea della potenza utilizzando il '@DIFF1.
PowerFlux (Ricava). Un indicatore, true se si è
verificata una variazione di potenza in direzioni opposte nell'ultimo record ed
in questo record; ad esempio, per un picco o un passaggio di potenza.
PowerState (Ricava). Uno stato che inizia come " Stable e passa a " Fluctuating quando vengono rilevati due flussi di potenza successivi. Torna al " Stable solo in assenza di flusso di corrente per cinque intervalli di tempo o quando il " Time viene resettato.
PowerChange (Ricava). Media di
PowerInc negli ultimi cinque intervalli di tempo.
TempChange (Ricava). Media di
TempInc negli ultimi cinque intervalli di tempo.
Scarta iniziale (Seleziona). Scarta il primo record di ogni serie temporale per evitare grandi salti (errati) di 'Power e 'Temperature ai confini.
Scarta campi (Filtro). Riduce i record a 'Uptime, 'Status, 'Outcome, 'Pressure Warnings, 'PowerState, 'PowerChange e 'TempChange.
Tipo. Definisce il ruolo di 'Outcome come Target (il campo da prevedere). Inoltre, definisce il livello di misurazione di 'Outcome come Nominale, 'Pressure Warnings come Continuo e 'PowerState come Flag.
Controlla i tuoi progressi
L'immagine seguente mostra i nodi Derive. Ora si è pronti ad addestrare il modello.
L'esecuzione del flusso forma la regola C.5.0 e la rete neurale (net). L'addestramento della rete potrebbe richiedere un certo tempo, ma l'addestramento può essere interrotto in anticipo per salvare una rete che produce risultati ragionevoli. Al termine dell'apprendimento, vengono generate le pepite del modello: una rappresenta la rete neurale e una la regola.
Figura 4. Proprietà delle pepite del modello per C5.0 e rete neurale
Queste pepite del modello consentono di testare il sistema o di esportare i risultati del modello. In questo esempio, si testano i risultati del modello. Per addestrare il modello, procedere come segue:
Fare clic su Esegui tutto e generare entrambi i modelli C5.0 e Rete neurale.
Visualizzare tutti i modelli. Fare doppio clic sul modello Outcome (C5.0) e fare clic su Visualizza modello per verificare i risultati. Ripetere questo passaggio per il modello Outcome (rete neurale).
Controlla i tuoi progressi
L'immagine seguente mostra i risultati del modello. Ora si è pronti a testare il modello.
Seguire i seguenti passaggi per testare il modello:
Riposizionare le pepite, in modo che il nodo Tipo si colleghi alla pezza della rete neurale, che si collega alla pezza C5.0
Dalla sezione Output della palette, trascinare il nodo Analisi sull'area di disegno e collegarlo alla pepita C5.0
Fare doppio clic sul nodo Data Asset.
Fare clic su Modifica asset dati.
Selezionare Attività dati > cond2n.csv
Fare clic su Seleziona.
Fare clic su Salva.
Passare il mouse sul nodo Analisi e fare clic sull'icona Esegui '. In questo modo si ottengono valori che
riflettono la precisione della regola e della rete addestrata.
Nel riquadro Output e modelli, fare clic sui risultati di output con il nome Analisi per visualizzare i risultati.
Esaminare i risultati e confrontare l'analisi per ciascun modello.
Figura 5. Visualizza l'output: Analisi di [Outcome]
Questo esempio ha mostrato come monitorare le informazioni di stato di una macchina in relazione ai problemi di riconoscimento e previsione degli stati di guasto. È stata utilizzata una serie di nodi Derive per preparare i dati e quindi è stato costruito un modello C5.0.
Informazioni sui cookie del presente sitoPer il corretto funzionamento, i nostri siti Web richiedono alcuni cookie (richiesto). Inoltre, con il suo consenso, potrebbero essere utilizzati altri cookie per l'analisi dell'utilizzo del sito, per migliorare l'esperienza utente e per scopi pubblicitari.Per ulteriori informazioni, consultare le Preferenze cookie. Visitando il nostro sito web, accettate il trattamento delle informazioni da parte nostra come descritto nelladichiarazione sulla privacy di IBM.Per consentire una corretta navigazione, le preferenze per i cookie dell'utente verranno condivise sui domini Web IBM qui elencati.