Prädiktive Wartung im IoT – POC

Talend Cookbook: Big Data und maschinelles Lernen

Rest der Serie ansehen:

Sandbox-Einrichtung

Risikobewertung in EchtzeitEmpfehlungs-EngineData-Warehouse-Optimierung

Einleitung

Das folgende Beispiel zeigt, wie ein großes Unternehmen mit mehr als 50.000 Verkaufsautomaten mithilfe des IoT (Internet of Things, Internet der Dinge) und von maschinellem Lernen die Störungswahrscheinlichkeit einzelner Automaten ermitteln kann. Das Unternehmen hat in sämtliche von ihm betriebenen Verkaufsautomaten Sensoren eingebaut. Diese erfassen bestimmte Datenpunkte und übermitteln sie zur Auswertung an ein zentrales Repository. Wir verwenden in diesem Demo-Beispiel eine Tabelle mit Rohdaten, die das Repository als Speicher der IoT-Daten simulieren soll. Anhand dieser Daten erstellen wir dann mithilfe von Talend-Funktionen für maschinelles Lernen ein Modell, das vorhersagen kann, ob bei einem Automaten eine Störung wahrscheinlich und somit eine vorbeugende Wartung sinnvoll ist.

Sandbox-Schema zur prädiktiven Wartung im IoT


Highlights

Maschinelles Lernen

Mithilfe von Talend-Funktionen für maschinelles Lernen wird ein Random-Forest-Modell erstellt.

Skalierung mit Spark

Dank der skalierbaren Architektur und leistungsfähigen verteilten Rechnerstruktur von Spark werden Jobs schnell ausgeführt.

Symbol für Internet der Dinge

IoT-Daten

IoT-Daten bilden den Rohstoff für Empfehlungen zur prädiktiven Wartung.


Ausführung

Rufen Sie auf der Sandbox-Ladeseite das Portal mit dem Anwendungsbeispiel für die prädiktive Wartung („Predictive Maintenance“) auf. Hier finden Sie eine Kurzanleitung und eine interaktive Weboberfläche.

Prädiktive Wartung im IoT auf der Sandbox-Ladeseite

Öffnen Sie Talend Studio in der Sandbox-Umgebung. Bei diesem Beispiel arbeiten wir im Ordner IoTPredictiveMaintenance in der Repository-Ansicht und sehen uns Jobs in den Job-Designs Standard und Big Data Batch an. Wenn Sie so weit sind, beginnen Sie die Demo wie folgt:

  1. Öffnen Sie im Abschnitt Standard der Job-Designs den Ordner IoTPredictiveMaintenance. Führen Sie den Job Step_01_SetupEnvironment aus. Mit diesem Job initialisieren Sie die Demo-Umgebung entsprechend der von Ihnen gewählten Big-Data-Plattform. Insbesondere werden hierdurch die Daten in das Dateisystem HDFS geladen und ein Satz Trainingsdaten, ein Satz Testdaten sowie ein dritter Satz mit Daten erzeugt, die auf unserer Demo-Webseite verwendet werden.Sandbox-Umgebung zur Einrichtung der prädiktiven Wartung im IoT
  2. Öffnen Sie unter den Big Data Batch-Jobs den Ordner IoTPredictiveMaintenance. Führen Sie den Job Step_02_Train_PredictiveMaintenance aus. Bei diesem Schritt trainieren Sie ein Modell anhand eines bestehenden Datensatzes mithilfe unserer Komponente „tRandomForestModel“. Das Modell wird anschließend in HDFS gespeichert.Sandbox-Training des Modells für die prädiktive Wartung im IoT
  3. Optional: Öffnen Sie unter den Big Data Batch-Jobs den Ordner IoTPredictiveMaintenance. Führen Sie den Job Step_02bis_Test_PredictiveMaintenance aus. Die Ergebnisse dieses Jobs geben Ihnen Auskunft über das Verhältnis von richtigen Vorhersagen zu falsch-positiven Vorhersagen. In die Sprache des maschinellen Lernens übersetzt, ist dies die sogenannte Wahrheits- oder Konfusionsmatrix – eine Übersicht über die Vorhersageresultate zu einem Klassifikationsproblem. Die Matrix sollte eine Trefferquote von mehr als 90 % ergeben. Dieser Job dient als Test unseres zuvor trainierten Modells, diesmal mit einem separaten Datensatz.Sandbox-Test des Modells für die prädiktive Wartung im IoT
  4. Öffnen Sie unter den Big Data Batch-Jobs den Ordner IoTPredictiveMaintenance. Führen Sie den Job Step_03_PredictMachinesMaintenance aus. Nach Ausführung dieses Jobs ist es möglich, mithilfe des zuvor trainierten und getesteten Modells sowie mithilfe eines simulierten „Live“-Datensatzes den Wartungsbedarf eines Verkaufsautomaten vorherzusagen.Sandbox-Automatenprognose für die prädiktive Wartung im IoT
  5. Öffnen Sie unter den Standard-Jobs den Ordner IoTPredictiveMaintenance. Führen Sie den Job Step_04_WebService aus. Hierdurch wird eine Web-API für die Demo-Portalseite bereitgestellt, mit deren Hilfe dort die Ergebnisse angezeigt werden können.Sandbox-Web Service für die prädiktive Wartung im IoT
  6. Navigieren Sie bei aktivem Web Service zur Portalseite für die prädiktive Wartung („Predictive Maintenance“) oder laden Sie diese Seite erneut. Daraufhin wird die Liste der Verkaufsautomaten angezeigt, bei denen eine Störung in nächster Zeit wahrscheinlich ist. Diese Automaten müssen vorbeugend gewartet werden. Dashboard für Verkaufsautomaten

Fazit

Dieses Beispiel zeigt, wie sich maschinelles Lernen einsetzen lässt, um gestützt auf IoT-Sensordaten intelligente Vorhersagen zu treffen. Die Big Data Integration von Talend bietet in Verbindung mit der Verarbeitung in Spark eine robuste und skalierbare Lösung für schnelle Ergebnisse und zuverlässige Leistung. In diesem Fall sagen wir die Wahrscheinlichkeit vorher, mit der ein Verkaufsautomat gewartet werden muss, um Störungen vorzubeugen.

| Zuletzt aktualisiert: August 7th, 2019