הקדמה: התפקיד הקריטי של תחזוקה חיזויית

כשלים בציוד בסביבות הנדסיות - החל מקווי ייצור ועד למפעלי כוח - יכולים להוביל לסיכון יקר, בטיחותי, והפסדת הכנסות.תחזוקה תגובתית מסורתית, שם תיקונים מתרחשים רק לאחר כישלון, כבר לא ניתן לקיום בעידן של נתונים חיישן מסיביים ו ניטור בזמן אמת.

מאמר זה מרחיב כיצד ניתן ליישם את MLlib על חיזוי כישלונ הנדסי והערכה סיכונים.We מכסה את הצינור המלא: איסוף נתונים ועיבוד, הנדסה תכונה, בחירת מודל, הכשרה, הערכה, פריסה.בסוף, יהיה לך הבנה מעשית של איך למנף אלגוריתמים של MLlib ו- Spark's מבוזרת מחשוב כדי ליצור מערכות חיזוי כשלי ייצור.

מה זה Spark MLlib?

MLlib היא ספריית הלמידה של Apache Spark המיועדת לביצועים גבוהים, הפצת עיבוד נתונים.זה מספק חבילה של אלגוריתמים עבור סיווג, רגרסיה, סינון, סינון שיתופי, וטרנספורמציה תכונה.בניגוד לספריות חד-פעמיות כגון scikit-learn, MLlib סולמות על פני אשכולות אופקיים, טיפול בטריטים של נתונים ביעילות.

מרכיבים מרכזיים כוללים:

  • (FLT:0DataFrame מבוסס APIsFire:1 ), אינטגרציה עם Spark ו-DataFrames עבור מניפולציה נתונים חלקה.
  • (ב) [ה]: [ה], [ה], [ה], [ה], [ה], [ה], [ה], [ה], [ה],]] [ה'], [ה'], [ה'], [ה']
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) ,התמדה של ה': "הצילו וטעינה" (FLT:1/reaFLT): 2 שיטות לשימוש חוזר בייצור.
  • (FLT:0)Streaming and online LearningFLT:1) MLlib יכול להיות משולב עם Sparkסטרימינג עבור תחזיות בזמן אמת על הזנות חי.

מדוע MLlib לחיזוי הנדסת כישלונות?

הנדסת נתונים לעתים קרובות להציג נפח, מהירות ומגוון נתונים חושיים יכול ליצור מיליוני רשומות לשעה, הדורש חישוב מבוזר. MLlib's תמיכה Native עבור מיצוי תכונה (למשל, FLT 3:,FLT:4, FLT:4, FLT:5) וטווח רחב של אלגוריתמים לעשות זאת בחירה אידיאלית.

איסוף נתונים וקידום

איכות תחזיות הכישלון תלויה במידה רבה באיכות וברוחב של נתוני קלט.מקורות משותפים כוללים:

  • (ב) ויקרא י"א: טמפרטורות, רטט, לחץ, מהירות סיבוב, משיכה נוכחית.
  • (ב) ,0) ,ב"מ: פעמים של התחלות / הפסקות, אירועי תחזוקה, קודי שגיאה.
  • (ב) ,0) גורמים רוחניים (אנ') ל"ד: לחות, טמפרטורה מכוננת, רמות אבק.
  • (ב) ,0) היסטוריה של ההרחבה: פעולות תיקון, החלפת חלקים, תוצאות בדיקה.

עיבוד נתונים ב-MLlib בדרך כלל כרוך בצעדים הבאים באמצעות שינויים של DataFrame:

ערכים חסרים

השתמש בערכים מספריים חסרים עם משמעות, אמצעי תקשורת או מצב. עבור תכונות קטגוריות, ייתכן שתחליף ערכים חסרים עם בעל מקום או שימוש ב- 7 (FLT:8 ).

נורמליזציה וסטנדרטיזציה

⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

צילום: Time Series

זרמי חיישן Raw זקוקים להפחתה על חלונות. השתמש ב-Spark SQL (למשל, סטיות מתגלגלות, סטייה סטנדרטית, דקות / מקסימום במהלך השעה האחרונה) כדי ליצור תכונות ברמה גבוהה. MLlib's's FLT:11 יכול גם לבטא שינויים תכונה באופן עקבי.

הנדסה לכשלון

הנדסה תכונה היא המקום שבו מומחיות התחום פוגש למידת מכונה.בחיזוי כישלונות, התכונות המודיעיניות ביותר לעתים קרובות ללכוד דפוסים כי לפני התמוטטות:

  • (ב) ,0) ,4 , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) תכונות של שקיפות-דומיין 1: רכיבי FFT של נתונים רטט כדי לזהות תקלות.
  • (ב) ,0) תכונות של קוצר ראייה (FLT:1): תוצר של טמפרטורה ולחץ, או רטט אמפליטודה.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ויקרא י"א: "ה', כ"כ"ל, כ"כ, כ"כ, כ"כ" (בראשית כ"ד).

MLlib מספק את ה- MLlib כדי לשלב עמודות מרובות לתוך וקטור תכונה אחת. עבור הפחתה של מימדיות, שימוש ב-FLT:13 (Principal Component Analysis) כאשר יש לך עשרות או מאות תכונות קשורות.

בניית מודל חיזוי כשל

חיזוי הכישלון הוא בדרך כלל בעיה של סיווג בינארי: "הציוד ייכשל בתוך שעות N הקרובות?", לחלופין, מודלים רגרסיה יכולים להעריך את החיים השימושיים הנותרים (RUL) בשעות או במחזורים.

MLlib

MLlib מציע מספר אלגוריתמים של סיווג המתאימים לחיזוי כשל:

  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) ,Random ForestFLT:1 - אוסף של עצי החלטות המפחיתים את הכדאיות ומשפר את הדיוק.
  • (ב) ,0) עצים (GBTIRLT:1 - לעתים קרובות מניבים ביצועים ממלכתיים של האמנות, אך דורשים כוונון זהיר.
  • (ב) ⁇ 0) קוויאר תומך במכונות Vector (SVMorive)FLT:1 - יעיל עבור חללים עתיריים, אך פחות חזקים לרעש.
  • (ב) ,0 ,NVive BayesFLT:1 - פשוט ומהיר, שימושי כאשר תכונות הן עצמאיות באופן תנאי.

תוקפנות לחיים שימושיים

(ב) כאשר יש לך נתונים רצופים לחלוף זמן, השתמש באלגוריתמים של אלגוריתמים: (FLT:0) ,Linear RegressionofFLT:1, FLT:2Random Forest RegressorFLT 3, או FLT:4T RegressorFLT:5 The היעד משתנה עד לכישלונות של MLlibgressorences to become to becomedation models to become to become to become to the Regresss to become to the Regresss to the Regresss to the Regressor Regresss to the Regresss to the Regresss to the Regresss to the Regressor Regresss to the Regresss to the Regressor Regressor Regressor Regressor Regresss to Regresss to Regressor Regressor Regressor Regressor Regresss to Regressor Regresss to Regressor Regresss to the Regressor Regressor Regressor Regressor Regressor Regresss to Regressor Regressor Regressor Regresss to the Regressor Regresss to the Regressor Regressor Regressor Regresss

הדרכה וPipeline Setup

באמצעות MLlib's FLT:14, אתה יכול לקשור את כל השלבים המוקדמים ואת המודל אימון לתוך זרימת עבודה אחת.

(ב) .

הערכת סיכונים באמצעות MLlib

הערכת סיכונים היא מעבר לחיזוי כשל בינארי להגדרה של הסבירות וההשלכות הפוטנציאליות של כישלון. MLlib תומך בכך:

סיווג פרוביביליסטי

Algorithms כמו רגרסיה לוגיסטית והסתברות של מעמד תפוקת יערות אקראיים (FLT:16) יכולות אלה להיות מפורשות כציוני סיכון עבור עדיפויות.לדוגמה, הסתברות של 0.95 מצביעה על סיכון גבוה וצויעה בדיקה מיידית, בעוד 0.20 עשוי להיות במעקב שגרתי.

המונחים: Anomaly Detection

(ב) ,2GMM) ,(K-meanssigFLT) 1 או (FLT:2Gaussian Mixture Models (GMM) LT 3 יכול להיות קבוצה של תנאים תפעוליים נורמליים.

ניתוח הישרדות (Time-to-event)

בעוד MLlib אין מודול ניתוח הישרדות ייעודי, אתה יכול להשוות אותו באמצעות רגרסציה על זמן מבוזר לכשל, או על ידי בניית מודל סיווג עם תחזיות שונות.עבור ניתוח הישרדות מתקדם יותר, לשקול שילוב Spark עם ספריות חיצוניות כגון FLT 18 ב R או באמצעות Spark UDF.

מודל הערכה

MLlib מספק הערכה מובנה עבור סיווג ותוקפנות:

  • (ב) ,0) ,ב"מ (ב"ב) ו[[1924]] - שטח תחת עקומת ROC (AUC) ואזור תחת עקומת יחסי ציבור.
  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(למשל, אלפביתיות (למשל, ;FLT:19 עם רשת של היפרפרפרמטרים) מסייע להימנע מהתאמה ובחירת המודל הטוב ביותר.עבור נתונים לא מאוזנים - מקור בהנדסה שבו כישלונות הם נדירים - שימוש במשקל מעמדי (למשל, FLT:20 ביער אקראי) או oversample את המיעוט באמצעות לוגיקה אישית של נתונים.

חיזוי זמן ומציאות

לאחר שהמודל מאומנים ומאובחן, יש להתמיד בכך באמצעות ההרחבה 21 להתאמה בזמן אמת, יש לך שתי אפשרויות:

  • (ב) ,0) ,ב"הקצאת ה- 1 (בשעה) – מנהל מעת לעת את הצינור על נתונים חדשים (למשל, יום או שעה) באמצעות עבודות ספארו.
  • (FLT:0) ,Streaming inferenceFLT:1 - השתמש ב- Sparkסטרימינג (או הזרמת מבנה) כדי לצרוך נתוני חיישן מקפאה או קבצים. Apply מודל הצינור למיקרו-batch כדי ליצור ציוני סיכון חיים ואזהרות.

דוגמה: סטרימינג ל-Switch:

(ב) .

קישורים חיצוניים לקריאה נוספת

כדי להעמיק את ההבנה שלך, לחקור את המשאבים הסמכותיים האלה:

  • (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ,0) ,Databricks: תחזוקת חיזוי עם Spark and Deltamia LakeFLT 1
  • (ב) מדעי ה-FLT:0) Applied Sciences: Machine Learning for Engineering Failחיזוי (ראהים)

אתגרים ועיסוקים טובים

בניית מודלים יעילים לחיזוי כישלונות דורשת התייחסות למכשולים משותפים:

  • (FLT:0) חוסר איזון של ClassigmLT:1) - אירועי כישלון נדירים. השתמש במיעוט סינתטי oversampling (SMOTE) באמצעות קונסולות UDFs מותאם אישית, או להתאים משקולות בכיתה.
  • (FLT:0)ConceptevaFLT:1 - התנהגות בציוד משתנה לאורך זמן בשל ללבוש, עונות, או תנאי הפעלה חדשים.
  • (ב) ,0) חשיבותה של MLlib (FLT:0) בדגמים המבוססים על עץ כדי לזהות חיישנים מרכזיים ולבנות אמון דומיין.
  • (ב) ,0) ,ScalabilityFLT:1 - נתוני חלוקת על ידי מזהה נכסים כדי לאפשר הכשרה במקביל לסוגים שונים של ציוד בתוך אותו אשכול.
  • (ב) ,0) איכות נתונים ,FLT:1 - ערכי חיישן פגומים או חסרים יכולים להפיג תחזיות.

מסקנה

Apache Spark MLlib מספקת ערכת כלים מקיפה, ייצור עבור חיזוי כישלונ הנדסי והערכה סיכון.הקנה שלו מטפל במאגרי הנתונים מסיביים שנוצרו על ידי רשתות חיישן מודרניות, בעוד האלגוריתמים המגוונים שלה מאפשרים למהנדסים להתאים מודלים למצבים מסוימים של כשלים.על ידי מעקב הצינור המתואר כאן - נתונים מראש עיבוד, תכונה הנדסית, הערכה, פיתוח מודלים, פריסה - תוכל לבנות מערכות שמפחיתות את הזמן, לחסוך עלויות, ולהפחית את האבטחה של כדור הארץ כמו סוללות.