此博客文章由埃森哲首席資料科學家JürgenWeichenberger和微軟高級資料科學家Mathew Salvaris共同撰寫。
鉆探石油和天然氣是地球上最危險的作業之一。工人面臨著從小型設備故障到整個海上鉆井平臺著火等事件的風險。幸運的是，深度學習在預測資產維護中的應用有助于防止自然災害和人為災難。
由于傳感器和物聯網設備，我們在設備上擁有的資訊比以往任何時候都多，但我們仍在研究處理資料的方法，因此它對于防止這些災難性事件非常有用。這就是深度學習的來源。來自多個來源的資料可用于培訓預測模型，幫助石油和天然氣公司預測即將發生的災難，使他們能夠采取積極主動的方法。
通過在Microsoft Azure上使用PyTorch深度學習框架，埃森哲幫助一家大型石油和天然氣公司實施了這樣一種預測性資產維護解決方案。該解決方案將在保護員工和環境方面發揮重要作用。
什么是預測資產維護？
預測性資產維護是化工廠數字化轉型的核心要素。它通過大量具有成本效益的傳感器，增強的資料處理，自動化功能以及預測分析的進步實作。它涉及將來自實時和歷史資料的資訊轉換為簡單，可訪問且可操作的見解。這是為了能夠及早發現并消除否則會導致故障的缺陷。例如，通過簡單地檢測連接管道的密封件中的早期缺陷，我們可以防止可能導致整個燃氣輪機的災難性崩潰的潛在故障。
預算資產維護結合了基于狀態的監控技術，統計程序控制和設備性能分析，使工廠中不同來源的資料清晰直觀地可視化。這樣可以更好地監控操作和設備，優化流程，更好地控制流程，并改善能源管理。
值得注意的是，該程序核心的預測分析并未告訴工廠操作員將來會發生什么，并且完全確定。相反，他們以可接受的可靠性水平預測未來可能發生的事情。它還可以提供“假設”情景以及對風險和機遇的評估。
資產維護成熟度矩陣
圖1 - 資產維護成熟度矩陣（來源：埃森哲）
石油和天然氣的挑戰
事件預測是預測資產維護的關鍵要素之一。對于大多數預測問題，每個模式都有足夠的示例來創建模型來識別它們。不幸的是，在某些行業，如石油和天然氣，其中一切都是為了避免失敗，故障模式的搶手例子很少見。這意味著大多數標準建模方法要么沒有經驗豐富的人類執行，要么根本無法作業。
埃森哲與PyTorch和Azure的解決方案
雖然只存在少量故障示例，但是存在大量可以利用的時間序列和檢查資料。
預測維護的方法
圖2 - 預測性維護方法（來源：埃森哲）
在第一階段準備資料后，在第二階段使用PyTorch構建了一個兩階段深度學習解決方案。首先，將復發神經網路（RNN）與長期短期記憶（LSTM）結構相結合進行訓練，該結構是第二階段的第一階段。該解決方案中使用的神經網路架構受到Koprinkova-Hristova等人2011和Aydin和Guldamlasioglu 2017的啟發。該RNN時間序列模型預測了重要變數，例如重要密封的溫度。然后將這些預測輸入分類器演算法（隨機森林）以識別變數在安全范圍之外，如果是，則演算法產生專家可以檢查和解決的潛在原因的排序。這有效地使專家能夠在潛在災難發生之前解決潛在災難的根本原因。
以下是用于培訓和執行解決方案的系統圖：
系統架構
圖3 - 系統架構
選擇上述架構是為了確保客戶在建模，培訓和執行復雜機器學習作業流程時具有最大靈活性的要求是使用Microsoft Azure。在實施時，符合這些要求的服務是HDInsights和資料科學虛擬機（DSVM）。如果該專案今天已實施，則Azure機器學習服務將用于使用HDInsights或Azure Databricks進行資料處理的培訓/推理。
使用PyTorch是因為在設計計算執行圖時具有極大的靈活性，而不像其他深度學習框架那樣被系結到靜態計算執行圖中。PyTorch的另一個重要優點是可以使用標準的python控制流程，并且每個樣本的模型都可以不同。例如，可以毫不費力地創建樹形RNN。PyTorch還支持使用Python除錯工具，因此可以在任何時候停止程式以檢查變數，漸變等。這種靈活性在訓練和調整周期中非常有用。
與其他深度學習框架相比，優化的PyTorch解決方案使培訓時間縮短了20％以上，并且推理速度提高了12％。這些改進在團隊作業的時間關鍵環境中至關重要。請注意，測驗的版本是PyTorch 0.3。
在此專案中使用PyTorch的好處概述：
訓練時間
在概述的Azure架構上使用PyTorch將平均培訓時間縮短了22％。
除錯/錯誤修復
動態計算執行圖與Python標準功能相結合，將總體開發時間縮短了10％。
可視化
直接集成到Power BI中，從第一天開始就獲得了高端用戶的認可。
使用分布式培訓的經驗
結合流量控制的動態計算執行圖允許我們創建簡單的分布式訓練模型，并在整體訓練時間方面獲得顯著改進。
埃森哲是如何實施最終模型的？
從專案的第一天起，可擴展性和操作化是關鍵的設計考慮因素，因為客戶希望將原型擴展到整個車隊的其他幾個資產。因此，選擇系統體系結構中的所有組件作為標準。此外，客戶希望能夠使用Azure Data Factory添加更多資料源。Azure機器學習服務及其模型管理功能用于操作最終模型。下圖說明了使用的部署作業流程。
部署作業流程
圖4 - 部署作業流程
部署模型還集成到持續集成/持續交付（CI / CD）作業流程中，如下所示。
CI CD作業流程
圖5 - CI / CD作業流程
Azure上的PyTorch：更好地結合在一起
的組合Azure的AI產品具有的功能PyTorch被證明是培養和使用專案的深度學習架構快速迭代非常有效的方式。這些選擇大大縮短了培訓時間，提高了資料科學家的作業效率。
Azure致力于使用任何語言，任何框架和任何開發工具為開發人員帶來企業級AI進步。客戶可以輕松地將Azure AI產品集成到其機器學習生命周期的任何部分，以大規模生產他們的專案，而無需鎖定任何一個工具或平臺。
uj5u.com熱心網友回復：
沒了解過，來學習一下轉載請註明出處，本文鏈接：https://www.uj5u.com/caozuo/61194.html
標籤：Windows客戶端使用
上一篇：藍屏原因求分析，有DMP檔案
下一篇：請教下黑客入門哪本書合適