机器学习在物联网领域的应用：创建设备实时监控平台

发布于: Oct 14, 2022

今天为大家介绍机器学习在物联网领域的应用，展示如何通过机器学习实现物联网设备的实时预测性维护。

创建 Amazon SageMaker 笔记本实例，训练和部署模型

  1. 创建一个笔记本实例 windturbine，选择 t2.medium。选择或者创建一个 IAM 角色（IAM Role）
  2. 其他部分选择默认选项，点击创建（Create）

3.在笔记本创建完成后，打开 Jupyter Lab，上传笔记本 ipynb 到 Jupyter Lab。选择内核为 conda_python3

4.按照代码中的注释要求，替换使用您自己的 S3 bucket/prefix

5.运行 Notebook，进行模型训练和部署

  1. 训练数据已经包含在代码里面，可以直接下载。
  2. 数据清洗 (删除 turbine_id 列，按照 XGBoost 的训练数据格式要求，删除表头并且将最后一列的推理结果 breakdown 挪到第一列）
  3. 按照 7：2：1 比率来拆分训练集，验证集和测试集，并上传到 S3
  4. 训练模型
  5. 部署训练好的模型并生成用于推理的 Endpoint，记录好这个值，后续需要在 IoT 规则引擎触发的 Lambda 函数中使用。

创建 Lambda 函数及 SNS Topic 用于推理，设备状态变更以及通知

1.创建 SNS 通知 Topic，并使用自己的邮箱地址订阅该 Topic，用于接收预测性维护的通知。

2.创建一个 Lambda 函数

(1)名称：windturbine_prediction

(2)运行时：Python 3.8

(3)权限：选择一个 IAM Role 可以使用 IoT，SNS 和 SageMaker Endpoint

(4)内存：128 MB

(5)超时：30s

3.用 lambda_function.py 替换 Lambda 代码，注意修改下列常量： 
#修改成自己的 Sagemaker Endpoint Name

ENDPOINT_NAME = 'xgboost-2021-03-08-10-43-34-693'

#修改成自己的 SNS Topic

SNS_TOPIC_ARN = 'arn:aws-cn:sns:cn-northwest-1:account-id:NotifyMe'

#修改成自己的手机号 （海外区 SNS 发短信）

PHONE_NUMBER = '+8613812345678'

创建 IoT 规则，触发 windturbine_prediction Lambda 函数

  1. 在 Amazon IoT 控制台的导航窗格中，选择 Act (行动).
  2. 在 Rules 页面，选择 Create
  3. 选择 Create
(1)名称： Invoke_windturbine_prediction
(2)Rule Query statement： SELECT * FROM ‘windturbine/xgboost’

(3)在设置一个或多个操作中，选择添加操作：发送消息到Lambda函数 (send a message to a Lambda function)，选择windturbine_prediction

 

(4)(可选)，错误操作：发送消息给 CloudWatch logs （Send message data to CloudWatch logs）： windturbine_prediction

(5)选择 Create rule (创建规则)

端到端测试

  1. 在 Cloud9 实例上用户的 home 目录中创建 cert 文件夹并上传上面第三步下载保存的 IoT Things 的证书到该文件夹中
  2. 上传 device_simulator.py 文件到 Cloud9 实例上用户的 home 目录中
  3. 上传模拟数据 device_data.csv 文件到 Cloud9 实例上用户的 home 目录中
  4. 根据您的实际配置修改 py 的代码
# 将host修改为自己Amazon Web Services账户的IoT Endpoint

host = "a1hk0pcc0as07l.ats.iot.cn-north-1.amazonaws.com.cn"

#证书路径修改为自己环境下的证书路径

rootCAPath = "cert/AmazonRootCA1.pem"

certificatePath = "cert/windturbine.cert.pem"

privateKeyPath = "cert/windturbine.private.key"

5.运行代码

python device_simulator.py device_data.csv

6.当部署的 XGBoost 模型端点预测到设备出现异常时，Lambda 函数更新 IoT 设备影子（Shadows）将设备状态设置为 Off（关闭状态），边缘 IoT 设备收到该状态设置标志，将设备停止，如下图所示：

同时 Lambda 还会触发提醒工作人员进行预测性维护的通知。如下图所示：

总结

您刚刚完成了如何将 IoT 和 Amazon SageMaker 一起使用，对一系列设备执行预测性维护的端到端动手实验，并使用 Lambda 和 SNS 进行警报监控其状态。 我们希望本文有助于您理解如何在 Amazon Web Service 上对 IoT 设备数据进行有效洞察，并为您的特定用例提供一个良好的起点。

相关文章

StockX 公司的传奇故事--早期发展