Machine learning platform selection and utilization for predictive maintenance
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2022-05-16
Department
Major/Subject
Mechanical Engineering
Mcode
Degree programme
Master's Programme in Mechanical Engineering (MEC)
Language
en
Pages
49+27
Series
Abstract
This thesis aims to select and utilize a machine learning platform for predictive maintenance. A predictive maintenance model workflow that targets chillers is analyzed, and then deployed to a machine learning platform to improve the availability and quality of predictions by the workflow. With the raising amount of data gathered and the popularity of big data, data science and machine learning, new methods improving maintenance have emerged such as predictive maintenance. Predictive maintenance strategies rely heavily on understanding machine learning workflows, which can be streamlined using MLOps practices that ensure better availability and quality of machine learning models. Software tools to implement MLOps practices have emerged, which can be called machine learning platforms. Comparison of machine learning platforms was divided to on-demand and on-premise solutions. During investigation it was found that some platforms do not support technical aspects of the predictive maintenance workflow, and because of time-restrictions on-demand platforms were deemed more approachable for the thesis project. In this thesis the selected platform was Amazon SageMaker, which was further landscaped for its features regarding MLOps. Features analyzed were centralized stores, pipelines, monitoring and automatic model building. Additionally, example pipelines were constructed to illustrate the usage of pipelines. An MLOps architecture for the predictive maintenance workflow was assembled consisting of centralized stores and pipelines. The architecture was implemented to the SageMaker platform.Tämä opinnäytetyö tarkastelee koneoppimisen virtaviivaistamista varten käytettäviä alustoja ennustavan kunnossapidon näkökulmasta. Tässä työssä ennustavaa kunnossapitoa varten suunniteltu koneoppimisprosessi implementoitiin koneoppimista virtaviivaistavalle alustalle, parantaen prosessin tuottamien ennusteiden saavutettavuutta ja laatua. Tiedonkeruun yleistyessä big datan, data-analytiikan ja koneoppimisen suosio on kasvanut, joka on mahdollistanut uusien huoltostrategioiden kehittämisen, kuten ennustavan kunnossapidon. Sen strategiat perustuvat usein koneoppimisprosesseihin, joita voidaan virtaviivaistaa MLOps-konseptilla. MLOpsin suosion kasvaessa uusia työkaluja on kehitetty jotka helpottavat MLOpsin implementointia, joita voidaan kutsua koneoppimisalustoiksi. Tässä työssä tarkastellaan koneoppimisalustoja, jotka oli jaettu on-premise ja on-demand alustoihin. Työn aikana ilmeni etteivät kaikki alustat tue työssä esiteltyä ennustavan kunnossapidon koneoppimisprosessia. Aikarajoitusten takia koneoppimisalustojen vertailu päätyi on-demand alustoihin. Tässä työssä valittiin koneoppimisalustaksi Amazon SageMaker, jota analysoitiin MLOpsin näkökulmasta. Analysoituja ominaisuuksia olivat keskitetyt tietovarastot, parametrisoidut prosessit, monitorointiominaisuudet ja automaatiotyökalut. Tämän lisäksi työssä rakennettiin esimerkkiprosesseja Amazon SageMakerilla. Työn lopuksi esiteltiin ennustavaa kunnossapitoa varten suunniteltu MLOps-arkkitehtuuri, joka implementoitiin Amazon SageMaker-alustalle.Description
Supervisor
Käpylä, MaaritThesis advisor
Aapro, AapoKeywords
MLOps, machine learning, data science, predictive maintenance, Amazon SageMaker