predictive-maintenance

German Version

Beschreibung des Machine-Learning-Skripts V2 für MongoDB

Dieses Python-Skript dient zur Vorhersage und Bewertung möglicher Defekte in Fahrzeugen basierend auf Sensordaten, Werkstattaufträgen und Defektinformationen, die in einer MongoDB-Datenbank gespeichert sind. Das Skript wird für jedes Fahrzeug in der Datenbank individuell ausgeführt. Hier sind die einzelnen Schritte und Funktionen des Skripts:

(https://github.com/harzmann/predictive-maintenance/blob/main/src/ml-routine-mongodb-vehicles-v2.py)

  1. Verbindung zur MongoDB: Das Skript verbindet sich mit der MongoDB-Datenbank predictive_maintenance_db_v2, um Daten zu laden.

  2. Datenextraktion:
    • Fahrzeugdaten: Daten zu den einzelnen Fahrzeugen werden aus der vehicles-Collection abgerufen.
    • Sensordaten: Sensordaten für jedes Fahrzeug werden aus der sensorData-Collection geladen.
    • Werkstattaufträge und Defekte: Werkstatt- und Defektdaten werden aus den workshopOrders- und defects-Collections abgerufen.
  3. Datenvorbereitung:
    • Es wird geprüft, ob genügend Daten für jedes Fahrzeug vorhanden sind. Wenn nicht, wird das Fahrzeug übersprungen.
    • Defektmarkierungen (defect_present) werden für Sensordaten gesetzt, wenn ein Defekt innerhalb eines bestimmten Kilometerbereichs auftritt.
    • Das Datum der Erstzulassung (first_registration) wird aus den Fahrzeugdaten hinzugefügt.
  4. Feature Engineering:
    • Merkmale wie age_in_years (Alter des Fahrzeugs in Jahren), past_workshop_count (Anzahl bisheriger Werkstattaufträge), avg_past_workshop_cost (durchschnittliche Reparaturkosten) und past_defect_count (Anzahl bisheriger Mängel) werden berechnet.
  5. Modelltraining:
    • Die relevanten numerischen und kategorischen Merkmale werden ausgewählt.
    • Daten werden in Trainings- und Testdaten aufgeteilt.
    • Ein RandomForestClassifier wird verwendet, um ein Vorhersagemodell zu trainieren, wobei eine Pipeline für die Vorverarbeitung der Daten und das Modelltraining genutzt wird.
  6. Modellbewertung:
    • Das trainierte Modell wird auf den Testdaten bewertet, und ein Bericht mit den Vorhersageergebnissen wird ausgegeben.
  7. Beispielvorhersage:
    • Neue Sensordaten werden erstellt und durch das Modell vorhergesagt.
    • Das Ergebnis der Vorhersage (Defektlabel und Wahrscheinlichkeit) wird für jedes Fahrzeug ausgegeben.

Dieses Skript eignet sich für die prädiktive Wartung, indem es die Wahrscheinlichkeit von Defekten für Fahrzeuge anhand ihrer historischen Daten prognostiziert.

Lizenz

Autor: Jörg Harzmann

Dieser Inhalt ist unter einer CC BY-NC Lizenz veröffentlicht.