NVIDIA RAPIDS AI 革命性地改进制造业的预测性维护
国际自动化协会 (ISA) 报告称,每年约有 5% 的工厂生产因停机损失。这相当于全球不同工业领域制造商每年损失约 6470 亿美元。据 NVIDIA 技术博客 所述,关键挑战在于预测维护需求,以最大限度地减少停机时间、降低运营成本并优化维护计划。
LatentView Analytics
LatentView Analytics 是该领域的主要参与者之一,支持多个桌面即服务(DaaS)客户。DaaS 行业价值 30 亿美元,且每年以 12% 的速度增长,在预测性维护方面面临独特挑战。LatentView 开发了 PULSE,这是一种高级预测性维护解决方案,利用物联网设备和尖端分析提供实时见解,大幅减少了计划外停机时间和维护成本。
剩余使用寿命 (RUL) 用例
一家领先的计算设备制造商希望实施有效的预防性维护,以解决数百万租赁设备的零件故障问题。LatentView 的预测性维护模型旨在预测每台机器的剩余使用寿命 (RUL),从而减少客户流失并提高盈利能力。该模型聚合了关键的热量、电池、风扇、磁盘和 CPU 传感器的数据,并应用于预测模型以预测机器故障,并推荐及时的修理或更换。
面临的挑战
LatentView 在其初始概念验证中面临几项挑战,包括由于数据量大而导致的计算瓶颈和处理时间延长。其他问题包括处理大型实时数据集、稀疏和噪声传感器数据、复杂的多变量关系以及高昂的基础设施成本。这些挑战需要一个能够动态扩展并优化总体拥有成本 (TCO) 的工具和库集成。
利用 RAPIDS 加速的预测性维护解决方案
为了克服这些挑战,LatentView 将 NVIDIA RAPIDS 集成到其 PULSE 平台中。RAPIDS 提供加速的数据管道,运行在数据科学家熟悉的平台上,并有效处理稀疏和噪声传感器数据。这种集成带来了显著的性能提升,使数据加载、预处理和模型训练更快。
创建更快的数据管道
通过利用 GPU 加速,实现工作负载并行化,减轻 CPU 基础设施的负担,节省成本并提高性能。
在熟悉的平台上工作
RAPIDS 使用语法类似于流行的 Python 库,如 pandas 和 scikit-learn,使数据科学家可以在无需新技能的情况下加速开发。
应对动态运营条件
GPU 加速使模型能够无缝适应动态条件和额外的训练数据,确保对不断变化的模式具有鲁棒性和响应能力。
处理稀疏和噪声传感器数据
RAPIDS 显著提高了数据预处理速度,有效处理缺失值、噪声和数据收集中的不规则性,从而为准确的预测模型奠定基础。
更快的数据加载和预处理,模型训练
RAPIDS 基于 Apache Arrow 的特性在数据操作任务中提供了超过 10 倍的速度提升,减少了模型迭代时间,并使短时间内进行多次模型评估成为可能。
CPU 和 RAPIDS 性能比较
LatentView 进行了概念验证,以基准测试其仅使用 CPU 模型与在 GPU 上运行的 RAPIDS 性能的比较。比较结果显示在数据准备、特征工程和分组操作方面显著加速,在特定任务中实现了高达 639 倍的改进。
结论
RAPIDS 成功集成到 PULSE 平台中,带来了显著的预测性维护成果。该解决方案现处于概念验证阶段,预计将在 2024 年第四季度全面部署。LatentView 计划继续利用 RAPIDS 在其制造业项目组合中进行建模项目。
Read More
NVIDIA RAPIDS AI Revolutionizes Predictive Maintenance in Manufacturing
Aug 31, 2024 1 Min Read
Ethereum Foundation Releases Q2 2024 ESP Allocation Update
Aug 31, 2024 1 Min Read
opBNB Achieves 10K TPS with 200M Block Gas Limit Enhancement
Aug 31, 2024 1 Min Read
SEC's Wells Notice to OpenSea Sparks Debate Over NFTs as Securities
Aug 31, 2024 1 Min Read
Blockchain Poised to Modernize Payment Solutions
Aug 31, 2024 1 Min Read