Questa pagina è stata tradotta automaticamente.
Completa un sondaggio di 1 minuto sulla qualità di questa traduzione.
Tata Consultancy Services sviluppa una soluzione di manutenzione predittiva dei veicoli basata su cloud distribuita
La soluzione migliora l'efficienza della manutenzione predittiva e la redditività
MATLAB integra perfettamente l'intero processo di Machine Learning: dai computer di bordo al cloud.
Risultati chiave
- Riduzione dei costi di Machine Learning basato su cloud mediante l'implementazione di modelli di intelligenza artificiale sui computer di bordo
- L'utilizzo degli strumenti MATLAB ha accelerato il processo di sviluppo, formazione e distribuzione dei modelli, con un conseguente notevole risparmio di tempo
- Strumenti a basso codice e app Diagnostic Feature Designer hanno consentito l'estrazione delle funzionalità e lo sviluppo di algoritmi
I veicoli definiti dal software generano enormi quantità di dati che possono essere utilizzati per attività critiche di manutenzione predittiva. Tuttavia, inviare tutti questi dati al cloud per l'elaborazione può essere inefficiente e costoso. Tata Consultancy Services (TCS), un'azienda IT con sede in India, ha utilizzato MATLAB® per creare una soluzione di Machine Learning distribuito per la manutenzione predittiva dei veicoli.
TCS ha sviluppato un'architettura che elabora la maggior parte dei dati dei sensori a livello locale, con modelli di Machine Learning eseguiti sui computer di bordo del veicolo e che inviano le caratteristiche elaborate al cloud per analisi più intensive dal punto di vista computazionale. Quando viene rilevato un guasto, il modello sul dispositivo avvisa il cloud, che può quindi eseguire modelli di previsione dei guasti più complessi.
Il team TCS ha utilizzato gli strumenti MATLAB per visualizzare i dati e scoprire modelli utili. Parallel Computing Toolbox™ li ha aiutati ad accelerare questo processo dividendo i dati ed elaborandoli simultaneamente in blocchi. Grazie a Statistics and Machine Learning Toolbox™, alle app Classification Learner, Regression Learner e Diagnostic Feature Designer, il team ha esplorato i dati dei sensori e delle serie temporali per scoprire funzionalità predittive, addestrare diversi modelli di Machine Learning e confrontarne le prestazioni. Per visualizzare gli insight, hanno sviluppato un'app e l'hanno distribuita su Microsoft® Azure® con MATLAB Web App Server™.
