Інтеграція п’єзокерамічних ІоТ-систем моніторингу з Amazon SageMaker для прогнозного аналізу

Анотація

У статті розглядається вирішення науково-практичної задачі переходу від реактивного моніторингу до прогнозного аналізу для IoT-систем, що базуються на високочутливих п’єзокерамічних датчиках. На відміну від рішень, які зосереджені тільки на зборі та зберіганні даних, в роботі запропоноване комплексне рішення, що забезпечує глибоку інтеграцію з платформою машинного навчання Amazon SageMaker. Запропонований варіант ґрунтується на трьох паралельних потоках: збір даних (Data Ingestion Flow) для формування «озера даних» в Amazon S3, навчання моделі (Model Training Flow) з використанням AWS Glue для інженерії ознак, та прогнозний аналіз у реальному часі (Inference Flow) на базі SageMaker Endpoints. Описано методику побудови елементів машинного навчання, що включає критичний етап інженерії ознак (Feature Engineering) для перетворення складних «сирих» сигналів п’єзодатчиків (наприклад, RMS, FFT) у придатні для аналізу дані. Проведено аналіз застосування алгоритмів, зокрема Random Cut Forest (RCF) для виявлення аномалій «без вчителя» та XGBoost для класифікації несправностей «з вчителем». Ефективність архітектури підтверджено експериментально на стенді в середовищі AWS Academy Learning Lab, що імітувало як системні (знос), так і раптові ударні аномалії. Модель RCF продемонструвала високі показники, досягнувши 91% точності та 88% повноти у виявленні несправностей. Результати доводять придатність запропонованого рішення для побудови масштабованих систем прогнозної діагностики