Skip to content

Latest commit

 

History

History
135 lines (100 loc) · 5.98 KB

README.md

File metadata and controls

135 lines (100 loc) · 5.98 KB
Raw

optimal-hydraulic

Objectif du projet

Construire un modèle ML pour prédire si la condition valve est optimale (=100%) ou non, pour chaque cycle.

Quick start

Pour une démonstration rapide, on peut extraire une image Docker contenant un modèle pré-entraîné: vcerchez/optimal-hydraulic.

Le modèle s'exécute dans le conteneur et peut être interrogé via son API, dont le point d'entrée se trouve à localhost:8000/. Pour la documentation de l'API, consultez localhost:8000/docs.

Données

Les données sont liées à la publication suivante : Condition monitoring of a complex hydraulic system using multivariate statistics, DOI : 10.1109/I2MTC.2015.7151267

Extraits des figures : https://www.semanticscholar.org/paper/Condition-monitoring-of-a-complex-hydraulic-system-Helwig-Pignanelli/8f665bb769f7d76f9f44069a86f86821e63b33de

Les données sont disponibles dans le dossier /data. Les données sont décrites dans le lien suivant : https://archive.ics.uci.edu/dataset/447/condition+monitoring+of+hydraulic+systems.

Extrait du lien ci-dessus :

The data set contains raw process sensor data (i.e. without feature extraction) which are structured as matrices (tab-delimited) with the rows representing the cycles and the columns the data points within a cycle. The sensors involved are:

Sensor Physical quantity Unit Sampling rate
PS1 Pressure bar 100 Hz
PS2 Pressure bar 100 Hz
PS3 Pressure bar 100 Hz
PS4 Pressure bar 100 Hz
PS5 Pressure bar 100 Hz
PS6 Pressure bar 100 Hz
EPS1 Motor power W 100 Hz
FS1 Volume flow l/min 10 Hz
FS2 Volume flow l/min 10 Hz
TS1 Temperature °C 1 Hz
TS2 Temperature °C 1 Hz
TS3 Temperature °C 1 Hz
TS4 Temperature °C 1 Hz
VS1 Vibration mm/s 1 Hz
CE Cooling efficiency (virtual) % 1 Hz
CP Cooling power (virtual) kW 1 Hz
SE Efficiency factor % 1 Hz

The target condition values are cycle-wise annotated in profile.txt (tab-delimited). As before, the row number represents the cycle number. The columns are

Cooler condition (%) Valve condition (%) Internal pump leakage: Hydraulic accumulator (bar) stable flag
3: close to total failure 100: optimal switching behavior 0: no leakage 130: optimal pressure 0: conditions were stable
20: reduced effifiency 90: small lag 1: weak leakage 115: slightly reduced pressure 1: static conditions might not have been reached yet
100: full efficiency 80: severe lag 2: severe leakage 100: severely reduced pressure
73: close to total failure 90: close to total failure

Le dossier contient uniquement les 3 fichiers suivants, chaque ligne représentant un cycle :

  • PS2 (Pression (bar) echantillonnage 100Hz)
  • FS1 (Volume flow (l/min) echantillonnage 10Hz)
  • Profile : Fichier avec les variables dont la "valve condition" qui nous intéresse.

On utilise les 2000 premiers cycles pour construire le modèle et le reste comme échantillon de test final.

Bonus

Quelques points bonus:

  • Mettre votre solution sur github ou gitlab.
  • Ajouter des tests unitaires.
  • Containeriser votre code pour qu'il être exécuté facilement par un tiers.
  • Mettre en place une application web qui donne la prédiction pour un numéro de cycle donné en entrée.

Repository contents

├── LICENSE
├── README.md
├── app
│   ├── Dockerfile              : create image with the containerized ML model
│   ├── data_transformation.py  : data preparation as sklearn transformers
│   ├── main.py                 : FastAPI app serving pretrained ML model
│   ├── requirements.txt        : requirements for the containerized ML model
│   ├── test_api.ipynb          : notebook for testing model API in container
│   ├── test_app.py             : tests
│   └── train_model.py          : model training and pickling from the raw data
├── data
│   └── data.7z                 : archive with raw data
├── development
│   ├── data_preparation.py     : data preparation for the model.ipynb notebook
│   ├── eda.ipynb               : inital exoloratory data analysis
│   └── model.ipynb             : development and and optimization of the ML model
└── environment.yml             : conda environment

Docker memo

Build image with

docker build --tag vcerchez/optimal-hydraulic .

Push to DockerHub:

Login first with

docker login -u YOUR-USER-NAME

then push

docker push vcerchez/optimal-hydraulic

Run image with

docker run -p 8000:8000 vcerchez/optimal-hydraulic