本页面使用了机器翻译。
请花 1 分钟时间完成一个翻译质量的调查。
塔塔咨询服务公司开发基于云的分布式车辆预测性维护解决方案
这款解决方案提高了预测性维护的效率和成本效益
MATLAB 无缝整合了整个机器学习流程：从机载计算机到云端。
关键成果
- 通过将人工智能模型部署到车载计算机来降低基于云的机器学习的成本
- 使用 MATLAB 工具加快了开发、训练和部署模型的过程，从而节省了大量时间
- 低代码工具和诊断特征设计器支持功能提取和算法开发
软件定义汽车会生成大量可用于关键预测性维护任务的数据。然而，将所有这些数据发送到云端进行处理效率低下且成本高昂。印度 IT 公司塔塔咨询服务公司 (TCS) 使用 MATLAB® 创建了用于车辆预测性维护的分布式机器学习解决方案。
TCS 开发了一种在本地处理大多数传感器数据的架构。其中，机器学习模型在车载计算机上运行，并将计算特征发送到云端进行计算量更大的分析。当检测到故障时，基于设备的模型会向云端发出警报，然后云端可以运行更复杂的故障预测模型。
TCS 团队使用 MATLAB 工具来可视化数据并探索有用的模式。在 Parallel Computing Toolbox™ 的帮助下，他们通过划分数据并同时进行分块处理加速了这一过程。通过利用 Statistics and Machine Learning Toolbox™、分类学习器、回归学习器和诊断特征设计器，该团队探查了传感器和时间序列数据，以探索预测特征，训练不同的机器学习模型，并比较它们的性能。为了直观地呈现这些想法，他们开发了一款应用，并将其部署在运行 MATLAB Web App Server™ 的 Microsoft® Azure® 上。
