AWS推出适用于工业领域的五项机器学习服务

北京-2020年12月9日，今天，在亚马逊云服务（AWS）举办的年度盛会——AWS re:Invent上，AWS宣布了Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama Appliance、AWS Panorama SDK和Amazon Lookout for Vision。这五项全新的机器学习服务共同帮助工业和制造业客户在其生产过程中嵌入智能能力，以提高运营效率，改善质量控制、信息安全和工作场所安全。这些服务代表了现有最全面的从云端到边缘的工业机器学习服务套件，通过结合先进的机器学习、传感器分析和计算机视觉功能，解决工业客户面临的常见技术挑战。实际上，数十万客户正在使用AWS云服务进行机器学习工作，各个规模、各行各业的客户都在使用AWS服务将机器学习作为其业务战略的核心。要了解有关全新AWS用于工业领域的机器学习服务的更多信息，请访问https://aws.amazon.com/industrial/。

企业越来越多地希望将机器学习功能添加到工业环境中，例如制造设施、配送中心、食品加工厂等。对于这些客户来说，数据已成为将复杂工业系统结合在一起的重要媒介。工业系统中通常具有许多相互依存的流程，这些流程容错能力低，甚至很小的问题也会带来重大后果。许多客户通过分析其设施中运行设备的数据来应对这一挑战，例如，许多客户利用AWS IoT SiteWise等服务从工业设备收集数据并生成实时性能指标。随着客户开始使用云收集和分析工业数据，他们还希望采用机器学习技术来解读数据，进一步提高运营效率。在某些情况下，客户希望使用机器学习来帮助他们实现预测性维护，从而降低成本并提高运营效率。同时，在非联网或对延迟敏感的环境中运行的客户则希望通过在边缘使用计算机视觉来发现产品缺陷并提高工作场所安全性。伴随这些不断变化的需求和机遇，工业企业要求AWS帮助他们利用云、工业边缘和机器学习，以从其设备生成的大量数据中获得更多价值。

Amazon Monitron和Amazon Lookout for Equipment通过机器学习支持预测性维护

 今天，工业和制造企业面临的主要挑战是设备的持续维护。过去大多数设备维护都是被动的（在机器发生故障之后）或预防性的（定期进行以确保机器不会发生故障）。被动维护可能会损失大量成本并带来长时间停机，而预防性维护若维护过度则成本过高，若维护不够频繁则无法防止故障。实际上，预测性维护（能够预测设备何时可能需要维护的能力）是一种更有前景的解决方案。但是，为了实现预测性维护，企业在过去需要雇佣熟练的技术人员和数据科学家从头构建复杂的解决方案，同时需要针对用例识别和购买正确类型的传感器，并将它们与IoT网关（一种聚合和传输数据的设备）连接在一起。然后，公司必须测试监测系统，并将数据传输到本地或云上进行处理。只有这样，数据科学家才能构建机器学习模型来分析数据模式和异常情况，或者在检测到异常时创建警报系统。一些企业已经为在设备和必要的基础设施上安装传感器用于数据连接、存储、分析和警报方面进行了大量投资，然而，即使这些企业也通常仅停留在使用初级数据分析和建模方法的阶段，与高级机器学习模型相比，这些方法昂贵且通常无法有效地检测异常情况。大部分企业依然缺乏专业知识和人员来构建和完善机器学习模型，无法进行高度准确的预测性维护。这些都导致了很少有企业能够成功实施预测性维护，即使少数做到这一点的企业也希望让这些投资进一步发挥作用，同时减轻维护解决方案的负担。在这些问题上，全新的AWS机器学习服务可以提供众多帮助：

• 对于未建立传感器网络的客户，Amazon Monitron提供由传感器、网关和机器学习服务组成的端到端机器监控系统，以检测异常并预测何时需要维护工业设备。Amazon Monitron帮助客户免去了从头开始构建先进的、由机器学习驱动的预测性维护系统的高成本需求和复杂性，使他们能够专注于其核心制造、供应链和运营功能。Amazon Monitron根据振动或温度的异常波动来检测机器是否正常运行，并在可能出现故障时通知客户检查机器以确定是否需要预测性维护。这一端到端的系统提供了用于捕获振动和温度数据的IoT传感器、用于将数据聚合和传输到AWS的网关、以及用于检测异常设备模式并在数分钟内提供结果的机器学习云服务，而无需客户具备任何机器学习或云经验。借助Amazon Monitron，机器维护人员无需任何开发工作或专业培训就可以在数小时内开始跟踪机器的运行状况。Amazon Monitron可在轴承、电机、泵、传送带各种工业和制造领域的旋转设备上使用，其典型应用场景包括数据中心冷却风扇或水泵等关键机器的监测，或者大量安装在具有生产和运输系统的制造工厂中。Amazon Monitron还提供一个移动应用程序，供客户的现场维护技术人员实时监控设备行为。技术人员可以通过这个移动应用程序收到不同机器上任何异常设备状况的警报，检查机器的运行状况，并决定是否需要安排维护。为了提高系统的准确性，技术人员还可以在移动应用程序中输入有关警报准确性的反馈，帮助进一步改善Amazon Monitron。Amazon Monitron已经正式推出。要了解有关Amazon Monitron的更多信息，请访问https://aws.amazon.com/monitron。
• 对于已经拥有传感器但不希望自己构建机器学习模型的客户，Amazon Lookout for Equipment让客户可以将传感器数据发送到AWS，由AWS为其构建模型并返回预测结果，从而检测异常设备行为。首先，客户将其传感器数据上传到Amazon Simple Storage Service (S3)，并将S3位置提供给Amazon Lookout for Equipment。Amazon Lookout for Equipment也可以从AWS IoT SiteWise提取数据，并与OSIsoft等其他流行的机器操作系统无缝协作。 Amazon Lookout for Equipment分析数据，评估正常或健康的模式，再利用从所有训练数据中得到的洞察来构建为客户环境定制的模型。然后，Amazon Lookout for Equipment可以使用机器学习模型来分析传入的传感器数据并识别机器故障的预警信号。这也就使得客户可以进行预测性维护，从而通过防止工业系统生产线崩溃来节省成本并提高生产率。 Amazon Lookout for Equipment帮助客户从其现有传感器中获得更多价值，使得客户能够及时做出从根本上改善整个工业流程的决策。要了解有关Amazon Lookout for Equipment的更多信息，请访问https://aws.amazon.com/lookout-for-equipment。

AWS Panorama通过计算机视觉改善工业运营和工作场所安全

许多工业和制造业客户希望在其设施和设备的实时视频中使用计算机视觉技术自动执行监测或视觉检查任务，并实时做出决策。例如，客户通常需要检查一些高速运转的流程（例如精细铣削或激光工具）以确定是否需要进行调整，或者监视工地上和工厂的活动以确保操作合规（例如，确保行人和叉车留在指定的工作区域内），或评估其设施内的工人安全（例如，保持适当的人员距禂或使用PPE）。但是，当下普遍使用的监测手段是手动的，容易出错的，并且难以扩展。客户可以在云中构建计算机视觉模型来监视和分析他们的实时视频，但是工业设施和流程通常位于偏远和孤立的位置，网路连接很慢、昂贵或完全不存在。尤其对于那些涉及零件或安全监控视频审查等人工审核的工业流程，在云中构建计算机视觉模型更为困难。例如，如果某个高吞吐量的生产线上出现质量问题，客户希望立即得到预警，因为问题存在时间越长，解决问题的成本越高。这种类型的监控视频可以通过计算机视觉技术实现在云中自动处理，但是这些视频一般带宽高并且上载速度慢。因此，客户只能实时进行视频监控，但这一方式操作难度高、易出错并且成本高。有些客户希望使用具有足够处理能力的智能相机来运行实时监控模型，却很难达到高准确性、低延迟的性能。大多数客户最终会运行一些简单的模型，却无法编程为可以集成到工业机器中的自定义代码。针对这些问题，AWS现在可以提供以下帮助：

• AWS Panorama Appliance提供了一种新的硬件设备，使组织可以将计算机视觉添加到客户可能已经