AWS发布五大用于工业领域的机器学习服务

AWS发布五大用于工业领域的机器学习服务

AWS发布五款面向工业领域的机器学习服务

12月9日，在亚马逊云服务(AWS)举办的年度盛会――AWSre:Invent上，AWS公布了AmazonMonitron、AmazonLookoutforEquipment、AWSPanoramaAppliance、AWSPanoramaSDK和AmazonLookoutforVision。这五种全新的机器学习服务共同帮助工业和制造业客户在生产流程中嵌入智能功能，以提高运营效率、质量控制、信息安全和工作场所安全。这些服务代表了从云到边缘的最全面的现有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，解决了工业客户面临的常见技术挑战。事实上，数十万客户正在使用AWS云服务进行机器学习，各种规模和各行各业的客户都在使用AWS服务，将机器学习作为其商业战略的核心。

企业越来越希望将机器学习功能添加到工业环境中，如制造设施、配送中心、食品加工厂等。对于这些客户来说，数据已经成为组合复杂工业系统的重要媒介。行业中有很多相互依赖的流程，而这些流程的容错性很低，即使是很小的问题也会带来很大的后果。许多客户通过分析其设施中运行的设备数据来应对这一挑战。例如，许多客户使用AWSIoTSiteWise等服务从工业设备中收集数据，并生成实时性能指标。随着客户开始使用云来收集和分析工业数据，他们也希望使用机器学习技术来解释数据，并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，提高运营效率。同时，在非联网或延迟敏感环境中运营的客户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的安全性。面对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，从设备生成的海量数据中获得更多价值。

亚马逊Monitron和亚马逊LookoutforEquipment通过机器学习支持预测性维护

如今，工业和制造企业面临的主要挑战是设备的持续维护。在过去，大多数设备维护要么是被动的(在机器出故障后)，要么是预防性的(定期进行以确保机器不会出故障)。被动维护可能会损失大量成本，带来较长的停机时间，而预防性维护如果维护过度则成本过高，维护不足则故障无法预防。实际上，预测性维护(预测设备何时需要维护的能力)是一个更有前途的解决方案。然而，为了实现预测性维护，企业需要雇用熟练的技术人员和数据科学家来从头构建复杂的解决方案。与此同时，他们需要确定并购买适合用例的传感器类型，并将它们与物联网网关(一种聚合和传输数据的设备)连接起来。然后，公司必须对监控系统进行测试，并将数据传输到本地或云端进行处理。只有这样，数据科学家才能建立机器学习模型来分析数据模式和异常情况，或者在检测到异常情况时创建警报系统。一些企业投入巨资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、分析和报警。然而，即使这些企业通常也只停留在使用原始数据分析和建模方法的阶段。与先进的机器学习模型相比，这些方法价格昂贵，并且通常无法有效检测异常情况。大多数企业仍然缺乏专业知识和人员来建立和改进机器学习模型，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，即使是少数已经实施的企业也希望让这些投资进一步发挥作用，减轻维护解决方案的负担。在这些问题上，新的AWS机器学习服务可以提供很多帮助:

-对于没有传感器网络的客户，亚马逊Monitron提供了一个端到端的机器监控系统，由传感器、网关和机器学习服务组成，用于检测异常并预测工业设备何时需要维护。亚马逊Monitron帮助客户避免从零开始构建由机器学习驱动的高级预测维护系统的高成本和复杂性，使他们能够专注于其核心制造、供应链和运营功能。亚马逊Monitron根据振动或温度的异常波动来检测机器的正常运行，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。这种端到端的系统提供了用于捕获振动和温度数据的物联网传感器，用于聚合和传输数据到AWS的网关，以及用于检测异常设备模式并在几分钟内提供结果的机器学习云服务，而客户没有任何机器学习或云体验。有了亚马逊Monitron，机器维护人员可以在几个小时内开始跟踪机器的运行状态，无需任何开发工作或专业培训。亚马逊Monitron可用于各种工业和制造业领域的旋转设备上，如轴承、电机、泵和传送带。其典型的应用场景包括数据中心的冷却风扇或水泵等关键机器的监控，或者生产和运输系统的制造工厂中的大量安装。亚马逊Monitron还为客户的现场维护技术人员提供了一个移动应用程序，以实时监控设备行为。通过这个移动应用程序，技术人员可以接收不同机器上任何异常设备状况的警报，检查机器的运行状态，并决定是否安排维护。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关于警报准确性的反馈，以帮助进一步改进亚马逊Monitron。

-对于已经拥有传感器但不想建立自己的机器学习模型的客户，亚马逊LookoutforEquipment允许客户将传感器数据发送到AWS，AWS将为他们建立模型并返回预测结果，从而检测异常的设备行为。首先，客户将他们的传感器数据上传到亚马逊简单存储服务(S3)，并将S3的位置提供给亚马逊寻找设备。AmazonLookoutforEquipment还可以从AWSIoTSiteWise中提取数据，并与OSIsoft等其他流行的机器 *** 作系统无缝合作。AmazonLookoutforEquipment分析数据，评估正常或健康的模式，然后使用从所有训练数据中获得的洞察力为客户环境构建定制模型。然后，AmazonLookoutforEquipment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。这使客户能够执行预测性维护，从而通过防止工业系统生产线崩溃来节省成本和提高生产率。AmazonLookoutforEquipment帮助客户从他们现有的传感器中获得更多价值，使他们能够及时做出决策，从根本上改善整个工业过程。

AWSPanorama通过计算机视觉改善工业 *** 作和工作场所安全

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，以自动执行监控或视觉检查任务并做出实时决策。例如，客户通常需要检查一些高速过程(例如精铣或激光工具)以确定是否需要调整，或者监控施工现场和工厂的活动以确保 *** 作合规性(例如确保行人和叉车停留在指定的工作区域)，或者评估工人在其设施中的安全性(例如保持适当的人员间距或使用PPE)。然而，常用的监控方法都是手工的，容易出错，难以扩展。客户可以在云中建立计算机视觉模型，以监控和分析他们的实时视频，但工业设施和过程通常位于偏远和孤立的位置，网络连接缓慢、昂贵或不存在。特别是对于那些涉及人工审查的工业过程，如零件或安全监控视频审查，更难以在云端建立计算机视觉模型。例如，如果高通量生产线出现质量问题，客户希望立即得到警告，因为问题存在的时间越长，解决问题的成本越高。这类监控视频可以通过计算机视觉技术在云端自动处理，但这些视频一般带宽高，上传速度慢。所以客户只能实时监控视频，但这种方式 *** 作难度大，容易出错，成本高。一些客户希望使用具有足够处理能力的智能摄像机来运行实时监控模型，但很难实现高精度和低延迟。大多数客户最终会运行一些简单的模型，但无法将其编程为可以集成到工业机器中的自定义代码。为了解决这些问题，AWS现在可以提供以下帮助:

-AWSPanorama设备提供了一种新的硬件设备，使组织能够将计算机视觉添加到客户可能已在本地部署的摄像机中。首先，客户将AWSPanorama设备连接到他们的网络，然后该设备将自动识别摄像机数据流，并开始与现有的工业摄像机进行交互。AWSPanorama设备可以集成到AWS机器学习服务和物联网服务中，用于构建定制的机器学习模型或获取视频以进行更详细的分析。AWSPanorama设备将AWS机器学习功能扩展到边缘，帮助客户在没有网络连接的情况下在本地进行预测。每个AWSPanorama设备都可以在多个摄像机数据流上并行运行计算机视觉模型，从而使质量控制、零件识别和工作场所安全等用例成为可能。AWSPanorama设备还可以与AWS和第三方预训练的计算机视觉模型一起使用，用于零售、制造、建筑和其他行业。此外，客户使用亚马逊SageMaker自主开发的计算机视觉模型也可以部署在AWSPanorama设备上。

-AWSPanorama软件开发套件(SDK)帮助硬件供应商开发新的摄像机，可以在边缘有效地运行计算机视觉模型。使用AWSPanoramaSDK构建的摄像机可以在各种使用情况下运行计算机视觉模型，例如检测快速移动的传送带上的损坏部件或定位指定工作区域之外的仪器。这些相机可以使用英伟达和安霸的芯片进行计算机视觉。通过AWSPanoramaSDK，制造商可以开发具有自己的计算机视觉模型的摄像机，以便他们可以处理更高分辨率的高质量视频来发现问题。他们还可以在低成本设备上构建更复杂的模型，这些设备可以通过以太网供电，并放置在场地周围。客户可以在亚马逊SageMaker中训练模型，并一键将其部署到用AWSPanoramaSDK构建的相机上。客户还可以为使用AWSPanoramaSDK构建的相机添加Lambda功能，通过文本或电子邮件提醒潜在的问题。AWS还为PPE检测和保持人员距离等任务提供了预先构建的模型，这些模型可以在几分钟内部署，无需任何机器学习工作或特殊优化。

AmazonLookoutforVision可以低成本地自动、快速、准确地检测图像和视频的视觉异常

AWS客户渴望将计算机视觉部署到摄像机中以进行质量控制。企业必须坚持不懈地进行质量控制。仅在制造业，由于忽视一些小错误而导致的生产线停工，每年都会导致数百万美元的成本超支和收入损失。工业过程中的目视检查通常需要人工 *** 作，这可能非常繁琐，并且有不同的标准。计算机技术可以保证持续识别外观缺陷所需的速度和准确性，但实现过程可能非常复杂，需要一个数据科学家团队来构建、部署和管理机器学习模型。由于这些限制，由机器学习支持的视觉异常系统对大多数企业来说仍然遥不可及。现在，AWS可以在以下方面帮助这些企业:

AmazonLookoutforVision为客户提供了高精度、低成本的异常检测解决方案，每小时可以处理数千张图像，通过机器学习技术发现缺陷和异常。批量或实时将客户相机图像发送到亚马逊LookoutforVision，以识别异常情况，如机器零件的裂缝、面板的凹痕、产品的不规则形状或颜色错误等。然后，AmazonLookoutforVision会报告与基线不同的图像，以便客户采取适当的措施。亚马逊LookoutforVision有很强的技术能力，可以处理工作环境变化带来的摄像头角度、朝向、光照的差异。客户可以通过提供至少30张“良好”状态的图像来建立基线，以准确、一致地评估机械零件或成品。AmazonLookoutforVision也可以在AmazonPanorama设备上运行。客户现在可以在AWS中运行AmazonLookoutforVision。从明年开始，客户还可以在AWSPanorama设备和其他AWSPanorama设备上运行AmazonLookoutforVision，这样他们就可以在网络连接有限或没有网络连接的环境中使用AmazonLookoutforVision。

“工业和制造业客户需要不断应对来自股东、客户、政府和竞争对手的压力，以降低成本、提高质量并保持合规性。这些组织希望利用云和机器学习来自动化流程，并增强人们在整个 *** 作过程中的能力，但建立这些系统可能容易出错，复杂，耗时且昂贵，”AWS负责亚马逊机器学习的副总裁SwamiSivasubramanian说。“我们很高兴为我们的客户带来五种新的工业用机器学习服务。这些服务易于安装、部署、快速启动和运行，并将云与边缘连接起来，这将有助于工业客户在未来构建智能工厂。”

芬达乐器公司是世界领先的吉他、贝司、功放及相关设备制造商和标志性品牌。芬达基础设施全球总监比尔·霍尔姆斯(BillHolmes)表示，“在过去的一年里，我们与AWS在设备状况检查方面做了很多努力，这对一个成功的制造企业来说是至关重要但容易被忽视的一部分。对于全球制造商来说，保持设备正常运行是在全球市场保持竞争力的唯一途径。由于设备故障的紧迫性，非计划停机会给生产和劳动力造成巨大损失。亚马逊Monitron使大型工业制造商和小型家庭企业能够拥有预测设备故障的能力，并有机会首先安排设备维修。”

斗山工程机械是世界领先的重型设备和发动机制造商。斗山工程机械战略副总裁JaeyeonCho表示，“人工智能在推动斗山下一代设备的发展方面至关重要，因此我们正在与AWS合作开发可以利用自动化和可扩展机器学习的用例。我很高兴继续与AWS合作，在我们的下一代物联网平台中利用亚马逊Lookout寻找设备。”

Amazon.comMiddleMile生产技术副总裁SteveArmato表示，“每个月都有数百万辆卡车进入亚马逊工厂，因此使用拖车自动装卸和停放的技术非常重要。亚马逊的中英里产品及服务。科技(MMPT)已经开始使用AWS全景来识别车牌，并自动加快司机的进出手续，以便这些车辆能够安全快速地进入亚马逊的站点，并确保为客户提供更快的交付速度。”

BP是一家全球性能源企业，为客户提供运输燃料、热能和光能、润滑油和石化产品，用于制造油漆、服装和包装等日常用品。英国石油公司在全球拥有18000个服务站和74000多名员工。英国石油公司(BP)美国首席技术官格兰特·马修斯(GrantMatthews)表示，“我们在bpx的工程团队正在与AWS密切合作，构建物联网和云平台，帮助英国石油公司不断提高运营效率。作为这项工作的一部分，我们还在探索如何通过计算机视觉辅助来提高安全性和员工安全。我们希望使用计算机视觉来自动化卡车进出工厂，以确认它们完成了正确的订单。此外，我们还在监控人与人之间的距离、设置动态禁区和检测漏油等方面，看到了通过计算机视觉辅助保护工人安全的可能性。AWSPanorama创新性地在单一硬件平台上提供所有这些解决方案，具有直观的用户体验。我们的团队非常高兴将这项新技术与AWS结合使用，并期待解决许多新的用例。"

西门子交通为市内和城际交通以及货运提供智能高效的移动解决方案。“在过去的160年里，西门子交通一直是无缝、可持续和安全交通解决方案领域的领导者。西门子数字实验室负责将最新的数字技术引入交通行业，在为公共机构提供数据分析和人工智能解决方案方面处于独特的地位。”西门子交通数字实验室的创新经理劳拉·桑切斯(LauraSanchez)表示，“随着城市面临新的挑战，市政部门希望西门子交通能够帮助他们进行创新。城市想知道如何有效管理资产，改善拥堵，指挥交通。我们希望利用AWSPanorama将计算机视觉带入现有的安全摄像头中，监控交通，智能分配路边空房间，从而帮助城市优化停车和交通，提高居民的生活质量。"

GEMedical是全球领先的医疗技术和数字解决方案创新者。它致力于开发、制造和分销医疗诊断设备，如诊断成像剂、放射性药物、CT和MRI机器，以及由其Edisondigitalmedicalintelligentplatform支持的智能设备。“今天，我们人工检查医疗设备的质量。为了提升我们的品牌，并为医疗保健专业人士提供值得信赖的一流产品，我们很高兴通过亚马逊LookoutforVision的编程，探索提高GEMedical日本工厂产品缺陷检测速度、一致性和准确性的可能性，这也可能在短期内应用于世界其他地区的工厂。”GE医疗日本公司厂长、生产线运营官、总经理藤本三郎(KozaburoFujimoto)说。