工业智能化，AWS的机器学习“功能库”

张楠

机器学习是制造业转型的核心。从技术上看，它是人工智能的一个分支，是为了创建可以从经验中学习的计算机程序，实际上，通过结合不同类型的算法，机器学习将重塑制造业。

在新基建浪潮引领下，工业互联网蓬勃发展。工业互联网的本质是通过开放的、全球化的工业级网络平台把设备、生产线、工厂、供应商、产品、客户紧密地连接和融合起来，高效共享工业经济中的各种要素资源，从而通过自动化、智能化的生产方式降低成本、增加效率，帮助制造业企业延长产业链，推动制造业企业转型发展。

在工业互联网的发展历程中，一个无法回避的核心就是人工智能技术。从技术体系的角度来看，AI是工业领域自动化、数字化、智能化的必要支撑，也是大数据、云计算、物联网等诸多技术的最终诉求。人工智能不仅能够促进产业领域的效率提升，还能促进产业领域岗位升级，提高传统工作的附加值。

当下的人工智能不再依靠20世纪50年代至80年代的符号知识表示和程序推理机制，无论是传统的基于数学的机器学习模型或决策树，还是深度学习的神经网络架构，如今的AI应用程序主要是基于机器学习技术之上的。亞马逊云服务（AWS）聚焦于机器学习领域，致力于协助工业和制造企业将机器学习功能添加到如制造设施、配送中心、食品加工厂等工业环境当中。

“AWS在2016年一共发布了3项机器学习功能，而到了2020年，AWS已经为用户提供了250多项机器学习功能。”AWS大中华区云服务产品管理总经理顾凡说，“最初的机器学习功能是简单的数据收集、分析，协助客户预测结果，而如今，我们已经建立了一个易于使用、全集成、全托管的机器学习平台—Amazon SageMaker，并持续不断进行迭代。”

在AWS举办的年度盛会AWS re：Invent上，AWS围绕着Amazon SageMaker机器学习平台，发布了五大用于工业领域的机器学习服务—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旨在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。

“工业和制造业客户需要持续应对来自竞争对手的压力，他们需要降低成本、提高质量、保持合规性。这些企业希望利用云和机器学习来实现流程自动化并增强整个运营流程中的人员能力，但是构建这些系统错误率较高、复杂、耗时且昂贵。”AWS全球机器学习副总裁Swami Sivasubramanian说，“我们为客户带来五项针对工业用途的全新机器学习服务，这些服务易于安装、部署、启动、运行，将云和边缘相连，助力工业客户打造智慧工厂。”

未雨绸缪，AWS助力设备维护

工业和制造企业设备的持续维护过程亟须变革。过去大多数设备维护都是被动的、预防性的。被动维护可能会损失大量成本，导致长时间的停机，而频繁的预防性维护则成本过高，但不够频繁则无法防止故障。预测性维护作为一种更有前景的解决方案，需要雇佣熟练的技术人员和数据科学家，构建复杂的解决方案，同时需要针对用例识别、购买正确类型的传感器，并将它们与IoT网关连接在一起。企业还必须测试监测系统，并将数据传输到本地或云上进行处理。经过这些流程，数据科学家才能构建机器学习模型，分析数据模式和异常情况，在检测到异常时创建警报系统。

一些企业已经在设备和必要的基础设施上安装传感器，在数据连接、存储、分析和警报方面进行了大量投资，然而，这些企业通常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完善的机器学习模型，无法进行高度准确的预测性维护。这导致很少有企业能够成功实施预测性维护，即使少数能完成预测性维护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。

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经验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、传送带与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和大量安装在具有生产和运输系统的制造工厂中。此外，Amazon Monitron还提供移动应用程序，帮助维护技术人员实时监控设备行为。他们可以通过这个移动应用程序收到不同机器上异常设备状况的警报，确认机器的运行状况，并决定是否需要安排维护。

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，客户可以通过Amazon Lookout for Equipment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。客户将其传感器数据上传至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能够对这些数据进行分析，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，构建为客户环境定制的模型。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，协助客户进行预测性维护，通过防止工业系统生产线崩溃来节省成本、提高生产率。

运筹帷幄，AWS赋能设备监测

许多工业和制造业企业希望在其设施和设备中，使用计算机视觉技术，自动执行监测或视觉检查任务，实时做出决策。当下工业和制造业企业使用的监测手段普遍是手动的，容易出错且难以扩展。客户可以在云中构建计算机视觉模型来实时监视、分析，但工业设施和流程通常位于偏远和孤立的位置，网路连接较慢且昂贵。尤其对于涉及零件、安全监控等人工审核的工业流程，在云中构建计算机视觉模型更加困难。如某个高吞吐量的生产线上出现质量问题，客户希望能够实现立即预警，因为问题存在时间越长，解决问题的成本就越高。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，但是这些视频带宽高、上传速度慢。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。有些用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的模型，这些模型往往不具备高准确性、低延迟的性能。大多数客户最终会运行一些简单的模型，但这些模型无法编程为可以集成到工业机器中的自定义代码。

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部署在本地的摄像机中。客户首先将AWS Panorama Appliance连接到他们的网络，这一设备会自动识别摄像头数据流并开始与现有的工业摄像头进行交互。AWS Panorama Appliance可集成于那些用于构建自定义机器学习模型或获取视频，进行更精细分析的AWS机器学习服务和IoT服务。AWS Panorama Appliance将AWS机器学习能力扩展到边缘，帮助客户在没有网络连接的情况下进行本地预测。每个AWS Panorama Appliance都可以在多个摄像头产生的数据流上并行运行计算机视觉模型，使质量控制、零件识别、工作场所安全的用例成为可能。AWS Panorama Appliance还可以和适用于零售、制造、建筑和其他行业的计算机视觉模型一起使用。此外，客户使用Amazon SageMaker自主开发的计算机视觉模型也可以部署在AWS Panorama Appliance上。

AWS Panorama软件开发套件（SDK）帮助硬件供应商开发可在边缘有效运行计算机视觉模型的新型摄像头。使用AWS Panorama SDK构建的摄像头可在多种用例中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那些脱离指定工作区域的器械等。通过使用AWS Panorama SDK，制造商可以开发自带计算机视觉模型的相机，从而处理更高分辨率的高质量视频，尽早发现问题。企业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站点周围。用户同样可在Amazon SageMaker中训练模型，并将其迅速部署到使用AWS Panorama SDK构建的摄像机上。用户还可以将Lambda功能添加到使用AWS Panorama SDK构建的摄像頭中，以通过文本或电子邮件提醒潜在问题。此外，AWS还提供用于PPE检测、保持人员距离等任务的预构建模型，工业和制造业企业可以在几分钟内部署这些模型，无需进行任何预先的机器学习工作。

朝督暮责，AWS助推产品管控

工业企业必须不断努力保持产品的质量。仅在制造业中，由于忽略细微错误而导致的生产线停产每年可能导致数百万美元的损失。工业流程中的外观检查通常需要人工操作，这可能导致成本较高、没有统一标准等问题。制造业用户们非常希望将计算机视觉部署到摄像头中，以整体把控产品的质量。虽然计算机视觉技术可以保证识别外观缺陷的速度和准确性，但实施过程非常复杂，需要数据科学家团队来构建、部署和管理机器学习模型。由于这些局限性，由机器学习支持的视觉异常系统对绝大多数企业而言仍然遥不可及。

Amazon Lookout for Vision提供了一种高精度、低成本的异常检测解决方案，客户可以通过机器学习技术，每小时处理数千张图像发现产品的缺陷和异常，如机器部件的裂纹、面板上的凹痕、不规则形状或产品上的颜色错误等。客户将摄像头图像批量、实时地发送到Amazon Lookout for Vision后，Amazon Lookout for Vision报告与基线不同的图像，以便客户采取适当的措施。Amazon Lookout for Vision可以通过至少30张“良好”状态的图像，建立基线，准确、一致地评估机械零件或制成品，处理因工作环境变化而引起的相机角度、方位和照明方面的差异。Amazon Lookout for Vision也可以在Amazon Panorama设备上运行。未来，客户将可以在AWS Panorama Appliances和其他AWS Panorama设备上运行Amazon Lookout for Vision，在网络连接受限或无网络连接的环境中使用Amazon Lookout for Vision。

技术的快速革新推动了制造业的转型，转型的最终目的是使企业“产量更高、成本更低、操作更可靠”。机器学习是制造业转型的核心。从技术上看，它是人工智能的一个分支，是为了创建可以从经验中学习的计算机程序，实际上，通过结合不同类型的算法，机器学习将重塑制造业。“我们致力于在机器学习领域构建框架、提升算力，希望为制造企业搭建完善的机器学习基础，为技术人员寻找捷径。”AWS大中华区云服务产品管理总经理顾凡说，“为此，我们将会推出更多的机器学习工具，将制造流程中的各环节连接起来，进一步推动工业领域的智能化。”