AWS 发布五大用于工业领域的机器学习服务

• Amazon Monitron 提供包含传感器、网关和机器学习服务的端到端机器监控解决方案，以检测可能需要维护的异常设备状况

• Amazon Lookout for Equipment 为拥有设备传感器的客户提供了使用 AWS 机器学习模型来检测异常设备行为并进行预测性维护的能力

• AWS Panorama Appliance 帮助已在工业设施中装配摄像机的客户使用计算机视觉来改善质量控制和工作场所安全

• AWS Panorama 软件开发套件（SDK）允许工业相机制造商在新相机中嵌入计算机视觉功能

• Amazon Lookout for Vision 在图像和视频流上使用 AWS 训练的计算机视觉模型，以发现产品或流程中的异常和缺陷

• 使用全新的 AWS 工业机器学习服务的客户和合作伙伴包括 Axis、凌华科技、BP、德勤、Fender 芬达、GE 医疗和西门子交通

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。对于此，AWS 大中华区云服务产品管理总经理顾凡先生在 2020 亚马逊 re:Invent Swami 主题演讲专场媒体沟通会中提到“机器学习领域今天有非常多的服务和功能，这些其实都是工具。而这些机器学习的工具已经被越来越多的行业客户采用，在更多场景帮到他的业务。

为什么会有超过 10 万的客户选择在 AWS 上跑这些机器学习的工作负载呢？其实如果大家去看 AWS 的整个机器学习领域的服务，会发现几个特点。

第一，整个服务的宽度和深度具有明显优势。我们针对机器学习中的 Righttools for the right job（合适的工具做合适的事儿，一把钥匙开一把锁），就是希望你在运行机器学习相关工作时，能够在相应场景下应该选择工具箱中最适合的工具。这反映出我们服务的宽度和深度优势。

第二，AWS 在云计算以及在机器学习领域里始终抱持开放的心态，所以大家会看到我们的很多工具是非常开放的，可以跟客户的整个环境做到非常好的集成。

第三，AWS 在配合客户的时候，一般都是两个原则，一个原则是授人以鱼不如授人以渔，我们希望帮到客户把能力建立起来，给他工具并教会他使用工具。第二是在产品原型实现、在工程方面有差距的时候，如果客户需要帮忙，我们会帮客户扶上马再送一程，帮他快速的把一些业务解决方案用产品原型的方式实现。”

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。

AmazonMonitron 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，AmazonLookout 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 AmazonSimple Storage Service (S3)，并将 S3 位置提供给 Amazon Lookout for Equipment。 Amazon Lookoutfor 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 forEquipment 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，保持适当的人员距离或使用 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：

• AWSPanorama 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，然后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以进行更精细分析的 AWS 机器学习服务和 IoT 服务中。AWSPanorama Appliance 将 AWS 机器学习能力扩展到边缘，以帮助客户在没有网络连接的情况下在本地进行预测。每个 AWS Panorama Appliance 都可在多个摄像头数据流上并行运行计算机视觉模型，从而使诸如质量控制、零件识别和工作场所安全的用例成为可能。AWS Panorama Appliance 还可与适用于零售、制造、建筑和其他行业的 AWS 和第三方经过预先培训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 AWSPanorama Appliance 上。

• AWSPanorama 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 AWSPanorama 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。这些相机可以使用英伟达和安霸旗下用于计算机视觉的芯片。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，从而可以处理更高分辨率的高质量视频以发现问题。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可以放置在站点周围。客户可在 Amazon SageMaker 中训练模型，并一键将其部署到使用 AWS PanoramaSDK 构建的摄像机上。客户还可以将 Lambda 功能添加到使用 AWSPanorama SDK 构建的摄像头中，以通过文本或电子邮件提醒潜在问题。 AWS 还提供用于 PPE 检测和保持人员距离等任务的预构建模型，并且可以在几分钟内部署这些模型，而无需进行任何机器学习工作或特殊优化。

要了解更多关于 AWS Panorama 或其支持供应商和合作伙伴的信息，可访问https://aws.amazon.com/panorama。

Amazon Lookoutfor Vision 可以低成本自动、快速、准确地对图像和视频进行视觉异常检测

AWS 客户非常希望将计算机视觉部署到摄像头中以用于质量控制。工业企业必须保持不断的努力进行质量控制。仅在制造业中，由于忽略某些细微错误而导致的生产线停产每年导致数百万美元的成本超支和收入损失。工业流程中的外观检查通常需要人工操作，这可能非常乏味且标准不一。计算机视觉技术可以保证持续识别外观缺陷所需的速度和准确性，但实施过程却可能非常复杂，并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，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。现在， AWS 可在以下领域帮助到这些企业：

• Amazon Lookout for Vision 为客户提供了一种高精度、低成本的异常检测解决方案，可以通过机器学习技术每小时处理数千张图像以发现缺陷和异常。客户将摄像头图像批量或实时发送到 Amazon Lookout for Vision 以识别异常，例如机器部件的裂纹、面板上的凹痕、不规则形状或产品上的颜色错误等。然后，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 有强大的技术能力可以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。客户可以通过至少提供 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。Amazon Lookout for Vision 也可以在 Amazon Panorama 设备上运行。即日起客户可在 AWS 中运行 Amazon Lookout for Vision。从明年开始，客户还将可以在 AWS Panorama Appliances 和其他 AWS Panorama 设备上运行 Amazon Lookout for Vision，从而可以在网络连接受限或无网络连接的环境中使用 Amazon Lookout for Vision。要了解有关 AmazonLookout for Vision 的更多信息，请访问https://aws.amazon.com/lookout-for-vision。

“工业和制造业客户需要持续应对来自股东、客户、政府和竞争对手的压力，要求他们降低成本，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，但是构建这些系统可能出错率高、复杂、耗时且昂贵，”负责亚马逊机器学习的 AWS 副总裁 SwamiSivasubramanian 说，“我们很高兴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、快速启动和运行，并将云和边缘相连，将助力工业客户打造未来智慧工厂。”

对于此，AWS 大中华区机器学习产品总监代闻在 2020 亚马逊 re:Invent Swami 主题演讲专场媒体沟通会中以一个铅笔厂作为例子，讲述了上述机器学习服务联合使用的工业场景。“制作铅笔是一个低利润而高压的过程。过程中首先需要很大的压缩机来生产铅笔，然后再用一个红颜色的上色器给铅笔上色，之后再补铅芯，最后还需要用特定的齿轮来削铅笔。

这个过程中，首先可以用 Lookout for Equipment，利用所有黄色的数值去建一个模型，当一个数值出现问题或者维度出现问题的时候就代表转速出现问题，于是会出现预警，通知工作人员处理。

第二，很多老的机械没有传感器，我们可以贴上 Monitron 对它的温度和振动进行建模和判断。

第三，铅出来以后，你总得判断铅笔是不是正常的铅笔，笔芯是不是在正中间，我们可以用 Lookout for Vision 分辨哪些铅笔是正常的，哪些是不正常的，只需上传 30 张铅笔的图像就可以获得基础模型，进而投产。

而刚才提到的 Panorama Appliance 可以用来监测整个生产线的状态，包括你旁边的货物。更进一步，Panorama Appliance 可以用监控整个厂区，比如你的货物已经剩 80%了，生产的效率是 65 箱每分钟等数据，都是可以看出来的。通过这个例子就可以完成整个的陈旧的铅笔生产过程的 AI 化。”代闻说到。

芬达乐器公司（Fender Musical Instruments Corporation）是吉他、贝斯、放大器和相关设备的全球领先制造商和标志性品牌。芬达基础设施全球总监 Bill Holmes 表示，“在过去的一年中，我们与 AWS 共同针对设备状态检查进行了很多努力，这是对成功的制造业务而言非常关键却容易被忽略的部分。对于全球制造商而言，维持设备正常运行时间是在全球市场上保持竞争力的唯一途径。由于设备故障的紧急性，计划外的停机会给生产和劳动力造成巨大的损失。Amazon Monitron 让大型工业制造商以及小型家族企业都能具备设备故障预测的能力，有机会抢先安排设备维修。”

斗山工程机械是全球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 Jaeyeon Cho 表示，“AI 在推进斗山下一代设备开发方面至关重要，因此我们正与 AWS 合作开发可利用自动化和可扩展机器学习的用例。很高兴继续与 AWS 合作，在我们的下一代 IoT 平台中利用 Amazon Lookout for Equipment。”

Amazon.com Middle Mile Production Technology 副总裁 Steve Armato 表示，“每个月有数百万辆卡车进入亚马逊工厂，因此使用自动化拖车装卸和停车的技术非常重要。Amazon’s Middle Mile Products & Technology (MMPT) 已开始使用 AWS Panorama 来识别车牌，自动加快驾驶员的出入手续，从而使这些车辆可以安全、快速地进入亚马逊站点，确保为客户提供更快的配送速度。”

BP 是一家全球性能源企业，为客户提供运输用燃料，热能和光能，润滑油以及用于制造油漆、服装、包装物等日常用品的石化产品。BP 在全球拥有 18,000 个服务站和 74,000 多名员工。BP 美国首席技术官 Grant Matthews 说：“我们位于 bpx 的工程团队正与 AWS 紧密合作，以构建一个物联网和云平台，助力 BP 持续提高运营效率。作为这项工作的一部分，我们也在探索通过计算机视觉辅助提高安全性和工作人员安全。我们希望利用计算机视觉实现卡车自动化进出工厂，确认它们已完成正确的订单。此外，我们还在监控人员距离、设置动态禁区和检测石油泄漏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。AWS Panorama 创新地实现了在单一硬件平台上以直观的用户体验提供所有这些解决方案。我们的团队非常高兴与 AWS 一起使用这项新技术，并期望解决许多新的用例。”

西门子交通为市内、城市间运输和货运提供智能高效的移动解决方案。“在过去的 160 年中，西门子交通在无缝、可持续和安全的运输解决方案领域持续处于领导地位。西门子 ITS 数字实验室负责将最新的数字技术带入交通行业，并处于向公共机构提供数据分析和 AI 解决方案的独特位置。”西门子交通 ITS 数字实验室创新经理 LauraSanchez 表示，“随着城市面临新的挑战，市政部门希望西门子交通帮助他们进行创新。城市想了解如何有效地管理资产并改善拥堵和直接交通。我们希望使用 AWS Panorama 将计算机视觉带入现有的安全摄像头中，以监控交通并智能分配路边空间，帮助城市优化停车和交通，改善居民的生活质量。”

GE 医疗是全球领先的医疗技术和数字解决方案的创新者，致力于开发、制造和分销诊断成像剂、放射性药物、CT 和 MRI 机器等医疗诊断设备、以及由其 Edison 数字医疗智能平台支持的智能设备。 “今天，我们通过人工检验医疗设备的质量。为了提升我们的品牌并为医疗保健专业人员提供值得信任的一流产品，我们很高兴能够通过 Amazon Lookout for Vision 探索以编程方式提高 GE 医疗日本工厂产品缺陷检测的速度、一致性和准确性的可能性，短期内还可能应用于全球其他区域的工厂中。”GE 医疗日本工厂经理、产线运营官和总经理 Kozaburo Fujimoto 说。