張楠

機器學(xué)習(xí)是制造業(yè)轉(zhuǎn)型的核心。從技術(shù)上看，它是人工智能的一個分支，是為了創(chuàng)建可以從經(jīng)驗中學(xué)習(xí)的計算機程序，實際上，通過結(jié)合不同類型的算法，機器學(xué)習(xí)將重塑制造業(yè)。

在新基建浪潮引領(lǐng)下，工業(yè)互聯(lián)網(wǎng)蓬勃發(fā)展。工業(yè)互聯(lián)網(wǎng)的本質(zhì)是通過開放的、全球化的工業(yè)級網(wǎng)絡(luò)平臺把設(shè)備、生產(chǎn)線、工廠、供應(yīng)商、產(chǎn)品、客戶緊密地連接和融合起來，高效共享工業(yè)經(jīng)濟中的各種要素資源，從而通過自動化、智能化的生產(chǎn)方式降低成本、增加效率，幫助制造業(yè)企業(yè)延長產(chǎn)業(yè)鏈，推動制造業(yè)企業(yè)轉(zhuǎn)型發(fā)展。

在工業(yè)互聯(lián)網(wǎng)的發(fā)展歷程中，一個無法回避的核心就是人工智能技術(shù)。從技術(shù)體系的角度來看，AI是工業(yè)領(lǐng)域自動化、數(shù)字化、智能化的必要支撐，也是大數(shù)據(jù)、云計算、物聯(lián)網(wǎng)等諸多技術(shù)的最終訴求。人工智能不僅能夠促進產(chǎn)業(yè)領(lǐng)域的效率提升，還能促進產(chǎn)業(yè)領(lǐng)域崗位升級，提高傳統(tǒng)工作的附加值。

當(dāng)下的人工智能不再依靠20世紀(jì)50年代至80年代的符號知識表示和程序推理機制，無論是傳統(tǒng)的基于數(shù)學(xué)的機器學(xué)習(xí)模型或決策樹，還是深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)架構(gòu)，如今的AI應(yīng)用程序主要是基于機器學(xué)習(xí)技術(shù)之上的。亞馬遜云服務(wù)（AWS）聚焦于機器學(xué)習(xí)領(lǐng)域，致力于協(xié)助工業(yè)和制造企業(yè)將機器學(xué)習(xí)功能添加到如制造設(shè)施、配送中心、食品加工廠等工業(yè)環(huán)境當(dāng)中。

“AWS在2016年一共發(fā)布了3項機器學(xué)習(xí)功能，而到了2020年，AWS已經(jīng)為用戶提供了250多項機器學(xué)習(xí)功能?！盇WS大中華區(qū)云服務(wù)產(chǎn)品管理總經(jīng)理顧凡說，“最初的機器學(xué)習(xí)功能是簡單的數(shù)據(jù)收集、分析，協(xié)助客戶預(yù)測結(jié)果，而如今，我們已經(jīng)建立了一個易于使用、全集成、全托管的機器學(xué)習(xí)平臺—Amazon SageMaker，并持續(xù)不斷進行迭代?！?/p>

在AWS舉辦的年度盛會AWS re：Invent上，AWS圍繞著Amazon SageMaker機器學(xué)習(xí)平臺，發(fā)布了五大用于工業(yè)領(lǐng)域的機器學(xué)習(xí)服務(wù)—Amazon Monitron、Amazon Lookout for Equipment、AWS Panorama Appliance、AWS Panorama SDK和Amazon Lookout for Vision。這五項全新的機器學(xué)習(xí)服務(wù)旨在幫助工業(yè)和制造業(yè)客戶在其生產(chǎn)過程中嵌入智能能力，以提高運營效率，改善質(zhì)量控制、信息安全和工作場所安全。

“工業(yè)和制造業(yè)客戶需要持續(xù)應(yīng)對來自競爭對手的壓力，他們需要降低成本、提高質(zhì)量、保持合規(guī)性。這些企業(yè)希望利用云和機器學(xué)習(xí)來實現(xiàn)流程自動化并增強整個運營流程中的人員能力，但是構(gòu)建這些系統(tǒng)錯誤率較高、復(fù)雜、耗時且昂貴?！盇WS全球機器學(xué)習(xí)副總裁Swami Sivasubramanian說，“我們?yōu)榭蛻魩砦屙椺槍I(yè)用途的全新機器學(xué)習(xí)服務(wù)，這些服務(wù)易于安裝、部署、啟動、運行，將云和邊緣相連，助力工業(yè)客戶打造智慧工廠?！?/p>

未雨綢繆，AWS助力設(shè)備維護

工業(yè)和制造企業(yè)設(shè)備的持續(xù)維護過程亟須變革。過去大多數(shù)設(shè)備維護都是被動的、預(yù)防性的。被動維護可能會損失大量成本，導(dǎo)致長時間的停機，而頻繁的預(yù)防性維護則成本過高，但不夠頻繁則無法防止故障。預(yù)測性維護作為一種更有前景的解決方案，需要雇傭熟練的技術(shù)人員和數(shù)據(jù)科學(xué)家，構(gòu)建復(fù)雜的解決方案，同時需要針對用例識別、購買正確類型的傳感器，并將它們與IoT網(wǎng)關(guān)連接在一起。企業(yè)還必須測試監(jiān)測系統(tǒng)，并將數(shù)據(jù)傳輸?shù)奖镜鼗蛟粕线M行處理。經(jīng)過這些流程，數(shù)據(jù)科學(xué)家才能構(gòu)建機器學(xué)習(xí)模型，分析數(shù)據(jù)模式和異常情況，在檢測到異常時創(chuàng)建警報系統(tǒng)。

一些企業(yè)已經(jīng)在設(shè)備和必要的基礎(chǔ)設(shè)施上安裝傳感器，在數(shù)據(jù)連接、存儲、分析和警報方面進行了大量投資，然而，這些企業(yè)通常停留在使用初級數(shù)據(jù)分析和建模方法的階段，與高級機器學(xué)習(xí)模型相比，這些方法昂貴且無法有效地檢測異常情況。大部分企業(yè)依然缺乏專業(yè)知識和人員來構(gòu)建完善的機器學(xué)習(xí)模型，無法進行高度準(zhǔn)確的預(yù)測性維護。這導(dǎo)致很少有企業(yè)能夠成功實施預(yù)測性維護，即使少數(shù)能完成預(yù)測性維護的企業(yè)也希望讓這些投資進一步發(fā)揮作用，減輕維護解決方案的負(fù)擔(dān)。

對于未建立傳感器網(wǎng)絡(luò)的客戶，Amazon Monitron提供由傳感器、網(wǎng)關(guān)和機器學(xué)習(xí)服務(wù)組成的端到端機器監(jiān)控系統(tǒng)，以檢測異常并預(yù)測何時需要維護工業(yè)設(shè)備。Amazon Monitron幫助客戶免去了從頭開始構(gòu)建先進的、由機器學(xué)習(xí)驅(qū)動的預(yù)測性維護系統(tǒng)的高成本需求和復(fù)雜性，使他們能夠?qū)Ｗ⒂谄浜诵闹圃?、供?yīng)鏈和運營功能。Amazon Monitron根據(jù)振動或溫度的異常波動來檢測機器是否正常運行，并在可能出現(xiàn)故障時，通知客戶檢查機器以確定是否需要預(yù)測性維護。這一端到端的系統(tǒng)提供了用于捕獲振動和溫度數(shù)據(jù)的IoT傳感器、用于將數(shù)據(jù)聚合傳輸?shù)紸WS的網(wǎng)關(guān)，以及用于檢測異常設(shè)備模式并在數(shù)分鐘內(nèi)提供結(jié)果的機器學(xué)習(xí)云服務(wù)，而無需客戶具備任何機器學(xué)習(xí)或云經(jīng)驗。借助Amazon Monitron，機器維護人員無需任何開發(fā)工作或?qū)I(yè)培訓(xùn)經(jīng)驗就可以在數(shù)小時內(nèi)開始跟蹤機器的運行狀況。Amazon Monitron可在軸承、電機、泵、傳送帶與各種工業(yè)和制造領(lǐng)域的旋轉(zhuǎn)設(shè)備上使用，其典型應(yīng)用場景包括數(shù)據(jù)中心冷卻風(fēng)扇或水泵等關(guān)鍵機器的監(jiān)測和大量安裝在具有生產(chǎn)和運輸系統(tǒng)的制造工廠中。此外，Amazon Monitron還提供移動應(yīng)用程序，幫助維護技術(shù)人員實時監(jiān)控設(shè)備行為。他們可以通過這個移動應(yīng)用程序收到不同機器上異常設(shè)備狀況的警報，確認(rèn)機器的運行狀況，并決定是否需要安排維護。

對于已經(jīng)擁有傳感器但不希望自己構(gòu)建機器學(xué)習(xí)模型的客戶，客戶可以通過Amazon Lookout for Equipment將傳感器數(shù)據(jù)發(fā)送到AWS，由AWS為其構(gòu)建模型并返回預(yù)測結(jié)果，從而檢測異常設(shè)備行為?？蛻魧⑵鋫鞲衅鲾?shù)據(jù)上傳至Amazon Simple Storage Service （S3），并將S3位置提供給Amazon Lookout for Equipment。Amazon Lookout for Equipment也可以從AWS IoT SiteWise提取數(shù)據(jù)，并與OSIsoft等其他流行的機器操作系統(tǒng)無縫協(xié)作。Amazon Lookout for Equipment能夠?qū)@些數(shù)據(jù)進行分析，評估正?；蚪】档哪Ｊ剑倮脧乃杏?xùn)練數(shù)據(jù)中得到的洞察，構(gòu)建為客戶環(huán)境定制的模型。Amazon Lookout for Equipment可以使用機器學(xué)習(xí)模型來分析傳入的傳感器數(shù)據(jù)并識別機器故障的預(yù)警信號，協(xié)助客戶進行預(yù)測性維護，通過防止工業(yè)系統(tǒng)生產(chǎn)線崩潰來節(jié)省成本、提高生產(chǎn)率。

運籌帷幄，AWS賦能設(shè)備監(jiān)測

許多工業(yè)和制造業(yè)企業(yè)希望在其設(shè)施和設(shè)備中，使用計算機視覺技術(shù)，自動執(zhí)行監(jiān)測或視覺檢查任務(wù)，實時做出決策。當(dāng)下工業(yè)和制造業(yè)企業(yè)使用的監(jiān)測手段普遍是手動的，容易出錯且難以擴展?？蛻艨梢栽谠浦袠?gòu)建計算機視覺模型來實時監(jiān)視、分析，但工業(yè)設(shè)施和流程通常位于偏遠(yuǎn)和孤立的位置，網(wǎng)路連接較慢且昂貴。尤其對于涉及零件、安全監(jiān)控等人工審核的工業(yè)流程，在云中構(gòu)建計算機視覺模型更加困難。如某個高吞吐量的生產(chǎn)線上出現(xiàn)質(zhì)量問題，客戶希望能夠?qū)崿F(xiàn)立即預(yù)警，因為問題存在時間越長，解決問題的成本就越高。這種類型的監(jiān)控視頻可以通過計算機視覺技術(shù)實現(xiàn)在云中自動處理，但是這些視頻帶寬高、上傳速度慢。因此，客戶只能實時進行視頻監(jiān)控，但這一方式操作難度高、易出錯并且成本高。有些用戶希望使用具有足夠處理能力的智能相機來運行實時監(jiān)控的模型，這些模型往往不具備高準(zhǔn)確性、低延遲的性能。大多數(shù)客戶最終會運行一些簡單的模型，但這些模型無法編程為可以集成到工業(yè)機器中的自定義代碼。

AWS Panorama Appliance提供了一種新的硬件設(shè)備，使組織可以將計算機視覺添加到客戶可能已經(jīng)部署在本地的攝像機中?？蛻羰紫葘WS Panorama Appliance連接到他們的網(wǎng)絡(luò)，這一設(shè)備會自動識別攝像頭數(shù)據(jù)流并開始與現(xiàn)有的工業(yè)攝像頭進行交互。AWS Panorama Appliance可集成于那些用于構(gòu)建自定義機器學(xué)習(xí)模型或獲取視頻，進行更精細(xì)分析的AWS機器學(xué)習(xí)服務(wù)和IoT服務(wù)。AWS Panorama Appliance將AWS機器學(xué)習(xí)能力擴展到邊緣，幫助客戶在沒有網(wǎng)絡(luò)連接的情況下進行本地預(yù)測。每個AWS Panorama Appliance都可以在多個攝像頭產(chǎn)生的數(shù)據(jù)流上并行運行計算機視覺模型，使質(zhì)量控制、零件識別、工作場所安全的用例成為可能。AWS Panorama Appliance還可以和適用于零售、制造、建筑和其他行業(yè)的計算機視覺模型一起使用。此外，客戶使用Amazon SageMaker自主開發(fā)的計算機視覺模型也可以部署在AWS Panorama Appliance上。

AWS Panorama軟件開發(fā)套件（SDK）幫助硬件供應(yīng)商開發(fā)可在邊緣有效運行計算機視覺模型的新型攝像頭。使用AWS Panorama SDK構(gòu)建的攝像頭可在多種用例中運行計算機視覺模型，例如檢測快速移動的傳送帶上的損壞部件或定位那些脫離指定工作區(qū)域的器械等。通過使用AWS Panorama SDK，制造商可以開發(fā)自帶計算機視覺模型的相機，從而處理更高分辨率的高質(zhì)量視頻，盡早發(fā)現(xiàn)問題。企業(yè)還可以在低成本設(shè)備上構(gòu)建更復(fù)雜的模型，這些設(shè)備可以通過以太網(wǎng)供電并放置在站點周圍。用戶同樣可在Amazon SageMaker中訓(xùn)練模型，并將其迅速部署到使用AWS Panorama SDK構(gòu)建的攝像機上。用戶還可以將Lambda功能添加到使用AWS Panorama SDK構(gòu)建的攝像頭中，以通過文本或電子郵件提醒潛在問題。此外，AWS還提供用于PPE檢測、保持人員距離等任務(wù)的預(yù)構(gòu)建模型，工業(yè)和制造業(yè)企業(yè)可以在幾分鐘內(nèi)部署這些模型，無需進行任何預(yù)先的機器學(xué)習(xí)工作。

朝督暮責(zé)，AWS助推產(chǎn)品管控

工業(yè)企業(yè)必須不斷努力保持產(chǎn)品的質(zhì)量。僅在制造業(yè)中，由于忽略細(xì)微錯誤而導(dǎo)致的生產(chǎn)線停產(chǎn)每年可能導(dǎo)致數(shù)百萬美元的損失。工業(yè)流程中的外觀檢查通常需要人工操作，這可能導(dǎo)致成本較高、沒有統(tǒng)一標(biāo)準(zhǔn)等問題。制造業(yè)用戶們非常希望將計算機視覺部署到攝像頭中，以整體把控產(chǎn)品的質(zhì)量。雖然計算機視覺技術(shù)可以保證識別外觀缺陷的速度和準(zhǔn)確性，但實施過程非常復(fù)雜，需要數(shù)據(jù)科學(xué)家團隊來構(gòu)建、部署和管理機器學(xué)習(xí)模型。由于這些局限性，由機器學(xué)習(xí)支持的視覺異常系統(tǒng)對絕大多數(shù)企業(yè)而言仍然遙不可及。

Amazon Lookout for Vision提供了一種高精度、低成本的異常檢測解決方案，客戶可以通過機器學(xué)習(xí)技術(shù)，每小時處理數(shù)千張圖像發(fā)現(xiàn)產(chǎn)品的缺陷和異常，如機器部件的裂紋、面板上的凹痕、不規(guī)則形狀或產(chǎn)品上的顏色錯誤等。客戶將攝像頭圖像批量、實時地發(fā)送到Amazon Lookout for Vision后，Amazon Lookout for Vision報告與基線不同的圖像，以便客戶采取適當(dāng)?shù)拇胧?。Amazon Lookout for Vision可以通過至少30張“良好”狀態(tài)的圖像，建立基線，準(zhǔn)確、一致地評估機械零件或制成品，處理因工作環(huán)境變化而引起的相機角度、方位和照明方面的差異。Amazon Lookout for Vision也可以在Amazon Panorama設(shè)備上運行。未來，客戶將可以在AWS Panorama Appliances和其他AWS Panorama設(shè)備上運行Amazon Lookout for Vision，在網(wǎng)絡(luò)連接受限或無網(wǎng)絡(luò)連接的環(huán)境中使用Amazon Lookout for Vision。

技術(shù)的快速革新推動了制造業(yè)的轉(zhuǎn)型，轉(zhuǎn)型的最終目的是使企業(yè)“產(chǎn)量更高、成本更低、操作更可靠”。機器學(xué)習(xí)是制造業(yè)轉(zhuǎn)型的核心。從技術(shù)上看，它是人工智能的一個分支，是為了創(chuàng)建可以從經(jīng)驗中學(xué)習(xí)的計算機程序，實際上，通過結(jié)合不同類型的算法，機器學(xué)習(xí)將重塑制造業(yè)。“我們致力于在機器學(xué)習(xí)領(lǐng)域構(gòu)建框架、提升算力，希望為制造企業(yè)搭建完善的機器學(xué)習(xí)基礎(chǔ)，為技術(shù)人員尋找捷徑?！盇WS大中華區(qū)云服務(wù)產(chǎn)品管理總經(jīng)理顧凡說，“為此，我們將會推出更多的機器學(xué)習(xí)工具，將制造流程中的各環(huán)節(jié)連接起來，進一步推動工業(yè)領(lǐng)域的智能化。”