AWS专业技术服务概述

1、AWS专业技术服务概述赋能企业实现创新飞跃制造业客户面临的挑战创造新的收入来源改善OEE并优化生产优化供应链，减少库存保护生产和知识产权解放数据并揭示见解降低成本工人减员与培训制造业 主要工作负载市场推广和销售工程和设计制造运营供应链服务链业务运营需求 销售预测生产计划物流工程和设计客户支持制造分拨产品服务财务 人力采购数据驱动制造转型数字化转型对成本的影响物联网，人工智能和数字化通过优化交付， 质量和安全性，为容量增长和单位最低成本 创造了财务和竞争优势。数字化转型对安全保障的影响数据科学在传感器，边缘设备和连接系统的 输入上的应用为操作员，设施，设备和资产 提供了全面的健康，安全性和可靠性

2、。数字化转型对质量的影响传感器，连接的设备，智能系统和AI正在彻 底改变质量，材料报废，客户退还的整体质 量和维修成本。质量计划的重点正在从反应 转变为预测。数字化转型对交付的影响制造商需要与客户和供应商/ OEM进行实时 协作以开发真正的牵引系统。机器学习和AI 可以消除交付差异。预测性维护和指导性维修10%-30%减少计划外停机使用视频分析和无人机进行运营监控20%-80%减少可记录的安全事件外部预测质量10%-15%减少现场故障和保修成本供应链动态调度和数字化身10%-25%减少在制品，原材料和制成品动态调度和预测质量15%-40%提高劳动生产率和加班可穿戴设备20%-80%减少可记录的

3、安全事件10%-30%减少材料报废，材料过度使用和内 部故障内部预测质量15% - 40%车间动态调度能源和水效率5%-15%减少能源和水的消耗成本增强现实和机器人100%减少不安全或危险环境中的工人预测供应商质量25%-80%降低供应商质量和供应商错配物料流50%-100%消除运输罚款，加快运输和多批 次运输订单通过持续利用工业数据的价 值，制造商可以: 1将产品开发成本降低多达50%降低的运营成本多达25%毛利率提高1/31 数据来源: McKinsey Manufacturing Analytics Study客户看到的平均影响力 22 数据来源: Hitachi Consulting

4、Implementations制造/工艺优化设备预防/预测性维护设备即服务（MaaS）基于计算机视觉的质量控制数字孪生体自动化物料管理产品跟踪设备综合效率可视化智慧工厂核心场景各种各样的设备 (PLCs, SCADAs, RTUs)各种各样的协议无法扩展将OT从应用程序集成到设备中缺乏单一数据真相来源（孤岛）与OT接口不一致各种类似输出的系统可扩展性挑战0. 00%5. 00%10.00%15.00%20.00%25.00%30.00%35.00%NoneModbusDont KnowCANOPC-UAIndustrial Protocol (Ethernet/IP, ControlNet)P

5、rofibus, ProfinetKNXBACNetEtherCatIEC 60870, 61850OtherDNP3FOUNDATION fieldbusSercos各种多样的协议重复的繁重工作:设备连接边缘硬件认证IT OT集成和解决方案可扩展性跨移动设备等多种尺寸的数据可视化解决方案实施挑战Level 0Level 1-2Level 3Level 4企业应用系统 (ERP, CRM, PLM, and SCM)MES(不含过程执行控制部 分或类似功能)数字化工厂平台 (云端)AI人工智能报表HMI机器 1机器 2聚合连续数据采集控制l工厂级基础架构PLCPLC工厂级总线及以太网交换附加传

6、感器（视觉，压力，振动）Gateway(IIoT Agent)Digital FactoryPlatform (Edge)RFID Reader(IIoT Agent)Bar Code Reader(IIoT Agent)ControllerBLE Node (IIoT Agent)零配件工厂级总线及以太网交换工厂级总线及以太网交换物料机器人Additional Data Sources个人数字化工厂平台 (边缘)产品质量设备运营库存控制连接的工人能源优化生产进度物联网IoT平台大数据分析机器学习管理驾驶仓数据湖结构化数据时序化数据非结构化数据提供连续协议存储及转发边缘计算场景应用过程执行控制

7、智慧工厂平台建设层级图 2020, Amazon Web Services工厂站点业务数据中心本地现场AWS 云智慧工厂总体架构操作员/工厂经理/主管操作KPI仪表板（近实时）防火墙边缘网关 硬件 + 软件协议转换机器/设备/PLCInternet防火墙“热”数据源跨站点资产层次结构“冷/热”数据存储（数据湖）报警管理操作员/工厂经理/主管AWS 安全工厂经理/ BI工程师灵活的数据访问业务智能报告（内置的ML洞察）自助服务分析工业分析师/ 工厂经理机器学习数据科学家/ 数据工程师数据仓库历史数据企业数据(ERP, CRM, 3rd Party)Internet实时数据工厂站点本地现场AWS

8、云PLCAWS智慧工厂解决方案架构Amazon SNS操作员/ 生产主管报警管理操作员/ 生产主管操作指标仪表板Amazon ElasticSearch/KibanaInternet防火墙AWS IoT Core工业数据湖（“热/冷”数据）Amazon S3 (Silver/Gold)Amazon S3 (Raw)Amazon Kinesis Data FirehoseAWS Glue CrawlerAWS Glue Data catalog数据工程师/ BI 工程师Amazon QuickSightBI 报告 &自助服务分析业务数据中心AWS IoT Greengrass防火墙Amazon

9、Redshift数据仓库机器学习Amazon SageMakerAmazon Athena数据科学家/ 数据工程师Rule/ Lambda协 议 转 换 (Lambda; Kepware/KingIOServer)OPC-UA, Modbus企业数据(ERP, CRM, 3rd Party)历史数据AWS SnowballAWS DMS3rd Party connectorsAmazon API GatewayInternet实时数据资产层次结构监控跨站点资产和关键流程运营KPI仪表板例如监控和改善OEE警报和通知例如监控关键条件的阈值BI报告和内置的ML见解历史趋势，合规报告，预测数据访问大

10、众化洞察力，深入研究，根本原因分析数字创新的第一步打下构建摩天大楼的坚实基础SELF-SER VE解放数据 和揭示见解运营工程师产业 分析师工厂经理/主管客户的业务收益客户的技术收益现场到云端的安 全连接边缘网关协议转化连接收集和组织设备/PLC的流数据历史数据资产和关键流程的资 产层次结构数据存储和处理时间序列“热”数据“暖/冷”数据（数据 湖）流分析（要计算的 关键指标）数据消费运营KPI仪表板（OEE）警报和通知BI报告（内置的ML见解）灵活访问（SQL和API）高级分析就绪（ML，DWH）可重复的自动进行大规模 快速部署AWS Well Architect内置可扩展，安全和可扩展的参考

11、体系结构具有成本效益（无服务器，暂时性，按使用付费）数据科学家数据/BI 工程师架构师部门 / 工厂级别视图企业范围内的跨部 门/工厂视图部门 / 工厂OT数据质量数据库存数据运输数据标准仪表板 OEE，事件趋势/通知，资产模型，状态监测框架资产优化/停机时间/ EOL预测数据平台-愿景所有工厂的概述（平均OEE， 制造的产品数量，质量）互联供应链容量利用率智能采购客户愿景客户需求与痛点:在生产过程中，每卷钢板最终可能会出现各种缺陷（如锈皮、划痕 异物等）。使用传统系统对部分缺陷进行错误标注，因此需要熟练的检验员人工识别不同的缺陷类型。需求：1）准确识别缺陷类型 2） 最大限度地减少完成缺陷根

12、本原因分析所需的时间。钢卷轧制过程经历很多工序，钢卷凿痕不能及时发现， 并纠正故障原因，进入下一工序造成整卷的缺陷瑕疵。客户背景:福建福欣特殊钢有限公司是福建省级重点项目，由台塑集团投资建设， 是漳州市在建的4个百亿项目之一。计划总投资22亿美元，引进国际最先进的技术设备，生产400、300系列高纯度不锈钢热轧板卷和冷轧板卷，热轧板最薄可达1.2毫米，冷轧板最薄可达0.2毫米，将建成国际一流的 不锈钢生产基地。亚马逊专业服务一些AWS全球ML专家和台塑专家一起致力于定义特殊的ML图像算法，以克服由于图像噪声（即水痕、反射等）而遇到的检 测精度障碍。“”我们决定探索机器学习，以实现更准确的缺陷检

13、测，并降低人工成本，我们将AWS作为首选的云提供商来帮助我们实现这一目标。AWS ML解决方案实验室与我们合作完成了整个过程的每一步，从定义业务用例 的发现研讨会，到构建和选择合适的 ML 模型，再到实际部署。使用 Amazon SageMaker，机器学习解决方案将我们员工做人工检查的时 间减少了一半。在AWS ML解决方案实验室的帮助下，我们现在能够随 着条件的变化，自行优化SageMaker模型项目交付物:AWS专业服务创建了一个基于Amazon SageMaker构建的图像识别 ML解决方案，以1）自动识别缺陷位置，2）准确分类缺陷类型。使用使用机器深度学习从热轧产线资料进行凿痕缺陷预

14、测，提前4天 在热轧段制程即预测出凿痕，对同排程其余钢卷轧制参数设定进行 调整，可以减少凿痕钢卷约61%实施成果：缺陷分类的准确性和效率上都有显著提升。AWS的ML解决方案通过 按可信度自动组织缺陷分类，实现了24/7实时检测。 检查员可以 跳过高可信度的结果，只检查低可信度的结果。随着模型的不断改进，该解决方案使台塑能够自动扩展其ML模型，以在任何时候覆盖更多的缺陷类型。成功进行凿痕缺陷预测地将现有的5凿痕缺陷降低到0.02案例研究：台塑福欣钢铁利用机器学习技术检测热轧钢 制造瑕疵 2020, Amazon Web Services, Inc. or its affiliates. All

15、rights reserved.热轧钢卷表面缺陷检测现场作业流程加热炉初轧机精轧机现场测量站下表檢儀上表檢儀Step1-上(下)表检测仪器拍照Step2-板卡电脑初步检出Step3-缺陷分类（检测服务器）Step4-影像存储(数据服务器)Data server传 输 延 迟 约 12分 钟AWS开发的AI模型图片自动同步增设工作站电脑部署本次AI项目改造范围：执行预测：以钢卷批次预测影像类别，并呈现于 模型平台网页，可 供检验人员复判， 持续优化模型AWS云端模 型执行平台Company:Industry: Country:Employees: Website:案例研究： D-Link利用视频

16、检测ML算法来识 别人员轨迹D-Link正在寻找一个机会，向客户 提供新的、创新的服务，作为其现 有视频监控系统的一部分。如何快速、准确地识别和跟踪同一 区域内多个摄像头下的人员移动成 为D-Link希望开发的功能D-Link 希望能够获得相关的识别算 法并应用到其产品中使用Amazon Sage Maker，AWS 团队开发了一个图像识别模型，该 模型搜索视频提要：1)定位相关对 象；2)重新识别人员。包含相关对象或人员的图像和要扫 描的视频将作为定制识别模型的输 入，然后该模型将验证提交图像中 的同一对象或人员是否出现在任何 视频提要中。D-Link客户可以在多个场景中应用 此ML模型。例

17、如，用户可能会打开他们的现场 视频流，看到一个可疑的人四处游 荡。 然后，用户可以点击视频中 的人，并选择“搜索对象”，看看同 一人是否在一天的其他时间在其他 区域游荡。 如果有必要，用户可 以联系警方。挑战方案优势D-Link是一家跨国网络设备制造公司， 专门为消费者、企业和服务提供商设计 和开发Wi-Fi路由器、IP摄像机、智能家 居设备和交换机等产品。 D-Link提供了 集成交换、无线、宽带、IP监视和基于云 的网络管理的网络解决方案。我们专注于为客户提供最聪明、最创新的产品和服务。 AWS机器学习为我们提供了新的视角和 方法来实现这一点。”D-Link International P

18、te Ltd网络设备制造台湾, ROC 2,000+PUBLIC REFERENCE问题描述利用多个监控摄像头跟踪同一个人的运动轨迹querygallery人物重识别 (ReID)开发 ReID 的处理工作流总览第一步: 检测行人第二步: 提取特征并进行匹配都基于深度学习（DL）算法进行特征提取器 (CNN)特征提取器(CNN)特征相似度计算特征向量特征向量S3AI/MLFeature vectorDevicesFeature vectorSearch requestAPI GatewaySimilarity comparisonVideo streamSearch results视频识别检测

19、ML算法云上架构图二百年以来，太古集团秉持精益求精 的原则，并凭着洞悉先机的睿智，现 已发展为一个高度多元化的商业集团， 业务覆盖地产，航空，饮料及食物链， 海洋服务，贸易及实业。旗下的太古 可口可乐，拥有在中国大陆11个省份 和上海，香港，台湾、以及美国西部 广泛地区制造，推广和经销可口可乐 公司产品的专营权，专营区域覆盖 7.28亿人口。太古可口可乐所属行业:制造业当前挑战解决方案客户收益高竞争、高变化、高复杂的业 务特点要求企业必须尽快应用 新技术实现数字化转型全部IT系统迁移上AWS云，在云上 进行容灾演练并且实现持续优化 和自动化能够快速的响应业务需求资源可以灵活扩充和调配成本核算更

20、清晰通过使用AWS一次性全面上云，让我们可以将IT系统的直接服务对象从上万名业务代表，向数百万客户拓展，甚至向数亿级消费者延展， 实现数字化转型。李轲太古可口可乐有限公司 云服务与运作总监案例研究：太古饮料供应链管理“”Landing ZoneSecurity & ComplianceSkills/CCoEOperation ModelAll-in MigrationDiscoverDesignBuildIntegrateCutoverValidateOperatingModel项目收益淄博热力有限公司是一家有着30年供热历史的全资 国有供热企业，注册资金6678万元，拥有总资产 11.2亿元

21、，主业员工368名，下设5个供热分公司，1个工业余热供热分公司，1个热网运营公司，2个 全资子公司，1个控股子公司，供热管网主干线总 长度突破600公里，供热面积达1500多万平方米， 供热区域覆盖淄博中心城区。公司牵头成立“山东家家暖新能源有限公司”，专业 从事清洁能源供热综合开发利用，推进清洁能源替 代，推动能源消费结构改革。能源浪费基于运行人员的经验粗略 预估每个供热机组的热需， 并进行低频率地调控，通 常导致过多地能源消耗及 运营成本的增加用户投诉另一方面，由于室外气温 骤降而带来的供暖不足， 又导致了大量用户投诉通过精准的供温预测和更加 主动的调温策略，帮助客户 降低能耗通过足量的供温预测和供给， 逐步降低未来寒流导致的客 户投诉自动化部署有效降低运行人 员工作负荷ML模型在智慧供热生态系 统中起到重