AWS云计算平台助力制造业企业转型创新

1、云载未来成就所托AWS云计算平台助力制造业企业转型创新AWS 中国 (宁夏) 区域云服务运营方北京宁夏香港中国是继美国之后首个拥有三个AWS区域的国家 AWS中国（宁夏）区域（由西云数据运营）、 AWS中国（北京）区域（由光环新网运营）、 AWS亚太地区（香港）区域165 项功能全面的服务APN合作伙伴全球21个区域，66个可用区， 187个节点数百万活跃客户AWS全力支持中国的“一带一路”建设云计算助力企业数字化转型敏捷数据驱动决策创新的业务模式IT基础设施优化智能工厂智能产品和服务损失的机 会基础设施成本$时间大量的投资成 本节省成本员工效率业务敏捷运营弹性什么概念?新产品的发布比之前快

2、了75%关键的工作负载运行在多 个可用区和区域上，以实 现可靠的灾难备份降低了50%以上的成 本每年节省了超过500小时 的服务器配置时间客户案例通过移动到云端节省基础 设施成本通过逐个任务完成功能来 提高效率有利于改进SLA并减少意 外中断新功能/应用的开发，部署 更快，错误更少常规的 价值更重要的 优势IT基础设施优化存储技术非常复杂，我们不断突破物理和工程的极限，以提供下一代产能和技术创新。与 AWS 的这次成功合作展示了基于云的 HPC 的超大规模、强大能力和高度敏捷性，可帮助我们运行复杂的模拟，为未来的存储架构分析和材料科学探索提供支持。通过使用 AWS 轻松将模拟时间从 20 天缩

3、短到 8 小时，研发团队能以不久之前还不可想象的速度探索新的设计和创新。“”客户案例高性能计算助力加速设计仿真过程挑战：某存储设备制造商通过仿真，模拟其新一代硬盘驱动器（HDD)即将采用的磁头的材料、能 级和转速的数百万种组合，以可实现最高的密度和最快的读写速度。方案：使用AWS CloudFormation模板启动Grid Engine和集群，仿真任务从Amazon S3读取数据 并向其中写入数据，利用Amazon S3存储海量数据以及处理任何可能出现的请求速率的能 力。基于Redis的跟踪，能够在实例可用时立即开始将任务分派给实例。结果：该集群在1小时32分钟内扩展到 100万个vCPU，

4、并全速运行了6个小时 仿真时间从20天缩短到8小时，费用是在内部集群上运行时费用的一半。更快获得结果的能力使他们能够制定出更好的决策，并让他们比以往更快地将新产品推向 市场。客户案例某造纸企业SAP HANA云端部署背景：该企业计划实施“互联网+转型”战略，打造包装行业的B2B电商平台， 并且与现有的ERP系统相连接，形成设计、生产、销售、服务的完整信息系统。在此之前，已经拥有一定规模的自建机房，并且将SAP ERP系统部署在自有服务器上。 挑战：在项目起始阶段很难量化业务增长状况，如果扩展现有机房规模， 不仅需要巨大的前期投入，而且也缺少灵活性，无法满足业务发展 的需求。欲采用SAP S/4

5、 HANA系统，服务器配置要求很高，大部分IDC服务 商又要求签署长期合同，不仅导致前期成本上升，而且扩展不灵活。结果：部署效率大幅度提升。整个系统的部署仅用了15天。当业务扩展时， 只需要点击鼠标，进行简单的系统配置，即可快速部署新系统，实 现了即开即用利用AWS虚拟私有网络功能，可以非常方便地实现安全管理按订单生产提高质量/ 良率减少非计划停机时间提高设备利用率提高产量和吞吐量降低所有环节的库存未开发的数据商业洞察智能工厂智能工厂实现了从传统的自动化向完全互联 的和灵活的系统的飞跃 ，这个系统可以使用 来自互联的运营和生产系统的数据流来学习 和适应新的需求工业数据湖运营 (OT)企业 (I

6、T)IT 系统CRM资产管理ERP供应链财务维护合规SCADA,DCS等不同的工业协议0010101110011000001011111011010001111001011001010001100001010011000010010101111011100101010011000010010101101011111011010001111001011100001010011000010010110100011AWS上的数据湖机器学习分析运行不同类型的分析 - 从可视化到 大数据处理，实时分析和机器学习， 以指导更好的决策。工业物联网数据迁移服务存储所有影响制造流程的结构化和 非结构化数据，具有

7、任意收缩的弹 性能力利用物联网技术，消除传 统的信息孤岛和IT/OT的 层层壁垒。轻松，经济的 将数据链接起来工业大数据分析应用场景生产分析，能耗分析，工艺优化在满足要求的基础上，提供工艺流程 所需要的信息、性能指标及预测.记录和输入生产线所必要的状态和工 艺流程数据确定设备的质量，性能和成本指标， 从单个设备到整线.识别薄弱点,提供适当的措施允许不同的时间段和过程, 各班次和 团队可以对他们的效率，消耗和遵守约定的事件做对比利用每个关键设备的独有数据和特性为其构建模型采用Amazon SageMaker 线性学习器来实现二元分 类（机器在未来一段时间是否会出现故障）或者回 归学习算法（预计发

8、生故障时间）执行本地推理节省数据传输成本机器学习应用场景预测性维护应用案例油气操作员通过预测采油系统故障降低停机时间挑战螺杆泵的平均失效前时间MTTF不到1年，导致$125k的平 均维修成本和1个月左右的停产时间.解决方案构建生产数据湖，与SCADA系统相集成。开发Amazon Sagemaker机器学习模型来检测用来预测故障的14个关键 传感器数据。可以提前2周主动的发出预警以便于用户提 前安排维修计划，准确率达到98%.结果降低非计划停机时间，提高达产能力降低维护成本可以重复利用学习模型来预测电潜泵故障在迁移学习模式下训练Amazon SageMaker 图像分 类模型以识别缺陷部件，部署

9、在边缘AWS IoT Greengrass上运行在AWS IoT Greengrass上的AWS Lambda在识 别出缺陷部件时会发出一个报警信息缺陷检 测模型部件机器学习应用场景基于计算机视觉的质量检测应用案例发动机装配质检：通过计算机视觉技术，检测发动 机组装过程中正时点是否对齐， 活塞挡圈、垫片、拨叉等是否漏 装，保证产品组装的一致性。汽车内饰件电镀后表面缺陷检 测：通过计算机视觉技术，检测高反 光、形状不规则的电镀件表面是 否存在沙点、凹点、刮伤、漏镀、 杂质、麻点等缺陷，替代人工质 检，实现降本增效。传统上采用历史数据（时序数据）预测未来的需求和计划 库存，很难为具有不规则趋势的大

10、型数据集生成准确的预 测结果，也无法将随时间变化的数据与相关的独立变量结 合起来。Amazon SageMaker DeepAR是一种监督学习算法用于采 用递归神经网络做库存预计，Amazon Forecast则作为一 项完全托管服务，利用机器学习将时间序列数据与其它变 量相结合，以获得预测结果。机器学习应用场景需求预测和库存管理“CJ Logistics 已经将 Amazon Forecast 应用于包裹数量预测流程，以优化我们为满足需求而提供的人力资源、运输和仓库空间。有了 Amazon Forecast，我们可以利用复杂的机器学习预测技术，无 需构建我们自己的系统。展望未来，我们有一个明

11、确的愿景，就是 通过使用 Amazon Forecast 来提高我们的运营效率。” 某公司战略部副总裁“我们一直在使用 Amazon Forecast 来预测 50000 多种不同产品的 需求，使用 Amazon Forecast 最先进的、随时可用的深度学习算 法。Amazon Forecast 负责处理所有繁重工作，包括设置管道、安 排重新培训和重新生成预测等，这让我们可以非常轻松地试验数百 种模型。” 某公司分析主管应用案例什么是智能产品和智能服务实现产品/设备数据的端到端连接在制造企业与用户之间建立共享的数据和业务模式利用边缘/云的计算处理和分析技术来实现流程优化 或更好的客户体验商业

12、价值新的服务和业务模式，机器即服务（machine-as-a-service）产品得以持续改进更紧密的客户关系预测性维护，提升使用效率智能产品和智能服务LoRa GatewayCustomerNotification serviceAWS CloudBusiness LogicData Lake & AnalyticsRaw dataAlarmLubricator ManufacturingGateway Manufacturing客户案例：智能润滑系统36的轴承过早失效由润滑不良造成但正确的润滑解决方案能创造新的机会，提高运行时 间和生产力。 除了有助于减少轴承过早失效和停机 时间以外，正确润滑还可以提高能源效率。客户价值:实时搜集润滑油脂水平实时报警信息分析远程调整润滑剂