新功能 — Amazon 监控设备分析传感器数据以帮助检测设备故障

工业设备运维公司一直在努力提高运维效率，避免因组件故障导致的意外停机。多年来，他们在物理传感器（标签）、数据连接、数据存储和构建控制面板等方面进行了大量、反复的投资，以监控设备状况并获得实时警报。主要数据分析方法包括单变量阈值和基于物理的建模方法，尽管这些方法可以有效检测特定的故障类型和操作条件，但往往会漏掉通过推导每台设备的多变量关系而检测到的重要信息。

随着机器学习的发展，出现了更强大的技术，它们可以提供从设备的历史数据中学习的数据驱动型模型。然而，由于资本投资和工程师培训，因此实施这种机器学习解决方案既耗时又昂贵。

今天，我们很高兴宣布推出 Amazon Lookout for Equipment，这是一项基于 API 的机器学习 (ML) 服务，可以检测设备的异常行为。借助 Lookout for Equipment，客户可以引入工业设备生成的历史时间序列数据和过去的维护事件，工业设备可以从每个模型的传感器和执行器等组件中获取多达 300 个数据标签。Lookout for Equipment 会自动测试可能的组合，并构建最佳机器学习模型来学习设备的正常行为。工程师不需要机器学习专业知识即可轻松部署模型以在云端进行实时处理。

然后，客户可以轻松执行 ML 推理以检测设备的异常行为。可以将结果集成到现有的监控软件或 AWS IoT SiteWise Monitor 中，以可视化实时输出或在资产可能出现异常情况时接收警报。

了解设备的工作原理
Lookout for Equipment 直接从 Amazon S3 存储桶读取数据。客户可以在 S3 中发布其工业数据，并利用 Lookout for Equipment 进行模型开发。用户确定用于训练的值或时间段，并分配适当的标签。获得这些信息后，Lookout for Equipment 将启动一项任务，以学习并为每个客户创建最佳 ML 模型。

由于 Lookout for Equipment 是一种自动化的机器学习工具，因此随着用户使用 Lookout for Equipment，通过新数据重新训练其模型，它会在一段时间后变得更加智能。这对在出现新的不可见故障或模型随时间发生偏移时重新创建模型很有用。模型完成并可以推理后，Lookout for Equipment 就可以提供实时分析。

通过将设备数据发布到 S3，用户可以计划推理，范围从 5 分钟到 1 小时不等。当用户数据到达 S3 时，Lookout for Equipment 将按所需的计划获取新数据、执行数据推理，并将结果存储在另一个 S3 存储桶中。

可通过以下简单的步骤设置 Lookout for Equipment：

将数据上传到 S3 存储桶
创建数据集
提取数据
创建模型
计划推理（如果需要实时分析）

1.上传数据
您需要将标签数据从设备上传到任何 S3 存储桶。

2.创建数据集

选择创建数据集，然后设置数据集名称和数据架构。数据架构就像一个数据设计文档，它定义了以后要提供的数据。然后选择创建。

3.提取数据
创建数据集后，下一步是提取数据。如果您熟悉 Amazon Personalize 或 Amazon Forecast，是不是觉得这个屏幕很熟悉？是的，Lookout for Equipment 和这些设备一样易于使用。

选择提取数据。

指定要将数据上传到的 S3 存储桶位置，以及 IAM 角色。IAM 角色必须与“lookoutequipment.amazonaws.com”具有信任关系。您可以使用以下策略文件进行测试。

{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Principal": {
        "Service": "lookoutequipment.amazonaws.com"
      },
      "Action": "sts:AssumeRole"
    }
  ]
}

S3 存储桶中的数据格式必须与您在步骤 2 中设置的数据架构相匹配。有关详细信息，请查看我们的技术文档。摄取数据需要几分钟到数十分钟，具体取决于您的数据量。

4.创建模型
数据提取完成后，您就可以立即训练自己的 ML 模型。选择创建新模型。字段向我们显示所提取数据中的字段列表。默认情况下，未选择任何字段。您可以选择想要 Lookout for Equipment 学习的字段。Lookout for Equipment 会自动从多个指定字段中查找和训练相关性并创建模型。