Category: Internet of Things

很多的制造企业正在利用数字化技术进行转型，并利用机器学习，计算机视觉和机器人等技术提升制造自动化程度。本文将介绍AWS如何利用这些技术为智能工厂提供解决方案并展示如何利用物理网技术将产线数据上云，如何利用边缘计算技术实时控制设备。

物联网（IoT）的一个典型应用场景是能够从传感器数据中获取上下文洞察力，例如分析设备异常或者进行预测性维护，及时给予用户通知。在本文中，我们将专注于通过设备多项指标对设备进行预测性维护，利用机器学习算法，对设备运行状态进行预测，提前发现可能出现的异常，及时进行维护，避免出现严重的生产事故。

AWS IoT Greengrass很容易部署在设备侧/网关侧，同时也提供良好的运行时环境，针对安防监控厂商Camera设备可以结合AWS IoT Greengrass来实现边缘侧AI/ML场景。这里通过树莓派部署AWS IoT Greengrass跑dlib库从摄像机实时视频流中抽取视频帧来实现人脸识别和比对。

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。

今天，我非常高兴地宣布推出 Amazon Monitron，这是一项状态监测服务，可检测潜在故障并允许用户跟踪正在发生的故障，从而使您能够实施预测性维护，从而减少计划外停机时。

本文主要包括如何开始使用OTA部署工具，以及OTA工具适合的各种场景。

本章重点分为两大部分：
设备端，主要包含：安装Jetson nano的镜像、SageMaker Neo runtime、Greengrass的部署、运行模型。
云端，主要包含：配置IoT core与Greengrass、开发与部署Lambda函数、model到设备端。

我们将通过AWS Greengrass和Jetson Nano实现图片的分类，AWS Greengrass通过Lambda处理图像分类的消息与调用本地的SageMaker 训练好的Neo模型，然后通过Topic把图像分类的结果发送至AWS IoT Core。

描述如何在AWS IoT greengrass核心设备上部署Docker Application Deployment连接器,并进行测试.

AWS IoT Greengrass 是AWS IoT服务系列中的一员，它可将 AWS 无缝扩展至边缘设备，因此可以在本地操作其生成的数据，同时仍可将云用于管理、分析和持久存储。借助 AWS IoT Greengrass，您可以构建IoT解决方案，从而将不同类型的设备和云连接起来，并实现设备互连。运行 Linux 的设备和支持 Arm 或 x86 架构的设备可以托管 AWS IoT Greengrass Core。AWS IoT Greengrass 可在本地执行 AWS Lambda 代码、消息收发、数据管理和安全策略，甚至在没有连接Internet的情况下，也可实现这些功能。运行 AWS IoT Greengrass Core 的设备充当枢纽，与其他运行 Amazon FreeRTOS 或已安装 AWS IoT Device SDK 的设备进行通信。这些设备的尺寸可能不同，从较小的基于微控制器的设备到大型设备。如果 AWS IoT Greengrass Core 设备与云之间的连接断开，AWS IoT Greengrass 组中的设备还可通过本地网络继续相互通信。