- AWS 解决方案库›
- 在 AWS 上利用 Eigen 预测质量的指南
在 AWS 上利用 Eigen 预测质量的指南
概览
本指南演示了 Eigen Industrial Vision 如何针对每个机器零件将机器视觉与制造过程和质量数据相集成。它展示了如何利用来自机器可编程逻辑控制器（PLC）和外观缺陷的过程参数数据来构建用于预测质量的可扩展机器学习（ML）模型。在这些见解的帮助下，您就可以采取相关措施，通过调整过程控制来减少或消除质量问题，从而防止出现次品。您还可以访问、搜索和比较质量结果和过程数据，以进行根本原因分析。
工作原理
这些技术细节包含一张架构图，用于说明如何有效使用本解决方案。该架构图展示了关键组件及其相互作用，并逐步概述了架构的结构和功能。
Well-Architected 支柱
上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构，您应该遵循尽可能多的 Well-Architected 最佳实践。
本指南使用 Amazon Managed Grafana 来监控与运营绩效相关的指标，并配置为在出现运营异常时直接向团队发出警报。Eigen 内置了自定义指标，并且可对指标进行跟踪，这有助于确保实现和衡量运营绩效。此外，Eigen 通过自动调度作业简化资源管理，增强对不同需求的响应能力。
本指南使用 AWS IAM 身份中心进行单点登录 (SSO)，受多因素身份验证 (MFA) 保护。IAM 身份中心简化了用户身份验证，提供了无缝安全的登录体验。Eigen 使用 IAM 身份中心进行用户访问控制，降低了管理多个证书的复杂性并提高了整体系统的可用性。
在本指南中，Lambda 支持无服务器计算，从而无需预置或管理服务器即可运行代码。通过利用 Lambda 函数，Eigen 可以自动执行任务，确保快速高效地执行操作、减少延迟并增强整体响应能力。
本指南通过 AWS Cost Explorer、 Lambda 和 A WS Auto Scaling 优化成本。AWS Cost Explorer 使用户能够定期进行账单分析，帮助他们了解存储和计算资源的成本明细。Lambda 实现资源管理自动化，并根据预定义模式安排计算资源的启动和停止。这种无服务器方法有助于确保资源仅在需要时处于活动状态，从而提高效率并降低成本。此外，AWS Auto Scaling 允许动态资源调整。自定义自动扩展监控机制通过自动扩展计算资源来响应客户负载的波动。这有助于在高峰时段实现最佳性能，同时在需求较低期间最大限度地降低成本。
本指南使用 Lambda 函数，通过根据预定义的时间表停止和启动资源，帮助确保最佳的计算资源分配。通过根据需求高效管理计算资源，Lambda 最大限度地减少了空闲期间不必要的能耗。这种方法可确保资源仅在需要时处于活动状态，从而降低总体能源消耗。
此外，无服务器 Lambda 函数有助于建立更可持续的计算模型。无服务器架构（例如 Lambda 采用的架构）通过根据需求自动扩展来实现最佳资源利用率。与传统的基于服务器的模型相比，这可以减少能耗。
免责声明
找到今天要查找的内容了吗？
请提供您的意见，以便帮助我们提高页面内容的质量