亚马逊云科技案例研究: 施耐德电气

2021

作为全球能源管理和自动化领域数字化转型的专家，施耐德电气业务遍及全球100多个国家和地区，为客户提供能源管理和自动化领域的数字化解决方案，以实现高效和可持续。施耐德电气的宗旨，是赋能所有人对能源和资源的最大化利用，推动人类进步与可持续的共同发展，施耐德电气称之为 Life Is On。

施耐德电气推动数字化转型，服务于家居、楼宇、数据中心、基础设施和工业市场。通过集成世界领先的工艺和能源管理技术，从终端到云的互联互通产品、控制、软件和服务，贯穿业务全生命周期，实现整合的企业级管理。施耐德电气的使命是成为实现高效和可持续发展的数字化伙伴。

在2018年，通过应用施耐德电气面向工业领域的EcoStruxure架构与平台，武汉工厂完成了数字化升级改造，实现高度自动化，使生产和运营流程得到了优化，并将能效提高至新的水平。武汉工厂作为施耐德电气“智能制造和绿色节能生产基地在全球的典范”，通过EcoStruxure平台实现能耗从单点控制转为多点控制，从封闭系统转为协同系统，从监控转为扩展功能总和，从系统数据转为云数据。EcoStruxure平台在实现工厂智能化管理的同时，也为节约能源提供了更多的潜力与途径，不但实现管理成本的降低，也满足了节能降耗的目的。武汉工厂先后被工信部评为国家级“绿色工厂”及被达沃斯世界经济论坛专家委员会评为发展中的“灯塔工厂”，施耐德电气“零碳工厂”，跻身世界顶级制造业“先锋”行列，为中国乃至全球的智慧工厂在数字化转型方面做出成功示范。

面临的挑战

作为全球能源管理和自动化领域数字化转型的专家，施耐德电气业务遍及全球100多个国家和地区，拥有众多类似武汉工厂这样的工厂，仅在中国就有23家工厂，7家物流中心。在生产种类繁多的各类产品中，为了确保产品的高质量，施耐德电气所有生产线都遵循严格的质量检测流程。

在过去，产品的外观质量检测由人工肉眼判断或传统视觉检测完成。传统视觉检测是通过生产线上安装的工业照相机对每件产品进行外观拍摄，将照片与“标准样品（golden sample）”进行比对，由此判断产品是否存在外观缺陷。这种质量检测方式的问题是人工检测效率低、传统视觉检测漏检率和误检率高。为了解决这些问题，提升检测效率和精确度，施耐德电气决定构建AI视觉检测平台，实现质量检测的自动化和智能化。“成功构建AI视觉检测平台的关键是检测模型的建模、训练和迭代，如果采用传统的自建服务器方式，我们将面临两方面的挑战：其一是模型的训练和迭代需要巨大的算力，成本非常高；其二是在进行模型训练时需要工程师到全国各地工厂去采集数据，需要投入大量的人力。”施耐德电气全球供应链中国区数字化解决方案负责人冒飞飞说。为了应对这些挑战，施耐德电气决定采用“云边”结合的方式构建AI视觉检测平台，经过多重考量和选型，施耐德电气选择与亚马逊云科技合作，利用亚马逊云科技的Amazon SageMaker及其他相关服务，构建智能化的AI视觉检测平台，大幅度降低了产品质量检测中的误检和漏检，提升了质量检测效率，推动了施耐德电气供应链的数字化转型进程。

Fiberglass production industry equipment at manufacture background

利用亚马逊云科技，我们成功地构建了云-边协同的AI视觉检测平台，实现了产品质量缺陷的智能检测，将检测误检率降到0.5%内，漏检率降为0%，并取消了之前依赖人工检测的工站，实现全自动和智能化。我们的使命是部署领先的AI解决方案，改变工厂核心的质量管理方式，通过与亚马逊云科技的合作，将数字化的AI技术成功落地在了工业制造场景中。”

冒飞飞

施耐德电气全球供应链中国区数字化解决方案负责人

定制专属云计算解决方案

为什么选择亚马逊云科技

“亚马逊云科技是施耐德电气的长期合作伙伴，这使得我们能迅速了解亚马逊云科技所提供的服务以及可能对我们业务提供的帮助，在 AI视觉检测平台项目中，Amazon SageMaker的技术优势、亚马逊云科技支持团队的快速响应以及全球化部署可以充分满足我们现在和未来的需求。”冒飞飞说。

在技术层面，Amazon SageMaker在单个工具集中提供了用于机器学习的所有组件，使用户能以更低的成本、更轻松地在更短的时间内将模型投入生产。施耐德电气AI视觉检测平台的核心是模型训练，来自生产线的正样本上传到云端，并作为训练的输入数据传输到机器学习框架中进行模型训练，通过持续的训练和迭代，提升模型的精准度，在模型精准度达标后再部署到生产系统上。
传统上，机器学习采用GPU服务器，该服务器要承载存储、计算、框架等全部任务，模型训练的效率、精准度取决于GPU服务器的硬盘空间、读取速度、框架选择等多种因素，过程中的每一步都包含繁复的设置、调整等工作，而利用Amazon SageMaker，框架选择、GPU选择都可以一键部署，模型训练只需采用简单的“文本文件+命令行”方式就可以完成。同时，Amazon SageMaker与Amazon Simple Storage Service(Amazon S3) 的协同，使得AI视觉检测平台实现了存储与计算分离，这带来了两方面的便利：其一，来自边缘端的训练数据都存储在Amazon S3，模型训练时可以直接读写数据，无需进行数据迁移，且存储容量可无限扩展；其二，如果某个模型不理想或者要采用多个模型进行训练，只需直接替换模型即可，数据仍然可以用原来的数据。如果用户不打算采用Amazon SageMaker本身提供的40多种通用模型，而选择自建模型，则可以简单地利用Amazon SageMaker与Amazon Elastic Container Registry (ECR) 、Amazon Elastic Container Service (Amazon ECS) 的协同来完成模型的部署，用户只需要将自建的模型生成容器的镜像，然后注册到Amazon ECR上，就可以直接部署到Amazon SageMaker中。在实际应用中，施耐德电气AI视觉检测平台就是利用Amazon ECR将自建的模型直接部署到Amazon SageMaker上。

在技术支持上，亚马逊云科技始终把客户的需求放在第一位，为客户提供及时的支持服务。“我们是第一次接触Amazon SageMaker，很多内容不清楚，亚马逊云科技的技术人员总能在我们遇到问题的时候及时给予解答，他们的架构师每次都参加我们的项目会议，一起讨论解决方案的架构、如何实施、如何符合施耐德电气对网络和系统的安全要求等方方面面的问题。”冒飞飞说。
此外，在全球化部署方面，亚马逊云科技在全球有25个地理区域、81个可用区，这使得施耐德电气未来可以方便地将AI视觉检测平台复制到全球其他区域，避免重复开发。

获得的收益

利用亚马逊云科技的云服务，施耐德电气成功地构建起AI视觉检测平台，该平台采用“云边“结合的方式，云上负责模型训练和迭代及模型全生命周期管理，边缘端软件是边缘检测系统，硬件是带GPU的推理机和工业相机，通过工业相机采集产品外观照片，并在通过一系列安全认证后上传到云端，存储在Amazon S3上。后续的处理分为两步，首先利用Amazon SageMaker完成模型训练和迭代，在精准度达标后，将模型部署到边缘检测系统上；随后来自生产线的照片实时进入边缘检测系统，并进行边缘推理运算，再将结果返回到边缘检测系统，自动标识出产品是否合格并能标识出不合格的缺陷位置。图1是施耐德电气AI视觉检测平台架构示意图。所使用的亚马逊云科技服务包括Amazon Elastic Compute Cloud (Amazon EC2)、Amazon S3、Amazon Relational Database Service (Amazon RDS)、Amazon ECS、Amazon ECR、Amazon SageMaker等。

图 1 基于亚马逊云科技的AI视觉检测平台架构示意图

AI视觉检测平台的成功部署为施耐德电气带来了三方面的好处。其一是实现了检测自动化和智能化，与原来的传统视觉检测模式相比，在中国区已经部署的5家工厂9条生产线中，AI视觉检测的误检率能降到0.5%内，大大降低了返工的工作量，同时漏检率能降为0%，杜绝不良品流到客户现场，提高了客户满意度；其二是与原来采用人工检测的产线相比，还可以优化产线检测人员配置。其三是通过云边协同，实现了云端对边缘端的统一管理，确保多边缘端能够同时完成模型迭代升级和管控，从全生命周期的角度管理分布在不同工厂的模型。此外，作为一家全球化的公司，施耐德电气在全球很多国家都有类似的生产线和产品，这些训练好的模型和架构未来都可以利用亚马逊云科技平台部署到全球范围的生产线。