物理AI：在真实世界中行动的智能
物理AI与传统AI的区别在于直接与现实世界交互并操控物理实体。传统AI处理数据并在屏幕上生成文本，而物理AI使机器人、自动驾驶汽车和智能系统能够在真实的多维环境中感知、理解和行动。
关键区别：物理AI通过合成数据和真实世界数据的训练来理解空间关系和物理行为，弥合了数字智能与物理行动之间的鸿沟。
工作原理：高精度的计算机仿真创建真实空间（如工厂、城市街道等）的数字孪生体，其中使用反映真实世界物理特性的虚拟传感器和机器来训练高度专业化的模型。
变革维护方式
物理AI将维护从被动响应转变为自主预防。这些系统感知环境、理解组件关系，并在问题发生前采取预防措施。汽车预测性维护（PdM）市场预计到2032年将达到1000亿美元，这是一场由物理AI能力驱动的车辆护理革命。
电动汽车是物理AI大展身手的一个绝佳例子。它们可以被设计为持续从周围环境学习、即时做出优化性能的决策，并在行驶中管理自身健康。这些系统理解其部件如何装配和工作，预测物理力将如何影响不同组件，并调整驾驶模式以减少磨损。
汽车PdM背后的相同原理也出现在其他领域。制造机器人现在能够预测并防止设备故障发生。在智能仓库中，系统自主安排维护以追求最高效率。医疗机器人监控自身准确性并在需要时重新校准。甚至智能基础设施也能发现自身问题并自动协调维修。
它是如何实际工作的？
现代电动汽车中的物理AI系统通过集成的传感器网络，代表了一种先进的车辆监控和维护方法。这些系统持续分析多个车辆系统。它们追踪电池健康、电机性能、制动器和悬挂组件，同时构建组件相互作用的动态模型。AI监控温度、振动、电气负载和机械应力之间的关系，以预测和防止潜在的故障。系统会采取主动措施，如调整充电模式以减少电池应力，修改再生制动以最小化磨损。这种预测性维护方法将传统的被动式车辆维护转变为一个理解并响应真实世界条件的主动系统，尽管需要具体的性能指标和结果数据来量化其效益。
概述
在本博客中，您将了解正在改变物理AI驱动的PdM的各类生成式AI应用，以及AWS服务如何支持这些创新。
AWS物联网、人工智能/机器学习和生成式AI已经改变了联网车辆，特别是电动汽车的格局，为物理AI驱动的PdM提供了创新解决方案。这些先进技术的融合为更高效、更有效的电动汽车维护方法铺平了道路，通过对物理系统的深刻理解确保其最佳性能和寿命。
许多汽车行业客户使用AWS IoT来开发和管理其物理AI应用（自动驾驶、预测性维护、信息娱乐等）。AWS IoT使电动汽车能够连接到云端，并传输关于其状况和性能的实时数据，包括组件之间的空间关系和物理交互。然后，使用AWS AI/ML服务分析这些数据，这些服务可以识别模式、检测异常，并通过理解不同系统在现实世界中如何相互作用的物理原理来预测潜在问题。
生成式AI在物理AI驱动的PdM中在四个关键阶段运作：
- 机器优先级排序：使用检索增强生成系统分析结构化和非结构化维护数据，确定哪些设备需要优先关注。
- 故障预测：通过实时分析和ML模型处理机器传感器数据，以在故障发生前进行预测。
- 维修计划生成：利用大型语言模型，通过整合多源数据，创建包含说明和资源分配的全面工单。
- 维护指导生成：使用生成式AI结合服务记录和维修计划，为技术人员提供增强的、可操作的指导。
这种方法使汽车制造商能够在真实物理条件下收集丰富的车辆性能数据，通过理解车辆如何与其物理环境互动来改进未来的车辆设计，并根据现实世界的物理特性和使用模式做出关于组件改进的明智决策。
架构概述
电动汽车的预测性维护（PdM）包括监控、分析和根据收集的洞察采取行动。电动汽车配备了各种传感器，用于收集电池健康、车辆位置、电机健康、制动健康等数据。为了降低运营成本，此模式旨在利用传感器数据创建预测性维护模型，以增强电动汽车的维护。
1. 数据摄取和处理
联网车辆为汽车制造商提供了提升车辆质量、安全和自主性的机会。然而，这些进步也带来了挑战，特别是在有效管理和利用联网车辆产生的大量数据方面。捕获车辆数据的任务因不同制造商使用的电子控制单元（ECU）的多种专有数据格式以及扩展数据收集操作的相关高成本而变得复杂。
AWS IoT FleetWise 是AWS为汽车行业打造的一项专用服务。它允许您轻松收集、转换和传输来自车辆中各种格式的车辆数据，无论品牌、型号或配置如何。该服务标准化了数据格式，使云端分析变得更加容易，无需定制的数据收集系统。借助AWS IoT FleetWise，您可以使用智能过滤功能高效地以近实时方式将数据传输到云端。通过选择要传输的数据并定义基于天气条件、位置或车辆类型等参数的规则和事件，您可以减少发送到云端的数据量。
在本节中，我们将利用AWS IoT FleetWise收集车辆数据并存储在S3中，用于训练预测分析的机器学习模型。
- 在车辆上设置AWS IoT FleetWise边缘代理 – 为AWS IoT FleetWise创建一个边缘代理，以促进车辆与云端之间的通信。边缘代理是一个功能齐全的嵌入式软件，用C++编写，专为车辆数据收集而设计，可以在大多数基于嵌入式Linux的平台上运行。IoT FleetWise控制边缘代理从车辆收集和传输哪些数据。
- 创建信号目录 – 信号以不同的类型构建车辆数据和元数据结构：
- 传感器捕获实时测量值，如温度，存储每个信号的名称、数据类型和单位。
- 属性包含固定细节，如制造商和生产日期。
- 分支创建分层组织 – 车辆分支到动力总成，其中包含内燃机子分支。传感器数据跟踪即时车辆状态，包括液位、温度和振动。
- 执行器数据控制设备状态，如电机和门锁。当您调整设备（如打开或关闭加热器）时，会更新其执行器数据。
信号目录通过预定义的信号简化车辆建模。AWS IoT FleetWise集成了车辆信号规范，定义了“vehicle_speed”等标准信号，单位为公里/小时（km/h）。这个标准传感器和信号的中心存储库通过高效的信号重用加速了新车辆模型的创建。
- 创建车辆模型 – 您使用信号来建立车辆模型，以标准化车辆格式。车辆模型确保同一类型的多辆车之间的数据统一，从而能够高效地处理车队数据。从同一车辆模型创建的车辆继承了一致的信号集。
- 创建解码器清单 – 解码器清单包含AWS IoT FleetWise用于将二进制车辆数据转换为易于理解的值的解码信息。IoT FleetWise支持OBD ||、CAN总线以及车辆中间件，如ROS2。例如，如果您的车辆使用OBD网络接口，解码器清单应包含信号，以将ID为11的消息和像0000×11这样的二进制数据与OBDCoolantTemperature关联起来。
- 创建车辆 – 车辆是车辆模型的实例。车辆必须从车辆模型创建并与解码器清单关联。车辆向云端上传一个或多个数据流。例如，车辆可以向云端发送里程、电池电压和加热器状态数据。
- 创建并部署用于收集车辆数据的活动 – 一旦车辆模型建立，信号目录创建完毕，您就可以使用在模型中创建的信号来创建数据收集活动。活动是数据收集规则的编排。活动为AWS IoT FleetWise边缘代理软件提供如何选择、收集数据并将其传输到云端的指令。所有活动都在云端创建。在团队成员批准活动后，AWS IoT FleetWise会自动将它们部署到车辆上。汽车团队可以选择将活动部署到特定车辆或整个车队。边缘代理软件在正在运行的活动部署到车辆之前，不会开始收集车辆网络的数据。
- 将车辆数据存储在S3中 – AWS IoT FleetWise边缘代理软件将选定的车辆数据传输到Amazon Timestream或Amazon Simple Storage Service（Amazon S3）。数据到达数据目的地后，您可以使用其他AWS服务对其进行可视化和共享。
2. 预测性维护模型训练
这里利用机器学习算法进行预测性维护分析，以预测设备故障并优化维护活动。PdM利用实时数据来分析与电动汽车故障相关的各种因素，从而能够预测潜在的故障发生。这种主动方法可以有效地减少计划外的车辆故障，延长电动汽车部件的使用寿命，并降低总体维修成本。
一旦电动汽车数据进入AWS环境，它就被存储在Amazon S3存储桶中。存储在Amazon S3中的数据然后被用于从训练和部署的ML模型生成实时预测。这些预测可以被进一步处理和利用，由下游应用程序采取必要行动并启动预测性维护活动。该解决方案由以下部分组成：
- 模型训练和部署 – 我们使用数据存储库中的PdM数据集，通过SageMaker使用XGBoost算法训练机器学习模型。随后，我们将训练好的模型部署到SageMaker异步推理端点。
- 训练模型 – 为了训练我们的模型，我们首先将电动汽车数据存储在Amazon S3中。这使我们能够安全高效地存储我们将要处理的大量数据。数据存储后，我们可以开始使用Amazon SageMaker Training进行训练过程。该服务旨在大规模处理各种机器学习模型的训练。其功能使我们即使处理大型数据集也能快速准确地训练模型，从而确保模型训练既高效又有效，获得高质量的结果。
- 近实时电动汽车数据摄取 – 从车辆收集电动汽车数据，并在AWS环境中进行处理，然后存储在Amazon S3中。这些数据包括电池电压、电池温度、电机健康状态、位置等重要参数。随后，触发一个Amazon Lambda函数来调用异步Amazon SageMaker端点。
- 执行近实时预测性维护 – 异步Amazon SageMaker端点用于从部署的模型为传入的电动汽车数据生成推理。这些端点特别适合预测性维护工作负载，因为它们支持更大的有效负载大小，并且可以在几分钟内生成推理。从模型生成的推理存储在Amazon S3中。这些推理可用于生成仪表板、可视化以及执行生成式AI任务。
为确保您的预测性维护解决方案在扩展时仍保持有效，请参考AWS Well-Architected Framework的机器学习原则来实施稳健的训练和部署管道。
3. 生成式AI
- 使用AWS Glue爬虫（或其他方法）创建AWS Glue数据目录。
- 使用Amazon Bedrock上的Titan-Text-Embeddings模型将元数据转换为嵌入向量，并将其存储在Amazon OpenSearch Serverless向量存储中，该存储在我们的RAG框架中作为知识库。在此阶段，流程已准备好接收自然语言查询。
- 用户以自然语言输入查询。您可以使用任何网络应用程序来提供聊天界面。因此，我们在文章中未涵盖用户界面细节。
- 该解决方案通过相似性搜索应用RAG框架，从向量数据库的元数据中添加额外上下文。此表用于查找正确的表、数据库和属性。
- 模型获取生成的SQL查询并连接到Athena以验证语法。
- 最后，我们使用Athena运行SQL并生成输出。在此，输出呈现给用户。出于架构简洁性的考虑，我们未展示此步骤。
结论
生成式AI与物理AI的融合正在从根本上重塑各行业基于状态和预测性的维护。正如我们在整个讨论中所探讨的，生成式AI分析海量数据集、生成合成训练场景并提供智能建议的能力，正在改变物理AI系统监控、诊断和维护自身的方式。从预测电池退化的电动汽车到自主安排维护的工业机器人，我们正在见证一个范式转变：智能系统不仅仅是执行任务——它们还主动保护和优化自身的运行能力。
参考文献
- NVIDIA: 什么是物理AI？
- 预测性维护：当机器提前知道需要维修时
- 架构完善的机器学习
- 构建稳健的文本到SQL解决方案，生成复杂查询、自我纠正并查询多样化数据源
- 全球汽车预测性维护市场（按组件）
- GitHub – 预测性维护MVP
关于作者
- Ram Gorur 是AWS的高级解决方案架构师，专注于农业和咨询服务，重点是边缘AI和互联产品。他常驻弗吉尼亚州，利用超过23年的综合IT经验，帮助AWS的企业客户实施从边缘设备到云基础设施的物联网解决方案。他的专业知识涵盖设计和部署跨行业的互联产品解决方案，他开发定制的架构框架，将边缘计算与云功能连接起来。Ram在农业、物联网和云技术方面的综合知识使他能够创建集成解决方案，帮助企业通过边缘到云的连接实现运营现代化。
- Ashish Chaurasia 是AWS的高级技术客户经理，自2020年以来一直与企业客户合作，将云技术与战略业务成果对齐。他拥有超过17年的软件开发经验，专门指导组织完成云原生转型之旅。Ashish是物联网爱好者，喜欢构建DIY项目来自动化日常任务。
- Channa Samynathan 是AWS边缘AI和高级计算的全球专家解决方案架构师。他在技术行业拥有超过29年的经验，担任过各种角色，包括设计工程、系统测试、运营、业务咨询和产品管理。他的职业生涯跨越多家跨国电信公司，在销售、业务发展和技术解决方案设计方面一直表现出色。Channa在全球超过26个国家工作的经验，使他具备了深厚的技术敏锐度和快速适应新技术的能力。在AWS，他专注于与客户合作，设计从边缘到云的边缘计算应用程序，向客户传授AWS的价值主张，并为面向客户的出版物做出贡献。