本文属于机器翻译版本。若本译文内容与英语原文存在差异，则一律以英文原文为准。
车队的预测性维护
发布日期：2020 年 10 月 21 日 (图表历史)
通过这种架构，您可以预测车队中的电池故障。根据历史遥测数据训练预测模型，然后对照实时遥测运行该模型。在故障发生之前安排受控维护事件。该解决方案AWS IoT Core用于车辆连接，使用亚马逊 SageMaker AI 进行模型训练和部署，使用亚马逊 Aurora 进行预测存储。
舰队预测性维护图
以下步骤描述了该架构的 ML 管道和通知流程：
-
从舰队管理系统中创建摘录。包括车辆数据和历史传感器日志。
-
在训练后部署 SageMaker AI 模型以预测电池故障。
-
将联网车辆的传感器日志发送到 AWS IoT Core。您也可以使用 HTTP 接口发送日志。
-
将遥测消息从发送 AWS IoT Core 到以AWS Lambda供模型分析。
-
将传感器日志发送到 Lambda 进行分析。对数据运行经过训练的模型。
-
在传感器日志上使用 Lambda 和经过训练的预测模型来生成预测。
-
将已完成的预测存储在 Amazon Aurora 中，用于记录保存和未来模型改进。
-
在亚马逊 Quick Sight 控制面板上显示预测。
-
通过 Amazon SNS 通知联网车辆，提醒司机和车队经理。在预测的故障发生之前安排一次受控维护活动。
延伸阅读
有关更多信息，请参阅以下资源：
图表历史
要接收有关此参考架构图的更新，请订阅 RSS 提要。
| 变更 | 说明 | 日期 |
|---|---|---|
初次发布 | 参考架构图首次发布。 | 2020 年 10 月 21 日 |
RSS 订阅要求
要订阅 RSS 更新，必须为正在使用的浏览器启用 RSS 插件。
