[レポート] ワークショップ #ENU302 Bringing machine learning and automation to remote systems に参加しました #reinvent

2022.11.30

こんにちは、CX事業本部 IoT事業部の若槻です。

今回は、AWS re:Invent 2022でワークショップセッション ENU302 Bringing machine learning and automation to remote systemsに参加したのでレポートします。

Real-time equipment optimization is a challenge for most field environments. Traditional industrial control systems rely on human intervention, and modern systems use the cloud for automation. However, these may still be prone to connectivity and latency limitations. In this workshop, learn how to use AWS IoT and Amazon Machine Learning services that can be deployed at the edge to adapt to changing environmental conditions in real time, without human intervention or the need for continuous connectivity. This automated feedback loop allows for faster decision making and responses to changing environment conditions that optimize performance and limit equipment downtime. You must bring your laptop to participate.

(日本語訳)
リアルタイムの機器最適化は、ほとんどのフィールド環境にとって課題です。従来の産業用制御システムは人間の介入に依存しており、最新のシステムは自動化のためにクラウドを使用しています。ただし、これらは依然として接続性と遅延の制限を受けやすい可能性があります。このワークショップでは、人間の介入や継続的な接続の必要なしに、変化する環境条件にリアルタイムで適応するためにエッジにデプロイできる AWS IoT および Amazon Machine Learning サービスの使用方法を学びます。この自動化されたフィードバック ループにより、パフォーマンスを最適化し、機器のダウンタイムを制限する、変化する環境条件への迅速な意思決定と対応が可能になります。参加するにはノートパソコンを持参する必要があります。

このワークショップのゴール

  • 産業用デバイスのデータ出力のメカニズムを学習する
  • AWSサービスを使用したデータの保管、分析およびデバイスInsightの経験を得る
  • 機械学習モデルのビルドおよびエッジデバイスへのデプロイによる最適化を行う
  • 機械学習モデルと既存の自動化デバイス最適化を統合する

レポート

セッション会場入口。入口前のモニターにこの会場で開催されるセッションが示されているので、会場が合っているかきちんと確認しましょう。

ハンズオン作業となるのでテーブル席に座っての参加となります。

まず最初の30分ほどでワークショップの概要説明が行われます。

登壇はSolutions ArchitectのBrittany Harrington(写真右側)と、IoT Enablement LeadのKrishna Doddapaneni(写真左側)です。

セッションタイトル。

Intelligent Factoryの重要性が産業界のリーダーにより叫ばれている。

しかし産業自動化技術はBusiness Intelligenceの導入が考慮されていない。

AWSのIoTサービスを利用すれば、デバイスから取得したデータをIntelligenceとして分析したOutcomeをデバイスの改善につなげるIoTの標準的なサイクルを実現できる。

例えばオンプレミス側のデバイスとは各種方法でネットワーク接続が行われるので、そのEdge gatewayとしてAWS IoT Greengrassを利用する。

AWSクラウド側では、AWS IoT SiteWiseでAssetとして階層化され管理されているデバイスを、データの可視化やデータレイクへの蓄積、デジタルツインの作成などによる分析や、機械学習による推測を行う。

そして分析や推測の結果としてIntelligenceを得たら、オンプレミス側のデバイスに還元してパフォーマンスの最適化を行う。

このように、クラウドの分析および機械学習により産業デバイスのデータからInsightを得て、産業デバイスに還元する。

トークをするKrishna氏

ここからワークショップのハンズオン内容の具体的な説明です。

ワークショップ参加者は再生可能エネルギー会社の制御エンジニアになり、風力発電所の総発電量を増やすために、風速と風向の変化に応じて風力タービンを最適な方向に向ける必要があります。

複数のタービンを備えた風力発電所では、1つの風力タービンの後流によって、その後ろのタービンで生成される電力が減少します。そのため先頭のタービンを意図的にヨー方向にずらすことにより、前部のタービンの生成出力は減少しますが、後部のタービンは大幅に多くの出力を生成できます。

このワークショップでは、先行タービンと後方タービンを2つずつ持つ仮想の風力発電所からデータを取得する構成があります。(データ生成はデバイスを模したEC2から行われます)

Amazon SageMakerを使用して、電力を推測する機械学習モデルを構築します。

トークをするBrittany氏

エッジへの移植のためにAmazon SageMaker Neoを使用して機械学習モデルをコンパイルし、ゲートウェイデバイスにデプロイしてヨー角の最適化を行います。

ハンズオンの成果物、所感

まず、配布されたワークショップ用のAWSアカウントにログインして、予め作成されたIoT SiteWiseのリソースを確認します。

4つのタービンのモデルが作成されています。

モデルには電力、風向、風速、ヨー角の4つのMeasurementが定義されています。

モデルをもとに各タービンのAssetも作成されており、各Measurementに最新の値が反映されていることがわかります。

風力タービンのAssetに対して、SiteWise Monitorを使用して各Measurementのメトリクスをグラフ化したダッシュボードを作成しました。

さてここからオチなのですが今回私が実施できたのはここまででした。ワークショップの時間内に終わらなかったので、休憩を取ってから続きをしようと思ったらその時にはアカウントにログインできなくなっていました。(昨日参加したワークショップのアカウントは当日中はログインできたんですけどね。。)

一番やりたかった機械学習モデルの構築とデプロイによる最適化が出来なかったのは悔しかったですが、IoTシステムを最適化を実施する上での標準的なアーキテクチャと使用されるコンポーネントについて学ぶことができました。とても面白かったので個人的にも各サービスをキャッチアップしていこうと思います。

以上