AWS電動汽車電池單體一致性偏差報警預測

 轉貼自:https://www.amazonaws.cn/solutions/bev-bms-battery-consistency-bias-alarm-prediction/?nc2=h_ql_sol_bevbms

 

該方案在雲端提供流順的工作流程，您無需擔憂管理TB級別的電池和車聯網數據的存儲容量和短時間內需要數百個

核心用於並行算法訓練。同時，基於Amazon SageMaker服務，此方案為機器學習的開發人員和數學科學家提供了

數據預處理、特徵工程、模型選擇、訓練、調優和部署的一站式平台。下圖顯示了此方案技術架構，您可以使用解決

方案的實施指南和隨附的 Amazon CloudFormation 模板在幾分鐘內進行自動部署。您可以在控制台選擇需要

部署的區域。

架構描述

基於Amazon S3, Amazon Lambda, Amazon SageMaker, Amazon DynamoDB服務和開源的Apache 

Superset組件，該方案提供了完整的BEV BMS故障預測的工具鏈，包括數據存儲工具、數據分析工具、

模型處理工具和數據展示工具。 

用戶場景1：

    4.車聯網批量數據上傳S3存儲桶。

    5.S3的上傳事件觸發Lambda函數。

    6.Lambda函數觸發部署好的推理節點對於上傳的批量數據進行推理。

    7.批量推理後的結果將存入Dynamo數據庫。

    8.批量推理後的結果寫入S3中用意在Apache SuperSet進行可視化查詢。

用戶場景2:

    9.用戶端發出HTTP POST請求，調用電池預測服務的Restful API。

    10.API Gateway 觸發Lambda 函數。

    11.Lambda函數觸發部署好的推理節點對於POST請求中的數據進行推理。

    12.本次推理後的結果將存入Dynamo數據庫。

    13.本次推理後的結果寫入S3中用意在Apache SuperSet進行可視化查詢。

    14.開源軟件Apache Superset 在搭建在Fargate上，用戶可以通過SQL語句對於推理結果進行查詢。

    15.在Superset中的查詢操作，實際上是Athena 通過Glue Data Catalog 對於推理事件進行查詢。

    16. 在Glue Data Catalog的表結構定義與存入S3中的推理事件的表結構一致。