该方案提供了一套故障预测的工具链，包括数据存储工具、数据分析工具、模型处理工具和数据展示工具，帮助主机厂加速BMS故障预测的机器学习开发流程，安全地在云端管理TB级别的电动车电池数据和车联网数据。
亚马逊云科技解决方案概述
该方案在云端提供平滑的工作流程，您无需担忧管理TB级别的电池和车联网数据的存储容量和短时间内需要数百个核用于并行算法训练。同时，基于Amazon SageMaker服务，此方案为机器学习的开发人员和数学科学家提供了数据预处理、特征工程、模型选择、训练、调优和部署的一站式平台。
下图显示了此方案技术架构，您可以使用解决方案的实施指南和随附的 Amazon CloudFormation 模板在几分钟内进行自动部署。您可以在控制台选择需要部署的区域。
架构描述
基于Amazon S3, Amazon Lambda, Amazon SageMaker, Amazon DynamoDB服务和开源的Apache Superset组件，该方案提供了完整的BEV BMS故障预测的工具链，包括数据存储工具、数据分析工具、模型处理工具和数据展示工具。
架构的具体流程描述如下：
1.电动汽车行业主机厂（OEM）电池供应商将（通过IOT采集的）电池数据放入S3桶内。
2.用户使用SageMaker笔记本从S3桶中获取数据集用来做模型训练。
3.当用户完成模型搭建，模型训练，模型部署，SageMaker会提供推理节点。 此推理节点可以用来提供电池预测服务。
用户场景1：
4.车联网批量数据上传S3存储桶。
5.S3的上传事件触发Lambda函数。
6.Lambda函数触发部署好的推理节点对于上传的批量数据进行推理。
7.批量推理后的结果将存入Dynamo数据库。
8.批量推理后的结果写入S3中用意在Apache SuperSet进行可视化查询。
用户场景2:
9.用户端发出HTTP POST请求，调用电池预测服务的Restful API。
10.API Gateway 触发Lambda 函数。
11.Lambda函数触发部署好的推理节点对于POST请求中的数据进行推理。
12.本次推理后的结果将存入Dynamo数据库。
13.本次推理后的结果写入S3中用意在Apache SuperSet进行可视化查询。
14.开源软件Apache Superset 在搭建在Fargate上，用户可以通过SQL语句对于推理结果进行查询。
15.在Superset中的查询操作，实际上是Athena 通过Glue Data Catalog 对于推理事件进行查询。
16. 在Glue Data Catalog的表结构定义与存入S3中的推理事件的表结构一致。
原创文章，作者：奋斗，如若转载，请注明出处：https://blog.ytso.com/96023.html