[SEO 副标题]
本指南展示了如何使用 AWS 服务来解决高风险工业环境中的劳动力健康和安全问题。它允许对新员工和现有员工进行有关标准操作程序的虚拟培训，从而降低上手风险和相关危害。它还可以通过实时监控、违规检测和即时警报来帮助预防事故。可以配置计算机视觉和人工智能模型，通过识别防护装备使用不当或进入禁区等违规行为来确保遵守环境、健康和安全协议。交互式控制面板和 3D 可视化提供对风险模式、历史趋势和合规性指标的数据洞察。此外，自然语言处理功能可以汇总相关信息，并根据已确定的危害提供培训建议。
请注意：[免责声明]
架构图
-
概览
-
数据摄取
-
数据流式传输和处理
-
数据可视化和通知
-
概览
-
此架构图由三个集成模块组成，用于满足员工安全与合规关键阶段的需求。此图提供了每个模块及其相互依赖关系的概念性概览。
单击可放大
概览
此架构图由三个集成模块组成，用于满足员工安全与合规关键阶段的需求。此图提供了每个模块及其相互依赖关系的概念性概览。第 1 步
边缘站点代表从各种来源收集数据的本地或运营站点，例如物联网（IoT）设备（气体泄漏检测器）、视频流（入口监控摄像头）、可编程逻辑控制器（PLC）和现场文档（健康和安全观察）。该站点还提供边缘计算功能，包括用于计算机视觉的机器学习模型，用于检测视频源中的健康和安全隐患。此外，它还有助于管理和控制用于检查和监控任务的现场机器人系统。
第 2 步
数据流模块从工业设备、现场视频流和物联网设备影子中摄取实时数据。第 3 步
数据湖建立了一个集中的安全数据存储库，用于存储和整理所有员工健康和安全数据。它是一种可扩展且耐用的存储解决方案，可在几天之内高效地准备和分析数据。第 4 步
指标和数据可视化模块通过仪表板和 3D 可视化显示员工健康和安全指标，包括安全违规行为和风险映射。它可以直接分析来自集中式数据湖的数据。第 5 步
人工智能和机器学习（AI/ML）模块利用计算机视觉模型进行视频分析。它还使用基础模型，利用物联网和文档数据开发风险预测和推理模型，使用大型语言模型（LLM）汇总内容，并为改善员工健康和安全状况提供培训建议。第 6 步
最终用户通过对话式聊天机器人界面与该解决方案进行交互。他们还可以通过各种设备接收通知和警报。概览
此架构图由三个集成模块组成，用于满足员工安全与合规关键阶段的需求。此图提供了每个模块及其相互依赖关系的概念性概览。第 1 步
边缘站点代表从各种来源收集数据的本地或运营站点，例如物联网（IoT）设备（气体泄漏检测器）、视频流（入口监控摄像头）、可编程逻辑控制器（PLC）和现场文档（健康和安全观察）。该站点还提供边缘计算功能，包括用于计算机视觉的机器学习模型，用于检测视频源中的健康和安全隐患。此外，它还有助于管理和控制用于检查和监控任务的现场机器人系统。
第 2 步
数据流模块从工业设备、现场视频流和物联网设备影子中摄取实时数据。第 3 步
数据湖建立了一个集中的安全数据存储库，用于存储和整理所有员工健康和安全数据。它是一种可扩展且耐用的存储解决方案，可在几天之内高效地准备和分析数据。第 4 步
指标和数据可视化模块通过仪表板和 3D 可视化显示员工健康和安全指标，包括安全违规行为和风险映射。它可以直接分析来自集中式数据湖的数据。第 5 步
人工智能和机器学习（AI/ML）模块利用计算机视觉模型进行视频分析。它还使用基础模型，利用物联网和文档数据开发风险预测和推理模型，使用大型语言模型（LLM）汇总内容，并为改善员工健康和安全状况提供培训建议。第 6 步
最终用户通过对话式聊天机器人界面与该解决方案进行交互。他们还可以通过各种设备接收通知和警报。 -
数据摄取
-
此架构图显示了组成现场运营环境的边缘站点组件。它支持从物联网设备、视频流、PLC 和文档中摄取数据。
单击可放大
数据摄取
边缘站点支持现场从物联网、视频、PLC 和文档中摄取数据，同时为计算机视觉和机器人提供边缘计算功能。第 1 步
在边缘站点，会通过现场传感器和摄像头收集各种遥测数据和视频流。这包括设备状态数据、入口监控视频、用于个人防护设备（PPE）检测的视频源、车辆碰撞检测以及用于控制机器人系统的数据。第 2 步
使用 AWS IoT Greengrass Core 建立安全连接，以便与在 FreeRTOS 和其他操作系统上运行的物联网设备进行数据交换。它使用开放标准的消息队列遥测传输（MQTT）协议来发布和订阅来自这些设备的遥测数据流。第 3 步
IoT Greengrass 使用在云端创建、训练和优化的模型，在设备本地进行机器学习推理，从而实现健康和安全风险预测。第 4 步
借助 Amazon Kinesis Video Streams 边缘代理，您可以通过摄像头在本地录制和存储视频。您还可以按照客户定义的时间表将视频流式传输到云端，以进行长期存储、播放和分析处理。第 5 步
AWS IoT SiteWise Edge 允许您在本地收集、整理、处理和监控设备数据。即使在云连接经常中断的情况下，使用 SiteWise Edge 数据的本地应用程序也将继续运行。第 6 步
健康和安全记录等本地文档存储在边缘服务器上，并流式传输到云端以进行进一步处理和分析。数据摄取
边缘站点支持现场从物联网、视频、PLC 和文档中摄取数据，同时为计算机视觉和机器人提供边缘计算功能。第 1 步
在边缘站点，会通过现场传感器和摄像头收集各种遥测数据和视频流。这包括设备状态数据、入口监控视频、用于个人防护设备（PPE）检测的视频源、车辆碰撞检测以及用于控制机器人系统的数据。第 2 步
使用 AWS IoT Greengrass Core 建立安全连接，以便与在 FreeRTOS 和其他操作系统上运行的物联网设备进行数据交换。它使用开放标准的消息队列遥测传输（MQTT）协议来发布和订阅来自这些设备的遥测数据流。第 3 步
IoT Greengrass 使用在云端创建、训练和优化的模型，在设备本地进行机器学习推理，从而实现健康和安全风险预测。第 4 步
借助 Amazon Kinesis Video Streams 边缘代理，您可以通过摄像头在本地录制和存储视频。您还可以按照客户定义的时间表将视频流式传输到云端，以进行长期存储、播放和分析处理。第 5 步
AWS IoT SiteWise Edge 允许您在本地收集、整理、处理和监控设备数据。即使在云连接经常中断的情况下，使用 SiteWise Edge 数据的本地应用程序也将继续运行。第 6 步
健康和安全记录等本地文档存储在边缘服务器上，并流式传输到云端以进行进一步处理和分析。 -
数据流式传输和处理
-
此架构图显示了如何处理来自边缘站点的数据，以及如何将其摄取到数据湖中。
单击可放大
数据流式传输
数据流式传输和处理模块摄取和处理来自边缘站点的工业设备、视频源和物联网设备的实时数据。它准备这些数据并将其流式传输到集中式数据湖中。第 1 步
使用 AWS IoT Core 维护所有联网物联网设备的设备影子（数字孪生），让设备群实现安全的云连接、设备管理、空中下载（OTA）更新和强大的安全性。第 2 步
使用 AWS IoT SiteWise 解锁来自工业设备的实时数据，提供井然有序的实时和历史健康与安全数据分析视图。第 3 步
使用 Amazon Kinesis Data Streams 和 Amazon Kinesis Data Firehose 来流式传输健康和安全数据，以捕获、处理和存储任何规模的数据流。第 4 步
Amazon Kinesis Video Streams 使用 Kinesis Video Streams 边缘代理安全地从边缘设备摄取视频源，从而出于健康和安全监控目的进行视频分析、机器学习和处理。第 5 步
Amazon Textract 是一项机器学习服务，用于自动从扫描的现场文档（例如健康和安全观察报告）中提取文本、手写文字、布局元素和数据。数据湖
数据湖是一个安全的集中式数据存储库，用于存储和整理通过数据流式传输和处理模块摄取的员工健康和安全数据。它可以对设备遥测、视频、物联网数据和文档等各种数据来源进行高效的数据准备和分析。第 6 步
健康和安全数据湖内置在 Amazon Simple Storage Service（Amazon S3）中，用于存储原始数据。它还存储经过整理和处理的数据集，从而高效存储和访问数据以进行分析和报告。第 7 步
AWS Glue 和 AWS Lake Formation 用于在 Amazon S3 数据湖中进行数据发现、治理和管理。AWS Glue 支持数据转换和扩充任务，确保出于分析和报告目的正确准备数据。第 8 步
创建经过整理和处理的数据集并将其存储在 Amazon S3 中，从而可以集中访问经过优化的健康和安全数据，以执行下游分析和报告任务。第 9 步
Amazon S3 Glacier Deep Archive 为大量不经常访问的原始健康和安全数据提供安全、经济实惠的长期归档存储空间。第 10 步
Amazon SageMaker Ground Truth 指导您完成标记图像、音频、文本和其他数据类型的结构化工作流程，从而构建准确的训练数据集。第 11 步
Amazon SageMaker 用于构建、训练和部署基于物联网数据和文档存储库的风险预测和推理模型。这些模型可以有选择地部署在边缘的 IoT Greengrass Core 设备上，以进行本地推理和决策。第 12 步
Amazon Rekognition 可以检测来自运营环境的图像和视频源中是否有个人防护装备及其使用情况。这样可以监控和采取正确的个人防护装备做法。第 13 步
Amazon Bedrock 上的 LLM 汇总和查询健康和安全内容，从而支持自然语言信息检索。第 14 步
Amazon OpenSearch Service 和 Amazon Kendra 充当检索增强生成（RAG）的后端，可高效检索和整合来自健康和安全数据存储库的相关信息。这增强了 LLM 生成的响应和输出。数据流式传输
数据流式传输和处理模块摄取和处理来自边缘站点的工业设备、视频源和物联网设备的实时数据。它准备这些数据并将其流式传输到集中式数据湖中。第 1 步
使用 AWS IoT Core 维护所有联网物联网设备的设备影子（数字孪生），让设备群实现安全的云连接、设备管理、空中下载（OTA）更新和强大的安全性。第 2 步
使用 AWS IoT SiteWise 解锁来自工业设备的实时数据，提供井然有序的实时和历史健康与安全数据分析视图。第 3 步
使用 Amazon Kinesis Data Streams 和 Amazon Kinesis Data Firehose 来流式传输健康和安全数据，以捕获、处理和存储任何规模的数据流。第 4 步
Amazon Kinesis Video Streams 使用 Kinesis Video Streams 边缘代理安全地从边缘设备摄取视频源，从而出于健康和安全监控目的进行视频分析、机器学习和处理。第 5 步
Amazon Textract 是一项机器学习服务，用于自动从扫描的现场文档（例如健康和安全观察报告）中提取文本、手写文字、布局元素和数据。数据湖
数据湖是一个安全的集中式数据存储库，用于存储和整理通过数据流式传输和处理模块摄取的员工健康和安全数据。它可以对设备遥测、视频、物联网数据和文档等各种数据来源进行高效的数据准备和分析。第 6 步
健康和安全数据湖内置在 Amazon Simple Storage Service（Amazon S3）中，用于存储原始数据。它还存储经过整理和处理的数据集，从而高效存储和访问数据以进行分析和报告。第 7 步
AWS Glue 和 AWS Lake Formation 用于在 Amazon S3 数据湖中进行数据发现、治理和管理。AWS Glue 支持数据转换和扩充任务，确保出于分析和报告目的正确准备数据。第 8 步
创建经过整理和处理的数据集并将其存储在 Amazon S3 中，从而可以集中访问经过优化的健康和安全数据，以执行下游分析和报告任务。第 9 步
Amazon S3 Glacier Deep Archive 为大量不经常访问的原始健康和安全数据提供安全、经济实惠的长期归档存储空间。人工智能/机器学习
计算机视觉、风险预测模型和自然语言处理用于推荐现场安全协议，并通过由人工智能/机器学习提供支持的对话式聊天机器人界面提供基于场景的健康和安全培训建议。第 10 步
Amazon SageMaker Ground Truth 指导您完成标记图像、音频、文本和其他数据类型的结构化工作流程，从而构建准确的训练数据集。第 11 步
Amazon SageMaker 用于构建、训练和部署基于物联网数据和文档存储库的风险预测和推理模型。这些模型可以有选择地部署在边缘的 IoT Greengrass Core 设备上，以进行本地推理和决策。第 12 步
Amazon Rekognition 可以检测来自运营环境的图像和视频源中是否有个人防护装备及其使用情况。这样可以监控和采取正确的个人防护装备做法。第 13 步
Amazon Bedrock 上的 LLM 汇总和查询健康和安全内容，从而支持自然语言信息检索。第 14 步
Amazon OpenSearch Service 和 Amazon Kendra 充当检索增强生成（RAG）的后端，可高效检索和整合来自健康和安全数据存储库的相关信息。这增强了 LLM 生成的响应和输出。 -
数据可视化和通知
-
此架构图显示如何摄取数据并将其用于创建控制面板、3D 可视化效果和风险映射。
单击可放大
数据可视化
数据可视化模块从 AWS IoT SiteWise 和数据湖中摄取数据，为监控员工健康和安全指标提供控制面板、3D 可视化图表和风险映射。它还可以直接通过整理好的数据集进行数据探索和分析。第 1 步
使用 Amazon Athena 和 Amazon QuickSight 进行分析。对于一次性需求，请发布数据目录并使用 Athena 利用数据湖进行直接分析。第 2 步
使用 AWS IoT TwinMaker 创建数字孪生，即物理操作环境的虚拟表示。这样可以将风险等级和其他健康和安全指标映射到 3D 资产模型，从而对潜在危险和关注领域提供身临其境的直观可视化效果。第 3 步
使用 Amazon Managed Grafana 创建控制面板，用于数字孪生可视化。通知
本指南的“通用应用程序”部分为最终用户提供了对话式聊天机器人界面，供其与该解决方案进行交互。它跨设备提供通知和警报，并支持双向通信，可将命令或数据发送到边缘站点。第 4 步
使用微服务和 AWS AppSync 构建实时健康和安全控制面板。使用 Amazon Pinpoint 向多个渠道发送警报。数据可视化
数据可视化模块从 AWS IoT SiteWise 和数据湖中摄取数据，为监控员工健康和安全指标提供控制面板、3D 可视化图表和风险映射。它还可以直接通过整理好的数据集进行数据探索和分析。第 1 步
使用 Amazon Athena 和 Amazon QuickSight 进行分析。对于一次性需求，请发布数据目录并使用 Athena 利用数据湖进行直接分析。第 2 步
使用 AWS IoT TwinMaker 创建数字孪生，即物理操作环境的虚拟表示。这样可以将风险等级和其他健康和安全指标映射到 3D 资产模型，从而对潜在危险和关注领域提供身临其境的直观可视化效果。第 3 步
使用 Amazon Managed Grafana 创建控制面板，用于数字孪生可视化。通知
本指南的“通用应用程序”部分为最终用户提供了对话式聊天机器人界面，供其与该解决方案进行交互。它跨设备提供通知和警报，并支持双向通信，可将命令或数据发送到边缘站点。第 4 步
使用微服务和 AWS AppSync 构建实时健康和安全控制面板。使用 Amazon Pinpoint 向多个渠道发送警报。
Well-Architected 支柱
当您在云中构建系统时，AWS Well-Architected Framework 可以帮助您了解所做决策的利弊。框架的六大支柱使您能够学习设计和操作可靠、安全、高效、经济高效且可持续的系统的架构最佳实践。使用 AWS 管理控制台中免费提供的 AWS Well-Architected Tool，您可以通过回答每个支柱的一组问题，根据这些最佳实践来检查您的工作负载。
上面的架构图是按照 Well-Architected 最佳实践创建的解决方案示例。要做到完全的良好架构，您应该遵循尽可能多的 Well-Architected 最佳实践。
-
卓越运营阅读《卓越运营》白皮书
AWS IoT Core 通过即时配置、注册和多账户支持实现设备无缝载入。该服务支持在实施前高效进行变更和影响预测，并在整个员工健康和安全生命周期中保持卓越运营。
可以使用设备注册表和 AWS IoT 设备影子服务将设备与元数据关联。
最后，通过与 Amazon CloudWatch 集成，可以监控传入的数据流并针对潜在问题发出警报。通过了解服务指标，您可以优化事件工作流并确保可扩展性。
-
安全性阅读《安全性》白皮书
通过使用 AWS Identity and Access Management（IAM）和 AWS IoT Core 策略，本指南优先考虑数据保护、系统安全性和资产完整性，并与最佳实践保持一致以及改善您的整体安全状况。这些策略支持精细的访问控制，将权限限制在必要的级别。具体而言，AWS IoT Core 策略规定了哪些设备可以向特定的 MQTT 主题发送数据以及它们如何与云交互。这种方法可以防止未经授权的访问，降低潜在的安全风险，例如产生意外费用，或设备遭到入侵，发送恶意命令。
我们建议为云端的所有数据目的地启用由 Amazon S3 和 AWS IoT SiteWise 提供支持的静态加密功能，以进一步保护敏感信息。
-
可靠性阅读《可靠性》白皮书
通过多可用区（Multi-AZ）部署、节流限制以及 Amazon Managed Grafana 等托管式服务，本指南可以帮助确保关键工作负载能够持续运行并实现最短的停机时间。具体而言，AWS IoT SiteWise 和 AWS IoT TwinMaker 对数据入口和出口实施节流限制以确保持续运营，即使在高流量或高负载时段也是如此。
此外，Amazon Managed Grafana 控制台还提供了一个可靠的工作空间，无需管理硬件或基础设施，即可对指标、日志和跟踪进行可视化和分析。它会自动预置、配置和管理此工作空间，同时处理自动版本升级和自动扩展，以满足动态使用需求。这种自动扩展功能对于处理现场运营期间的峰值使用量或工业环境中的换班至关重要。
-
性能效率阅读《性能效率》白皮书
除了 AWS IoT SiteWise 和 Amazon S3 的自动扩展功能以外，通过使用 AWS IoT SiteWise 的功能来管理节流，本指南还可以高效地摄取、处理和存储数据，即使在数据大量涌入期间也是如此。这种自动扩展功能无需手动进行容量规划和资源预置，因此在实现最佳性能的同时最大限度地减少了运营开销。
-
成本优化阅读《成本优化》白皮书
本指南的成本节省主要是通过减少现场运营工作、监管合规成本和人力资源开支来实现的。AWS IoT SiteWise 和 AWS IoT TwinMaker 是经过成本优化的托管服务，能以低廉的价格提供数字孪生功能。它们采用即用即付定价模式，确保您仅需为摄取、存储和查询的数据付费。
AWS IoT SiteWise 还提供了经过优化的存储设置，使数据能够在 Amazon S3 中从一个热存储层移到一个冷存储层，因此进一步降低了存储成本。
-
可持续性阅读《可持续性》白皮书
本指导中的服务使用 AWS 的弹性、可扩展的基础设施，此基础设施可以根据使用需求纵向扩展和缩减计算资源。这样可以防止过度预置并最大限度地减少多余的计算容量，因此减少了意外的碳排放。您可以使用客户碳足迹工具监控您的二氧化碳排放量。此外，借助数字孪生（AWS IoT TwinMaker）等技术提供的敏捷性、基于事件的自动化以及基于人工智能/机器学习的洞察，工程团队可以优化现场运营，从而提高效率并最大限度地减少工业流程的排放量。
本指南还通过在 Amazon S3 的 AWS IoT SiteWise 冷层中使用 Apache Parquet 格式来实现高效数据存储，这是一种开源的列式数据文件格式，旨在高效存储和检索数据，减少存储开销和相关排放量。此外，通过使用 Amazon Bedrock 的数据可视化和自然语言处理生成式人工智能，本指南可以根据收集的历史数据识别未知的风险领域，从而使您能够评估干预措施的有效性并进一步优化现场运营，以提高效率和减少排放量。
实施资源
提供了在 AWS 账户中进行实验和使用的详细指南。构建指南的每个阶段（包括部署、使用和清理）都将被检查，以便为部署做好准备。
示例代码为起点。它经过行业验证，是规范性但不是决定性的，可以帮助您开始。
免责声明
示例代码；软件库；命令行工具；概念验证；模板；或其他相关技术（包括由我方人员提供的任何前述项）作为 AWS 内容按照《AWS 客户协议》或您与 AWS 之间的相关书面协议（以适用者为准）向您提供。您不应将这些 AWS 内容用在您的生产账户中，或用于生产或其他关键数据。您负责根据特定质量控制规程和标准测试、保护和优化 AWS 内容，例如示例代码，以使其适合生产级应用。部署 AWS 内容可能会因创建或使用 AWS 可收费资源（例如，运行 Amazon EC2 实例或使用 Amazon S3 存储）而产生 AWS 费用。
本指南中提及第三方服务或组织并不意味着 Amazon 或 AWS 与第三方之间存在认可、赞助或从属关系。AWS 的指导是一个技术起点，您可以在部署架构时自定义与第三方服务的集成。