AWS Machine Learning Blog

How CrossnoKaye grounds physical AI with Amazon Bedrock AgentCore

7.1内容质量
How CrossnoKaye grounds physical AI with Amazon Bedrock AgentCore

TL;DR · AI 摘要

How CrossnoKaye grounds physical AI with Amazon Bedrock AgentCore Artificial Intelligence How CrossnoKaye grounds physic...

核心要点

  • 主题聚焦:How CrossnoKaye grounds physical AI with Amazon
  • 来源:AWS Machine Learning Blog,建议结合原文判断细节。
  • AI 分析暂不可用,本条为保底评分与摘要。
#AI#编程#后端#云计算#安全
打开原文

CrossnoKaye 如何借助 Amazon Bedrock AgentCore 实现物理 AI | 人工智能

CrossnoKaye 如何借助 Amazon Bedrock AgentCore 实现物理 AI

工业运营中面临的 AI 挑战在典型的企业软件中并不常见。在大多数工厂中,设备数据和控制逻辑分散在不同供应商的独立系统中:可编程逻辑控制器(PLCs)和分布式控制系统(DCS)负责运行设备逻辑,历史记录系统按照特定现场命名规则记录时间序列标签,监控与数据采集(SCADA)系统驱动操作员屏幕,而独立的优化工具或报警记录器则处于系统边缘。在实际操作中,将外部 AI 代理附加到这种系统堆栈通常效果不佳。每个系统都使用自己的命名规范。真正决定设备行为方式的逻辑(控制序列、状态机和安全联锁)被锁定在专有控制器代码中,外部工具无法访问。让附加代理跨多个运营技术(OT)系统运行,还意味着需要在工厂网络中分发凭据。

CrossnoKaye 采用不同方法,借助 Amazon Bedrock AgentCore 将物理 AI 带入重工业领域。其软件定义的自动化平台 ATLAS 将实时工厂数据和 AI 推理与食品饮料工厂、工业制冷设施、骨料采石场和制造工厂中运行的设备闭环控制连接起来。在超过 100 个工业设施和 13,000 个受控资产中,CrossnoKaye 存储了超过 22 万亿个机器数据点,每天接收超过 500 亿个新读数,并运行超过 1,000 个实时先进过程控制(APC)应用;CrossnoKaye 报告称,这些应用使生产吞吐量提高了 11-17%,同时平均将整个设施的能源成本降低了 21%。由于 ATLAS 已经在 AWS 上的单一平台中管理了工厂模型、基础控制软件、历史记录系统和优化应用,因此 CrossnoKaye 的智能代理系统 AURA 可以在单一安全边界内原生访问工厂的完整运行状态。

然而,拥有工厂上下文信息只是问题的一半。大型语言模型(LLMs)擅长解释工程背景和规划调查,但无法可靠地在提示中对数百万个传感器读数进行统计计算或物理平衡。为确保每个数值答案都有真实的数学依据,AURA 使用 Amazon Bedrock AgentCore 的代码解释器功能,在隔离的 AWS 管理微虚拟机沙箱中实时编写并运行 Python 工作负载,同时结合 Amazon Bedrock Guardrails 和本地边缘安全控制。本文将介绍 CrossnoKaye 如何在 AWS 上构建 ATLAS 和 AURA,AURA 如何通过交互式聊天(Chats)、可重复任务(Tasks)和自动化流程(Routines)使用 Amazon Bedrock AgentCore,以及团队在生产环境中运行物理 AI 的经验教训。

解决方案概述

ATLAS 通过现有的 PLC 和 DCS 基础设施控制工业流程,从窑炉、破碎机、干燥室、烤箱、螺旋冷冻机到冷凝器、涡轮机、阀门和压缩机,无需客户更换工厂硬件。图 1 展示了本地 ATLAS 边缘集群、持续云优化和 AURA 如何在 AWS 上协同工作。

图1:CrossnoKaye AURA和ATLAS物理AI架构与Amazon Bedrock AgentCore

ATLAS和AURA围绕三个核心层级构建:

首先,从边缘到顶层的工厂都在软件中进行定义。在每个设施中,配备冗余计算机、电源和网络交换机的本地ATLAS控制面板(确保硬件组件更换时本地控制持续运行)运行本地Kubernetes集群,该集群采用基于契约的微服务架构,将ATLAS云平台从AWS扩展至工厂现场。在云端,ATLAS编写、验证并版本化设施的基础控制叙事(定义设备状态机、操作序列、运行边界、联锁装置和报警规则),这些内容会下载到边缘设备并在本地针对现有设备和控制器执行。CrossnoKaye每年报告超过9,000次控制软件部署,累计运行时间超过100万小时且无任何安全事件。每个边缘设备还充当仅出站的信息技术/运营技术(IT/OT)网关,在工厂内部不开放任何入站防火墙端口,通过Amazon VPC Lattice和Amazon Managed Streaming for Apache Kafka(Amazon MSK)将高频遥测数据流式传输至AWS。当云连接中断时,工厂仍能基于本地边缘集群中的基础控制叙事安全运行。

其次,衍生工程信号和闭环优化应用基于共享的工厂模型在基础控制层之上运行。在云端,CrossnoKaye的调度系统从Amazon Simple Storage Service(Amazon S3)中版本化的Python软件包运行两个持续流水线,根据实例配置的周期性和事件驱动触发器在工厂设置变更时执行。合成读取算法计算衍生工程指标,如热流分布、资产健康指数、能源强度和质量平衡偏差,并将这些指标与物理I/O一并写入历史数据库。闭环优化应用在基础控制层之上运行,结合这些衍生合成读数与物理模型、模型预测控制(MPC)、强化学习、公用事业费率和天气预报,计算最优设定点计划。Amazon Simple Queue Service(Amazon SQS)FIFO队列按设施对每个计划和状态更新进行排序,然后将设定点发送至边缘集群中的本地基础控制叙事,CrossnoKaye报告该系统每天执行650,000次闭环控制操作。

第三,AURA作为微服务和持久化Temporal工作流,在Amazon Elastic Kubernetes Service(Amazon EKS)平台边界内运行。在调用者的企业权限下,AURA代理查询内部Atlas数据网关,以一致模型读取设施或舰队的运营状态:上游和下游设备拓扑、部署的基础控制叙事和联锁装置、物理I/O和合成读数、设定变更和报警历史、活动优化计划以及在Amazon Bedrock知识库中索引的工厂文档。

将设备布局、基础控制逻辑和传感器数据整合在同一系统中,对诊断工厂问题具有显著影响。在一家同时运行初级、次级和三级破碎机的骨料采石场中,工厂后半部分在单个班次内两次跳闸。控制室的操作人员看到次级破碎机出现故障,清除警报并重新启动生产线,但数小时后又再次跳闸。仅从历史记录的时间戳来看,次级破碎机在三级破碎机跳闸后几秒就发生故障,这看起来像是破碎机本身的问题。由于AURA还读取输送带布局和部署的基础控制联锁,其调查遵循了实际的控制逻辑。三级破碎机下方的循环输送带打滑,导致三级破碎机的过载联锁跳闸。该联锁的上游安全联锁立即停止了次级破碎机,以防止下游停止的破碎机被石料埋住。工厂经理没有盲目排查虚假的破碎机故障,而是派操作人员检查循环输送带,几分钟内就确认并修复了打滑问题。

图1中的编号流程展示了AURA调查如何在AWS上运行:

  • 客户端和边缘接入:工程师和模型上下文协议(MCP)客户端通过AWS WAF和公共应用负载均衡器连接,API网关在此验证企业单点登录(SSO)或MCP凭证。边缘遥测数据和控制计划通过Amazon VPC Lattice(使用AWS身份和访问管理(IAM)签名版本4(SigV4)认证)和Amazon MSK传输。
  • 上下文检索和受保护推断:AURA工作流通过Atlas数据网关读取工厂状态,并通过模型网关将提示和组织范围的检索增强生成(RAG)查询路由到基础模型、Amazon Bedrock Guardrails和Amazon Bedrock知识库。
  • 运行时计算调度:对于统计、热力学或多数据集数学计算,工作流通过gRPC将输入数据集流式传输到AURA内部的沙箱编排服务。
  • 会话协调和实时流媒体:在交互式会话中,沙箱编排器跟踪活动沙箱会话ID,并通过Amazon ElastiCache for Valkey实时流式传输进度。
  • 隔离的Python执行:沙箱编排器使用AWS SDK调用Amazon Bedrock AgentCore运行时的端点,这是Amazon Bedrock AgentCore的一项功能,在隔离的代码解释器微虚拟机中分阶段数据集并运行模型编写的Python代码。
  • 工件存储和Brief交付:经过验证的Apache Parquet输出、图表和引用的Brief存储到Amazon S3(通过AWS PrivateLink),Amazon Simple Email Service(Amazon SES)将自动化Brief发送给工厂团队。

演示

AURA结合了Amazon Bedrock上的基础模型(有关AWS区域支持的模型,请参阅《Amazon Bedrock用户指南》中的“按AWS区域支持的模型”),以及Amazon Bedrock AgentCore Code Interpreter中的隔离Python沙箱(这是Amazon Bedrock AgentCore的一项功能),通过三种操作模式运行:

  • 聊天:交互式、多轮工程对话,覆盖单个单元、工艺线或多站点组合(单次对话最多200个设施)。
  • 任务:可重复、参数化的调查,绑定到不可变版本快照,生成包含引用证据表格和图表的结构化技术Brief。
  • 例程:由计划、传感器阈值、变化率窗口、警报或设备模式转换触发的自动化后台监视器。

以下部分将探讨这些工作流程背后的四个架构决策。

交互式对话沙盒与单次运行流水线的对比

交互式调试和自动化工厂报告对状态有不同的需求:

  • 在交互式聊天中,工程师需要逐步探索假设:加载94个设施过去24小时的关键警报,过滤掉某站点频繁波动的储罐液位传感器数据,并将压缩机跳闸事件与环境湿球温度进行关联。如果每次交互都启动新的冷沙盒,会清除内存表并增加延迟。对于聊天场景,沙盒编排器会将一个预热的Amazon Bedrock AgentCore会话绑定到Amazon ElastiCache for Valkey中的对话,设置15分钟的滑动生存时间(TTL),并在工程师超过空闲超时后自动透明替换会话。
  • 在计划任务或凌晨2点的例程中,可重复性是首要要求。每次运行必须从干净的环境开始,不能残留之前运行的状态。对于任务和例程,沙盒编排器会为每次运行分配一个全新的单次使用AgentCore微虚拟机,并在计算完成后立即通过StopCodeInterpreterSession停止会话,从而防止跨运行污染和空闲沙盒计费。

这种热会话设计使全舰队级的批量处理在单次对话中成为可能。当运营总监要求AURA审查过去24小时内94个设施的所有关键警报并识别主要机械风险时,代理会从Atlas数据网关加载舰队警报摘要到AgentCore沙盒中,并按设施、规则和到达间隔时间对触发事件进行分组。Python分析不会简单按原始警报数量排序,而是区分出:某工厂103次关键触发来自两个重复的储罐液位规则,而另一工厂58次触发涉及氨气检测、蒸发器故障和高温气体阀门在1秒内的连续触发,直接指引安全和维护团队定位存在设备连锁故障的设施。

可验证计算替代未经验证的模型数学

当工程师要求AURA分析工艺趋势或审计班次表现时,响应中的数字必须精确。在AURA早期开发阶段,团队发现允许模型编写自由格式的Python脚本并输出JSON或文本摘要到标准输出过于脆弱:模型偶尔会错误命名列名、遗漏时间窗口部分数据,或以破坏下游图表渲染的方式格式化输出。

为使运行时计算可验证,AURA对每个Amazon Bedrock AgentCore运行实施严格的数据契约:

  • 预先契约验证和多源数据预处理:在分配沙盒会话前,沙盒编排器会验证输入契约,并将最多50个数据集预处理到微虚拟机工作区,整合物理I/O、派生合成读数、设置日志、警报历史和公用事业费率表。
  • 沙箱内DataFrame模式验证:服务不会从标准输出中解析自由文本,而是将确定性验证工具链附加到模型的Python脚本中。在沙箱内部,该工具链会验证所有声明的输出表是否以包含所有必需列和类型的pandas.DataFrame形式存在于内存中,并直接将验证后的表序列化为二进制Apache Parquet文件。
  • 自动自我修正机制:如果脚本引发Python异常或遗漏必需列,任何未经验证的数据都不会传递给用户。时间工作流会将异常追踪和模式不匹配信息作为结构化重试提示进行捕获,使代理修正其Python逻辑并在干净沙箱中重新运行计算,只有在完成验证后才会发布任何结论。

通过Amazon SES实现的自动化夜班流程与引用摘要

工厂工程师无法全天候监控分布在100个设施中的仪表盘,而许多设备问题往往在夜班期间以缓慢漂移的形式开始。AURA流程在后台运行,监控特定工艺条件(如制冷阶段的吸气压力漂移、批量干燥曲线偏离规格,或非计划的手动设定值覆盖),当检测到触发条件时会自动启动调查。

工业冷水机组厂的夜班案例展示了该系统的端到端运作流程:

  • 自动检测与沙箱根因分析(凌晨2:00-2:03):凌晨2点,流程检测到低压级吸气压力漂移并以只读模式启动其固定任务。在Amazon Bedrock AgentCore沙箱中,代理将冷凝器接近温度与低压级吸气压力进行对比分析(涵盖物理和合成数据),排除传感器漂移和制冷剂充注不足因素,最终锁定冷凝器侧结垢问题。
  • 确定性引用验证(凌晨2:04):在发布摘要前,AURA会解析所有内联引用,验证每个声明是否链接到Amazon S3中的已保存遥测窗口、设置变更记录或沙箱输出工件。不会自动执行任何控制变更。
  • 通过Amazon SES发送摘要与一键聊天交接:触发事件后4分钟内,AURA通过Amazon SES向工厂工程团队发送格式化的HTML摘要邮件,包含诊断结果、引用信号轨迹以及"在AURA中调查"按钮。当主工程师在早班会议前点击该按钮时,AURA会验证工程师的实时工厂权限,打开预加载摘要证据的交互式聊天界面,使团队能够立即提出后续问题或下达工单。

多层纵深防御工业安全体系

在工业工厂中,运营安全不能依赖LLM遵循提示中的指令。由于ATLAS和AURA共享从云端到工厂地面边缘Kubernetes集群的同一平台,CrossnoKaye通过四个独立层级对AI和优化工作负载实施严格限制:

  • Amazon Bedrock防护栏与可验证溯源性(监控):所有通过AURA模型网关路由的提示和完成内容都会经过Amazon Bedrock防护栏评估,以强制执行内容、主题和安全策略。知识库检索按组织隔离,每个摘要都要求验证内联引用,注明分析的时间窗口以及传感器数据不可用的时段。
  • 隔离的只读沙盒与人工批准的提案(Propose):Amazon Bedrock AgentCore Code Interpreter 微虚拟机在隔离的 AWS 管理环境中运行,这些环境与生产设备之间没有网络连接、凭证或 API 路径。自动化流程严格以只读模式运行。当工程师通过交互式会话提出设置更改时,平台需要操作员的企业身份进行显式人工批准,并在后续通过工厂遥测数据验证物理结果。
  • 边缘端不可绕过的确定性一级基础控制(Bounded and Base Control):云端优化应用不直接驱动现场硬件,而是通过在平台基础控制层上分发工程批准的设定值计划来运行。在工厂现场,边缘 Kubernetes 集群实时本地运行下载的基础控制叙事,强制执行确定性状态机保护、变化率限制、操作边界和设备联锁,这些控制措施无法被云服务、优化应用或 AI 代理绕过。
  • 独立的物理硬件保护:在 ATLAS 软件定义控制器之下,工厂的物理机械和现场布线实施了独立的硬连线保护层,包括安全继电器、本地可编程跳闸装置以及机械压力释放和超温设备。

结果与经验总结

在食品加工、工业制冷、骨料与采矿以及制造工厂中,CrossnoKaye 报告称,通过结合软件定义的边缘控制、持续的云端优化和 AURA,使批次干燥时间标准差降低了 34%(同时产品在目标收率规格内的完成率提高了 6%),并在采石场作业中每年识别出超过 5 万吨的可回收生产缺口。目前,超过 5,000 个 AI 代理正在客户设施的 10,000 个工厂资产上运行(包括 ATLAS 机队中超过 13,000 个受控设备和单元),以往需要数小时导出历史 CSV 数据、交叉参考 PLC 梯形逻辑并构建电子表格的调查,现在可在不到四分钟内完成,并通过 Amazon SES 在早班会议前发送引用技术简报。

在工业设施中构建和运营 AURA 的过程中,有三个经验尤为突出:

  • 在添加 AI 之前统一工厂模型与控制逻辑:只有当代理能够在一个一致的模型中读取工艺拓扑、部署的基础控制叙事和联锁、设定值更改历史以及优化器状态时,才能诊断真实的物理根本原因,例如区分下游循环带滑动故障与二次破碎机故障,而不是将六个独立的工厂系统拼接在一起。
  • 在操作员的日常流程中提供价值,而非作为独立工具使用:工厂团队忙于运行设备。如果 AI 助手是一个需要从空白提示开始的独立工具,日常使用率将停滞。将 AURA 嵌入日常轮班节奏(在后台流程中夜间检测异常、在 Amazon Bedrock AgentCore 中运行 Python 分析,并通过单击操作将引用简报发送到工程师邮箱并预加载聊天界面),使操作员在正常流程中直接看到价值,无需使用独立产品。
  • 在代码中而非提示中强制执行数据、覆盖范围和安全合同:在工厂中,传感器数据缺失的一小时与没有事件的一小时并不相同,未经验证的计算可能导致维护人员前往错误的机器。通过在工具合同中明确数据覆盖范围的缺口,在从AgentCore沙箱中提取二进制Apache Parquet输出前验证pandas.DataFrame模式,并在边缘Kubernetes集群上强制执行确定性的基础控制边界,这些措施能够在问题影响操作员或设备之前捕获概率模型错误。

结论

重型工业中可靠的物理AI需要将模型扎根于工厂实际的设备拓扑和控制逻辑中,并通过可验证的Python计算支持每一个定量主张。结合Amazon Bedrock Guardrails和Amazon Bedrock AgentCore中的隔离Python沙箱,ATLAS和AURA使代理能够推理实时设施本体、基础控制叙事、设置历史、物理I/O、优化状态和合成读数,通过Amazon SES提供可核查的工程答案和引用技术简报,同时将确定性安全控制牢牢保留在工厂现场。

欲了解如何使用隔离代码执行构建代理,请参阅《Amazon Bedrock AgentCore开发指南》或访问CrossnoKaye,了解物理AI如何改变重型工业。

作者简介

'"`