Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés. # Habilite la detección de anomalías en los sensores de todos los activos ## Crear un modelo de cálculo ()AWS CLI Para crear un modelo de cálculo, utilice la interfaz de línea de AWS comandos ()AWS CLI. Tras definir el modelo de cálculo, entrénelo y programe la inferencia para detectar anomalías en todos los activos. AWS IoT SiteWise Los siguientes pasos explican este proceso: 1. Para configurar la detección de anomalías, utilice [UpdateAssetModel(AWS CLI)](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/update-asset-model.html) y cumpla los siguientes requisitos: 1. Al menos una propiedad de entrada que sea de uno `DOUBLE` o varios tipos de `INTEGER` datos. Se trata de una propiedad de medición o de transformación y se utiliza para entrenar el modelo. 1. Una propiedad de resultado del tipo de `STRING` datos. Debe ser una propiedad de medición y almacena los resultados de la detección de anomalías. 1. Cree un archivo `anomaly-detection-computation-model-payload.json` con el siguiente contenido: **nota** Cree un modelo de cálculo proporcionándolo directamente `assetProperty` como fuente de datos. ``` { "computationModelName": "name of ComputationModel", "computationModelConfiguration": { "anomalyDetection": { "inputProperties": "${properties}", "resultProperty": "${p3}" } }, "computationModelDataBinding": { "properties": { "list": [ { "assetProperty": { "assetId": "asset-id", "propertyId": "input-property-id-1" } }, { "assetProperty": { "assetId": "asset-id", "propertyId": "input-property-id-2" } } ] }, "p3": { "assetProperty": { "assetId": "asset-id", "propertyId": "results-property-id" } } } } ``` 1. Ejecute el siguiente comando para crear un modelo de cálculo: ``` aws iotsitewise create-computation-model \ --cli-input-json file://anomaly-detection-computation-model-payload.json ``` ## ExecuteAction Preparación de la carga útil de la API Los siguientes pasos para ejecutar la formación y la inferencia se realizan con la [ExecuteAction](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ExecuteAction.html)API. Tanto el entrenamiento como la inferencia se configuran con una configuración de carga útil de acciones de JSON. Al invocar la [ExecuteAction](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ExecuteAction.html)API, la carga útil de la acción debe proporcionarse como un valor junto con una carga útil. `stringValue` La carga útil debe cumplir estrictamente los requisitos de la API. En concreto, el valor debe ser una **cadena plana** sin **caracteres de control** (por ejemplo, líneas nuevas, tabulaciones o devoluciones). Las siguientes opciones proporcionan dos formas fiables de proporcionar una carga útil de acción válida. ### Opción 1: utilice un archivo de carga limpio El siguiente procedimiento describe los pasos para limpiar un archivo de carga útil: 1. Limpie el archivo para eliminar los caracteres de control. ``` tr -d '\n\r\t' < original-action-payload.json > training-or-inference-action-payload.json ``` 1. Ejecute la acción con el archivo`@=file://...`. ``` aws iotsitewise execute-action \ --target-resource computationModelId= \ --action-definition-id \ --action-payload stringValue@=file://training-or-inference-action-payload.json ``` ### Opción 2: cadena en línea con comillas de escape En los siguientes pasos se describen los pasos para suministrar la carga útil en línea y evitar los archivos intermediarios: + Usa comillas dobles escapadas (`\"`) dentro de la cadena JSON. + Envuelve la `StringValue=..` expresión completa entre comillas dobles. **Example de una carga útil de acción que se ha escapado:** ``` aws iotsitewise execute-action \ --target-resource computationModelId= \ --action-definition-id \ --action-payload "stringValue={\"exportDataStartTime\":1717225200,\"exportDataEndTime\":1722789360,\"targetSamplingRate\":\"PT1M\"}" ``` ## Entrena al modelo ()AWS CLI 1. Ejecute el siguiente comando para buscar el `actionDefinitionId` de la acción `AWS/ANOMALY_DETECTION_TRAINING`. `computation-model-id`Sustitúyalo por el identificador devuelto en el paso anterior. ``` aws iotsitewise describe-computation-model \ --computation-model-id computation-model-id ``` 1. Cree un archivo llamado `anomaly-detection-training-payload.json` y añada los siguientes valores: **nota** La carga útil debe ajustarse a[Opción 1: utilice un archivo de carga limpio](#clean-payload-file-across-assets). 1. `StartTime`con el inicio de los datos de entrenamiento, proporcionados en segundos por época. 1. `EndTime`con el final de los datos de entrenamiento, proporcionados en segundos de época. 1. Puede [Configuraciones de inferencia avanzadas](advanced-inference-configurations.md) configurarlo de forma opcional. 1. (Opcional) `TargetSamplingRate` con la frecuencia de muestreo de los datos. 1. (Opcional) `LabelInputConfiguration` para especificar los períodos de tiempo en los que se produjo un comportamiento anómalo para mejorar el entrenamiento del modelo. 1. (Opcional) `ModelEvaluationConfiguration` para evaluar el rendimiento del modelo mediante la ejecución de la inferencia en un intervalo de tiempo específico una vez finalizado el entrenamiento. ``` { "exportDataStartTime": StartTime, "exportDataEndTime": EndTime } ``` **Example de un ejemplo de carga útil de entrenamiento:** ``` { "exportDataStartTime": 1717225200, "exportDataEndTime": 1722789360 } ``` 1. Ejecute el siguiente comando para iniciar el entrenamiento (sin proporcionar un activo como recurso de destino). Sustituya los siguientes parámetros del comando: ``` aws iotsitewise execute-action \ --target-resource computationModelId=computation-model-id \ --action-definition-id training-action-definition-id \ --action-payload stringValue@=file://anomaly-detection-training-payload.json ``` 1. Ejecute el siguiente comando para comprobar el estado del proceso de entrenamiento del modelo. El resumen de ejecución más reciente muestra el estado de la ejecución (`RUNNING``COMPLETED`//`FAILED`). ``` aws iotsitewise list-executions \ --target-resource-type COMPUTATION_MODEL \ --target-resource-id computation-model-id ``` 1. Ejecute el siguiente comando para comprobar la configuración del último modelo entrenado. Este comando produce un resultado solo si al menos un modelo ha completado el entrenamiento correctamente. ``` aws iotsitewise describe-computation-model-execution-summary \ --computation-model-id computation-model-id ``` ## Inicie y detenga el reentrenamiento del modelo ()AWS CLI Tras el entrenamiento inicial del modelo, puede configurar el reentrenamiento automático para abordar la desviación de los datos y mantener la precisión del modelo a lo largo del tiempo. El programador de reentrenamiento le permite configurar actualizaciones periódicas del modelo con modos de promoción configurables. ### Inicie el programador de reentrenamiento 1. Prepare la misma carga útil que se menciona en. [Inicie el programador de reentrenamiento](anom-detection-sensors-asset.md#start-retraining-scheduler) 1. Ejecute la acción de entrenamiento (sin proporcionar un activo como recurso objetivo). Sustituya los siguientes parámetros del comando: 1. `computation-model-id`con el ID del modelo de cálculo objetivo. 1. `training-action-definition-id`con el ID de la `AWS/ANOMALY_DETECTION_TRAINING` acción. ``` aws iotsitewise execute-action \ --target-resource computationModelId=computation-model-id \ --action-definition-id training-action-definition-id \ --action-payload stringValue@=file://anomaly-detection-start-retraining-payload.json ``` 1. Ejecute el siguiente comando para comprobar el estado del proceso del programador de inicio de reentrenamiento. El resumen de ejecución más reciente muestra el estado de la ejecución (`RUNNING`/`COMPLETED`/`FAILED`). ``` aws iotsitewise list-executions \ --target-resource-type COMPUTATION_MODEL \ --target-resource-id computation-model-id ``` ### Detenga el programador de reentrenamiento 1. Prepare la misma carga útil que se menciona en. [Detenga el programador de reentrenamiento](anom-detection-sensors-asset.md#stop-retraining-scheduler) 1. Ejecute la acción de entrenamiento (sin proporcionar un activo como recurso objetivo). Sustituya los siguientes parámetros del comando: 1. `computation-model-id`con el ID del modelo de cálculo objetivo. 1. `training-action-definition-id`con el ID de la `AWS/ANOMALY_DETECTION_TRAINING` acción. ``` aws iotsitewise execute-action \ --target-resource computationModelId=computation-model-id \ --action-definition-id training-action-definition-id \ --action-payload stringValue@=file://anomaly-detection-stop-retraining-payload.json ``` 1. Ejecute el siguiente comando para comprobar el estado del proceso de detener el programador de reentrenamiento. El resumen de ejecución más reciente muestra el estado de la ejecución (`RUNNING`/`COMPLETED`/`FAILED`). ``` aws iotsitewise list-executions \ --target-resource-type COMPUTATION_MODEL \ --target-resource-id computation-model-id ``` ## Iniciar y detener la inferencia ()AWS CLI Después de entrenar el modelo, inicie la inferencia, que indica que debe comenzar AWS IoT SiteWise a monitorear sus activos industriales para detectar anomalías. ### Inicie la inferencia 1. Ejecute el siguiente comando para buscar el `actionDefinitionId` de la acción `AWS/ANOMALY_DETECTION_INFERENCE`. `computation-model-id`Sustitúyalo por el identificador real del modelo de cálculo creado anteriormente. ``` aws iotsitewise describe-computation-model \ --computation-model-id computation-model-id ``` 1. Cree un archivo `anomaly-detection-start-inference-payload.json` y añada el siguiente código. Sustituya los siguientes parámetros tal y como se describe: **nota** La carga útil debe ajustarse a[Opción 1: utilice un archivo de carga limpio](#clean-payload-file-across-assets). 1. `DataUploadFrequency`: Configure la frecuencia con la que se ejecuta el programa de inferencias para realizar la detección de anomalías. Los valores permitidos son: `PT5M, PT10M, PT15M, PT30M, PT1H, PT2H..PT12H, PT1D`. ``` "inferenceMode": "START", "dataUploadFrequency": "DataUploadFrequency" ``` 1. (Opcional) `DataDelayOffsetInMinutes` con el retardo compensado en minutos. Establezca este valor entre 0 y 60 minutos. 1. (Opcional) `TargetModelVersion` con la versión del modelo que se va a activar. 1. (Opcional) Configure la configuración `weeklyOperatingWindow` con una configuración de turnos. 1. Opcionalmente, puede configurarlo[Configuraciones de inferencia avanzadas](advanced-inference-configurations.md). 1. [Inferencia de alta frecuencia (de 5 minutos a 1 hora)](advanced-inference-configurations.md#high-frequency-inferencing). 1. [Inferencia de baja frecuencia (2 horas — 1 día)](advanced-inference-configurations.md#low-frequency-inferencing). 1. [Programación flexible](advanced-inference-configurations.md#flexible-scheduling). 1. Ejecute el siguiente comando para iniciar la inferencia. Sustituya los siguientes parámetros en el archivo de carga útil. 1. `computation-model-id`con el ID del modelo de cálculo objetivo. 1. `inference-action-definition-id`con el ID de la `AWS/ANOMALY_DETECTION_INFERENCE` acción del paso 1. ``` aws iotsitewise execute-action \ --target-resource computationModelId=computation-model-id \ --action-definition-id inference-action-definition-id \ --action-payload stringValue@=file://anomaly-detection-inference-payload.json ``` 1. Ejecute el siguiente comando para comprobar si la inferencia sigue ejecutándose. El `inferenceTimerActive` campo se establece `TRUE` cuando la inferencia está activa. ``` aws iotsitewise describe-computation-model-execution-summary \ --computation-model-id computation-model-id ``` 1. El siguiente comando muestra todas las ejecuciones de inferencias: ``` aws iotsitewise list-executions \ --target-resource-type COMPUTATION_MODEL \ --target-resource-id computation-model-id ``` 1. Ejecute el siguiente comando para describir una ejecución individual. `execution-id`Sustitúyalo por el identificador del paso 5 anterior. ``` aws iotsitewise describe-execution \ --execution-id execution-id ``` ### Detenga la inferencia 1. Ejecute el siguiente comando para buscar el `actionDefinitionId` de la acción `AWS/ANOMALY_DETECTION_INFERENCE`. `computation-model-id`Sustitúyalo por el identificador real del modelo de cálculo creado anteriormente. ``` aws iotsitewise describe-computation-model \ --computation-model-id computation-model-id ``` 1. Cree un archivo `anomaly-detection-stop-inference-payload.json` y añada el siguiente código. ``` { "inferenceMode": "STOP" } ``` **nota** La carga útil debe ajustarse a[Opción 1: utilice un archivo de carga limpio](anom-detection-sensors-asset.md#clean-payload-file). 1. Ejecute el siguiente comando para detener la inferencia. Sustituya el siguiente parámetro en el archivo de carga útil: 1. `computation-model-id`con el ID del modelo de cálculo de destino. 1. `inference-action-definition-id`con el ID de la `AWS/ANOMALY_DETECTION_INFERENCE` acción del paso 1. **Example del comando stop inference:** ``` aws iotsitewise execute-action \ --target-resource computationModelId=computation-model-id \ --action-definition-id inference-action-definition-id \ --action-payload stringValue@=file://anomaly-detection-stop-inference-payload.json ```