View a markdown version of this page

Abilita il rilevamento delle anomalie sui sensori di tutti gli asset - AWS IoT SiteWise
Crea un modello di calcolo ()AWS CLIExecuteAction Preparazione del payload APIAddestra il modello (AWS CLI)Avvia e interrompi la riqualificazione del modello ()AWS CLIAvvia e interrompi l'inferenza ()AWS CLI

Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Abilita il rilevamento delle anomalie sui sensori di tutti gli asset

Crea un modello di calcolo ()AWS CLI

Per creare un modello di calcolo, utilizzate l'interfaccia a riga di AWS comando ()AWS CLI. Dopo aver definito il modello di calcolo, addestrate il modello e pianificate l'inferenza per il rilevamento delle anomalie tra gli asset in. AWS IoT SiteWise

I passaggi seguenti spiegano questo processo:

  1. Per configurare il rilevamento delle anomalie, utilizzate il comando UpdateAssetModel(AWS CLI) e soddisfate i seguenti requisiti:

    1. Almeno una proprietà di input che sia di uno dei due tipi DOUBLE di INTEGER dati. È una proprietà di misurazione o trasformazione e viene utilizzata per addestrare il modello.

    2. Una proprietà di risultato del tipo di STRING dati. Deve essere una proprietà di misurazione e memorizza i risultati del rilevamento delle anomalie.

  2. Crea un file anomaly-detection-computation-model-payload.json con il seguente contenuto:

    Nota

    Crea un modello di calcolo fornendolo direttamente assetProperty come fonte di dati.

    {
    "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"
            }
        }
    }
}

  3. Esegui il comando seguente per creare un modello di calcolo:

    aws iotsitewise create-computation-model \
    --cli-input-json file://anomaly-detection-computation-model-payload.json

ExecuteAction Preparazione del payload dell'API

I passaggi successivi per eseguire l'addestramento e l'inferenza vengono eseguiti con l'ExecuteActionAPI. Sia l'addestramento che l'inferenza sono configurati con una configurazione del payload d'azione JSON. Quando si richiama l'ExecuteActionAPI, il payload dell'azione deve essere fornito come valore con un payload. stringValue

Il payload deve rispettare rigorosamente i requisiti dell'API. In particolare, il valore deve essere una stringa piatta senza caratteri di controllo (ad esempio, newline, tabs o carriage return). Le seguenti opzioni forniscono due modi affidabili per fornire un payload d'azione valido.

Opzione 1: utilizzare un file di payload pulito

La procedura seguente descrive i passaggi per un file di payload pulito:

  1. Pulite il file per rimuovere i caratteri di controllo.

    tr -d '\n\r\t' < original-action-payload.json > training-or-inference-action-payload.json

  2. Esegui l'azione con il file@=file://....

    aws iotsitewise execute-action \
    --target-resource computationModelId=<MODEL_ID> \
    --action-definition-id <ACTION_DEFINITION_ID> \
    --action-payload stringValue@=file://training-or-inference-action-payload.json

Opzione 2: stringa in linea con virgolette sfuggite

I passaggi seguenti descrivono i passaggi per fornire il payload in linea ed evitare file intermedi:

  • Usa le virgolette doppie con escape (\") all'interno della stringa JSON.

  • Raccogli l'intera StringValue=.. espressione tra virgolette doppie.

Esempio di un payload di azione sfuggito:
aws iotsitewise execute-action \
    --target-resource computationModelId=<MODEL_ID> \
    --action-definition-id <ACTION_DEFINITION_ID> \
    --action-payload "stringValue={\"exportDataStartTime\":1717225200,\"exportDataEndTime\":1722789360,\"targetSamplingRate\":\"PT1M\"}"

Addestra il modello ()AWS CLI

  1. Esegui il seguente comando per trovare actionDefinitionId l'AWS/ANOMALY_DETECTION_TRAININGazione. Sostituisci computation-model-id con l'ID restituito nel passaggio precedente.

    aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id

  2. Create un file chiamato anomaly-detection-training-payload.json e aggiungete i seguenti valori:

    Nota

    Il payload deve essere conforme a. Opzione 1: utilizzare un file di payload pulito

    1. StartTimecon l'inizio dei dati di allenamento, forniti in secondi epocali.

    2. EndTimecon i dati di fine addestramento, forniti in secondi d'epoca.

    3. È possibile configurare opzionalmente. Configurazioni di inferenza avanzate

      1. (Facoltativo) TargetSamplingRate con la frequenza di campionamento dei dati.

      2. (Facoltativo) LabelInputConfiguration per specificare i periodi di tempo in cui si è verificato un comportamento anomalo per migliorare l'addestramento del modello.

      3. (Facoltativo) ModelEvaluationConfiguration per valutare le prestazioni del modello eseguendo l'inferenza su un intervallo di tempo specificato dopo il completamento dell'addestramento.

    {
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime
}
    Esempio di un esempio di payload di addestramento:
    {
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360
}

  3. Esegui il comando seguente per iniziare l'addestramento (senza fornire la risorsa come risorsa di destinazione). Sostituite i seguenti parametri nel 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

  4. Eseguite il comando seguente per verificare lo stato del processo di addestramento del modello. L'ultimo riepilogo dell'esecuzione mostra lo stato di esecuzione (RUNNINGCOMPLETED//FAILED).

    aws iotsitewise list-executions \
    --target-resource-type COMPUTATION_MODEL \
    --target-resource-id computation-model-id

  5. Esegui il comando seguente per verificare la configurazione dell'ultimo modello addestrato. Questo comando produce un output solo se almeno un modello ha completato correttamente l'addestramento.

    aws iotsitewise describe-computation-model-execution-summary \
    --computation-model-id computation-model-id

Avvia e interrompi la riqualificazione del modello ()AWS CLI

Dopo l'addestramento iniziale del modello, è possibile configurare la riqualificazione automatica per affrontare la deriva dei dati e mantenere l'accuratezza del modello nel tempo. Lo strumento di pianificazione della riqualificazione consente di impostare aggiornamenti periodici del modello con modalità di promozione configurabili.

Avvia lo scheduler di riqualificazione

  1. Prepara lo stesso carico utile indicato in. Avvia lo scheduler di riqualificazione

  2. Esegui azioni di formazione (senza fornire risorse come risorsa target). Sostituite i seguenti parametri nel comando:

    1. computation-model-idcon l'ID del modello di calcolo di destinazione.

    2. training-action-definition-idcon l'ID dell'AWS/ANOMALY_DETECTION_TRAININGazione.

    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

  3. Esegui il comando seguente per verificare lo stato del processo di start retraining scheduler. L'ultimo riepilogo dell'esecuzione mostra lo stato dell'esecuzione (RUNNING/COMPLETED/FAILED).

    aws iotsitewise list-executions \
    --target-resource-type COMPUTATION_MODEL \
    --target-resource-id computation-model-id

Interrompi lo scheduler di riqualificazione

  1. Prepara lo stesso carico utile indicato in. Interrompi lo scheduler di riqualificazione

  2. Esegui azioni di formazione (senza fornire risorse come risorsa target). Sostituite i seguenti parametri nel comando:

    1. computation-model-idcon l'ID del modello di calcolo di destinazione.

    2. training-action-definition-idcon l'ID dell'AWS/ANOMALY_DETECTION_TRAININGazione.

    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

  3. Esegui il comando seguente per verificare lo stato del processo di stop retraining scheduler. L'ultimo riepilogo dell'esecuzione mostra lo stato dell'esecuzione (RUNNING/COMPLETED/FAILED).

    aws iotsitewise list-executions \
    --target-resource-type COMPUTATION_MODEL \
    --target-resource-id computation-model-id

Avvia e interrompi l'inferenza ()AWS CLI

Dopo aver addestrato il modello, avviate l'inferenza, che indica di iniziare AWS IoT SiteWise a monitorare gli asset industriali per individuare eventuali anomalie.

Inizia l'inferenza

  1. Esegui il seguente comando per trovare actionDefinitionId l'AWS/ANOMALY_DETECTION_INFERENCEazione. Sostituisci computation-model-id con l'ID effettivo del modello di calcolo creato in precedenza.

    aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id

  2. Create un file anomaly-detection-start-inference-payload.json e aggiungete il codice seguente. Sostituite i seguenti parametri come descritto:

    Nota

    Il carico utile deve essere conforme a. Opzione 1: utilizzare un file di payload pulito

    1. DataUploadFrequency: Configura la frequenza di esecuzione del programma di inferenza per eseguire il rilevamento delle anomalie. I valori consentiti sono:. PT5M, PT10M, PT15M, PT30M, PT1H, PT2H..PT12H, PT1D

      "inferenceMode": "START",
"dataUploadFrequency": "DataUploadFrequency"

    2. (Facoltativo) DataDelayOffsetInMinutes con la compensazione del ritardo in minuti. Imposta questo valore tra 0 e 60 minuti.

    3. (Facoltativo) TargetModelVersion con la versione del modello da attivare.

    4. (Facoltativo) Configurare la configurazione weeklyOperatingWindow con un turno.

    5. È possibile configurare Configurazioni di inferenza avanzate facoltativamente.

      1. Inferenza ad alta frequenza (5 minuti — 1 ora).

      2. Inferenza a bassa frequenza (2 ore — 1 giorno).

      3. Pianificazione flessibile.

  3. Esegui il seguente comando per avviare l'inferenza. Sostituite i seguenti parametri nel file di payload.

    1. computation-model-idcon l'ID del modello di calcolo di destinazione.

    2. inference-action-definition-idcon l'ID dell'AWS/ANOMALY_DETECTION_INFERENCEazione della Fase 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

  4. Esegui il comando seguente per verificare se l'inferenza è ancora in esecuzione. Il inferenceTimerActive campo è impostato su TRUE quando l'inferenza è attiva.

    aws iotsitewise describe-computation-model-execution-summary \
    --computation-model-id computation-model-id

  5. Il comando seguente elenca tutte le esecuzioni di inferenza:

    aws iotsitewise list-executions \
    --target-resource-type COMPUTATION_MODEL \
    --target-resource-id computation-model-id

  6. Eseguite il comando seguente per descrivere una singola esecuzione. Sostituisci execution-id con l'id del passaggio 5 precedente.

    aws iotsitewise describe-execution \
    --execution-id execution-id

Interrompi l'inferenza

  1. Esegui il seguente comando per trovare actionDefinitionId l'AWS/ANOMALY_DETECTION_INFERENCEazione. Sostituisci computation-model-id con l'ID effettivo del modello di calcolo creato in precedenza.

    aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id

  2. Create un file anomaly-detection-stop-inference-payload.json e aggiungete il codice seguente.

    {
    "inferenceMode": "STOP"
}
    Nota

    Il carico utile deve essere conforme a. Opzione 1: utilizzare un file di payload pulito

  3. Esegui il comando seguente per interrompere l'inferenza. Sostituite il seguente parametro nel file di payload:

    1. computation-model-idcon l'ID del modello di calcolo di destinazione.

    2. inference-action-definition-idcon l'ID dell'AWS/ANOMALY_DETECTION_INFERENCEazione della Fase 1.

    Esempio 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