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 un 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 programmate l'inferenza per il rilevamento delle anomalie su un asset. AWS IoT SiteWise + Create un file `anomaly-detection-computation-model-payload.json` con il seguente contenuto: ``` { "computationModelName": "anomaly-detection-computation-model-name", "computationModelConfiguration": { "anomalyDetection": { "inputProperties": "${input_properties}", "resultProperty": "${result_property}" } }, "computationModelDataBinding": { "input_properties": { "list": [{ "assetModelProperty": { "assetModelId": "asset-model-id", "propertyId": "input-property-id-1" } }, { "assetModelProperty": { "assetModelId": "asset-model-id", "propertyId": "input-property-id-2" } } ] }, "result_property": { "assetModelProperty": { "assetModelId": "asset-model-id", "propertyId": "results-property-id" } } } } ``` + 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'[ExecuteAction](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ExecuteAction.html)API. Sia l'addestramento che l'inferenza sono configurati con una configurazione del payload d'azione JSON. Quando si richiama l'[ExecuteAction](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ExecuteAction.html)API, 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 ``` 1. Esegui l'azione con il file`@=file://...`. ``` aws iotsitewise execute-action \ --target-resource computationModelId= \ --action-definition-id \ --resolve-to assetId= \ --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. **Example di un payload di azione sfuggito:** ``` aws iotsitewise execute-action \ --target-resource computationModelId= \ --action-definition-id \ --resolve-to assetId= \ --action-payload "stringValue={\"exportDataStartTime\":1717225200,\"exportDataEndTime\":1722789360,\"targetSamplingRate\":\"PT1M\"}" ``` ## Addestra il modello ()AWS CLI Con un modello di calcolo creato, è possibile addestrare un modello rispetto agli asset. Segui i passaggi seguenti per addestrare un modello per un asset: 1. Eseguite il comando seguente per trovare `actionDefinitionId` l'`AWS/ANOMALY_DETECTION_TRAINING`azione. Sostituisci `computation-model-id` con l'ID restituito nel passaggio precedente. ``` aws iotsitewise describe-computation-model \ --computation-model-id computation-model-id ``` 1. 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](#clean-payload-file) 1. `StartTime`con l'inizio dei dati di allenamento, forniti in secondi epocali. 1. `EndTime`con i dati di fine addestramento, forniti in secondi d'epoca. 1. È possibile configurare opzionalmente[Configurazioni di allenamento avanzate](adv-training-configs.md), per migliorare le prestazioni del modello. 1. (Facoltativo) `TargetSamplingRate` con la frequenza di campionamento dei dati. 1. (Facoltativo) `LabelInputConfiguration` per specificare i periodi di tempo in cui si è verificato un comportamento anomalo per migliorare l'addestramento del modello. 1. (Facoltativo) `ModelEvaluationConfiguration` per valutare le prestazioni del modello eseguendo l'inferenza su un intervallo di tempo specificato dopo il completamento dell'addestramento. 1. (Facoltativo) `ModelMetricsDestination` per raccogliere dati completi sulle prestazioni (precisione, richiamo, Area Under the Curve). ``` { "trainingMode": "TRAIN_MODEL", "exportDataStartTime": StartTime, "exportDataEndTime": EndTime } ``` **Example di un esempio di payload di allenamento:** ``` { "trainingMode": "TRAIN_MODEL", "exportDataStartTime": 1717225200, "exportDataEndTime": 1722789360 } ``` 1. Esegui il seguente comando per iniziare l'allenamento. Sostituite i seguenti parametri nel comando: 1. `computation-model-id`con l'ID del modello di calcolo di destinazione. 1. `asset-id`con l'ID della risorsa sulla quale addestrerai il modello. 1. `training-action-definition-id`con l'ID dell'`AWS/ANOMALY_DETECTION_TRAINING`azione della Fase 1. ``` aws iotsitewise execute-action \ --target-resource computationModelId=computation-model-id \ --resolve-to assetId=asset-id \ --action-definition-id training-action-definition-id \ --action-payload stringValue@=file://anomaly-detection-training-payload.json ``` **Example di un'azione di esecuzione:** ``` aws iotsitewise execute-action --target-resource computationModelId=27cb824c-fd84-45b0-946b-0a5b0466d890 --resolve-to assetId=cefd4b68-481b-4735-b466-6a4220cd19ee --action-definition-id e54cea94-5d1c-4230-a59e-4f54dcbc972d --action-payload stringValue@=file://anomaly-detection-training-payload.json ``` 1. Esegui il comando seguente per verificare lo stato del processo di addestramento del modello. L'ultimo riepilogo dell'esecuzione mostra lo stato di esecuzione (`RUNNING``COMPLETED`//`FAILED`). ``` aws iotsitewise list-executions \ --target-resource-type COMPUTATION_MODEL \ --target-resource-id computation-model-id\ --resolve-to-resource-type ASSET \ --resolve-to-resource-id asset-id ``` 1. Esegui il comando seguente per verificare la configurazione dell'ultimo modello addestrato. Questo comando produce un output solo se almeno un modello è stato addestrato correttamente. ``` aws iotsitewise describe-computation-model-execution-summary \ --computation-model-id computation-model-id \ --resolve-to-resource-type ASSET \ --resolve-to-resource-id asset-id ``` 1. Quando `ComputationModel` si utilizza a AssetModelProperty, utilizzate l'[ListComputationModelResolveToResources](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ListComputationModelResolveToResources.html)API per identificare gli asset con azioni eseguite. ``` aws iotsitewise list-computation-model-resolve-to-resources \ --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. Esegui il seguente comando per trovare l'`actionDefinitionId``AWS/ANOMALY_DETECTION_TRAINING`azione. Sostituisci `computation-model-id` con l'ID restituito dalla creazione del modello di calcolo. ``` aws iotsitewise describe-computation-model \ --computation-model-id computation-model-id ``` 1. Create un file chiamato `anomaly-detection-start-retraining-payload.json` e aggiungete il codice seguente. Sostituite i parametri con i valori descritti. **Nota** Il carico utile deve essere conforme a. [Opzione 1: utilizzare un file di payload pulito](#clean-payload-file) 1. `lookbackWindow`con la finestra dei dati storici da utilizzare per la riqualificazione (`P180D`//`P360D`/`P540D`). `P720D` 1. `retrainingFrequency`con quale frequenza riqualificare il modello (minima`P30D`, massima`P1Y`). 1. (Facoltativo) `promotion` con la modalità di promozione del modello (`SERVICE_MANAGED`o`CUSTOMER_MANAGED`). Il valore predefinito è “`SERVICE_MANAGED`”. 1. (Facoltativo) `retrainingStartDate` con la data di inizio del programma di riqualificazione, fornita in secondi epocali. Tronca l'ora al giorno UTC più vicino. Facoltativo, il valore predefinito è la data corrente. 1. Facoltativamente, è possibile configurare [Configurazioni di allenamento avanzate](adv-training-configs.md) per migliorare le prestazioni del modello. 1. (Facoltativo) `ModelMetricsDestination` per ottenere dati completi sulle prestazioni (precisione, richiamo, Area Under the Curve). ``` { "trainingMode": "START_RETRAINING_SCHEDULER", "retrainingConfiguration": { "lookbackWindow": "P180D", "promotion": "SERVICE_MANAGED", "retrainingFrequency": "P30D", "retrainingStartDate": "StartDate" } } ``` 1. Esegui il comando seguente per avviare lo scheduler di riqualificazione. Sostituisci i seguenti parametri nel comando: 1. `computation-model-id`con l'ID del modello di calcolo di destinazione. 1. `asset-id`con l'ID della risorsa sulla quale addestrerai il modello. 1. `training-action-definition-id`con l'ID dell'`AWS/ANOMALY_DETECTION_TRAINING`azione della Fase 1. ``` aws iotsitewise execute-action \ --target-resource computationModelId=computation-model-id \ --resolve-to assetId=asset-id \ --action-definition-id training-action-definition-id \ --action-payload stringValue@=file://anomaly-detection-start-retraining-payload.json ``` **Example Esempio di comando execute action** ``` aws iotsitewise execute-action --target-resource computationModelId=27cb824c-fd84-45b0-946b-0a5b0466d890 --resolve-to assetId=cefd4b68-481b-4735-b466-6a4220cd19ee --action-definition-id e54cea94-5d1c-4230-a59e-4f54dcbc972d --action-payload stringValue@=file://anomaly-detection-start-retraining-payload.json ``` ### Interrompi lo scheduler di riqualificazione 1. Esegui il seguente comando per trovare l'`actionDefinitionId``AWS/ANOMALY_DETECTION_TRAINING`azione. 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 ``` 1. Crea un file `anomaly-detection-stop-retraining-payload.json` e aggiungi quanto segue: **Nota** Il payload deve essere conforme a. [Opzione 1: utilizzare un file di payload pulito](#clean-payload-file) ``` { "trainingMode": "STOP_RETRAINING_SCHEDULER" } ``` 1. Esegui il comando seguente per arrestare lo scheduler di riqualificazione. Sostituisci i seguenti parametri nel comando: 1. `computation-model-id`con l'ID del modello di calcolo di destinazione. 1. `asset-id`con l'ID della risorsa sulla quale addestrerai il modello. 1. `training-action-definition-id`con l'ID dell'`AWS/ANOMALY_DETECTION_TRAINING`azione della Fase 1. ``` aws iotsitewise execute-action \ --target-resource computationModelId=computation-model-id \ --resolve-to assetId=asset-id \ --action-definition-id training-action-definition-id \ --action-payload stringValue@=file://anomaly-detection-stop-retraining-payload.json ``` ## Avvia e interrompi l'inferenza ()AWS CLI Dopo aver addestrato il modello, avvia l'inferenza. Ciò consente di monitorare attivamente AWS IoT SiteWise gli asset industriali per rilevare eventuali anomalie. ### Inizia l'inferenza 1. Esegui il seguente comando per trovare `actionDefinitionId` l'`AWS/ANOMALY_DETECTION_INFERENCE`azione. 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 ``` 1. Create un file `anomaly-detection-start-inference-payload.json` e aggiungete i seguenti valori: **Nota** Il payload deve essere conforme a. [Opzione 1: utilizzare un file di payload pulito](#clean-payload-file) ``` "inferenceMode": "START", "dataUploadFrequency": "DataUploadFrequency" ``` 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` 1. (Facoltativo) `DataDelayOffsetInMinutes` con la compensazione del ritardo in minuti. Imposta questo valore tra 0 e 60 minuti. 1. (Facoltativo) `TargetModelVersion` con la versione del modello da attivare. 1. (Facoltativo) Configurare la configurazione `weeklyOperatingWindow` con un turno. 1. È possibile configurare [Configurazioni di inferenza avanzate](advanced-inference-configurations.md) facoltativamente. 1. [Inferenza ad alta frequenza (5 minuti — 1 ora)](advanced-inference-configurations.md#high-frequency-inferencing). 1. [Inferenza a bassa frequenza (2 ore — 1 giorno)](advanced-inference-configurations.md#low-frequency-inferencing). 1. [Pianificazione flessibile](advanced-inference-configurations.md#flexible-scheduling). 1. Esegui il seguente comando per avviare l'inferenza. Sostituite i seguenti parametri nel file di payload. 1. `computation-model-id`con l'ID del modello di calcolo di destinazione. 1. `asset-id`con l'ID della risorsa sulla quale è stato addestrato il modello. 1. `inference-action-definition-id`con l'ID dell'`AWS/ANOMALY_DETECTION_INFERENCE`azione della Fase 1. ``` aws iotsitewise execute-action \ --target-resource computationModelId=computation-model-id \ --resolve-to assetId=asset-id \ --action-definition-id inference-action-definition-id \ --action-payload stringValue@=file://anomaly-detection-inference-payload.json ``` 1. 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 \ --resolve-to-resource-type ASSET \ --resolve-to-resource-id asset-id ``` 1. Il comando seguente elenca tutte le esecuzioni di inferenza: ``` aws iotsitewise list-executions \ --target-resource-type COMPUTATION_MODEL \ --target-resource-id computation-model-id \ --resolve-to-resource-type ASSET \ --resolve-to-resource-id asset-id ``` 1. 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_INFERENCE`azione. 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 ``` 1. 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](#clean-payload-file) 1. Esegui il comando seguente per interrompere l'inferenza. Sostituite il seguente parametro nel file di payload: 1. `computation-model-id`con l'ID del modello di calcolo di destinazione. 1. `asset-id`con l'ID della risorsa sulla quale è stato addestrato il modello. 1. `inference-action-definition-id`con l'ID dell'`AWS/ANOMALY_DETECTION_INFERENCE`azione della Fase 1. **Example del comando stop inference:** ``` aws iotsitewise execute-action \ --target-resource computationModelId=computation-model-id \ --resolve-to assetId=asset-id \ --action-definition-id inference-action-definition-id \ --action-payload stringValue@=file://anomaly-detection-stop-inference-payload.json ``` ## Trova modelli di calcolo che utilizzano una determinata risorsa nell'associazione dei dati Per elencare i modelli di calcolo associati a una determinata risorsa: + **modello di asset** (recupera tutti i modelli di calcolo a cui è associata una qualsiasi delle proprietà di questo modello di asset). + **asset** (recupera tutti i modelli di calcolo in cui è associata una qualsiasi delle proprietà di questa risorsa) + **proprietà del modello di asset** (recupera tutti i modelli di calcolo in cui questa proprietà è associata) + **proprietà dell'asset** (recupera tutti i modelli di calcolo in cui questa proprietà è associata). Questo potrebbe essere a scopo informativo o richiesto quando l'utente tenta di associare questa proprietà a un altro modello di calcolo ma è già associata da qualche altra parte) Utilizza l'[ ListComputationModelDataBindingUsages](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ListComputationModelDataBindingUsages.html)API per recuperare un elenco di `ComputationModelId` utenti che accettano l'asset (proprietà) o il modello di asset (proprietà) come associazione dati. Prepara un `request.json` file con le seguenti informazioni: ``` { "dataBindingValueFilter": { "asset": { "assetId": "" } // OR "assetModel": { "assetModelId": "" } // OR "assetProperty": { "assetId": "", "propertyId": "" } // OR "assetModelProperty": { "assetModelId": "", "propertyId": "" } }, "nextToken": "", "maxResults": "" } ``` Utilizzate il `list-computation-model-data-binding-usages` comando per recuperare i modelli con risorse o modelli di asset come associazioni di dati. ``` aws iotsitewise list-computation-model-data-binding-usages \ --cli-input-json file://request.json ```