As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá. # Habilite a detecção de anomalias em sensores em todos os ativos ## Crie um modelo de computação ()AWS CLI Para criar um modelo computacional, use a interface de linha de AWS comando (AWS CLI). Depois de definir o modelo de computação, treine o modelo e programe a inferência para fazer a detecção de anomalias nos ativos em. AWS IoT SiteWise As etapas a seguir explicam esse processo: 1. Para configurar a detecção de anomalias, use o [UpdateAssetModel(AWS CLI)](https://docs.aws.amazon.com/cli/latest/reference/iotsitewise/update-asset-model.html) e atenda aos seguintes requisitos: 1. Pelo menos uma propriedade de entrada que seja de um `DOUBLE` ou do tipo de `INTEGER` dados. É uma propriedade de medição ou transformação e é usada para treinar o modelo. 1. Uma propriedade de resultado do tipo de `STRING` dados. Ela deve ser uma propriedade de medição e armazena os resultados da detecção de anomalias. 1. Crie um arquivo `anomaly-detection-computation-model-payload.json` com o seguinte conteúdo: **nota** Crie um modelo de computação fornecendo diretamente `assetProperty` como fonte de dados. ``` { "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. Execute o comando a seguir para criar um modelo de computação: ``` aws iotsitewise create-computation-model \ --cli-input-json file://anomaly-detection-computation-model-payload.json ``` ## ExecuteAction Preparação da carga útil da API As próximas etapas para executar o treinamento e a inferência são realizadas com a [ExecuteAction](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ExecuteAction.html)API. Tanto o treinamento quanto a inferência são configurados com uma configuração de carga de ação JSON. Ao invocar a [ExecuteAction](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ExecuteAction.html)API, a carga útil da ação deve ser fornecida como um valor com uma `stringValue` carga útil. A carga útil deve seguir rigorosamente os requisitos da API. Especificamente, o valor deve ser uma **string simples** sem **caracteres de controle** (por exemplo, novas linhas, guias ou retornos de carro). As opções a seguir fornecem duas maneiras confiáveis de fornecer uma carga útil de ação válida. ### Opção 1: usar um arquivo de carga útil limpo O procedimento a seguir descreve as etapas para um arquivo de carga útil limpo: 1. Limpe o arquivo para remover os caracteres de controle. ``` tr -d '\n\r\t' < original-action-payload.json > training-or-inference-action-payload.json ``` 1. Execute a ação com o arquivo`@=file://...`. ``` aws iotsitewise execute-action \ --target-resource computationModelId= \ --action-definition-id \ --action-payload stringValue@=file://training-or-inference-action-payload.json ``` ### Opção 2: string embutida com aspas escapadas As etapas a seguir descrevem as etapas para fornecer a carga em linha e evitar arquivos intermediários: + Use aspas duplas de escape (`\"`) dentro da string JSON. + Coloque a `StringValue=..` expressão inteira entre aspas duplas. **Example de uma carga útil de ação que escapou:** ``` aws iotsitewise execute-action \ --target-resource computationModelId= \ --action-definition-id \ --action-payload "stringValue={\"exportDataStartTime\":1717225200,\"exportDataEndTime\":1722789360,\"targetSamplingRate\":\"PT1M\"}" ``` ## Treine o modelo (AWS CLI) 1. Execute o seguinte comando para encontrar `actionDefinitionId` da ação `AWS/ANOMALY_DETECTION_TRAINING`. `computation-model-id`Substitua pela ID retornada na etapa anterior. ``` aws iotsitewise describe-computation-model \ --computation-model-id computation-model-id ``` 1. Crie um arquivo chamado `anomaly-detection-training-payload.json` e adicione os seguintes valores: **nota** A carga útil deve estar em conformidade com. [Opção 1: usar um arquivo de carga útil limpo](#clean-payload-file-across-assets) 1. `StartTime`com o início dos dados de treinamento, fornecidos em segundos de época. 1. `EndTime`com o final dos dados de treinamento, fornecidos em segundos de época. 1. Você pode configurar [Configurações avançadas de inferência](advanced-inference-configurations.md) opcionalmente. 1. (Opcional) `TargetSamplingRate` com a taxa de amostragem dos dados. 1. (Opcional) `LabelInputConfiguration` para especificar períodos de tempo em que ocorreu um comportamento anômalo para melhorar o treinamento do modelo. 1. (Opcional) `ModelEvaluationConfiguration` para avaliar o desempenho do modelo executando inferências em um intervalo de tempo especificado após a conclusão do treinamento. ``` { "exportDataStartTime": StartTime, "exportDataEndTime": EndTime } ``` **Example de um exemplo de carga útil de treinamento:** ``` { "exportDataStartTime": 1717225200, "exportDataEndTime": 1722789360 } ``` 1. Execute o comando a seguir para iniciar o treinamento (sem fornecer o ativo como recurso de destino). Substitua os parâmetros a seguir no 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. Execute o comando a seguir para verificar o status do processo de treinamento do modelo. O resumo da execução mais recente mostra o status da execução (`RUNNING`/`COMPLETED`/`FAILED`). ``` aws iotsitewise list-executions \ --target-resource-type COMPUTATION_MODEL \ --target-resource-id computation-model-id ``` 1. Execute o comando a seguir para verificar a configuração do modelo treinado mais recente. Esse comando produz uma saída somente se pelo menos um modelo tiver concluído o treinamento com êxito. ``` aws iotsitewise describe-computation-model-execution-summary \ --computation-model-id computation-model-id ``` ## Inicie e pare de treinar novamente o modelo ()AWS CLI Após o treinamento inicial do modelo, você pode configurar o retreinamento automático para lidar com o desvio de dados e manter a precisão do modelo ao longo do tempo. O programador de reciclagem permite que você configure atualizações periódicas do modelo com modos de promoção configuráveis. ### Inicie o agendador de reciclagem 1. Prepare a mesma carga útil mencionada em[Inicie o agendador de reciclagem](anom-detection-sensors-asset.md#start-retraining-scheduler). 1. Execute a ação de treinamento (sem fornecer o ativo como recurso alvo). Substitua os parâmetros a seguir no comando: 1. `computation-model-id`com o ID do modelo de computação de destino. 1. `training-action-definition-id`com o ID da `AWS/ANOMALY_DETECTION_TRAINING` ação. ``` 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. Execute o comando a seguir para verificar o status do processo inicial do agendador de reciclagem. O resumo da execução mais recente mostra o status da execução (`RUNNING`/`COMPLETED`/`FAILED`). ``` aws iotsitewise list-executions \ --target-resource-type COMPUTATION_MODEL \ --target-resource-id computation-model-id ``` ### Pare o agendador de treinamento 1. Prepare a mesma carga útil mencionada em[Pare o agendador de treinamento](anom-detection-sensors-asset.md#stop-retraining-scheduler). 1. Execute a ação de treinamento (sem fornecer o ativo como recurso alvo). Substitua os parâmetros a seguir no comando: 1. `computation-model-id`com o ID do modelo de computação de destino. 1. `training-action-definition-id`com o ID da `AWS/ANOMALY_DETECTION_TRAINING` ação. ``` 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. Execute o comando a seguir para verificar o status do processo de interrupção do agendador de reciclagem. O resumo da execução mais recente mostra o status da execução (`RUNNING`/`COMPLETED`/`FAILED`). ``` aws iotsitewise list-executions \ --target-resource-type COMPUTATION_MODEL \ --target-resource-id computation-model-id ``` ## Iniciar e interromper a inferência ()AWS CLI Depois de treinar o modelo, inicie a inferência, que instrui você AWS IoT SiteWise a começar a monitorar seus ativos industriais em busca de anomalias. ### Iniciar inferência 1. Execute o seguinte comando para encontrar `actionDefinitionId` da ação `AWS/ANOMALY_DETECTION_INFERENCE`. `computation-model-id`Substitua pelo ID real do modelo de computação criado anteriormente. ``` aws iotsitewise describe-computation-model \ --computation-model-id computation-model-id ``` 1. Crie um arquivo `anomaly-detection-start-inference-payload.json` e adicione o código a seguir. Substitua os seguintes parâmetros conforme descrito: **nota** A carga útil deve estar em conformidade com. [Opção 1: usar um arquivo de carga útil limpo](#clean-payload-file-across-assets) 1. `DataUploadFrequency`: configure a frequência com que o cronograma de inferência é executado para realizar a detecção de anomalias. Os valores permitidos são: `PT5M, PT10M, PT15M, PT30M, PT1H, PT2H..PT12H, PT1D`. ``` "inferenceMode": "START", "dataUploadFrequency": "DataUploadFrequency" ``` 1. (Opcional) `DataDelayOffsetInMinutes` com a compensação de atraso em minutos. Defina esse valor entre 0 e 60 minutos. 1. (Opcional) `TargetModelVersion` com a versão do modelo a ser ativada. 1. (Opcional) Configure o `weeklyOperatingWindow` com uma configuração de turno. 1. Você pode configurar [Configurações avançadas de inferência](advanced-inference-configurations.md) opcionalmente. 1. [Inferência de alta frequência (5 minutos — 1 hora)](advanced-inference-configurations.md#high-frequency-inferencing). 1. [Inferência de baixa frequência (2 horas — 1 dia)](advanced-inference-configurations.md#low-frequency-inferencing). 1. [Programação flexível](advanced-inference-configurations.md#flexible-scheduling). 1. Execute o comando a seguir para iniciar a inferência. Substitua os parâmetros a seguir no arquivo de carga útil. 1. `computation-model-id`com o ID do modelo de computação de destino. 1. `inference-action-definition-id`com o ID da `AWS/ANOMALY_DETECTION_INFERENCE` ação da Etapa 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. Execute o comando a seguir para verificar se a inferência ainda está em execução. O `inferenceTimerActive` campo é definido como `TRUE` quando a inferência está ativa. ``` aws iotsitewise describe-computation-model-execution-summary \ --computation-model-id computation-model-id ``` 1. O comando a seguir lista todas as execuções de inferência: ``` aws iotsitewise list-executions \ --target-resource-type COMPUTATION_MODEL \ --target-resource-id computation-model-id ``` 1. Execute o comando a seguir para descrever uma execução individual. `execution-id`Substitua pelo id da Etapa 5 anterior. ``` aws iotsitewise describe-execution \ --execution-id execution-id ``` ### Pare a inferência 1. Execute o seguinte comando para encontrar `actionDefinitionId` da ação `AWS/ANOMALY_DETECTION_INFERENCE`. `computation-model-id`Substitua pelo ID real do modelo de computação criado anteriormente. ``` aws iotsitewise describe-computation-model \ --computation-model-id computation-model-id ``` 1. Crie um arquivo `anomaly-detection-stop-inference-payload.json` e adicione o código a seguir. ``` { "inferenceMode": "STOP" } ``` **nota** A carga útil deve estar em conformidade com. [Opção 1: usar um arquivo de carga útil limpo](anom-detection-sensors-asset.md#clean-payload-file) 1. Execute o comando a seguir para interromper a inferência. Substitua o seguinte parâmetro no arquivo de carga: 1. `computation-model-id`com o ID do modelo de computação de destino. 1. `inference-action-definition-id`com o ID da `AWS/ANOMALY_DETECTION_INFERENCE` ação da Etapa 1. **Example do 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 ```