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. # Ative a detecção de anomalias nos sensores de um ativo ## 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 em um ativo em. AWS IoT SiteWise + Crie um arquivo `anomaly-detection-computation-model-payload.json` com o seguinte conteúdo: ``` { "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" } } } } ``` + 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 \ --resolve-to assetId= \ --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 \ --resolve-to assetId= \ --action-payload "stringValue={\"exportDataStartTime\":1717225200,\"exportDataEndTime\":1722789360,\"targetSamplingRate\":\"PT1M\"}" ``` ## Treine o modelo (AWS CLI) Com um modelo de computação criado, você pode treinar um modelo em relação aos ativos. Siga as etapas abaixo para treinar um modelo para um ativo: 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) 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. Opcionalmente[Configurações avançadas de treinamento](adv-training-configs.md), você pode configurar para melhorar o desempenho do modelo. 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. 1. (Opcional) `ModelMetricsDestination` para coletar dados de desempenho abrangentes (precisão, recuperação, área sob a curva). ``` { "trainingMode": "TRAIN_MODEL", "exportDataStartTime": StartTime, "exportDataEndTime": EndTime } ``` **Example de um exemplo de carga útil de treinamento:** ``` { "trainingMode": "TRAIN_MODEL", "exportDataStartTime": 1717225200, "exportDataEndTime": 1722789360 } ``` 1. Execute o comando a seguir para iniciar o treinamento. Substitua os parâmetros a seguir no comando: 1. `computation-model-id`com o ID do modelo de computação de destino. 1. `asset-id`com o ID do ativo com o qual você treinará o modelo. 1. `training-action-definition-id`com o ID da `AWS/ANOMALY_DETECTION_TRAINING` ação da Etapa 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 de uma ação de execução:** ``` 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. 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\ --resolve-to-resource-type ASSET \ --resolve-to-resource-id asset-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 sido treinado com sucesso. ``` 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 a `ComputationModel` estiver usando AssetModelProperty, use a [ListComputationModelResolveToResources](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ListComputationModelResolveToResources.html)API para identificar os ativos com ações executadas. ``` aws iotsitewise list-computation-model-resolve-to-resources \ --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. Execute o seguinte comando para encontrar `actionDefinitionId` da ação `AWS/ANOMALY_DETECTION_TRAINING`. `computation-model-id`Substitua pelo ID retornado da criação do seu modelo de computação. ``` aws iotsitewise describe-computation-model \ --computation-model-id computation-model-id ``` 1. Crie um arquivo chamado `anomaly-detection-start-retraining-payload.json` e adicione o código a seguir. Substitua os parâmetros por valores conforme descrito. **nota** A carga útil deve estar em conformidade com. [Opção 1: usar um arquivo de carga útil limpo](#clean-payload-file) 1. `lookbackWindow`com a janela de dados históricos a ser usada para reciclagem (`P180D`//`P360D``P540D`/`P720D`). 1. `retrainingFrequency`com a frequência com que retreinar o modelo (mínimo`P30D`, máximo`P1Y`). 1. (Opcional) `promotion` com o modo de promoção do modelo (`SERVICE_MANAGED`ou`CUSTOMER_MANAGED`). O padrão é `SERVICE_MANAGED`. 1. (Opcional) `retrainingStartDate` com a data de início do cronograma de reciclagem, fornecida em segundos de época. Trunca a hora até o dia UTC mais próximo. Opcional, o padrão é a data atual. 1. Opcionalmente, você pode configurar [Configurações avançadas de treinamento](adv-training-configs.md) para melhorar o desempenho do modelo. 1. (Opcional) `ModelMetricsDestination` para obter dados de desempenho abrangentes (precisão, recuperação, área sob a curva). ``` { "trainingMode": "START_RETRAINING_SCHEDULER", "retrainingConfiguration": { "lookbackWindow": "P180D", "promotion": "SERVICE_MANAGED", "retrainingFrequency": "P30D", "retrainingStartDate": "StartDate" } } ``` 1. Execute o comando a seguir para iniciar o agendador de reciclagem. Substitua os parâmetros a seguir no comando: 1. `computation-model-id`com o ID do modelo de computação de destino. 1. `asset-id`com o ID do ativo com o qual você treinará o modelo. 1. `training-action-definition-id`com o ID da `AWS/ANOMALY_DETECTION_TRAINING` ação da Etapa 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 Exemplo de comando de execução de ação** ``` 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 ``` ### Pare o agendador de treinamento 1. Execute o seguinte comando para encontrar `actionDefinitionId` da ação `AWS/ANOMALY_DETECTION_TRAINING`. `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-retraining-payload.json` e adicione o seguinte: **nota** A carga útil deve estar em conformidade com. [Opção 1: usar um arquivo de carga útil limpo](#clean-payload-file) ``` { "trainingMode": "STOP_RETRAINING_SCHEDULER" } ``` 1. Execute o comando a seguir para interromper o agendador de reciclagem. Substitua os parâmetros a seguir no comando: 1. `computation-model-id`com o ID do modelo de computação de destino. 1. `asset-id`com o ID do ativo com o qual você treinará o modelo. 1. `training-action-definition-id`com o ID da `AWS/ANOMALY_DETECTION_TRAINING` ação da Etapa 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 ``` ## Iniciar e interromper a inferência ()AWS CLI Depois de treinar o modelo, inicie a inferência. Isso instrui AWS IoT SiteWise a monitorar ativamente 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 os seguintes valores: **nota** A carga útil deve estar em conformidade com. [Opção 1: usar um arquivo de carga útil limpo](#clean-payload-file) ``` "inferenceMode": "START", "dataUploadFrequency": "DataUploadFrequency" ``` 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`. 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. `asset-id`com a ID do ativo contra o qual o modelo foi treinado. 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 \ --resolve-to assetId=asset-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 \ --resolve-to-resource-type ASSET \ --resolve-to-resource-id asset-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 \ --resolve-to-resource-type ASSET \ --resolve-to-resource-id asset-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](#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. `asset-id`com a ID do ativo contra o qual o modelo foi treinado. 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 \ --resolve-to assetId=asset-id \ --action-definition-id inference-action-definition-id \ --action-payload stringValue@=file://anomaly-detection-stop-inference-payload.json ``` ## Encontre modelos de computação que usam um determinado recurso na vinculação de dados Para listar modelos de computação vinculados a um determinado recurso: + **modelo de ativo** (busque todos os modelos de computação em que qualquer uma das propriedades desse modelo de ativo esteja vinculada). + **ativo** (obtenha todos os modelos de computação em que qualquer uma das propriedades desse ativo esteja vinculada) + **propriedade do modelo de ativos** (obtenha todos os modelos de computação em que essa propriedade está vinculada) + **propriedade do ativo** (obtenha todos os modelos de computação em que essa propriedade está vinculada). Isso pode ser para fins informativos ou obrigatório quando o usuário tenta vincular essa propriedade a outro modelo de computação (mas ela já está vinculada a outro lugar) Use a [ ListComputationModelDataBindingUsages](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_ListComputationModelDataBindingUsages.html)API para buscar uma lista de `ComputationModelId` s que usam o ativo (propriedade) ou o modelo de ativo (propriedade) como vinculação de dados. Prepare um `request.json` com as seguintes informações: ``` { "dataBindingValueFilter": { "asset": { "assetId": "" } // OR "assetModel": { "assetModelId": "" } // OR "assetProperty": { "assetId": "", "propertyId": "" } // OR "assetModelProperty": { "assetModelId": "", "propertyId": "" } }, "nextToken": "", "maxResults": "" } ``` Use o `list-computation-model-data-binding-usages` comando para recuperar os modelos com ativos ou modelos de ativos como vinculações de dados. ``` aws iotsitewise list-computation-model-data-binding-usages \ --cli-input-json file://request.json ```