Aktivieren Sie die Erkennung von Anomalien auf Sensoren in allen Anlagen

Erstellen Sie ein Berechnungsmodell ()AWS CLI

Verwenden Sie die AWS Befehlszeilenschnittstelle ()AWS CLI, um ein Berechnungsmodell zu erstellen. Nachdem Sie das Berechnungsmodell definiert haben, trainieren Sie das Modell und planen Sie die Inferenz so ein, dass die Anomalieerkennung in allen Anlagen erfolgt. AWS IoT SiteWise

In den folgenden Schritten wird dieser Prozess erklärt:

1. Um die Erkennung von Anomalien einzurichten, verwenden Sie die UpdateAssetModel (AWS CLI) und erfüllen Sie die folgenden Anforderungen:

   1. Mindestens eine Eingabeeigenschaft, die entweder vom INTEGER Datentyp DOUBLE oder ist. Sie ist entweder eine Mess- oder eine Transformationseigenschaft und wird zum Trainieren des Modells verwendet.

   2. Eine Ergebniseigenschaft vom STRING Datentyp. Es muss sich um eine Messeigenschaft handeln und speichert die Ergebnisse der Anomalieerkennung.

2. Erstellen Sie eine Datei anomaly-detection-computation-model-payload.json mit dem folgenden Inhalt:

   Anmerkung

   Erstellen Sie ein Berechnungsmodell, indem Sie es direkt assetProperty als Datenquelle angeben.

   {
       "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. Führen Sie den folgenden Befehl aus, um ein Berechnungsmodell zu erstellen:

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

ExecuteAction Vorbereitung der API-Nutzlast

Die nächsten Schritte zur Durchführung von Training und Inferenz werden mit der ExecuteActionAPI durchgeführt. Sowohl Training als auch Inferenz werden mit einer JSON-Aktionsnutzlastkonfiguration konfiguriert. Beim Aufrufen der ExecuteActionAPI muss die Aktionsnutzlast als Wert zusammen mit einer Nutzlast bereitgestellt werden. stringValue

Die Payload muss sich strikt an die API-Anforderungen halten. Insbesondere muss der Wert eine flache Zeichenfolge ohne Steuerzeichen sein (z. B. Zeilenumbrüche, Tabulatoren oder Zeilenumbrüche). Die folgenden Optionen bieten zwei zuverlässige Möglichkeiten, eine gültige Aktions-Payload bereitzustellen.

Option 1: Verwenden Sie eine saubere Payload-Datei

Das folgende Verfahren beschreibt die Schritte für eine saubere Payload-Datei:

1. Säubern Sie die Datei, um Steuerzeichen zu entfernen.

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

2. Führen Sie die Aktion mit der Datei aus@=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

Option 2: Inline-Zeichenfolge mit maskierten Anführungszeichen

In den folgenden Schritten werden die Schritte beschrieben, um die Nutzdaten inline bereitzustellen und Zwischendateien zu vermeiden:

• Verwenden Sie maskierte Anführungszeichen (\") innerhalb der JSON-Zeichenfolge.

• Setzen Sie den gesamten StringValue=.. Ausdruck in doppelte Anführungszeichen.

Beispiel einer Payload einer Aktion, der entgangen ist:

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

Trainiere die AWS CLI

1. Führen Sie den folgenden Befehl aus, um die AWS/ANOMALY_DETECTION_TRAINING Aktion actionDefinitionId zu ermitteln. computation-model-idErsetzen Sie es durch die im vorherigen Schritt zurückgegebene ID.

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

2. Erstellen Sie eine Datei mit dem Namen anomaly-detection-training-payload.json und fügen Sie die folgenden Werte hinzu:

   Anmerkung

   Die Nutzlast muss den Anforderungen entsprechen. Option 1: Verwenden Sie eine saubere Payload-Datei

   1. StartTimemit dem Beginn der Trainingsdaten, angegeben in Epochensekunden.

   2. EndTimemit dem Ende der Trainingsdaten, angegeben in Epochensekunden.

   3. Sie können optional konfigurierenErweiterte Inferenzkonfigurationen.

      1. (Optional) TargetSamplingRate mit der Abtastrate der Daten.

      2. (Optional) LabelInputConfiguration zur Angabe von Zeiträumen, in denen anomales Verhalten auftrat, um das Modelltraining zu verbessern.

      3. (Optional) ModelEvaluationConfiguration um die Leistung des Modells zu bewerten, indem nach Abschluss des Trainings Inferenzen für einen bestimmten Zeitraum ausgeführt werden.

   {
     "exportDataStartTime": StartTime,
     "exportDataEndTime": EndTime
   }

   Beispiel eines Beispiels für eine Trainingsnutzlast:

   {
     "exportDataStartTime": 1717225200,
     "exportDataEndTime": 1722789360
   }

3. Führen Sie den folgenden Befehl aus, um das Training zu starten (ohne die Ressource als Zielressource bereitzustellen). Ersetzen Sie die folgenden Parameter im Befehl:

   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. Führen Sie den folgenden Befehl aus, um den Status des Modelltrainingsprozesses zu überprüfen. Die letzte Ausführungsübersicht zeigt den Ausführungsstatus (RUNNING/COMPLETED/FAILED).

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

5. Führen Sie den folgenden Befehl aus, um die Konfiguration des zuletzt trainierten Modells zu überprüfen. Dieser Befehl erzeugt nur dann eine Ausgabe, wenn mindestens ein Modell das Training erfolgreich abgeschlossen hat.

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

Inferenz starten und beenden ()AWS CLI

Nachdem Sie das Modell trainiert haben, starten Sie die Inferenz, die Sie anweist, mit der Überwachung Ihrer Industrieanlagen auf Anomalien AWS IoT SiteWise zu beginnen.

Starten Sie die Inferenz

1. Führen Sie den folgenden Befehl aus, um die AWS/ANOMALY_DETECTION_INFERENCE Aktion actionDefinitionId zu ermitteln. computation-model-idErsetzen Sie es durch die tatsächliche ID des zuvor erstellten Berechnungsmodells.

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

2. Erstellen Sie eine Datei anomaly-detection-start-inference-payload.json und fügen Sie den folgenden Code hinzu. Ersetzen Sie die folgenden Parameter wie beschrieben:

   Anmerkung

   Die Nutzlast muss den Anforderungen entsprechen. Option 1: Verwenden Sie eine saubere Payload-Datei

   1. DataUploadFrequency: Konfigurieren Sie die Häufigkeit, mit der der Inferenzplan ausgeführt wird, um Anomalien zu erkennen. Zulässige Werte sind:. PT5M, PT10M, PT15M, PT30M, PT1H, PT2H..PT12H, PT1D

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

   2. (Optional) DataDelayOffsetInMinutes mit dem Verzögerungsoffset in Minuten. Stellen Sie diesen Wert zwischen 0 und 60 Minuten ein.

   3. (Optional) TargetModelVersion mit der zu aktivierenden Modellversion.

   4. (Optional) Konfigurieren Sie das weeklyOperatingWindow mit einer Schichtkonfiguration.

   5. Sie können optional konfigurierenErweiterte Inferenzkonfigurationen.

      1. Hochfrequente Inferenzierung (5 Minuten — 1 Stunde).

      2. Niederfrequenz-Inferenzierung (2 Stunden — 1 Tag).

      3. Flexible Terminplanung.

3. Führen Sie den folgenden Befehl aus, um die Inferenz zu starten. Ersetzen Sie die folgenden Parameter in der Payload-Datei.

   1. computation-model-idmit der ID des Zielberechnungsmodells.

   2. inference-action-definition-idmit der ID der AWS/ANOMALY_DETECTION_INFERENCE Aktion aus Schritt 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. Führen Sie den folgenden Befehl aus, um zu überprüfen, ob Inference noch läuft. Das inferenceTimerActive Feld ist auf „TRUEWenn Inferenz aktiv“ gesetzt ist.

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

5. Der folgende Befehl listet alle Inferenzausführungen auf:

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

6. Führen Sie den folgenden Befehl aus, um eine einzelne Ausführung zu beschreiben. execution-idErsetzen Sie es durch die ID aus dem vorherigen Schritt 5.

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

Beenden Sie die Inferenz

1. Führen Sie den folgenden Befehl aus, um die AWS/ANOMALY_DETECTION_INFERENCE Aktion actionDefinitionId zu ermitteln. computation-model-idErsetzen Sie es durch die tatsächliche ID des zuvor erstellten Berechnungsmodells.

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

2. Erstellen Sie eine Datei anomaly-detection-stop-inference-payload.json und fügen Sie den folgenden Code hinzu.

   {
       "inferenceMode": "STOP"
   }

   Anmerkung

   Die Nutzlast muss den Anforderungen entsprechen. Option 1: Verwenden Sie eine saubere Payload-Datei

3. Führen Sie den folgenden Befehl aus, um die Inferenz zu beenden. Ersetzen Sie den folgenden Parameter in der Payload-Datei:

   1. computation-model-idmit der ID des Zielberechnungsmodells.

   2. inference-action-definition-idmit der ID der AWS/ANOMALY_DETECTION_INFERENCE Aktion aus Schritt 1.

   Beispiel des Befehls 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