Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Erkennen Sie Geräteanomalien mit Amazon Lookout for Equipment
Anmerkung
Die Erkennung von Anomalien ist nur in den Regionen verfügbar, in denen Amazon Lookout for Equipment verfügbar ist.
Sie können Amazon Lookout for Equipment integrieren AWS IoT SiteWise , um mithilfe von Anomalieerkennung und vorausschauender Wartung von Industrieanlagen Einblicke in Ihre Industrieanlagen zu gewinnen. Lookout for Equipment ist ein Service für maschinelles Lernen (ML) zur Überwachung von Industrieanlagen, der abnormales Geräteverhalten erkennt und potenzielle Ausfälle identifiziert. Mit Lookout for Equipment können Sie prädiktive Wartungsprogramme implementieren und suboptimale Geräteprozesse identifizieren. Weitere Informationen zu Lookout for Equipment finden Sie unter Was ist Amazon Lookout for Equipment? im Amazon Lookout for Equipment Equipment-Benutzerhandbuch.
Wenn Sie eine Prognose erstellen, um ein ML-Modell zu trainieren, um anomales Geräteverhalten zu erkennen, AWS IoT SiteWise sendet es die Werte der Anlageneigenschaften an Lookout for Equipment, um ein ML-Modell zur Erkennung von anomalem Geräteverhalten zu trainieren. Um eine Prognosedefinition für ein Anlagenmodell zu definieren, geben Sie die IAM Rollen an, die Lookout for Equipment benötigt, um auf Ihre Daten zuzugreifen, und die Eigenschaften, die an Lookout for Equipment gesendet und verarbeitete Daten an Amazon S3 gesendet werden sollen. Weitere Informationen finden Sie unter Erstellen Sie Asset-Modelle.
Um Lookout for Equipment zu integrieren AWS IoT SiteWise , führen Sie die folgenden allgemeinen Schritte aus:
Fügen Sie einem Asset-Modell eine Prognosedefinition hinzu, die beschreibt, welche Eigenschaften Sie verfolgen möchten. Die Vorhersagedefinition ist eine wiederverwendbare Sammlung von Messungen, Transformationen und Metriken, die verwendet wird, um Vorhersagen für die Anlagen zu erstellen, die auf diesem Anlagenmodell basieren.
Trainieren Sie die Vorhersage auf der Grundlage der von Ihnen bereitgestellten historischen Daten.
Planen Sie Inferenz, die angibt, AWS IoT SiteWise wie oft eine bestimmte Vorhersage ausgeführt werden soll.
Sobald die Inferenz geplant ist, überwacht das Modell Lookout for Equipment die Daten, die es von Ihren Geräten empfängt, und sucht nach Anomalien im Geräteverhalten. Sie können die Ergebnisse in SiteWise Monitor mithilfe der AWS IoT SiteWise GET API Operationen oder der Lookout for Equipment Equipment-Konsole anzeigen und analysieren. Sie können auch Alarme mithilfe von Alarmmeldern aus dem Anlagenmodell erstellen, um Sie über abnormales Geräteverhalten zu informieren.
Themen
- Fügen Sie eine Vorhersagedefinition hinzu (Konsole)
- Eine Vorhersage trainieren (Konsole)
- Inferenz für eine Vorhersage starten oder beenden (Konsole)
- Fügen Sie eine Vorhersagedefinition hinzu () CLI
- Trainieren Sie eine Vorhersage und starten Sie die Inferenz () CLI
- Trainiere eine Vorhersage () CLI
- Startet oder stoppt die Inferenz auf eine Vorhersage () CLI
Fügen Sie eine Vorhersagedefinition hinzu (Konsole)
Um mit dem Senden der von gesammelten Daten AWS IoT SiteWise an Lookout for Equipment zu beginnen, müssen Sie einem Anlagenmodell eine AWS IoT SiteWise Prognosedefinition hinzufügen.
Um einem AWS IoT SiteWise Anlagenmodell eine Vorhersagedefinition hinzuzufügen
Navigieren Sie zur AWS IoT SiteWise -Konsole
. Wählen Sie im Navigationsbereich Modelle und dann das Assetmodell aus, dem Sie die Vorhersagedefinition hinzufügen möchten.
Wählen Sie Prognosen aus.
Wählen Sie Vorhersagedefinition hinzufügen.
-
Definieren Sie Details zur Vorhersagedefinition.
-
Geben Sie einen eindeutigen Namen und eine Beschreibung für Ihre Prognosedefinition ein. Wählen Sie den Namen sorgfältig aus, da Sie den Namen der Vorhersagedefinition nicht mehr ändern können, nachdem Sie sie erstellt haben.
-
Erstellen oder wählen Sie eine IAMBerechtigungsrolle aus, mit der Sie Ihre Asset-Daten mit Amazon Lookout for Equipment teilen können AWS IoT SiteWise . Die Rolle sollte die folgenden IAM und vertrauenswürdigen Richtlinien haben. Hilfe beim Erstellen der Rolle finden Sie unter Rolle mithilfe benutzerdefinierter Vertrauensrichtlinien erstellen (Konsole).
IAMRichtlinie
{ "Version": "2012-10-17", "Statement": [{ "Sid": "L4EPermissions", "Effect": "Allow", "Action": [ "lookoutequipment:CreateDataset", "lookoutequipment:CreateModel", "lookoutequipment:CreateInferenceScheduler", "lookoutequipment:DescribeDataset", "lookoutequipment:DescribeModel", "lookoutequipment:DescribeInferenceScheduler", "lookoutequipment:ListInferenceExecutions", "lookoutequipment:StartDataIngestionJob", "lookoutequipment:StartInferenceScheduler", "lookoutequipment:UpdateInferenceScheduler", "lookoutequipment:StopInferenceScheduler" ], "Resource": [ "arn:aws:lookoutequipment:
Region
:Account_ID
:inference-scheduler/IoTSiteWise_*", "arn:aws:lookoutequipment:Region
:Account_ID
:model/IoTSiteWise_*", "arn:aws:lookoutequipment:Region
:Account_ID
:dataset/IoTSiteWise_*" ] }, { "Sid": "L4EPermissions2", "Effect": "Allow", "Action": [ "lookoutequipment:DescribeDataIngestionJob" ], "Resource": "*" }, { "Sid": "S3Permissions", "Effect": "Allow", "Action": [ "s3:CreateBucket", "s3:ListBucket", "s3:PutObject", "s3:GetObject" ], "Resource": ["arn:aws:s3:::iotsitewise-*"] }, { "Sid": "IAMPermissions", "Effect": "Allow", "Action": [ "iam:GetRole", "iam:PassRole" ], "Resource": "arn:aws:iam::Account_ID
:role/Role_name
" } ] }Vertrauensrichtlinie
{ "Version": "2012-10-17", "Statement": [{ "Effect": "Allow", "Principal": { "Service": "iotsitewise.amazonaws.com" }, "Action": "sts:AssumeRole", "Condition": { "StringEquals": { "aws:SourceAccount": "
Account_ID
" }, "ArnEquals": { "aws:SourceArn": "arn:aws:iotsitewise:Region
:Account_ID
:asset/*" } } }, { "Effect": "Allow", "Principal": { "Service": "lookoutequipment.amazonaws.com" }, "Action": "sts:AssumeRole", "Condition": { "StringEquals": { "aws:SourceAccount": "Account_ID
" }, "ArnEquals": { "aws:SourceArn": "arn:aws:lookoutequipment:Region
:Account_ID
:*" } } } ] } -
Wählen Sie Weiter.
-
-
Wählen Sie Datenattribute (Messungen, Transformationen und Metriken) aus, die Sie an Lookout for Equipment senden möchten.
-
(Optional) Wählen Sie Messungen aus.
-
(Optional) Wählen Sie Transformationen aus.
-
(Optional) Wählen Sie Metriken aus.
Wählen Sie Weiter.
-
-
Überprüfen Sie Ihre Auswahl. Um die Prognosedefinition zum Asset-Modell hinzuzufügen, wählen Sie auf der Übersichtsseite die Option Vorhersagedefinition hinzufügen aus.
Sie können auch eine bestehende Vorhersagedefinition bearbeiten oder löschen, der aktive Vorhersagen angehängt sind.
Eine Vorhersage trainieren (Konsole)
Nachdem Sie einem Anlagenmodell eine Prognosedefinition hinzugefügt haben, können Sie die Vorhersagen trainieren, die sich auf Ihre Anlagen beziehen.
Um eine Vorhersage zu trainieren in AWS IoT SiteWise
Navigieren Sie zur AWS IoT SiteWise -Konsole
. Wählen Sie im Navigationsbereich Assets und dann das Asset aus, das Sie überwachen möchten.
Wählen Sie Prognosen aus.
Wählen Sie die Vorhersagen aus, die Sie trainieren möchten.
-
Wählen Sie unter Aktionen die Option Training starten aus und gehen Sie wie folgt vor:
Wählen Sie unter Prognosedetails eine IAM Berechtigungsrolle aus, mit der AWS IoT SiteWise Sie Ihre Asset-Daten mit Lookout for Equipment teilen können. Wenn Sie eine neue Rolle erstellen müssen, wählen Sie Neue Rolle erstellen aus.
Geben Sie unter Einstellungen für Trainingsdaten einen Zeitraum für Trainingsdaten ein, um auszuwählen, welche Daten zum Trainieren der Vorhersage verwendet werden sollen.
(Optional) Wählen Sie die Samplerate für die Daten nach der Nachverarbeitung aus.
(Optional) Geben Sie für Datenlabels einen Amazon S3 S3-Bucket und ein Präfix an, das Ihre Kennzeichnungsdaten enthält. Weitere Informationen zur Kennzeichnung von Daten finden Sie unter Kennzeichnen Ihrer Daten im Amazon Lookout for Equipment Equipment-Benutzerhandbuch.
Wählen Sie Weiter.
-
(Optional) Wenn Sie möchten, dass die Vorhersage aktiv ist, sobald das Training abgeschlossen ist, wählen Sie unter Erweiterte Einstellungen die Option Vorhersage nach dem Training automatisch aktivieren aus, und gehen Sie dann wie folgt vor:
Definieren Sie unter Eingabedaten für Häufigkeit des Daten-Uploads, wie oft Daten hochgeladen werden, und definieren Sie für Offset-Verzögerungszeit, wie viel Puffer verwendet werden soll.
Wählen Sie Weiter.
Überprüfen Sie die Details der Prognose und wählen Sie Speichern und starten aus.
Inferenz für eine Vorhersage starten oder beenden (Konsole)
Anmerkung
Die Gebühren von Lookout for Equipment fallen für geplante Inferenzen mit den Daten an, die zwischen AWS IoT SiteWise und Lookout for Equipment übertragen werden. Weitere Informationen finden Sie unter Amazon Lookout for Equipment Pricing
Wenn Sie eine Prognose „blookoutequipment:CreateDataset“ hinzugefügt, diese aber nach dem Training nicht aktiviert haben, müssen Sie sie aktivieren, damit sie mit der Überwachung Ihrer Anlagen beginnen kann.
Um die Inferenz für eine Vorhersage zu starten
Navigieren Sie zur AWS IoT SiteWise -Konsole
. Wählen Sie im Navigationsbereich Assets und dann das Asset aus, zu dem die Prognose hinzugefügt werden soll.
Wählen Sie Prognosen aus.
Wählen Sie die Prognosen aus, die Sie aktivieren möchten.
-
Wählen Sie unter Aktionen die Option Inferenz starten aus und gehen Sie wie folgt vor:
Definieren Sie unter Eingabedaten für Häufigkeit des Daten-Uploads, wie oft Daten hochgeladen werden, und definieren Sie für Offset-Verzögerungszeit, wie viel Puffer verwendet werden soll.
Wählen Sie Speichern und starten.
Um die Inferenz für eine Vorhersage zu beenden
Navigieren Sie zur AWS IoT SiteWise -Konsole
. Wählen Sie im Navigationsbereich Assets und dann das Asset aus, zu dem die Prognose hinzugefügt werden soll.
Wählen Sie Prognosen aus.
Wählen Sie die Vorhersagen aus, die Sie beenden möchten.
-
Wählen Sie unter Aktionen die Option Inferenz beenden aus.
Fügen Sie eine Vorhersagedefinition hinzu () CLI
Um eine Vorhersagedefinition für ein neues oder vorhandenes Asset-Modell zu definieren, können Sie die AWS Command Line Interface (AWS CLI) verwenden. Nachdem Sie die Prognosedefinition für das Anlagenmodell definiert haben, trainieren Sie eine Vorhersage für eine Anlage und planen die Inferenz für diese, AWS IoT SiteWise um Anomalieerkennung mit Lookout for Equipment durchzuführen.
Voraussetzungen
Um diese Schritte ausführen zu können, müssen Sie ein Anlagenmodell und mindestens eine Anlage erstellt haben. Weitere Informationen erhalten Sie unter Erstellen Sie ein Asset-Modell (AWS CLI) und Erstellen Sie ein Asset (AWS CLI).
Wenn Sie noch nicht damit vertraut sind AWS IoT SiteWise, müssen Sie den CreateBulkImportJob
API Vorgang zum Importieren von Objekteigenschaftswerten aufrufen AWS IoT SiteWise, der dann zum Trainieren des Modells verwendet wird. Weitere Informationen finden Sie unter Erstellen Sie einen Massenimportauftrag ()AWS CLI.
Um eine Vorhersagedefinition hinzuzufügen
Erstellen Sie eine Datei mit dem Namen
asset-model-payload.json
. Folgen Sie den Schritten in diesen anderen Abschnitten, um der Datei die Details Ihres Asset-Modells hinzuzufügen, reichen Sie aber nicht die Anfrage zur Erstellung oder Aktualisierung des Asset-Modells ein.Weitere Informationen zum Erstellen eines Vermögensmodells finden Sie unter Erstellen Sie ein Asset-Modell (AWS CLI)
Weitere Informationen zum Aktualisieren eines vorhandenen Anlagenmodells finden Sie unter Aktualisieren Sie ein Asset- oder Komponentenmodell (AWS CLI)
Fügen Sie dem Asset-Modell ein Verbundmodell von Lookout for Equipment (
assetModelCompositeModels
) hinzu, indem Sie den folgenden Code hinzufügen.
Ersetzen Sie es durch die ID der Eigenschaften, die Sie einbeziehen möchten. Um diese zu bekommenIDs, rufen Sie anProperty
DescribeAssetModel
.
Ersetzen Sie es durch die IAM Rolle ARN einer Rolle, die Lookout for Equipment den Zugriff auf Ihre AWS IoT SiteWise Daten ermöglicht.RoleARN
{ ... "assetModelCompositeModels": [ { "name": "L4Epredictiondefinition", "type": "AWS/L4E_ANOMALY", "properties": [ { "name": "AWS/L4E_ANOMALY_RESULT", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_RESULT", "unit": "none", "type": { "measurement": {} } }, { "name": "AWS/L4E_ANOMALY_INPUT", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_INPUT", "type": { "attribute": { "defaultValue": "{\"properties\": [\"
Property1
\", \"Property2
\"]}" } } }, { "name": "AWS/L4E_ANOMALY_PERMISSIONS", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_PERMISSIONS", "type": { "attribute": { "defaultValue": "{\"roleArn\": \"RoleARN
\"}" } } }, { "name": "AWS/L4E_ANOMALY_DATASET", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_DATASET", "type": { "attribute": {} } }, { "name": "AWS/L4E_ANOMALY_MODEL", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_MODEL", "type": { "attribute": {} } }, { "name": "AWS/L4E_ANOMALY_INFERENCE", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_INFERENCE", "type": { "attribute": {} } }, { "name": "AWS/L4E_ANOMALY_TRAINING_STATUS", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_TRAINING_STATUS", "type": { "attribute": { "defaultValue": "{}" } } }, { "name": "AWS/L4E_ANOMALY_INFERENCE_STATUS", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_INFERENCE_STATUS", "type": { "attribute": { "defaultValue": "{}" } } } ] }-
Erstellen Sie das Asset-Modell oder aktualisieren Sie das bestehende Asset-Modell. Führen Sie eine der folgenden Aktionen aus:
Führen Sie den folgenden Befehl aus, um das Asset-Modell zu erstellen:
aws iotsitewise create-asset-model --cli-input-json file://asset-model-payload.json
Führen Sie den folgenden Befehl aus, um das bestehende Asset-Modell zu aktualisieren.
Ersetzen Sie es durch die ID des Asset-Modells, das Sie aktualisieren möchten.asset-model-id
aws iotsitewise update-asset-model \ --asset-model-id
asset-model-id
\ --cli-input-json file://asset-model-payload.json
Nachdem Sie den Befehl ausgeführt haben, notieren Sie sich das assetModelId
in der Antwort.
Trainieren Sie eine Vorhersage und starten Sie die Inferenz () CLI
Nachdem die Vorhersagedefinition nun definiert ist, können Sie darauf basierende Anlagen trainieren und mit der Inferenz beginnen. Wenn Sie Ihre Vorhersage trainieren, aber keine Inferenz starten möchten, fahren Sie mit fort. Trainiere eine Vorhersage () CLI Um die Vorhersage zu trainieren und die Inferenz für das Asset zu starten, benötigen Sie die assetId
der Zielressource.
Um die Vorhersage zu trainieren und mit der Inferenz zu beginnen
Führen Sie den folgenden Befehl aus, um das
assetModelCompositeModelId
assetModelCompositeModelSummaries
Under zu finden. Ersetzen
mit der ID des Asset-Modells, in dem Sie es erstellt habenAktualisieren Sie ein Asset- oder Komponentenmodell (AWS CLI).asset-model-id
aws iotsitewise describe-asset-model \ --asset-model-id
asset-model-id
\Führen Sie den folgenden Befehl aus, um
actionDefinitionId
dieTrainingWithInference
Aktion zu finden. Ersetzen
mit der im vorherigen Schritt verwendeten ID und ersetzeasset-model-id
mit der ID, die im vorherigen Schritt zurückgegeben wurde.asset-model-composite-model-id
aws iotsitewise describe-asset-model-composite-model \ --asset-model-id
asset-model-id
\ --asset-model-composite-model-idasset-model-composite-model-id
\Erstellen Sie eine Datei mit dem Namen
train-start-inference-prediction.json
und fügen Sie den folgenden Code hinzu, der den folgenden ersetzt:
mit der ID des Ziel-Assetsasset-id
mit der ID der TrainingWithInference Aktionaction-definition-id
mit dem Beginn der Trainingsdaten, angegeben in EpochensekundenStartTime
mit dem Ende der Trainingsdaten, angegeben in EpochensekundenEndTime
mit der Abtastrate der Daten nach der Nachbearbeitung durch Lookout for Equipment. Zulässige Werte sind:TargetSamplingRate
PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H
.
{ "targetResource": { "assetId": "
asset-id
" }, "actionDefinitionId": "action-definition-Id
", "actionPayload":{ "stringValue": "{\"l4ETrainingWithInference\":{\"trainingWithInferenceMode\":\"START\",\"trainingPayload\":{\"exportDataStartTime\":StartTime
,\"exportDataEndTime\":EndTime
},\"targetSamplingRate\":\"TargetSamplingRate
\"},\"inferencePayload\":{\"dataDelayOffsetInMinutes\":0,\"dataUploadFrequency\":\"PT5M\"}}}" } }Führen Sie den folgenden Befehl aus, um das Training und die Inferenz zu starten:
aws iotsitewise execute-action --cli-input-json file://train-start-inference-prediction.json
Trainiere eine Vorhersage () CLI
Da die Prognosedefinition nun definiert ist, können Sie Anlagen auf der Grundlage dieser Definition trainieren. Um die Vorhersage auf der Anlage zu trainieren, benötigen Sie die assetId
der Zielressource.
Um die Vorhersage zu trainieren
Führen Sie den folgenden Befehl aus, um das
assetModelCompositeModelId
Under zu findenassetModelCompositeModelSummaries
. Ersetzen
mit der ID des Asset-Modells, in dem Sie es erstellt habenAktualisieren Sie ein Asset- oder Komponentenmodell (AWS CLI).asset-model-id
aws iotsitewise describe-asset-model \ --asset-model-id
asset-model-id
\Führen Sie den folgenden Befehl aus, um
actionDefinitionId
dieTraining
Aktion zu finden. Ersetzen
mit der im vorherigen Schritt verwendeten ID und ersetzeasset-model-id
mit der ID, die im vorherigen Schritt zurückgegeben wurde.asset-model-composite-model-id
aws iotsitewise describe-asset-model-composite-model \ --asset-model-id
asset-model-id
\ --asset-model-composite-model-idasset-model-composite-model-id
\Erstellen Sie eine Datei mit dem Namen
train-prediction.json
und fügen Sie den folgenden Code hinzu, der den folgenden ersetzt:
mit der ID des Ziel-Assetsasset-id
mit der ID der Trainingsaktionaction-definition-id
mit dem Beginn der Trainingsdaten, angegeben in EpochensekundenStartTime
mit dem Ende der Trainingsdaten, angegeben in EpochensekundenEndTime
(Optional)
mit dem Namen des Amazon S3 S3-Buckets, der Ihre Etikettendaten enthältBucketName
(Optional)
mit dem Präfix, das dem Amazon S3 S3-Bucket zugeordnet ist.Prefix
mit der Abtastrate der Daten nach der Nachbearbeitung durch Lookout for Equipment. Zulässige Werte sind:TargetSamplingRate
PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H
.Anmerkung
Geben Sie sowohl den Bucket-Namen als auch das Präfix oder keines von beiden an.
{ "targetResource": { "assetId": "
asset-id
" }, "actionDefinitionId": "action-definition-Id
", "actionPayload":{ "stringValue": "{\"l4ETraining\": {\"trainingMode\":\"START\",\"exportDataStartTime\":StartTime
, \"exportDataEndTime\":EndTime
, \"targetSamplingRate\":\"TargetSamplingRate
\"}, \"labelInputConfiguration\": {\"bucketName\": \"BucketName
\", \"prefix\": \"Prefix
\"}}}" } }Führen Sie den folgenden Befehl aus, um das Training zu starten:
aws iotsitewise execute-action --cli-input-json file://train-prediction.json
Bevor Sie mit der Inferenz beginnen können, muss das Training abgeschlossen sein. Gehen Sie wie folgt vor, um den Status der Schulung zu überprüfen:
Navigieren Sie in der Konsole zu dem Asset, für das sich die Prognose bezieht.
Rufen Sie von der AWS CLI aus
BatchGetAssetPropertyValue
überpropertyId
dietrainingStatus
Eigenschaft auf.
Startet oder stoppt die Inferenz auf eine Vorhersage () CLI
Sobald die Vorhersage trainiert ist, können Sie mit der Inferenz beginnen und Lookout for Equipment anweisen, mit der Überwachung Ihrer Anlagen zu beginnen. Um die Inferenz zu starten oder zu beenden, benötigen Sie die Daten assetId
der Zielressource.
Um die Inferenz zu starten
Führen Sie den folgenden Befehl aus, um das
assetModelCompositeModelId
assetModelCompositeModelSummaries
Under zu finden. Ersetzen
mit der ID des Asset-Modells, in dem Sie es erstellt habenAktualisieren Sie ein Asset- oder Komponentenmodell (AWS CLI).asset-model-id
aws iotsitewise describe-asset-model \ --asset-model-id
asset-model-id
\Führen Sie den folgenden Befehl aus, um
actionDefinitionId
dieInference
Aktion zu finden. Ersetzen
mit der im vorherigen Schritt verwendeten ID und ersetzeasset-model-id
mit der ID, die im vorherigen Schritt zurückgegeben wurde.asset-model-composite-model-id
aws iotsitewise describe-asset-model-composite-model \ --asset-model-id
asset-model-id
\ --asset-model-composite-model-idasset-model-composite-model-id
\Erstellen Sie eine Datei mit dem Namen
start-inference.json
und fügen Sie den folgenden Code hinzu, der den folgenden ersetzt:
mit der ID des Ziel-Assetsasset-id
mit der ID der Start-Inferenzaktionaction-definition-id
mit der Menge des zu verwendenden PuffersOffset
mit wie oft Daten hochgeladen werdenFrequency
{ "targetResource": { "assetId": "
asset-id
" }, "actionDefinitionId": "action-definition-Id
", "actionPayload":{ "stringValue": "{\"l4EInference\": {\"inferenceMode\":\"START\",\"dataDelayOffsetInMinutes\":Offset
, \"dataUploadFrequency\": \"Frequency
\"}}" }}Führen Sie den folgenden Befehl aus, um die Inferenz zu starten:
aws iotsitewise execute-action --cli-input-json file://start-inference.json
Um die Inferenz zu beenden
Führen Sie den folgenden Befehl aus, um das
assetModelCompositeModelId
assetModelCompositeModelSummaries
Under zu finden. Ersetzen
mit der ID des Asset-Modells, in dem Sie es erstellt habenAktualisieren Sie ein Asset- oder Komponentenmodell (AWS CLI).asset-model-id
aws iotsitewise describe-asset-model \ --asset-model-id
asset-model-id
\Führen Sie den folgenden Befehl aus, um
actionDefinitionId
dieInference
Aktion zu finden. Ersetzen
mit der im vorherigen Schritt verwendeten ID und ersetzeasset-model-id
mit der ID, die im vorherigen Schritt zurückgegeben wurde.asset-model-composite-model-id
aws iotsitewise describe-asset-model-composite-model \ --asset-model-id
asset-model-id
\ --asset-model-composite-model-idasset-model-composite-model-id
\Erstellen Sie eine Datei mit dem Namen
stop-inference.json
und fügen Sie den folgenden Code hinzu, der den folgenden ersetzt:
mit der ID des Ziel-Assetsasset-id
mit der ID der Start-Inferenzaktionaction-definition-id
{ "targetResource": { "assetId": "
asset-id
" }, "actionDefinitionId": "action-definition-Id
", "actionPayload":{ "stringValue": "{\"l4EInference\":{\"inferenceMode\":\"STOP\"}}" }}Führen Sie den folgenden Befehl aus, um die Inferenz zu beenden:
aws iotsitewise execute-action --cli-input-json file://stop-inference.json