Überprüfen Sie die Inferenzergebnisse

Inferenzergebnisse abrufen

Aktuelle Inferenzergebnisse

Führen Sie den folgenden Befehl aus, um das neueste Inferenzergebnis für eine Anlageneigenschaft abzurufen. Weitere Informationen finden Sie get-asset-property-valueim AWS CLI Befehlsreferenzhandbuch.

aws iotsitewise get-asset-property-value \
    —asset-id asset-id \
    —property-id result-property-id

Verlauf der Inferenzergebnisse

Führen Sie den folgenden Befehl aus, um den Verlauf der Inferenzergebnisse für ein bestimmtes Zeitfenster abzurufen. Weitere Informationen finden Sie unter get-asset-property-value-history im AWS CLI Befehlsreferenzhandbuch.

aws iotsitewise get-asset-property-value-history \
    —asset-id asset-id \
    —property-id result-property-id \
    —start-date start-time \
    —end-date end-time

Beispielantwort

Beispiel einer Antwort auf ein Inferenzergebnis:

{
  "value": {
    "stringValue": "{\"timestamp\": \"2025-02-10T22:42:00.000000\", \"prediction\": 0, \"prediction_reason\": \"NO_ANOMALY_DETECTED\", \"diagnostics\": [{\"name\": \"asset-id\\\\property-id\", \"value\": 0.53528}]}"
  },
  "timestamp": {
    "timeInSeconds": 1739227320,
    "offsetInNanos": 0
  },
  "quality": "GOOD"
}

Antwortfelder

• value.stringValue — Eine JSON-Zeichenfolge, die das Inferenzergebnis mit den folgenden Feldern enthält:

  • timestamp — Der Zeitstempel des TQV, anhand dessen die Inferenz durchgeführt wird.

  • Prognose — Das Prognoseergebnis (0 für keine Anomalie, 1 für festgestellte Anomalie).

  • prediction_reason — Der Grund für die Vorhersage (oder). NO_ANOMALY_DETECTED ANOMALY_DETECTED

  • Diagnosen — Eine Reihe von Diagnoseinformationen, die dazu beitragende Faktoren aufzeigen.

• Zeitstempel — Der Zeitstempel, in dem das Ergebnis aufgezeichnet wird. AWS IoT SiteWise

• Qualität — Die Qualität des Datenpunkts (normalerweiseGOOD).

Verstehen Sie die Inferenzergebnisse

Ein bei der AWS IoT SiteWise Anomalieerkennung zurückgegebenes Inferenzergebnis enthält wichtige Informationen über die Vorhersage des Modells zu einem bestimmten Zeitpunkt, einschließlich der Frage, ob eine Anomalie erkannt wurde und welche Sensoren zu der Anomalie beigetragen haben.

Beispiel eines detaillierten Inferenzergebnisses:

{
    "timestamp": "2021-03-11T22:25:00.000000",
    "prediction": 1,
    "prediction_reason": "ANOMALY_DETECTED",
    "anomaly_score": 0.72385,
    "diagnostics": [
      { "name": "asset_id_1\\\\property_id_1", "value": 0.02346 },
      { "name": "asset_id_2\\\\property_id_2", "value": 0.10011 },
      { "name": "asset_id_3\\\\property_id_3", "value": 0.11162 }
    ]
}

Das diagnostics Feld ist nützlich, um zu interpretieren, warum das Modell eine bestimmte Vorhersage trifft. Jeder Eintrag in der Liste enthält:

• name: Der Sensor, der zur Vorhersage beigetragen hat (Format:asset_id\\\\property_id).

• value: Eine Gleitkommazahl zwischen 0 und 1, die das relative Gewicht oder die Bedeutung dieses Sensors zu diesem Zeitpunkt darstellt.

Vorteile für Benutzer:

• Finden Sie heraus, welche Sensoren den stärksten Einfluss auf eine Anomalie hatten.

• Korrelieren Sie Sensoren mit hohem Gewicht und dem Verhalten der physikalischen Ausrüstung.

• Informieren Sie sich über die Ursachenanalyse.

Anmerkung

Selbst wenn prediction = 0 (normales Verhalten), wird die Diagnoseliste zurückgegeben. Dies hilft zu beurteilen, welche Sensoren derzeit die Entscheidungen des Modells beeinflussen, selbst in gesunden Zuständen.