Crear un modelo de cálculo ()AWS CLI ExecuteAction Preparación de la carga útil de la API Entrena a los AWS CLI Iniciar y detener la inferencia ()AWS CLI

Habilite la detección de anomalías en los sensores de todos los activos

Crear un modelo de cálculo ()AWS CLI

Para crear un modelo de cálculo, utilice la interfaz de línea de AWS comandos ()AWS CLI. Tras definir el modelo de cálculo, entrénelo y programe la inferencia para detectar anomalías en todos los activos. AWS IoT SiteWise

En los siguientes pasos se explica este proceso:

Para configurar la detección de anomalías, utilice UpdateAssetModel (AWS CLI) y cumpla los siguientes requisitos:
1. Al menos una propiedad de entrada que sea de uno DOUBLE o varios tipos de INTEGER datos. Se trata de una propiedad de medición o de transformación y se utiliza para entrenar el modelo.
2. Una propiedad de resultado del tipo de STRING datos. Debe ser una propiedad de medición y almacena los resultados de la detección de anomalías.

Cree un archivo anomaly-detection-computation-model-payload.json con el siguiente contenido:

nota

Cree un modelo de cálculo proporcionándolo directamente assetProperty como fuente de datos.


{
    "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"
            }
        }
    }
}

Ejecute el siguiente comando para crear un modelo de cálculo:


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

ExecuteAction Preparación de la carga útil de la API

Los siguientes pasos para ejecutar la formación y la inferencia se realizan con la ExecuteActionAPI. Tanto el entrenamiento como la inferencia se configuran con una configuración de carga útil de acciones de JSON. Al invocar la ExecuteActionAPI, la carga útil de la acción debe proporcionarse como un valor junto con una carga útil. stringValue

La carga útil debe cumplir estrictamente los requisitos de la API. En concreto, el valor debe ser una cadena plana sin caracteres de control (por ejemplo, líneas nuevas, tabulaciones o devoluciones). Las siguientes opciones proporcionan dos formas fiables de proporcionar una carga útil de acción válida.

Opción 1: utilice un archivo de carga limpio

El siguiente procedimiento describe los pasos para limpiar un archivo de carga útil:

Limpie el archivo para eliminar los caracteres de control.


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

Ejecute la acción con el archivo@=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

Opción 2: cadena en línea con comillas de escape

En los siguientes pasos se describen los pasos para suministrar la carga útil en línea y evitar los archivos intermediarios:

Usa comillas dobles escapadas (\") dentro de la cadena JSON.
Envuelve la StringValue=.. expresión completa entre comillas dobles.

ejemplo de una carga útil de acción que se ha escapado:


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

Entrena al AWS CLI

Ejecute el siguiente comando para buscar el actionDefinitionId de la acción AWS/ANOMALY_DETECTION_TRAINING. computation-model-idSustitúyalo por el identificador devuelto en el paso anterior.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Cree un archivo llamado anomaly-detection-training-payload.json y añada los siguientes valores:

nota
La carga útil debe ajustarse aOpción 1: utilice un archivo de carga limpio.
1. StartTimecon el inicio de los datos de entrenamiento, proporcionados en segundos por época.
2. EndTimecon el final de los datos de entrenamiento, proporcionados en segundos de época.
3. Puede Configuraciones de inferencia avanzadas configurarlo de forma opcional.
  1. (Opcional) TargetSamplingRate con la frecuencia de muestreo de los datos.
  2. (Opcional) LabelInputConfiguration para especificar los períodos de tiempo en los que se produjo un comportamiento anómalo a fin de mejorar el entrenamiento del modelo.
  3. (Opcional) ModelEvaluationConfiguration para evaluar el rendimiento del modelo realizando inferencias en un intervalo de tiempo específico una vez finalizado el entrenamiento.
```
{
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime
}
```
ejemplo de un ejemplo de carga útil de entrenamiento:
```
{
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360
}
```

Ejecute el siguiente comando para iniciar el entrenamiento (sin proporcionar un activo como recurso de destino). Sustituya los siguientes parámetros del 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

Ejecute el siguiente comando para comprobar el estado del proceso de entrenamiento del modelo. El resumen de ejecución más reciente muestra el estado de la ejecución (RUNNINGCOMPLETED//FAILED).
```
aws iotsitewise list-executions \
    --target-resource-type COMPUTATION_MODEL \
    --target-resource-id computation-model-id
```
Ejecute el siguiente comando para comprobar la configuración del último modelo entrenado. Este comando produce un resultado solo si al menos un modelo ha completado el entrenamiento correctamente.
```
aws iotsitewise describe-computation-model-execution-summary \
    --computation-model-id computation-model-id
```

Iniciar y detener la inferencia ()AWS CLI

Después de entrenar el modelo, inicie la inferencia, que indica que debe comenzar AWS IoT SiteWise a monitorear sus activos industriales para detectar anomalías.

Inicie la inferencia

Ejecute el siguiente comando para buscar el actionDefinitionId de la acción AWS/ANOMALY_DETECTION_INFERENCE. computation-model-idSustitúyalo por el identificador real del modelo de cálculo creado anteriormente.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Cree un archivo anomaly-detection-start-inference-payload.json y añada el siguiente código. Sustituya los siguientes parámetros tal y como se describe:

nota
La carga útil debe ajustarse aOpción 1: utilice un archivo de carga limpio.
1. DataUploadFrequency: Configure la frecuencia con la que se ejecuta el programa de inferencias para realizar la detección de anomalías. Los valores permitidos son: PT5M, PT10M, PT15M, PT30M, PT1H, PT2H..PT12H, PT1D.
```
"inferenceMode": "START",
"dataUploadFrequency": "DataUploadFrequency"
```
2. (Opcional) DataDelayOffsetInMinutes con el retardo compensado en minutos. Establezca este valor entre 0 y 60 minutos.
3. (Opcional) TargetModelVersion con la versión del modelo que se va a activar.
4. (Opcional) Configure la configuración weeklyOperatingWindow con una configuración de turnos.
5. Puede configurarlo de forma opcionalConfiguraciones de inferencia avanzadas.
Ejecute el siguiente comando para iniciar la inferencia. Sustituya los siguientes parámetros en el archivo de carga útil.
1. computation-model-idcon el ID del modelo de cálculo objetivo.
2. inference-action-definition-idcon el ID de la AWS/ANOMALY_DETECTION_INFERENCE acción del paso 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 
```
Ejecute el siguiente comando para comprobar si la inferencia sigue ejecutándose. El inferenceTimerActive campo se establece TRUE cuando la inferencia está activa.
```
aws iotsitewise describe-computation-model-execution-summary \
    --computation-model-id computation-model-id
```

El siguiente comando muestra todas las ejecuciones de inferencias:


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

Ejecute el siguiente comando para describir una ejecución individual. execution-idSustitúyalo por el identificador del paso 5 anterior.
```
aws iotsitewise describe-execution \
    --execution-id execution-id
```

Detenga la inferencia

Ejecute el siguiente comando para buscar el actionDefinitionId de la acción AWS/ANOMALY_DETECTION_INFERENCE. computation-model-idSustitúyalo por el identificador real del modelo de cálculo creado anteriormente.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Cree un archivo anomaly-detection-stop-inference-payload.json y añada el siguiente código.
```
{
    "inferenceMode": "STOP"
}
```
nota
La carga útil debe ajustarse aOpción 1: utilice un archivo de carga limpio.
Ejecute el siguiente comando para detener la inferencia. Sustituya el siguiente parámetro en el archivo de carga útil:
1. computation-model-idcon el ID del modelo de cálculo de destino.
2. inference-action-definition-idcon el ID de la AWS/ANOMALY_DETECTION_INFERENCE acción del paso 1.
ejemplo del 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 
```

Aviso JavaScript está desactivado o no está disponible en su navegador.

Para utilizar la documentación de AWS, debe estar habilitado JavaScript. Para obtener más información, consulte las páginas de ayuda de su navegador.

Convenciones del documento

Habilite la detección de anomalías en los sensores de un activo

Configuraciones de entrenamiento avanzadas

Habilite la detección de anomalías en los sensores de todos los activos

Crear un modelo de cálculo ()AWS CLI

nota

ExecuteAction Preparación de la carga útil de la API

Opción 1: utilice un archivo de carga limpio

Opción 2: cadena en línea con comillas de escape

ejemplo de una carga útil de acción que se ha escapado:

Entrena al AWS CLI

nota

ejemplo de un ejemplo de carga útil de entrenamiento:

Iniciar y detener la inferencia ()AWS CLI

Inicie la inferencia

nota

Detenga la inferencia

nota

ejemplo del comando stop inference: