アセット全体のセンサーで異常検出を有効にする - AWS IoT SiteWise
計算モデルを作成する (AWS CLI）ExecuteAction API ペイロードの準備をトレーニングする AWS CLI推論の開始と停止 (AWS CLI）

翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

アセット全体のセンサーで異常検出を有効にする

計算モデルを作成する (AWS CLI）

計算モデルを作成するには、 コマンドラインインターフェイス () AWS を使用しますAWS CLI。計算モデルを定義したら、モデルをトレーニングし、推論をスケジュールして、 のアセット間で異常検出を実行します AWS IoT SiteWise。

次の手順では、このプロセスについて説明します。

  1. 異常検出を設定するには、UpdateAssetModel (AWS CLI） を使用し、次の要件を満たします。

    1. または DOUBLE INTEGER データ型のいずれかである少なくとも 1 つの入力プロパティ。これは測定プロパティまたは変換プロパティのいずれかであり、モデルのトレーニングに使用されます。

    2. STRING データ型の結果プロパティ。これは測定プロパティでなければならず、異常検出結果を保存します。

  2. 次の内容anomaly-detection-computation-model-payload.jsonのファイルを作成します。

    注記

    をデータソースassetPropertyとして直接指定して計算モデルを作成します。

    {
    "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. 次のコマンドを実行して、計算モデルを作成します。

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

ExecuteAction API ペイロードの準備

トレーニングと推論を実行する次のステップは、ExecuteAction API を使用して実行されます。トレーニングと推論の両方が JSON アクションペイロード設定で設定されます。ExecuteAction API を呼び出すときは、アクションペイロードをstringValueペイロードの値として指定する必要があります。

ペイロードは API 要件に厳密に従う必要があります。具体的には、値は制御文字 (改行、タブ、キャリッジリターンなど) のないフラット文字列である必要があります。以下のオプションは、有効なアクションペイロードを提供する 2 つの信頼できる方法を提供します。

オプション 1: クリーンペイロードファイルを使用する

次の手順では、クリーンペイロードファイルのステップについて説明します。

  1. ファイルをクリーンアップしてコントロール文字を削除します。

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

  2. ファイル を使用して アクションを実行します@=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

オプション 2: エスケープされた引用符を含むインライン文字列

次の手順では、ペイロードをインラインで提供し、中間ファイルを回避する手順について説明します。

  • JSON 文字列内でエスケープされた二重引用符 (\") を使用します。

  • StringValue=.. 式全体を二重引用符で囲みます。

例 エスケープされたアクションペイロードの :
aws iotsitewise execute-action \
    --target-resource computationModelId=<MODEL_ID> \
    --action-definition-id <ACTION_DEFINITION_ID> \
    --action-payload "stringValue={\"exportDataStartTime\":1717225200,\"exportDataEndTime\":1722789360,\"targetSamplingRate\":\"PT1M\"}"

をトレーニングする AWS CLI

  1. 次のコマンドを実行して、AWS/ANOMALY_DETECTION_TRAINING アクションの actionDefinitionId を検索します。を前のステップで返された ID computation-model-idに置き換えます。

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

  2. という名前のファイルを作成しanomaly-detection-training-payload.json、次の値を追加します。

    注記

    ペイロードは に準拠している必要がありますオプション 1: クリーンペイロードファイルを使用する。

    1. StartTime エポック秒で提供されるトレーニングデータの開始。

    2. EndTime エポック秒で提供されるトレーニングデータの終了。

    3. オプションで を設定できます高度な推論設定。

      1. （オプション) TargetSamplingRate データのサンプリングレート。

      2. （オプション) モデルトレーニングを改善LabelInputConfigurationするための異常な動作が発生した期間を指定します。

      3. （オプション) ModelEvaluationConfiguration トレーニングの完了後に指定された時間範囲で推論を実行してモデルのパフォーマンスを評価します。

    {
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime
}
    例 トレーニングペイロードの例：
    {
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360
}

  3. 次のコマンドを実行してトレーニングを開始します (アセットをターゲットリソースとして指定しません）。コマンド内の以下のパラメータを置き換えてください。

    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. 次のコマンドを実行して、モデルトレーニングプロセスのステータスを確認します。最新の実行概要には、実行ステータス (RUNNING/COMPLETED/) が表示されますFAILED。

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

  5. 次のコマンドを実行して、最新のトレーニング済みモデルの設定を確認します。このコマンドは、少なくとも 1 つのモデルが正常にトレーニングを完了した場合にのみ出力を生成します。

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

推論の開始と停止 (AWS CLI）

モデルをトレーニングしたら、推論を開始します。推論は、 に産業用アセットの異常のモニタリングを開始するよう指示 AWS IoT SiteWise します。

推論を開始する

  1. 次のコマンドを実行して、AWS/ANOMALY_DETECTION_INFERENCE アクションの actionDefinitionId を検索します。を、前に作成した計算モデルの実際の ID computation-model-idに置き換えます。

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

  2. ファイルを作成しanomaly-detection-start-inference-payload.json、次のコードを追加します。説明に従って、次のパラメータを置き換えます。

    注記

    ペイロードは に準拠している必要がありますオプション 1: クリーンペイロードファイルを使用する。

    1. DataUploadFrequency: 異常検出を実行するために推論スケジュールを実行する頻度を設定します。許可される値は PT5M, PT10M, PT15M, PT30M, PT1H, PT2H..PT12H, PT1D です。

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

    2. （オプション) DataDelayOffsetInMinutes 遅延オフセットを分単位で指定します。この値を 0～60 分に設定します。

    3. （オプション) アクティブ化TargetModelVersionするモデルバージョン。

    4. （オプション) シフト設定weeklyOperatingWindowで を設定します。

    5. オプションで を設定できます高度な推論設定。

      1. 高頻度推論 (5 分～1 時間）.

      2. 低頻度推論 (2 時間 – 1 日）.

      3. 柔軟なスケジューリング.

  3. 推論を開始するには、次のコマンドを実行します。ペイロードファイルの次のパラメータを置き換えます。

    1. computation-model-id ターゲット計算モデルの ID を指定します。

    2. inference-action-definition-id ステップ 1 のAWS/ANOMALY_DETECTION_INFERENCEアクションの ID を持つ 。

    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. 次のコマンドを実行して、推論がまだ実行されているかどうかを確認します。推論がアクティブなTRUE場合、 inferenceTimerActiveフィールドは に設定されます。

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

  5. 次のコマンドは、すべての推論実行を一覧表示します。

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

  6. 次のコマンドを実行して、個々の実行を記述します。を前のステップ 5 の ID execution-idに置き換えます。

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

推論を停止する

  1. 次のコマンドを実行して、AWS/ANOMALY_DETECTION_INFERENCE アクションの actionDefinitionId を検索します。を、前に作成した計算モデルの実際の ID computation-model-idに置き換えます。

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

  2. ファイルを作成しanomaly-detection-stop-inference-payload.json、次のコードを追加します。

    {
    "inferenceMode": "STOP"
}
    注記

    ペイロードは に準拠している必要がありますオプション 1: クリーンペイロードファイルを使用する。

  3. 推論を停止するには、次のコマンドを実行します。ペイロードファイルの次のパラメータを置き換えます。

    1. computation-model-id ターゲット計算モデルの ID を指定します。

    2. inference-action-definition-id ステップ 1 のAWS/ANOMALY_DETECTION_INFERENCEアクションの ID を持つ 。

    例 stop inference コマンドの :
    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