Crie um modelo de computação ()AWS CLI ExecuteAction Preparação da carga útil da API Treine o AWS CLI Iniciar e interromper a inferência ()AWS CLI

Habilite a detecção de anomalias em sensores em todos os ativos

Crie um modelo de computação ()AWS CLI

Para criar um modelo computacional, use a interface de linha de AWS comando (AWS CLI). Depois de definir o modelo de computação, treine o modelo e programe a inferência para fazer a detecção de anomalias nos ativos em. AWS IoT SiteWise

As etapas a seguir explicam esse processo:

Para configurar a detecção de anomalias, use o UpdateAssetModel (AWS CLI) e atenda aos seguintes requisitos:
1. Pelo menos uma propriedade de entrada que seja de um DOUBLE ou do tipo de INTEGER dados. É uma propriedade de medição ou transformação e é usada para treinar o modelo.
2. Uma propriedade resultante do tipo de STRING dados. Ela deve ser uma propriedade de medição e armazena os resultados da detecção de anomalias.

Crie um arquivo anomaly-detection-computation-model-payload.json com o seguinte conteúdo:

nota

Crie um modelo de computação fornecendo diretamente assetProperty como fonte de dados.


{
    "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"
            }
        }
    }
}

Execute o comando a seguir para criar um modelo de computação:


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

ExecuteAction Preparação da carga útil da API

As próximas etapas para executar o treinamento e a inferência são realizadas com a ExecuteActionAPI. Tanto o treinamento quanto a inferência são configurados com uma configuração de carga de ação JSON. Ao invocar a ExecuteActionAPI, a carga útil da ação deve ser fornecida como um valor com uma stringValue carga útil.

A carga útil deve seguir rigorosamente os requisitos da API. Especificamente, o valor deve ser uma string simples sem caracteres de controle (por exemplo, novas linhas, guias ou retornos de carro). As opções a seguir fornecem duas maneiras confiáveis de fornecer uma carga útil de ação válida.

Opção 1: usar um arquivo de carga útil limpo

O procedimento a seguir descreve as etapas para um arquivo de carga útil limpo:

Limpe o arquivo para remover os caracteres de controle.


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

Execute a ação com o arquivo@=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

Opção 2: string embutida com aspas escapadas

As etapas a seguir descrevem as etapas para fornecer a carga em linha e evitar arquivos intermediários:

Use aspas duplas de escape (\") dentro da string JSON.
Coloque a StringValue=.. expressão inteira entre aspas duplas.

exemplo de uma carga útil de ação que escapou:


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

Treine o AWS CLI

Execute o seguinte comando para encontrar actionDefinitionId da ação AWS/ANOMALY_DETECTION_TRAINING. computation-model-idSubstitua pela ID retornada na etapa anterior.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Crie um arquivo chamado anomaly-detection-training-payload.json e adicione os seguintes valores:

nota
A carga útil deve estar em conformidade com. Opção 1: usar um arquivo de carga útil limpo
1. StartTimecom o início dos dados de treinamento, fornecidos em segundos de época.
2. EndTimecom o final dos dados de treinamento, fornecidos em segundos de época.
3. Você pode configurar Configurações avançadas de inferência opcionalmente.
  1. (Opcional) TargetSamplingRate com a taxa de amostragem dos dados.
  2. (Opcional) LabelInputConfiguration para especificar períodos de tempo em que ocorreu um comportamento anômalo para melhorar o treinamento do modelo.
  3. (Opcional) ModelEvaluationConfiguration para avaliar o desempenho do modelo executando inferências em um intervalo de tempo especificado após a conclusão do treinamento.
```
{
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime
}
```
exemplo de um exemplo de carga útil de treinamento:
```
{
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360
}
```

Execute o comando a seguir para iniciar o treinamento (sem fornecer o ativo como recurso de destino). Substitua os parâmetros a seguir no 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

Execute o comando a seguir para verificar o status do processo de treinamento do modelo. O resumo da execução mais recente mostra o status da execução (RUNNING/COMPLETED/FAILED).
```
aws iotsitewise list-executions \
    --target-resource-type COMPUTATION_MODEL \
    --target-resource-id computation-model-id
```
Execute o comando a seguir para verificar a configuração do modelo treinado mais recente. Esse comando produz uma saída somente se pelo menos um modelo tiver concluído o treinamento com êxito.
```
aws iotsitewise describe-computation-model-execution-summary \
    --computation-model-id computation-model-id
```

Iniciar e interromper a inferência ()AWS CLI

Depois de treinar o modelo, inicie a inferência, que instrui você AWS IoT SiteWise a começar a monitorar seus ativos industriais em busca de anomalias.

Inicie a inferência

Execute o seguinte comando para encontrar actionDefinitionId da ação AWS/ANOMALY_DETECTION_INFERENCE. computation-model-idSubstitua pelo ID real do modelo de computação criado anteriormente.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Crie um arquivo anomaly-detection-start-inference-payload.json e adicione o código a seguir. Substitua os seguintes parâmetros conforme descrito:

nota
A carga útil deve estar em conformidade com. Opção 1: usar um arquivo de carga útil limpo
1. DataUploadFrequency: configure a frequência com que o cronograma de inferência é executado para realizar a detecção de anomalias. Os valores permitidos são: PT5M, PT10M, PT15M, PT30M, PT1H, PT2H..PT12H, PT1D.
```
"inferenceMode": "START",
"dataUploadFrequency": "DataUploadFrequency"
```
2. (Opcional) DataDelayOffsetInMinutes com a compensação de atraso em minutos. Defina esse valor entre 0 e 60 minutos.
3. (Opcional) TargetModelVersion com a versão do modelo a ser ativada.
4. (Opcional) Configure o weeklyOperatingWindow com uma configuração de turno.
5. Você pode configurar Configurações avançadas de inferência opcionalmente.
Execute o comando a seguir para iniciar a inferência. Substitua os parâmetros a seguir no arquivo de carga útil.
1. computation-model-idcom o ID do modelo de computação de destino.
2. inference-action-definition-idcom o ID da AWS/ANOMALY_DETECTION_INFERENCE ação da Etapa 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 
```
Execute o comando a seguir para verificar se a inferência ainda está em execução. O inferenceTimerActive campo é definido como TRUE quando a inferência está ativa.
```
aws iotsitewise describe-computation-model-execution-summary \
    --computation-model-id computation-model-id
```

O comando a seguir lista todas as execuções de inferência:


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

Execute o comando a seguir para descrever uma execução individual. execution-idSubstitua pelo id da Etapa 5 anterior.
```
aws iotsitewise describe-execution \
    --execution-id execution-id
```

Pare a inferência

Execute o seguinte comando para encontrar actionDefinitionId da ação AWS/ANOMALY_DETECTION_INFERENCE. computation-model-idSubstitua pelo ID real do modelo de computação criado anteriormente.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Crie um arquivo anomaly-detection-stop-inference-payload.json e adicione o código a seguir.
```
{
    "inferenceMode": "STOP"
}
```
nota
A carga útil deve estar em conformidade com. Opção 1: usar um arquivo de carga útil limpo
Execute o comando a seguir para interromper a inferência. Substitua o seguinte parâmetro no arquivo de carga:
1. computation-model-idcom o ID do modelo de computação de destino.
2. inference-action-definition-idcom o ID da AWS/ANOMALY_DETECTION_INFERENCE ação da Etapa 1.
exemplo do 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 
```

Atenção O Javascript está desativado ou não está disponível no seu navegador.

Para usar a documentação da AWS, o Javascript deve estar ativado. Consulte as páginas de Ajuda do navegador para obter instruções.

Convenções do documento

Habilite a detecção de anomalias nos sensores de um ativo

Configurações avançadas de treinamento

Habilite a detecção de anomalias em sensores em todos os ativos

Crie um modelo de computação ()AWS CLI

nota

ExecuteAction Preparação da carga útil da API

Opção 1: usar um arquivo de carga útil limpo

Opção 2: string embutida com aspas escapadas

exemplo de uma carga útil de ação que escapou:

Treine o AWS CLI

nota

exemplo de um exemplo de carga útil de treinamento:

Iniciar e interromper a inferência ()AWS CLI

Inicie a inferência

nota

Pare a inferência

nota

exemplo do comando stop inference: