As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.
Detecção de anomalias em equipamentos com o Amazon Lookout for Equipment
nota
A detecção de anomalias só está disponível nas regiões em que o Amazon Lookout for Equipment está disponível.
Você pode se integrar AWS IoT SiteWise ao Amazon Lookout for Equipment para obter informações sobre seu equipamento industrial por meio da detecção de anomalias e da manutenção preditiva de equipamentos industriais. O Lookout for Equipment é um serviço de aprendizado de máquina (ML) para monitorar equipamentos industriais que detecta o comportamento anormal do equipamento e identifica possíveis falhas. Com o Lookout for Equipment, você pode implementar programas de manutenção preditiva e identificar processos de equipamentos abaixo do ideal. Para obter mais informações sobre o Lookout for Equipment, consulte O que é o Amazon Lookout for Equipment? no Guia do usuário do Amazon Lookout for Equipment.
Quando você cria uma previsão para treinar um modelo de ML para detectar o comportamento anômalo do equipamento, AWS IoT SiteWise envia os valores das propriedades do ativo para a Lookout for Equipment para treinar um modelo de ML para detectar o comportamento anômalo do equipamento. Para definir uma definição de previsão em um modelo de ativo, você especifica as funções do IAM necessárias para que a Lookout for Equipment acesse seus dados e as propriedades para enviar à Lookout for Equipment e enviar dados processados para o Amazon S3. Para ter mais informações, consulte Criar modelos de ativo.
Para integrar AWS IoT SiteWise o Lookout for Equipment, você executará as seguintes etapas de alto nível:
Adicione uma definição de previsão em um modelo de ativo que descreva quais propriedades você deseja rastrear. A definição de previsão é uma coleção reutilizável de medições, transformações e métricas que é usada para criar previsões sobre os ativos com base nesse modelo de ativo.
Treine a previsão com base nos dados históricos que você fornece.
Inferência de cronograma, que AWS IoT SiteWise informa com que frequência executar uma previsão específica.
Depois que a inferência é programada, o modelo Lookout for Equipment monitora os dados que recebe do seu equipamento e procura anomalias no comportamento do equipamento. Você pode visualizar e analisar os resultados no SiteWise Monitor, usando as operações da API AWS IoT SiteWise GET ou o console Lookout for Equipment. Você também pode criar alarmes usando detectores de alarme do modelo de ativos para alertá-lo sobre o comportamento anormal do equipamento.
Tópicos
- Adicionando uma definição de previsão (console)
- Treinando uma previsão (console)
- Iniciando ou interrompendo a inferência sobre uma previsão (console)
- Adicionando uma definição de previsão (CLI)
- Treinando uma previsão e iniciando a inferência (CLI)
- Treinando uma previsão (CLI)
- Iniciando ou interrompendo a inferência sobre uma previsão (CLI)
Adicionando uma definição de previsão (console)
Para começar a enviar dados coletados pela AWS IoT SiteWise Lookout for Equipment, você deve adicionar AWS IoT SiteWise uma definição de previsão a um modelo de ativo.
Para adicionar uma definição de previsão a um modelo AWS IoT SiteWise de ativo
Navegue até o console do AWS IoT SiteWise
. No painel de navegação, escolha Modelos e selecione o modelo de ativo ao qual você deseja adicionar a definição de previsão.
Escolha Previsões.
Escolha Adicionar definição de predição.
-
Defina detalhes sobre a definição da previsão.
-
Insira um nome exclusivo e uma descrição para sua definição de previsão. Escolha o nome cuidadosamente, pois depois de criar a definição de previsão, você não poderá alterar o nome dela.
-
Crie ou selecione uma função de permissões do IAM que permita AWS IoT SiteWise compartilhar seus dados de ativos com o Amazon Lookout for Equipment. A função deve ter as seguintes políticas de IAM e confiança. Para obter ajuda na criação da função, consulte Criação de uma função usando políticas de confiança personalizadas (console).
Política do IAM
{ "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
" } ] }Política de confiança
{ "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
:*" } } } ] } -
Selecione Next (Próximo).
-
-
Selecione os atributos de dados (medidas, transformações e métricas) que você deseja enviar para a Lookout for Equipment.
-
(Opcional) Selecione as medidas.
-
(Opcional) Selecione as transformações.
-
(Opcional) Selecione métricas.
Selecione Next (Próximo).
-
-
Revise suas seleções. Para adicionar a definição de previsão ao modelo de ativo, na página de resumo, escolha Adicionar definição de previsão.
Você também pode editar ou excluir uma definição de predição existente que tenha previsões ativas anexadas.
Treinando uma previsão (console)
Depois de adicionar uma definição de previsão a um modelo de ativo, você pode treinar as previsões que estão em seus ativos.
Para treinar uma previsão em AWS IoT SiteWise
Navegue até o console do AWS IoT SiteWise
. No painel de navegação, escolha Ativos e selecione o ativo que você deseja monitorar.
Escolha Previsões.
Selecione as previsões que você deseja treinar.
-
Em Ações, escolha Iniciar treinamento e faça o seguinte:
Em Detalhes da previsão, selecione uma função de permissões do IAM que permita AWS IoT SiteWise compartilhar seus dados de ativos com o Lookout for Equipment. Se você precisar criar uma nova função, escolha Criar uma nova função.
Em Configurações de dados de treinamento, insira um intervalo de tempo de dados de treinamento para selecionar quais dados usar para treinar a previsão.
(Opcional) Selecione a taxa de amostragem dos dados após o pós-processamento.
(Opcional) Para rótulos de dados, forneça um bucket e um prefixo do Amazon S3 que contenham seus dados de rotulagem. Para obter mais informações sobre rotulagem de dados, consulte Como rotular seus dados no Guia do usuário do Amazon Lookout for Equipment.
Selecione Next (Próximo).
-
(Opcional) Se você quiser que a previsão fique ativa assim que o treinamento for concluído, em Configurações avançadas, selecione Ativar automaticamente a previsão após o treinamento e faça o seguinte:
Em Dados de entrada, em Frequência de upload de dados, defina com que frequência os dados são carregados e, em Tempo de atraso de compensação, defina a quantidade de buffer a ser usada.
Selecione Next (Próximo).
Revise os detalhes da previsão e escolha Salvar e começar.
Iniciando ou interrompendo a inferência sobre uma previsão (console)
nota
As cobranças do Lookout for Equipment se aplicam a inferências programadas com os dados transferidos AWS IoT SiteWise entre o Lookout for Equipment e o Lookout for Equipment. Para obter mais informações, consulte os preços do Amazon Lookout for Equipment
Se você adicionou uma previsão b"lookoutequipment: CreateDataset “, mas não optou por ativá-la após o treinamento, você deve ativá-la para que ela comece a monitorar seus ativos.
Para iniciar a inferência para uma previsão
Navegue até o console do AWS IoT SiteWise
. No painel de navegação, escolha Ativos e selecione o ativo ao qual a previsão é adicionada.
Escolha Previsões.
Selecione as previsões que você deseja ativar.
-
Em Ações, escolha Iniciar inferência e faça o seguinte:
Em Dados de entrada, em Frequência de upload de dados, defina com que frequência os dados são carregados e, em Tempo de atraso de compensação, defina a quantidade de buffer a ser usada.
Escolha Salvar e começar.
Para interromper a inferência de uma previsão
Navegue até o console do AWS IoT SiteWise
. No painel de navegação, escolha Ativos e selecione o ativo ao qual a previsão é adicionada.
Escolha Previsões.
Selecione as previsões que você deseja interromper.
-
Em Ações, escolha Parar inferência.
Adicionando uma definição de previsão (CLI)
Para definir uma definição de previsão em um modelo de ativo novo ou existente, você pode usar o AWS Command Line Interface (AWS CLI). Depois de definir a definição de previsão no modelo de ativo, você treina e programa a inferência para uma previsão em um ativo AWS IoT SiteWise para fazer a detecção de anomalias com o Lookout for Equipment.
Pré-requisitos
Para concluir essas etapas, você deve ter um modelo de ativo e pelo menos um ativo criado. Para obter mais informações, consulte Criação de um modelo de ativo (AWS CLI) e Criação de um ativo (AWS CLI).
Se você é novato AWS IoT SiteWise, deve chamar a operação de CreateBulkImportJob
API para importar valores de propriedades de ativos AWS IoT SiteWise, que serão usados para treinar o modelo. Para ter mais informações, consulte Criar um trabalho de importação em massa (AWS CLI).
Para adicionar uma definição de previsão
Crie um arquivo chamado
asset-model-payload.json
. Siga as etapas nessas outras seções para adicionar os detalhes do seu modelo de ativo para o arquivo, mas não envie a solicitação para criar ou atualizar o modelo de ativo.Para obter mais informações sobre como criar um modelo de ativo, consulte Criação de um modelo de ativo (AWS CLI)
Para obter mais informações sobre como atualizar um modelo de ativo existente, consulte Atualizando um modelo de ativo ou componente (AWS CLI)
Adicione um modelo composto da Lookout for Equipment
assetModelCompositeModels
() ao modelo de ativo adicionando o código a seguir.
Substitua pela ID das propriedades que você deseja incluir. Para obter essas identidades, ligueProperty
DescribeAssetModel
.
Substitua pelo ARN de uma função do IAM que permite que a Lookout for Equipment acesse seus dados. AWS IoT SiteWiseRoleARN
{ ... "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": "{}" } } } ] }-
Crie o modelo de ativo ou atualize o modelo de ativo existente. Execute um destes procedimentos:
Para criar o modelo de ativo, execute o seguinte comando:
aws iotsitewise create-asset-model --cli-input-json file://asset-model-payload.json
Para atualizar o modelo de ativo existente, execute o comando a seguir.
Substitua pela ID do modelo de ativo que você deseja atualizar.asset-model-id
aws iotsitewise update-asset-model \ --asset-model-id
asset-model-id
\ --cli-input-json file://asset-model-payload.json
Depois de executar o comando, observe o assetModelId
na resposta.
Treinando uma previsão e iniciando a inferência (CLI)
Agora que a definição de previsão está definida, você pode treinar ativos com base nela e iniciar a inferência. Se você quiser treinar sua previsão, mas não iniciar a inferência, vá para. Treinando uma previsão (CLI) Para treinar a previsão e iniciar a inferência sobre o ativo, você precisará do recurso assetId
de destino.
Para treinar e iniciar a inferência da previsão
Execute o comando a seguir para encontrar o
assetModelCompositeModelId
abaixoassetModelCompositeModelSummaries
.
Substitua pela ID do modelo de ativo que você criou emAtualizando um modelo de ativo ou componente (AWS CLI).asset-model-id
aws iotsitewise describe-asset-model \ --asset-model-id
asset-model-id
\Execute o comando a seguir para encontrar a
TrainingWithInference
ação.actionDefinitionId
Substitua pela ID usada na etapa anterior easset-model-id
substitua pela ID retornada na etapa anterior.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
\Crie um arquivo chamado
train-start-inference-prediction.json
e adicione o código a seguir, substituindo o seguinte:
com o ID do ativo de destinoasset-id
com o ID da TrainingWithInference açãoaction-definition-id
com o início dos dados de treinamento, fornecidos em segundos de épocaStartTime
com o final dos dados de treinamento, fornecidos em segundos de épocaEndTime
com a taxa de amostragem dos dados após o pós-processamento pela Lookout for Equipment. Os valores permitidos são: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\"}}}" } }Execute o comando a seguir para iniciar o treinamento e a inferência:
aws iotsitewise execute-action --cli-input-json file://train-start-inference-prediction.json
Treinando uma previsão (CLI)
Agora que a definição de previsão está definida, você pode treinar ativos com base nela. Para treinar a previsão do ativo, você precisará assetId
do recurso de destino.
Para treinar a previsão
Execute o comando a seguir para encontrar o
assetModelCompositeModelId
abaixoassetModelCompositeModelSummaries
.
Substitua pela ID do modelo de ativo que você criou emAtualizando um modelo de ativo ou componente (AWS CLI).asset-model-id
aws iotsitewise describe-asset-model \ --asset-model-id
asset-model-id
\Execute o comando a seguir para encontrar a
Training
ação.actionDefinitionId
Substitua pela ID usada na etapa anterior easset-model-id
substitua pela ID retornada na etapa anterior.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
\Crie um arquivo chamado
train-prediction.json
e adicione o código a seguir, substituindo o seguinte:
com o ID do ativo de destinoasset-id
com o ID da ação de treinamentoaction-definition-id
com o início dos dados de treinamento, fornecidos em segundos de épocaStartTime
com o final dos dados de treinamento, fornecidos em segundos de épocaEndTime
(Opcional)
com o nome do bucket do Amazon S3 que contém seus dados de etiquetaBucketName
(Opcional)
com o prefixo associado ao bucket do Amazon S3.Prefix
com a taxa de amostragem dos dados após o pós-processamento pela Lookout for Equipment. Os valores permitidos são:TargetSamplingRate
PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H
.nota
Inclua o nome e o prefixo do bucket, ou nenhum deles.
{ "targetResource": { "assetId": "
asset-id
" }, "actionDefinitionId": "action-definition-Id
", "actionPayload":{ "stringValue": "{\"l4ETraining\": {\"trainingMode\":\"START\",\"exportDataStartTime\":StartTime
, \"exportDataEndTime\":EndTime
, \"targetSamplingRate\":\"TargetSamplingRate
\"}, \"labelInputConfiguration\": {\"bucketName\": \"BucketName
\", \"prefix\": \"Prefix
\"}}}" } }Execute o comando a seguir para iniciar o treinamento:
aws iotsitewise execute-action --cli-input-json file://train-prediction.json
Antes de começar a inferência, o treinamento deve ser concluído. Para verificar o status do treinamento, faça o seguinte:
No console, navegue até o ativo em que a previsão está ativada.
A partir do AWS CLI, ligue
BatchGetAssetPropertyValue
usando opropertyId
datrainingStatus
propriedade.
Iniciando ou interrompendo a inferência sobre uma previsão (CLI)
Depois que a previsão for treinada, você poderá iniciar a inferência para fazer com que a Lookout for Equipment comece a monitorar seus ativos. Para iniciar ou interromper a inferência, você precisará do recurso assetId
de destino.
Para iniciar a inferência
Execute o comando a seguir para encontrar o
assetModelCompositeModelId
abaixoassetModelCompositeModelSummaries
.
Substitua pela ID do modelo de ativo que você criou emAtualizando um modelo de ativo ou componente (AWS CLI).asset-model-id
aws iotsitewise describe-asset-model \ --asset-model-id
asset-model-id
\Execute o comando a seguir para encontrar a
Inference
ação.actionDefinitionId
Substitua pela ID usada na etapa anterior easset-model-id
substitua pela ID retornada na etapa anterior.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
\Crie um arquivo chamado
start-inference.json
e adicione o código a seguir, substituindo o seguinte:
com o ID do ativo de destinoasset-id
com o ID da ação inicial de inferênciaaction-definition-id
com a quantidade de buffer a ser usadaOffset
com a frequência com que os dados são carregadosFrequency
{ "targetResource": { "assetId": "
asset-id
" }, "actionDefinitionId": "action-definition-Id
", "actionPayload":{ "stringValue": "{\"l4EInference\": {\"inferenceMode\":\"START\",\"dataDelayOffsetInMinutes\":Offset
, \"dataUploadFrequency\": \"Frequency
\"}}" }}Execute o comando a seguir para iniciar a inferência:
aws iotsitewise execute-action --cli-input-json file://start-inference.json
Para parar a inferência
Execute o comando a seguir para encontrar o
assetModelCompositeModelId
abaixoassetModelCompositeModelSummaries
.
Substitua pela ID do modelo de ativo que você criou emAtualizando um modelo de ativo ou componente (AWS CLI).asset-model-id
aws iotsitewise describe-asset-model \ --asset-model-id
asset-model-id
\Execute o comando a seguir para encontrar a
Inference
ação.actionDefinitionId
Substitua pela ID usada na etapa anterior easset-model-id
substitua pela ID retornada na etapa anterior.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
\Crie um arquivo chamado
stop-inference.json
e adicione o código a seguir, substituindo o seguinte:
com o ID do ativo de destinoasset-id
com o ID da ação inicial de inferênciaaction-definition-id
{ "targetResource": { "assetId": "
asset-id
" }, "actionDefinitionId": "action-definition-Id
", "actionPayload":{ "stringValue": "{\"l4EInference\":{\"inferenceMode\":\"STOP\"}}" }}Execute o comando a seguir para interromper a inferência:
aws iotsitewise execute-action --cli-input-json file://stop-inference.json