Funções temporais - AWS IoT SiteWise

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.

Funções temporais

Use funções temporais para retornar valores com base nos registros de data e hora dos pontos de dados.

Usando funções temporais em métricas

Apenas em métricas, você pode usar as seguintes funções que retornam valores com base em a função de horas dos pontos de dados:

Os argumentos da função temporal devem ser propriedades do modelo de ativo local ou expressões aninhadas. Isso significa que você não pode usar propriedades de modelos de ativos filho em funções temporais.

Você pode usar expressões aninhadas em funções temporais. Ao usar expressões aninhadas, as seguintes regras se aplicam:

  • Cada argumento pode ter apenas uma variável.

    Por exemplo, latest( t*9/5 + 32 ) é suportada.

  • Os argumentos não podem ser funções de agregação.

    Por exemplo, first( sum(x) ) não é suportada.

Função Descrição

first(x)

Retorna o valor da variável fornecida com o primeiro a função de hora ao longo do intervalo de tempo atual.

last(x)

Retorna o valor da variável fornecida com o a função de hora mais recente ao longo do intervalo de tempo atual.

earliest(x)

Retorna o último valor da variável fornecida antes do início do intervalo de tempo atual.

Se a propriedade de entrada tiver pelo menos um ponto de dados em seu histórico, esta função calcula um ponto de dados para cada intervalo de tempo. Para mais detalhes, consulte time-range-defintion.

latest(x)

Retorna o último valor da variável fornecida com a data e hora mais recente antes do final do intervalo de tempo atual.

Se a propriedade de entrada tiver pelo menos um ponto de dados em seu histórico, esta função calcula um ponto de dados para cada intervalo de tempo. Para mais detalhes, consulte time-range-defintion.

statetime(x)

Retorna a quantidade de tempo em segundos que as variáveis fornecidas são positivas ao longo do intervalo de tempo atual. É possível usar as funções comparativas para criar uma propriedade de transformação para a função statetime consumir.

Por exemplo, se tiver uma propriedade Idle que seja 0 ou 1, você poderá calcular o tempo ocioso por intervalo de tempo com esta expressão: IdleTime = statetime(Idle). Para obter mais informações, consulte o exemplo de cenário de statetime.

Essa função não é compatível com as propriedades de métrica como variáveis de entrada.

Se a propriedade de entrada tiver pelo menos um ponto de dados em seu histórico, esta função calcula um ponto de dados para cada intervalo de tempo.

TimeWeightedAvg(x, [interpolation])

Retorna a média dos dados de entrada ponderada com intervalos de tempo entre os pontos.

Consulte Parâmetros de funções ponderado no tempo para obter detalhes sobre cálculos e intervalos.

O argumento opcional interpolaton deve ser uma constante de string:

  • locf – Esse é o padrão. O cálculo usa o algoritmo de computação Último Transporte Observado para intervalos entre pontos de dados. Nessa abordagem, o ponto de dados é calculado como o último valor observado até o próximo a função de hora de ponto de dados de entrada.

    O valor após um bom ponto de dados é extrapolado como seu valor até o próximo a função de hora de ponto de dados.

  • linear — cálculo usa o algoritmo de computação de interpolação linear para intervalos entre pontos de dados.

    O valor entre dois bons pontos de dados é extrapolado como interpolação linear entre os valores desses pontos de dados.

    O valor entre pontos de dados bons e ruins, ou o valor após o último ponto de dados bom, será extrapolado como um bom ponto de dados.

TimeWeightedStDev(x, [algo])

Retorna o desvio padrão dos dados de entrada ponderados com intervalos de tempo entre os pontos.

Consulte Parâmetros de funções ponderado no tempo para obter detalhes sobre cálculos e intervalos.

O cálculo usa o algoritmo de computação Último Transporte Observado para intervalos entre pontos de dados. Nessa abordagem, o ponto de dados é calculado como o último valor observado até o próximo a função de hora de ponto de dados de entrada. O peso é calculado como intervalo de tempo em segundos entre pontos de dados ou limites de intervalo.

O argumento opcional algo deve ser uma constante de string:

  • f – esse é o padrão. Ele retorna uma variância de amostra ponderada imparcial com pesos de frequência, onde TimeWeight é calculada em segundos. Esse algoritmo geralmente é assumido sob desvio padrão e é conhecido como correção de Bessel de desvio padrão para amostras ponderadas.

  • p — retorna a variância amostral ponderada imparcial, também conhecida como variância Populacional.

As fórmulas a seguir são usadas para computação onde:

  • Sp = desvio padrão populacional

  • Sf = desvio padrão de frequência

  • Xi = dados recebidos

  • ωi = peso igual ao intervalo de tempo em segundos

  • μ* = uma média ponderada dos dados recebidos

Equação para o desvio padrão populacional:


                        Equação para o desvio padrão populacional: S_p^2 = \frac{\sum_{i=1}^N\omega_i(x_i-\mu^*)^2}{\sum_{i=1}^N\omega_i}

Equação para desvio padrão de frequência:


                        Equação para desvio padrão de frequência: S_f^2 = \frac{\sum_{i=1}^N\omega_i(x_i-\mu^*)^2}{\sum_{i=1}^N\omega_i - 1}

O diagrama a seguir mostra como o AWS IoT SiteWise calcula as funções temporais first, last, earliest e latest em relação ao intervalo de tempo atual.


              As funções temporais AWS IoT SiteWise retornam pontos de dados com base no a função de hora.
nota
  • O intervalo de tempo parafirst(x), last(x) é (início da janela atual, fim da janela atual].

  • O intervalo de tempo para latest(x) é (início do tempo, fim da janela atual]).

  • O intervalo de tempo para earliest(x) é (início do tempo, fim da janela anterior].

Parâmetros de funções ponderadas pelo tempo

As funções ponderadas pelo tempo calculadas para a janela agregada levam em consideração o seguinte:

  • Pontos de dados dentro da janela

  • Intervalos de tempo entre pontos de dados

  • Último ponto de dados antes da janela

  • Primeiro ponto de dados após a janela (para alguns algoritmos)

Termos:

  • Ponto de dados ruim — qualquer ponto de dados com qualidade inadequada ou valor não numérico. Isso não é considerado no cálculo do resultado de uma janela.

  • Intervalo ruim — intervalo após um ponto de dados inválido. O intervalo antes do primeiro ponto de dados conhecido também é considerado um intervalo ruim.

  • Bom ponto de dados — qualquer ponto de dados com boa qualidade e valor numérico.

nota
  • AWS IoT SiteWise só consome dados de qualidade GOOD quando calcula transformações e métricas. Ele ignora os pontos de dados UNCERTAIN e BAD.

  • O intervalo antes do primeiro ponto de dados conhecido é considerado um intervalo ruim. Consulte Tutoriais de expressão de fórmulas para obter mais informações.

O intervalo após o último ponto de dados conhecido continua indefinidamente, e afeta todas as janelas seguintes. Quando um novo ponto de dados chega, a função recalcula o intervalo.

Seguindo as regras acima, o resultado agregado da janela é calculado e limitado aos limites da janela. Por padrão, a função só envia o resultado da janela se a janela inteira tiver um bom intervalo.

Se o intervalo bom da janela for menor que seu comprimento, a função não enviará a janela.

Quando os pontos de dados que afetam o resultado da janela mudam, a função recalcula a janela, mesmo que os pontos de dados estejam fora da janela.

Se a propriedade de entrada tiver pelo menos um ponto de dados em seu histórico e um cálculo for sido iniciado, a função calculará as funções agregadas ponderadas pelo tempo para cada intervalo de tempo.

exemplo
Exemplo de cenário de statetime

Considere um exemplo em que você tem um ativo com as seguintes propriedades:

  • Idle – medida 0 ou 1. Quando o valor é 1, a máquina está ociosa.

  • Idle Time – métrica que usa a fórmula statetime(Idle) para calcular a quantidade de tempo em segundos na qual a máquina está ociosa, por intervalo de 1 minuto.

A propriedade Idle tem os pontos de dados a seguir:

a função de hora 14:00:00 14:00:30 14:01:15 14:02:45 14:04:00
Idle 0 1 1 0 0

O AWS IoT SiteWise calcula a propriedade Idle Time a cada minuto a partir dos valores de Idle. Depois que esse cálculo for concluído, a propriedade Idle Time terá os seguintes pontos de dados.

a função de hora 14:00:00 14:01:00 14:02:00 14:03:00 14:04:00
Idle Time N/A 30 60 45 0

O AWS IoT SiteWise executa os cálculos a seguir para Idle Time no final de cada minuto.

  • Às 14:00 (para 13:59 a 14:00)

    • Não há dados para Idle antes das 14:00, portanto nenhum ponto de dados é calculado.

  • Às 14:01 (para 14:00 a 14:01)

    • Às 14:00:00, a máquina está ativa (Idle é 0).

    • Às 14:00:30, a máquina está ociosa (Idle é 1).

    • Idle não muda novamente antes do final do intervalo às 14:01:00, de maneira que Idle Time são 30 segundos.

  • Às 14:02 (para 14:01 a 14:02)

    • Às 14:01:00, a máquina está ociosa (de acordo com o último ponto de dados às 14:00:30).

    • Às 14:01:15, a máquina ainda está ociosa.

    • Idle não muda novamente antes do final do intervalo às 14:02:00, de maneira que Idle Time são 60 segundos.

  • Às 14:03 (para 14:02 a 14:03)

    • Às 14:02:00, a máquina está ociosa (de acordo com o último ponto de dados às 14:01:15).

    • Às 14:02:45, a máquina está ativa.

    • Idle não muda novamente antes do final do intervalo às 14:03:00, de maneira que Idle Time são 45 segundos.

  • Às 14:04 (para 14:03 a 14:04)

    • Às 14:03:00, a máquina está ativa (de acordo com o último ponto de dados às 14:02:45).

    • Idle não muda novamente antes do final do intervalo às 14:04:00, de maneira que Idle Time são 0 segundos.

exemplo
Exemplo TimeWeightedAvg e TimeWeightedStDev cenário

As tabelas a seguir fornecem exemplos de entradas e saídas para essas métricas de janela de um minuto: Avg(x), TimeWeightedAvg(x), TimeWeightedAvg(x, "linear"), stDev(x), timeWeightedStDev(x), timeWeightedStDev(x, 'p')

Exemplo de entrada para janela agregada de um minuto:

nota

Todos esses pontos de dados têm GOOD qualidade.

03:00:00 4,0
03:01:00 2,0
03:01:10 8.0
03:01:50 20.0
03:02:00 14.0
03:02:05 10.0
03:02:10 3.0
03:02:30 20.0
03:03:30 0.0

Saída de resultados agregados:

nota

Nenhum — resultado não produzido para esta janela.

Time Avg(x) TimeWeightedAvg(x) TimeWeightedAvg(X, "linear") stDev(X) timeWeightedStDev(x) timeWeightedStDev(x, 'p')
3:00:00 4 Nenhum Nenhum 0 Nenhum Nenhum
3:01:00 2 4 3 0 0 0
3:02:00 14 9 13 6 5.430610041581775 5.385164807134504
3:03:00 11 13 12.875 8.54400374531753 7.724054437220943 7.659416862050705
3:04:00 0 10 2,5 0 10.084389681792215 10
3:05:00 Nenhum 0 0 Nenhum 0 0

Usando funções temporais em transformações

Somente em transformações, você pode usar a função pretrigger() para recuperar o valor de qualidade GOOD de uma variável antes da atualização da propriedade que iniciou o cálculo da transformação atual.

Considere um exemplo onde um fabricante usa AWS IoT SiteWise para monitorar o status de uma máquina. O fabricante usa as seguintes medidas e transformações para representar o processo:

  • Uma medida current_state, que pode ser 0 ou 1.

    • Se a máquina estiver no estado de limpeza, current_state é igual a 1.

    • Se a máquina estiver no estado de fabricação, current_state é igual a 1.

  • Uma transformação cleaning_state_duration é igual a if(pretrigger(current_state) == 1, timestamp(current_state) - timestamp(pretrigger(current_state)), none). Essa transformação retorna há quanto tempo a máquina está no estado de limpeza em segundos, no formato Unix epoch. Para obter mais informações, consulte Funções condicionais e a função a função de hora(s).

Se a máquina permanecer no estado de limpeza por mais tempo do que o esperado, o fabricante poderá investigar a máquina.

Você também pode usar a função pretrigger() em transformações multivariadas. Por exemplo, você têm duas medidas, chamadas x e y, e uma transformação, z,igual a x + y + pretrigger(y). A tabela a seguir mostra os valores para x, y e z das 9:00 às 9:15.

nota
  • Este exemplo pressupõe que os valores das medições cheguem em ordem cronológica. Por exemplo, o valor de x para 09:00 chega antes do valor de x para 09:05.

  • Se os pontos de dados das 9:05 chegarem antes dos pontos de dados das 9:05, z não será calculado às 9:05.

  • Se o valor de x para 9:05 chegar antes do valor de x para 09:00 e os valores de y chegarem cronologicamente, z será igual a 22 = 20 + 1 + 1 às 9:05

09:00 09:05 09:10 09:15

x

10

20

30

y

1

2

3

z = x + y + pretrigger(y)

y não recebe nenhum ponto de dados antes das 09:00. Portanto, z não é calculado às 09:00.

23 = 20 + 2 + 1

pretrigger(y) é igual a 1.

25 = 20 + 3 + 2

x não recebe um novo ponto de dados. pretrigger(y) é igual a 2.

36 = 30 + 3 + 3

y não recebe um novo ponto de dados. Portanto, pretrigger(y) é igual a 3 às 09:15.