建立運算模型 (AWS CLI)ExecuteAction API 承載準備訓練 AWS CLI 啟動和停止推論 (AWS CLI)

在跨資產的感應器上啟用異常偵測

建立運算模型 (AWS CLI)

若要建立運算模型，請使用 AWS 命令列界面 (AWS CLI)。定義運算模型後，請訓練模型並排定推論，以跨資產進行異常偵測 AWS IoT SiteWise。

下列步驟說明此程序：

若要設定異常偵測，請使用 UpdateAssetModel (AWS CLI)，並符合下列要求：
1. 至少一個輸入屬性為 DOUBLE或 INTEGER資料類型。它是測量或轉換屬性，用於訓練模型。
2. STRING 資料類型的結果屬性。它必須是測量屬性，並存放異常偵測結果。

建立anomaly-detection-computation-model-payload.json具有下列內容的檔案：

注意

直接提供 assetProperty做為資料來源，以建立運算模型。


{
    "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"
            }
        }
    }
}

執行下列命令來建立運算模型：


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

ExecuteAction API 承載準備

執行訓練和推論的後續步驟會使用 ExecuteAction API 執行。訓練和推論都是使用 JSON 動作承載組態來設定。叫用 ExecuteAction API 時，必須提供動作承載做為具有stringValue承載的值。

承載必須嚴格遵守 API 要求。具體而言，該值必須是沒有控制字元的扁平字串 （例如，換行、標籤或歸位字元）。下列選項提供兩種可靠的方式來提供有效的動作承載。

選項 1：使用乾淨的承載檔案

下列程序說明乾淨承載檔案的步驟：

清除檔案以移除控制字元。


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

使用檔案執行動作@=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

選項 2：具有逸出引號的內嵌字串

下列步驟說明內嵌提供承載的步驟，並避免中介檔案：

在 JSON 字串中使用逸出雙引號 (\")。
以雙引號括住整個StringValue=..表達式。

範例逸出動作承載的：


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

訓練 AWS CLI

執行下列命令來尋找 AWS/ANOMALY_DETECTION_TRAINING動作actionDefinitionId的。computation-model-id 將取代為上一個步驟中傳回的 ID。
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
建立名為的檔案anomaly-detection-training-payload.json，並新增下列值：

注意
承載必須符合選項 1：使用乾淨的承載檔案。
1. StartTime 訓練資料的開頭，以 epoch 秒提供。
2. EndTime 訓練資料的結尾，以 epoch 秒提供。
3. 您可以選擇性地設定進階推論組態。
  1. （選用） TargetSamplingRate搭配資料的取樣率。
  2. （選用） LabelInputConfiguration 指定為改善模型訓練而發生異常行為的時段。
  3. （選用） ModelEvaluationConfiguration 在訓練完成後，透過在指定的時間範圍執行推論來評估模型效能。
```
{
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime
}
```
範例訓練承載範例：
```
{
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360
}
```

執行下列命令以開始訓練（而不提供資產做為目標資源）。在命令中取代下列參數：


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

執行下列命令來檢查模型訓練程序的狀態。最新的執行摘要會顯示執行狀態 (RUNNING/COMPLETED/FAILED)。
```
aws iotsitewise list-executions \
    --target-resource-type COMPUTATION_MODEL \
    --target-resource-id computation-model-id
```
執行下列命令來檢查最新訓練模型的組態。只有在至少有一個模型成功完成訓練時，此命令才會產生輸出。
```
aws iotsitewise describe-computation-model-execution-summary \
    --computation-model-id computation-model-id
```

啟動和停止推論 (AWS CLI)

訓練模型後，請啟動推論，指示 AWS IoT SiteWise 開始監控工業資產是否有異常。

開始推論

執行下列命令來尋找 AWS/ANOMALY_DETECTION_INFERENCE動作actionDefinitionId的。computation-model-id 以先前建立的運算模型實際 ID 取代。
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
建立檔案anomaly-detection-start-inference-payload.json並新增下列程式碼。依照說明取代下列參數：

注意
承載必須符合選項 1：使用乾淨的承載檔案。
1. DataUploadFrequency：設定推論排程執行的頻率，以執行異常偵測。允許的值為：PT5M, PT10M, PT15M, PT30M, PT1H, PT2H..PT12H, PT1D。
```
"inferenceMode": "START",
"dataUploadFrequency": "DataUploadFrequency"
```
2. （選用） DataDelayOffsetInMinutes 搭配以分鐘為單位的延遲位移。將此值設定為 0 到 60 分鐘。
3. （選用） TargetModelVersion 搭配要啟用的模型版本。
4. （選用） weeklyOperatingWindow使用輪班組態設定。
5. 您可以選擇性地設定進階推論組態。

執行下列命令以開始推論。取代承載檔案中的下列參數。

computation-model-id 目標運算模型的 ID。
inference-action-definition-id 具有步驟 1 中AWS/ANOMALY_DETECTION_INFERENCE動作的 ID。


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

執行下列命令來檢查推論是否仍在執行中。推論作用中TRUE時， inferenceTimerActive 欄位會設為。
```
aws iotsitewise describe-computation-model-execution-summary \
    --computation-model-id computation-model-id
```

下列命令會列出所有推論執行：


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

執行下列命令來描述個別執行。execution-id 將取代為先前步驟 5 的 ID。
```
aws iotsitewise describe-execution \
    --execution-id execution-id
```

停止推論

執行下列命令來尋找 AWS/ANOMALY_DETECTION_INFERENCE動作actionDefinitionId的。computation-model-id 以先前建立的運算模型實際 ID 取代。
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
建立檔案anomaly-detection-stop-inference-payload.json並新增下列程式碼。
```
{
    "inferenceMode": "STOP"
}
```
注意
承載必須符合選項 1：使用乾淨的承載檔案。
執行下列命令來停止推論。取代承載檔案中的下列參數：
1. computation-model-id 目標運算模型的 ID。
2. inference-action-definition-id 具有步驟 1 中AWS/ANOMALY_DETECTION_INFERENCE動作的 ID。
範例停止推論命令的：
```
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 
```

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

在資產的感應器上啟用異常偵測

進階訓練組態

在跨資產的感應器上啟用異常偵測

建立運算模型 (AWS CLI)

注意

ExecuteAction API 承載準備

選項 1：使用乾淨的承載檔案

選項 2：具有逸出引號的內嵌字串

範例 逸出動作承載的 ：

訓練 AWS CLI

注意

範例 訓練承載範例：

啟動和停止推論 (AWS CLI)

開始推論

注意

停止推論

注意

範例 停止推論命令的 ：

範例逸出動作承載的：

範例訓練承載範例：

範例停止推論命令的：