Fortgeschrittene Trainingskonfigurationen

Konfiguration der Abtastrate

Die Abtastrate definiert, wie häufig Sensorwerte aufgezeichnet werden (z. B. einmal pro Sekunde oder einmal pro Minute). Diese Einstellung wirkt sich direkt auf die Granularität der Trainingsdaten aus und beeinflusst die Fähigkeit des Modells, kurzfristige Schwankungen des Sensorverhaltens zu erfassen.

Besuchen Sie unsStichprobenerhebung für hochfrequente Daten und Konsistenz zwischen Training und Inferenz, um mehr über bewährte Verfahren zu erfahren.

Konfigurieren Sie die Ziel-Abtastrate

Sie können TargetSamplingRate in Ihrer Trainingskonfiguration optional eine angeben, um die Häufigkeit zu steuern, mit der Daten abgetastet werden. Unterstützte Werte sind:

PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H

Dies sind ISO 8601-Dauerformate, die die folgenden Zeitformate darstellen:

Wählen Sie eine Abtastrate, die das richtige Gleichgewicht zwischen Datenauflösung und Trainingseffizienz bietet. Die folgenden Raten sind verfügbar:

Behandlung von Zeitstempelfehlern

AWS IoT SiteWise kompensiert automatisch die falsche Ausrichtung von Zeitstempeln in mehreren Datenströmen während des Trainings. Dies gewährleistet ein konsistentes Modellverhalten, auch wenn die Eingangssignale zeitlich nicht perfekt aufeinander abgestimmt sind.

Besuchen Sie unsStichprobenerhebung für hochfrequente Daten und Konsistenz zwischen Training und Inferenz, um mehr über bewährte Verfahren zu erfahren.

Sampling aktivieren

Fügen Sie den folgenden Code zu hinzuanomaly-detection-training-payload.json.

Konfigurieren Sie das Sampling, indem TargetSamplingRate Sie die Payload für die Trainingsaktion mit der Sampling-Rate der Daten hinzufügen. Die zulässigen Werte sind:PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H.

{
    "exportDataStartTime": StartTime,
    "exportDataEndTime": EndTime,
    "targetSamplingRate": "TargetSamplingRate"
}

{
    "exportDataStartTime": 1717225200,
    "exportDataEndTime": 1722789360,
    "targetSamplingRate": "PT1M"
}

Kennzeichnen Sie Ihre Daten

Bei der Kennzeichnung Ihrer Daten müssen Sie Zeitintervalle definieren, die Perioden mit abnormalem Geräteverhalten darstellen. Diese Kennzeichnungsinformationen werden als CSV Datei bereitgestellt, wobei jede Zeile einen Zeitraum angibt, in dem die Geräte nicht ordnungsgemäß funktionierten.

Jede Zeile enthält zwei Zeitstempel:

Diese CSV-Datei wird in einem Amazon S3 S3-Bucket gespeichert und wird beim Modelltraining verwendet, um dem System zu helfen, aus bekannten Beispielen für abnormales Verhalten zu lernen. Das folgende Beispiel zeigt, wie Ihre Etikettendaten als .csv Datei angezeigt werden sollten. Die Datei hat keinen Header.

2024-06-21T00:00:00.000000,2024-06-21T12:00:00.000000
2024-07-11T00:00:00.000000,2024-07-11T12:00:00.000000
2024-07-31T00:00:00.000000,2024-07-31T12:00:00.000000

Zeile 1 steht für ein Wartungsereignis am 21. Juni 2024 mit einem 12-Stunden-Fenster (von bis2024-06-21T12:00:00.000000Z), in dem 2024-06-21T00:00:00.000000Z nach abnormalem Verhalten gesucht werden AWS IoT SiteWise kann.

Zeile 2 steht für ein Wartungsereignis am 11. Juli 2024 mit einem 12-Stunden-Fenster (von bis2024-07-11T12:00:00.000000Z), in dem 2024-07-11T00:00:00.000000Z nach abnormalem AWS IoT SiteWise Verhalten gesucht werden kann.

Zeile 3 steht für ein Wartungsereignis am 31. Juli 2024 mit einem 12-Stunden-Fenster (von bis2024-07-31T12:00:00.000000Z), in dem 2024-07-31T00:00:00.000000Z nach abnormalem AWS IoT SiteWise Verhalten gesucht werden kann.

AWS IoT SiteWise verwendet all diese Zeitfenster, um Modelle zu trainieren und zu bewerten, mit denen abnormales Verhalten im Zusammenhang mit diesen Ereignissen erkannt werden kann. Beachten Sie, dass nicht alle Ereignisse nachweisbar sind und die Ergebnisse stark von der Qualität und den Eigenschaften der zugrunde liegenden Daten abhängen.

Einzelheiten zu bewährten Methoden für die Probenahme finden Sie unterBewährte Methoden.

Schritte zur Datenkennzeichnung

{
    "exportDataStartTime": StartTime,
    "exportDataEndTime": EndTime,
    "labelInputConfiguration": 
      {
       "bucketName": "label-bucket",
       "prefix": "files-prefix"
      }
}

{
    "exportDataStartTime": 1717225200,
    "exportDataEndTime": 1722789360,
    "labelInputConfiguration": {
      "bucketName": "anomaly-detection-customer-data-278129555252-iad",
      "prefix": "Labels/model=b2d8ab3e-73af-48d8-9b8f-a290bef931b4/asset[d3347728-4796-4c5c-afdb-ea2f551ffe7a]/Lables.csv"
    }
}

Bewerten Ihres Modells

Die punktuelle Modelldiagnostik für ein AWS IoT SiteWise Trainingsmodell ist eine Bewertung der Modellleistung bei den einzelnen Ereignissen. AWS IoT SiteWise Generiert während des Trainings einen Anomalie-Score und eine Diagnose des Sensorbeitrags für jede Zeile im Eingabedatensatz. Ein höherer Anomaliewert weist auf eine höhere Wahrscheinlichkeit eines abnormalen Ereignisses hin.

Punktgenaue Diagnosen sind verfügbar, wenn Sie ein Modell mit ExecuteActionAPI und AWS/ANOMALY_DETECTION_TRAINING Aktionstyp trainieren.

Um die Modellevaluierung zu konfigurieren,

{
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime,
  "modelEvaluationConfiguration": {
    "dataStartTime": evaluationStartTime,
    "dataEndTime": evaluationEndTime
    "resultDestination": {
      "bucketName": "s3BucketName",
      "prefix": "bucketPrefix"
    }
  }
}
    

{
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360,
  "modelEvaluationConfiguration": {
    "dataStartTime": 1722789360,
    "dataEndTime": 1725174000,
    "resultDestination": {
      "bucketName": "anomaly-detection-customer-data-278129555252-iad",
      "prefix": "Evaluation/asset[d3347728-4796-4c5c-afdb-ea2f551ffe7a]/1747681026-evaluation_results.jsonl"
    }
  }
}