Crear un modelo de cálculo ()AWS CLI ExecuteAction Preparación de la carga útil de la API Entrena a los AWS CLI Iniciar y detener la inferencia ()AWS CLI Encuentre enlaces de datos

Habilite la detección de anomalías en los sensores de un activo

Crear un modelo de cálculo ()AWS CLI

Para crear un modelo de cálculo, utilice la interfaz de línea de AWS comandos ()AWS CLI. Tras definir el modelo de cálculo, entrene el modelo y programe la inferencia para detectar anomalías en un activo. AWS IoT SiteWise

Cree un archivo anomaly-detection-computation-model-payload.json con el siguiente contenido:


{
    "computationModelName": "anomaly-detection-computation-model-name",
    "computationModelConfiguration": {
        "anomalyDetection": {
            "inputProperties": "${input_properties}",
            "resultProperty": "${result_property}"
        }
    },
    "computationModelDataBinding": {
        "input_properties": {
            "list": [{
                    "assetModelProperty": {
                        "assetModelId": "asset-model-id",
                        "propertyId": "input-property-id-1"
                    }
                },
                {
                    "assetModelProperty": {
                        "assetModelId": "asset-model-id",
                        "propertyId": "input-property-id-2"
                    }
                }
            ]
        },
        "result_property": {
            "assetModelProperty": {
                "assetModelId": "asset-model-id",
                "propertyId": "results-property-id"
            }
        }
    }
}

Ejecute el siguiente comando para crear un modelo de cálculo:


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

ExecuteAction Preparación de la carga útil de la API

Los siguientes pasos para ejecutar la formación y la inferencia se realizan con la ExecuteActionAPI. Tanto el entrenamiento como la inferencia se configuran con una configuración de carga útil de acciones de JSON. Al invocar la ExecuteActionAPI, la carga útil de la acción debe proporcionarse como un valor junto con una carga útil. stringValue

La carga útil debe cumplir estrictamente los requisitos de la API. En concreto, el valor debe ser una cadena plana, sin caracteres de control (por ejemplo, líneas nuevas, tabulaciones o devoluciones).

Las siguientes opciones proporcionan dos formas fiables de proporcionar una carga útil de acción válida:

Opción 1: utilice un archivo de carga limpio

El siguiente procedimiento describe los pasos para limpiar un archivo de carga útil:

Limpie el archivo para eliminar los caracteres de control.


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

Ejecute la acción con el archivo@=file://....


aws iotsitewise execute-action \
    --target-resource computationModelId=<MODEL_ID> \
    --action-definition-id <ACTION_DEFINITION_ID> \
    --resolve-to assetId=<ASSET_ID> \
    --action-payload stringValue@=file://training-or-inference-action-payload.json

Opción 2: cadena en línea con comillas de escape

Los siguientes pasos describen los pasos para suministrar la carga útil en línea y evitar los archivos intermediarios:

Usa comillas dobles escapadas (\") dentro de la cadena JSON.
Envuelve la StringValue=.. expresión completa entre comillas dobles.

ejemplo de una carga útil de acción que se ha escapado:


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

Entrena al AWS CLI

Una vez creado un modelo de cálculo, puede entrenar un modelo comparándolo con los activos. Siga los pasos que se indican a continuación para entrenar un modelo para un activo:

Ejecute el siguiente comando para buscar el actionDefinitionId de la acción AWS/ANOMALY_DETECTION_TRAINING. computation-model-idSustitúyalo por el identificador devuelto en el paso anterior.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Cree un archivo llamado anomaly-detection-training-payload.json y añada los siguientes valores:

nota
La carga útil debe ajustarse aOpción 1: utilice un archivo de carga limpio.
1. StartTimecon el inicio de los datos de entrenamiento, proporcionados en segundos por época.
2. EndTimecon el final de los datos de entrenamiento, proporcionados en segundos de época.
3. OpcionalmenteConfiguraciones de entrenamiento avanzadas, puede configurarlo para mejorar el rendimiento del modelo.
  1. (Opcional) TargetSamplingRate con la frecuencia de muestreo de los datos.
  2. (Opcional) LabelInputConfiguration para especificar los períodos de tiempo en los que se produjo un comportamiento anómalo a fin de mejorar el entrenamiento del modelo.
  3. (Opcional) ModelEvaluationConfiguration para evaluar el rendimiento del modelo mediante la ejecución de la inferencia en un intervalo de tiempo específico una vez finalizado el entrenamiento.
```
{
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime
}
```
ejemplo de un ejemplo de carga útil de entrenamiento:
```
{
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360
}
```

Ejecute el siguiente comando para iniciar el entrenamiento. Sustituya los siguientes parámetros del comando:

computation-model-idcon el ID del modelo de cálculo objetivo.
asset-idcon el ID del activo con el que entrenará el modelo.
training-action-definition-idcon el ID de la AWS/ANOMALY_DETECTION_TRAINING acción del paso 1.


aws iotsitewise execute-action \
    --target-resource computationModelId=computation-model-id \
    --resolve-to assetId=asset-id \
    --action-definition-id training-action-definition-id \
    --action-payload stringValue@=file://anomaly-detection-training-payload.json

ejemplo de una acción de ejecución:


aws iotsitewise execute-action --target-resource computationModelId=27cb824c-fd84-45b0-946b-0a5b0466d890 --resolve-to assetId=cefd4b68-481b-4735-b466-6a4220cd19ee --action-definition-id e54cea94-5d1c-4230-a59e-4f54dcbc972d --action-payload stringValue@=file://anomaly-detection-training-payload.json

Ejecute el siguiente comando para comprobar el estado del proceso de entrenamiento del modelo. El resumen de ejecución más reciente muestra el estado de la ejecución (RUNNINGCOMPLETED//FAILED).


aws iotsitewise list-executions \
    --target-resource-type COMPUTATION_MODEL \
    --target-resource-id computation-model-id\
    --resolve-to-resource-type ASSET \
    --resolve-to-resource-id asset-id

Ejecute el siguiente comando para comprobar la configuración del último modelo entrenado. Este comando produce un resultado solo si al menos un modelo se entrenó correctamente.


aws iotsitewise describe-computation-model-execution-summary \
    --computation-model-id computation-model-id \
    --resolve-to-resource-type ASSET \
    --resolve-to-resource-id asset-id

Cuando a ComputationModel esté en uso AssetModelProperty, utilice la ListComputationModelResolveToResourcesAPI para identificar los activos con las acciones ejecutadas.
```
aws iotsitewise list-computation-model-resolve-to-resources \
    --computation-model-id computation-model-id
```

Iniciar y detener la inferencia ()AWS CLI

Después de entrenar el modelo, inicie la inferencia. Esto indica AWS IoT SiteWise que debe monitorear activamente sus activos industriales para detectar anomalías.

Comience la inferencia

Ejecute el siguiente comando para buscar el actionDefinitionId de la acción AWS/ANOMALY_DETECTION_INFERENCE. computation-model-idSustitúyalo por el identificador real del modelo de cálculo creado anteriormente.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Cree un archivo anomaly-detection-start-inference-payload.json y añada los siguientes valores:

nota
La carga útil debe ajustarse aOpción 1: utilice un archivo de carga limpio.
```
"inferenceMode": "START",
"dataUploadFrequency": "DataUploadFrequency"
```
1. DataUploadFrequency: configure la frecuencia con la que se ejecuta el programa de inferencias para realizar la detección de anomalías. Los valores permitidos son: PT5M, PT10M, PT15M, PT30M, PT1H, PT2H..PT12H, PT1D.
2. (Opcional) DataDelayOffsetInMinutes con el retardo compensado en minutos. Establezca este valor entre 0 y 60 minutos.
3. (Opcional) TargetModelVersion con la versión del modelo que se va a activar.
4. (Opcional) Configure la configuración weeklyOperatingWindow con una configuración de turnos.
5. Puede configurarlo de forma opcionalConfiguraciones de inferencia avanzadas.
Ejecute el siguiente comando para iniciar la inferencia. Sustituya los siguientes parámetros en el archivo de carga útil.
1. computation-model-idcon el ID del modelo de cálculo objetivo.
2. asset-idcon el ID del activo con el que se entrenó el modelo.
3. inference-action-definition-idcon el ID de la AWS/ANOMALY_DETECTION_INFERENCE acción del paso 1.
```
aws iotsitewise execute-action \
    --target-resource computationModelId=computation-model-id \
    --resolve-to assetId=asset-id \
    --action-definition-id inference-action-definition-id \
    --action-payload stringValue@=file://anomaly-detection-inference-payload.json 
```

Ejecute el siguiente comando para comprobar si la inferencia sigue ejecutándose. El inferenceTimerActive campo se establece TRUE cuando la inferencia está activa.


aws iotsitewise describe-computation-model-execution-summary \
    --computation-model-id computation-model-id \
    --resolve-to-resource-type ASSET \
    --resolve-to-resource-id asset-id

El siguiente comando muestra todas las ejecuciones de inferencias:


aws iotsitewise list-executions \
   --target-resource-type COMPUTATION_MODEL \
   --target-resource-id computation-model-id \
   --resolve-to-resource-type ASSET \
   --resolve-to-resource-id asset-id

Ejecute el siguiente comando para describir una ejecución individual. execution-idSustitúyalo por el identificador del paso 5 anterior.
```
aws iotsitewise describe-execution \
    --execution-id execution-id
```

Detenga la inferencia

Ejecute el siguiente comando para buscar el actionDefinitionId de la acción AWS/ANOMALY_DETECTION_INFERENCE. computation-model-idSustitúyalo por el identificador real del modelo de cálculo creado anteriormente.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Cree un archivo anomaly-detection-stop-inference-payload.json y añada el siguiente código.
```
{
    "inferenceMode": "STOP"
}
```
nota
La carga útil debe ajustarse aOpción 1: utilice un archivo de carga limpio.
Ejecute el siguiente comando para detener la inferencia. Sustituya el siguiente parámetro en el archivo de carga útil:
1. computation-model-idcon el ID del modelo de cálculo de destino.
2. asset-idcon el ID del activo con el que se entrenó el modelo.
3. inference-action-definition-idcon el ID de la AWS/ANOMALY_DETECTION_INFERENCE acción del paso 1.
ejemplo del comando stop inference:
```
aws iotsitewise execute-action \
    --target-resource computationModelId=computation-model-id \
    --resolve-to assetId=asset-id \
    --action-definition-id inference-action-definition-id \
    --action-payload stringValue@=file://anomaly-detection-stop-inference-payload.json 
```

Encuentre modelos de cálculo que utilicen un recurso determinado en el enlace de datos

Para enumerar los modelos de cálculo que están vinculados a un recurso determinado:

modelo de activos (busque todos los modelos de cálculo en los que esté vinculada alguna de las propiedades de este modelo de activos).
activo (busque todos los modelos de cálculo en los que esté vinculada alguna de las propiedades de este activo)
propiedad del modelo de activos (busca todos los modelos de cálculo en los que está vinculada esta propiedad)
propiedad de activo (busca todos los modelos de cálculo a los que está vinculada esta propiedad). Esto puede ser con fines informativos o ser necesario cuando el usuario intenta vincular esta propiedad a otro modelo de cálculo (pero ya está enlazada a otro lugar)

Utilice la ListComputationModelDataBindingUsagesAPI para obtener una lista de ComputationModelId s que incluyan el activo (propiedad) o el modelo de activo (propiedad) como enlace de datos.

Prepare una request.json con la siguiente información:


{
  "dataBindingValueFilter": {
    "asset": {
      "assetId": "<string>"
    }
    // OR
    "assetModel": {
      "assetModelId": "<string>"
    }
    // OR
    "assetProperty": {
      "assetId": "<string>",
      "propertyId": "<string>"
    }
    // OR
    "assetModelProperty": {
      "assetModelId": "<string>",
      "propertyId": "<string>"
    }
  },
  "nextToken": "<string>",
  "maxResults": "<number>"
}

Utilice el list-computation-model-data-binding-usages comando para recuperar los modelos con activos o los modelos de activos como enlaces de datos.


aws iotsitewise list-computation-model-data-binding-usages \
--cli-input-json file://request.json

Aviso JavaScript está desactivado o no está disponible en su navegador.

Para utilizar la documentación de AWS, debe estar habilitado JavaScript. Para obtener más información, consulte las páginas de ayuda de su navegador.

Convenciones del documento

Requisitos previos

Habilite la detección de anomalías en los sensores de todos los activos

Habilite la detección de anomalías en los sensores de un activo

Crear un modelo de cálculo ()AWS CLI

ExecuteAction Preparación de la carga útil de la API

Opción 1: utilice un archivo de carga limpio

Opción 2: cadena en línea con comillas de escape

ejemplo de una carga útil de acción que se ha escapado:

Entrena al AWS CLI

nota

ejemplo de un ejemplo de carga útil de entrenamiento:

ejemplo de una acción de ejecución:

Iniciar y detener la inferencia ()AWS CLI

Comience la inferencia

nota

Detenga la inferencia

nota

ejemplo del comando stop inference:

Encuentre modelos de cálculo que utilicen un recurso determinado en el enlace de datos