Permettre la détection des anomalies sur les capteurs d'un actif - AWS IoT SiteWise
Création d'un modèle de calcul ()AWS CLIExecuteAction Préparation de la charge utile de l'APIEntraînez le AWS CLIDémarrer et arrêter l'inférence ()AWS CLIRechercher des liaisons de données

Les traductions sont fournies par des outils de traduction automatique. En cas de conflit entre le contenu d'une traduction et celui de la version originale en anglais, la version anglaise prévaudra.

Permettre la détection des anomalies sur les capteurs d'un actif

Création d'un modèle de calcul ()AWS CLI

Pour créer un modèle de calcul, utilisez l'interface de ligne de AWS commande (AWS CLI). Après avoir défini le modèle de calcul, entraîné le modèle et planifié l'inférence pour détecter les anomalies sur un actif dans. AWS IoT SiteWise

  • Créez un fichier anomaly-detection-computation-model-payload.json avec le contenu suivant :

    {
    "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"
            }
        }
    }
}

  • Exécutez la commande suivante pour créer un modèle de calcul :

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

ExecuteAction Préparation de la charge utile de l'API

Les étapes suivantes pour exécuter l'entraînement et l'inférence sont effectuées avec l'ExecuteActionAPI. L'entraînement et l'inférence sont configurés avec une configuration de charge utile d'action JSON. Lors de l'appel de l'ExecuteActionAPI, la charge utile de l'action doit être fournie sous forme de valeur avec une stringValue charge utile.

La charge utile doit respecter strictement les exigences de l'API. Plus précisément, la valeur doit être une chaîne plate, sans caractères de contrôle (par exemple, nouvelles lignes, tabulations ou retours de chariot).

Les options suivantes fournissent deux méthodes fiables pour fournir une charge utile d'action valide :

Option 1 : utiliser un fichier de charge utile propre

La procédure suivante décrit les étapes à suivre pour nettoyer le fichier de charge utile :

  1. Nettoyez le fichier pour supprimer les caractères de contrôle.

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

  2. Exécutez l'action avec le fichier@=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

Option 2 : chaîne en ligne avec guillemets échappés

Les étapes suivantes décrivent les étapes à suivre pour fournir la charge utile en ligne et éviter les fichiers intermédiaires :

  • Utilisez des guillemets évadés (\") dans la chaîne JSON.

  • Placez l'StringValue=..expression entière entre guillemets.

Exemple d'une charge utile d'action échappée :
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\"}"

Entraînez le AWS CLI

Une fois le modèle de calcul créé, vous pouvez entraîner un modèle en fonction des actifs. Suivez les étapes ci-dessous pour entraîner un modèle pour un actif :

  1. Exécutez la commande suivante pour trouver actionDefinitionId l'AWS/ANOMALY_DETECTION_TRAININGaction. computation-model-idRemplacez-le par l'ID renvoyé à l'étape précédente.

    aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id

  2. Créez un fichier appelé anomaly-detection-training-payload.json et ajoutez-y les valeurs suivantes :

    Note

    La charge utile doit être conforme à. Option 1 : utiliser un fichier de charge utile propre

    1. StartTimeavec le début des données d'entraînement, fournies en secondes d'époque.

    2. EndTimeavec les données de fin d'entraînement, fournies en secondes d'époque.

    3. Vous pouvez éventuellement configurerConfigurations d'entraînement avancées, pour améliorer les performances du modèle.

      1. (Facultatif) TargetSamplingRate avec le taux d'échantillonnage des données.

      2. (Facultatif) LabelInputConfiguration pour spécifier les périodes pendant lesquelles un comportement anormal s'est produit afin d'améliorer l'apprentissage des modèles.

      3. (Facultatif) ModelEvaluationConfiguration pour évaluer les performances du modèle en exécutant l'inférence sur une plage de temps spécifiée une fois l'entraînement terminé.

    {
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime
}
    Exemple d'un exemple de charge utile d'entraînement :
    {
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360
}

  3. Exécutez la commande suivante pour démarrer l'entraînement. Remplacez les paramètres suivants dans la commande :

    1. computation-model-idavec l'ID du modèle de calcul cible.

    2. asset-idavec l'ID de l'actif sur lequel vous allez entraîner le modèle.

    3. training-action-definition-idavec l'ID de l'AWS/ANOMALY_DETECTION_TRAININGaction de l'étape 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
    Exemple d'une action d'exécution :
    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

  4. Exécutez la commande suivante pour vérifier l'état du processus d'entraînement du modèle. Le dernier résumé de l'exécution indique le statut de l'exécution (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

  5. Exécutez la commande suivante pour vérifier la configuration du dernier modèle entraîné. Cette commande produit une sortie uniquement si au moins un modèle a été entraîné avec succès.

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

  6. Lorsqu'un ComputationModel est utilisé AssetModelProperty, utilisez l'ListComputationModelResolveToResourcesAPI pour identifier les actifs sur lesquels des actions ont été exécutées.

    aws iotsitewise list-computation-model-resolve-to-resources \
    --computation-model-id computation-model-id

Démarrer et arrêter l'inférence ()AWS CLI

Après avoir entraîné le modèle, lancez l'inférence. Cela indique de AWS IoT SiteWise surveiller activement vos actifs industriels pour détecter les anomalies.

Lancer l'inférence

  1. Exécutez la commande suivante pour trouver actionDefinitionId l'AWS/ANOMALY_DETECTION_INFERENCEaction. Remplacez computation-model-id par l'ID réel du modèle de calcul créé précédemment.

    aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id

  2. Créez un fichier anomaly-detection-start-inference-payload.json et ajoutez les valeurs suivantes :

    Note

    La charge utile doit être conforme à. Option 1 : utiliser un fichier de charge utile propre 

    "inferenceMode": "START",
"dataUploadFrequency": "DataUploadFrequency"

    1. DataUploadFrequency: configurez la fréquence à laquelle le programme d'inférence s'exécute pour effectuer la détection des anomalies. Les valeurs autorisées sont :PT5M, PT10M, PT15M, PT30M, PT1H, PT2H..PT12H, PT1D.

    2. (Facultatif) DataDelayOffsetInMinutes avec le décalage du délai en minutes. Définissez cette valeur entre 0 et 60 minutes.

    3. (Facultatif) TargetModelVersion avec la version du modèle à activer.

    4. (Facultatif) Configurez la weeklyOperatingWindow avec une configuration Shift.

    5. Vous pouvez éventuellement configurerConfigurations d'inférence avancées.

      1. Inférence à haute fréquence (5 minutes — 1 heure).

      2. Inférence à basse fréquence (2 heures — 1 jour).

      3. Planification flexible.

  3. Exécutez la commande suivante pour démarrer l'inférence. Remplacez les paramètres suivants dans le fichier de charge utile.

    1. computation-model-idavec l'ID du modèle de calcul cible.

    2. asset-idavec l'identifiant de l'actif sur lequel le modèle a été entraîné.

    3. inference-action-definition-idavec l'ID de l'AWS/ANOMALY_DETECTION_INFERENCEaction de l'étape 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

  4. Exécutez la commande suivante pour vérifier si l'inférence est toujours en cours. Le inferenceTimerActive champ est défini sur TRUE lorsque l'inférence est active.

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

  5. La commande suivante répertorie toutes les exécutions d'inférence :

    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

  6. Exécutez la commande suivante pour décrire une exécution individuelle. Remplacez execution-id par l'identifiant de l'étape 5 précédente.

    aws iotsitewise describe-execution \
    --execution-id execution-id

Arrêter l'inférence

  1. Exécutez la commande suivante pour trouver actionDefinitionId l'AWS/ANOMALY_DETECTION_INFERENCEaction. Remplacez computation-model-id par l'ID réel du modèle de calcul créé précédemment.

    aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id

  2. Créez un fichier anomaly-detection-stop-inference-payload.json et ajoutez le code suivant.

    {
    "inferenceMode": "STOP"
}
    Note

    La charge utile doit être conforme à. Option 1 : utiliser un fichier de charge utile propre

  3. Exécutez la commande suivante pour arrêter l'inférence. Remplacez le paramètre suivant dans le fichier de charge utile :

    1. computation-model-idavec l'ID du modèle de calcul cible.

    2. asset-idavec l'identifiant de l'actif sur lequel le modèle a été entraîné.

    3. inference-action-definition-idavec l'ID de l'AWS/ANOMALY_DETECTION_INFERENCEaction de l'étape 1.

    Exemple de la commande d'arrêt de l'inférence :
    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

Trouver des modèles de calcul qui utilisent une ressource donnée pour la liaison de données

Pour répertorier les modèles de calcul liés à une ressource donnée :

  • modèle d'actif (récupère tous les modèles de calcul où l'une des propriétés de ce modèle d'actif est liée).

  • actif (récupère tous les modèles de calcul où l'une des propriétés de cet actif est liée)

  • propriété du modèle d'actif (récupère tous les modèles de calcul auxquels cette propriété est liée)

  • asset property (récupère tous les modèles de calcul auxquels cette propriété est liée). Cela peut être fourni à titre informatif ou obligatoire lorsque l'utilisateur essaie de lier cette propriété à un autre modèle de calcul (mais elle est déjà liée ailleurs)

Utilisez ListComputationModelDataBindingUsagesl'API pour récupérer une liste de ComputationModelId s qui prennent l'actif (propriété) ou le modèle d'actif (propriété) comme liaison de données.

Préparez un request.json contenant les informations suivantes :

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

Utilisez la list-computation-model-data-binding-usages commande pour récupérer les modèles contenant des actifs ou des modèles d'actifs sous forme de liaisons de données.

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