Amazon Monitron tidak lagi terbuka untuk pelanggan baru. Pelanggan yang sudah ada dapat terus menggunakan layanan ini seperti biasa. Untuk kemampuan yang mirip dengan Amazon Monitron, lihat [posting blog](https://aws.amazon.com/blogs/machine-learning/maintain-access-and-consider-alternatives-for-amazon-monitron) kami.
Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.
# Ekspor data Kinesis Amazon Monitron v1
**catatan**
Skema ekspor data Kinesis Amazon Monitron v1 tidak digunakan lagi. Pelajari lebih lanjut tentang [skema ekspor data v2](monitron-kinesis-export-v2.md).
Anda dapat mengekspor data pengukuran yang masuk dan hasil inferensi yang sesuai dari Amazon Monitron dan melakukan analisis waktu nyata. Ekspor data mengalirkan data langsung ke Kinesis.
**Topics**
+ [Mengekspor data Anda ke aliran Kinesis](#exporting-stream-procedure)
+ [Mengedit pengaturan ekspor data langsung](#edit-live-export)
+ [Menghentikan ekspor data langsung](#stop-kinesis-export)
+ [Melihat kesalahan ekspor data](#viewing-kinesis-export-errors)
+ [Menggunakan enkripsi sisi server untuk aliran Kinesis](#data-export-server-side-encryption)
+ [Pemantauan dengan Amazon CloudWatch Logs](data-export-cloudwatch-logs.md)
+ [Menyimpan data yang diekspor di Amazon S3](kinesis-store-S3.md)
+ [Memproses data dengan Lambda](data-export-lambda.md)
+ [Memahami skema ekspor data v1](data-export-schema.md)
## Mengekspor data Anda ke aliran Kinesis
1. Dari halaman utama proyek Anda, di dekat bagian bawah halaman, di sebelah kanan, pilih **Mulai ekspor data langsung**.
1. Di bawah **Pilih aliran data Amazon Kinesis**, lakukan salah satu hal berikut:
+ Masukkan nama aliran yang ada di kotak pencarian. Kemudian lewati ke Langkah 5.
+ Pilih **Buat aliran data baru**.
1. Pada halaman **Buat aliran data**, di bawah **konfigurasi aliran data**, masukkan nama aliran data Anda.
1. Di bawah Kapasitas aliran data, pilih mode kapasitas Anda:
+ **Jika persyaratan throughput aliran data Anda tidak dapat diprediksi dan bervariasi, pilih On-Demand.**
+ **Jika Anda dapat memperkirakan persyaratan throughput aliran data dengan andal, pilih Disediakan.** **Kemudian, di bawah pecahan yang disediakan, masukkan jumlah pecahan yang ingin Anda buat, atau pilih estimator Shard.**
1. Pilih **Create data stream** (Buat aliran data).
## Mengedit pengaturan ekspor data langsung
Untuk mengedit setelan ekspor data langsung Anda:
1. Buka konsol Amazon Monitron.
1. Pilih **Proyek** dari panel navigasi.
1. Jika Anda memiliki beberapa proyek, pilih proyek yang ingin Anda edit pengaturan ekspor.
1. Dari halaman utama proyek Anda, di bawah **Ekspor data langsung**, dari menu tarik-turun **Tindakan**, pilih **Edit pengaturan ekspor data langsung**.
## Menghentikan ekspor data langsung
1. Buka konsol Amazon Monitron.
1. Pilih **Proyek** dari panel navigasi.
1. Jika Anda memiliki beberapa proyek, pilih proyek yang ingin Anda edit pengaturan ekspor.
1. Dari halaman utama proyek Anda, di bawah **Ekspor data langsung**, dari menu tarik-turun **Tindakan**, pilih **Hentikan ekspor data langsung**.
1. Di jendela pop-up, pilih **Stop**.
## Melihat kesalahan ekspor data
Untuk melihat pesan kesalahan di antarmuka CloudWatch Log:
+ Di konsol Amazon Monitron, dari halaman utama proyek Anda, di bawah **Ekspor data langsung**, pilih grup **CloudWatch log**.
## Menggunakan enkripsi sisi server untuk aliran Kinesis
Anda dapat mengaktifkan enkripsi sisi server untuk aliran Kinesis Anda sebelum menyiapkan ekspor data Kinesis. Namun, jika enkripsi sisi server diaktifkan setelah ekspor data Kinesis disiapkan, Amazon Monitron tidak akan dapat mempublikasikan ke aliran. Itu karena Amazon Monitron tidak akan memiliki izin untuk memanggil [kms: GenerateDataKey](https://docs.aws.amazon.com/kms/latest/APIReference/API_GenerateDataKey.html) sehingga dapat mengenkripsi data yang dikirim ke Kinesis.
Untuk mengatasinya, ikuti instruksi di bawah[Mengedit pengaturan ekspor data langsung](#edit-live-export), tetapi tanpa mengubah konfigurasi. Ini akan mengaitkan enkripsi yang telah Anda atur dengan konfigurasi ekspor Anda.
# Pemantauan dengan Amazon CloudWatch Logs
Anda dapat memantau ekspor data langsung Amazon Monitron menggunakan Amazon CloudWatch Logs. Ketika pengukuran gagal diekspor, Amazon Monitron akan mengirimkan peristiwa log ke Log Anda CloudWatch . Anda juga dapat mengatur filter metrik pada log kesalahan untuk menghasilkan metrik dan mengatur alarm. Alarm dapat mengawasi ambang batas tertentu dan mengirim pemberitahuan atau mengambil tindakan ketika ambang batas tersebut terpenuhi. Untuk informasi selengkapnya, lihat [Panduan CloudWatch Pengguna](https://docs.aws.amazon.com/AmazonCloudWatch/latest/monitoring/WhatIsCloudWatch.html).
Amazon Monitron mengirimkan peristiwa log ke grup log/aws/monitron/data-export/ \$1HASH\$1ID\$1.
Peristiwa log memiliki format JSON berikut:
```
{
"assetDisplayName": "string",
"destination": "string",
"errorCode": "string",
"errorMessage": "string",
"eventId": "string",
"positionDisplayName": "string",
"projectDisplayName": "string",
"projectName": "string",
"sensorId": "string",
"siteDisplayName": "string",
"timestamp": "string"
}
```
assetDisplayName
+ Nama aset yang ditampilkan di Aplikasi
+ Tipe: String
tujuan
+ ARN dari aliran data Kinesis
+ Tipe: String
+ Pola: arn:aws:kinesis: \$1\$1REGION\$1\$1: \$1\$1AWS\$1ACCOUNT\$1ID\$1\$1 :stream/ \$1\$1STREAM\$1NAME\$1\$1
errorCode
+ Kode kesalahan
+ Tipe: String
+ Nilai yang Valid: `INTERNAL_SEVER_ERROR | KINESIS_RESOURCE_NOT_FOUND | KINESIS_PROVISIONED_THROUGHPUT_EXCEEDED | KMS_ACCESS_DENIED | KMS_NOT_FOUND | KMS_DISABLED | KMS_INVALID_STATE | KMS_THROTTLING`
errorMessage
+ Pesan kesalahan terperinci
+ Tipe: String
eventId
+ ID peristiwa unik yang sesuai dengan setiap ekspor pengukuran
+ Tipe: String
positionDisplayName
+ Nama posisi sensor ditampilkan di App
+ Tipe: String
SensorID
+ ID fisik sensor dari mana pengukuran dikirim
+ Tipe: String
siteDisplayName
+ Nama situs yang ditampilkan di Aplikasi
+ Tipe: String
timestamp
+ Stempel waktu saat pengukuran diterima oleh layanan Amazon Monitron di UTC
+ Tipe: String
+ Pola: yyyy-mm-dd HH: MM: SS.sss
# Menyimpan data yang diekspor di Amazon S3
**Topics**
+ [Menggunakan template yang telah ditentukan CloudFormation](#kinesis-cloudfront-makestack)
+ [Mengkonfigurasi Kinesis secara manual di konsol](#kinesis-configure-console)
## Menggunakan template yang telah ditentukan CloudFormation
Amazon Monitron menyediakan AWS CloudFormation template yang telah ditentukan untuk membantu menyiapkan Firehose dengan cepat untuk mengirimkan data dari aliran data Kinesis ke bucket Amazon S3. Template ini memungkinkan partisi dinamis dan objek Amazon S3 yang dikirimkan akan menggunakan format kunci berikut yang direkomendasikan oleh Amazon Monitron: `/project={projectName}/site={siteName}/time={yyyy-mm-dd 00:00:00}/{filename}`
1. Masuk ke AWS akun Anda.
1. Buka tab browser baru dengan URL berikut:
```
https://console.aws.amazon.com/cloudformation/home?region=us-east-1#/stacks/create/review?templateURL=https://s3.us-east-1.amazonaws.com/monitron-cloudformation-templates-us-east-1/monitron_kinesis_data_export.yaml&stackName=monitron-kinesis-live-data-export
```
1. Pada CloudFormation halaman yang terbuka, di sudut kanan atas, pilih wilayah di mana Anda menggunakan Amazon Monitron.
1. Secara default, template akan membuat aliran data Kinesis baru dan bucket S3 bersama dengan sumber daya lain yang diperlukan untuk mengirimkan data ke Amazon S3. Anda dapat mengubah parameter untuk menggunakan sumber daya yang ada.
1. Centang kotak yang mengatakan *saya mengakui yang AWS CloudFormation mungkin membuat sumber daya IAM*.
1. Pilih **Buat tumpukan**.
1. Pada halaman berikutnya, pilih ikon penyegaran sesering yang Anda suka hingga status tumpukan adalah CREATE\$1COMPLETE.
## Mengkonfigurasi Kinesis secara manual di konsol
1. Masuk ke Konsol AWS Manajemen dan buka konsol Kinesis di /kinesis. https://console.aws.amazon.com
1. Pilih **Stream pengiriman** di panel navigasi.
1. Pilih **Buat aliran pengiriman**.
1. Untuk Sumber, pilih **Amazon Kinesis Data Streams**.
1. Untuk Tujuan, pilih **Amazon S3**.
1. Di bawah **Pengaturan Sumber, aliran data Kinesis, masukkan ARN aliran data** Kinesis Anda.
1. Di bawah **nama aliran pengiriman**, masukkan nama aliran data Kinesis Anda.
1. Di bawah **Pengaturan desinasi**, pilih bucket Amazon S3 atau masukkan URI bucket.
1. (opsional) Aktifkan partisi dinamis menggunakan penguraian sebaris untuk JSON. Opsi ini sesuai jika Anda ingin mempartisi data pengukuran streaming berdasarkan informasi sumber dan stempel waktu. Contoh:
+ Pilih **Diaktifkan** untuk **partisi Dinamis**.
+ Pilih **Diaktifkan** untuk **pembatas baris baru**.
+ Pilih **Diaktifkan** untuk **penguraian Inline untuk** JSON.
+ Di bawah tombol **partisi dinamis, tambahkan**:
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/Monitron/latest/user-guide/kinesis-store-S3.html)
1. Pilih **Terapkan kunci partisi dinamis** dan konfirmasikan awalan bucket Amazon S3 yang dihasilkan. `!{partitionKeyFromQuery:project}/!{partitionKeyFromQuery:site}/!{partitionKeyFromQuery:time}/`
1. Di Amazon S3, objek akan menggunakan format kunci berikut:. `/project={projectName}/site={siteName}/time={yyyy-mm-dd 00:00:00}/{filename}`
1. Pilih **Buat aliran pengiriman**.
1. (opsional) Gunakan jalur yang lebih granular.
Jika Anda memilih partisi dinamis, gunakan format kunci Amazon S3 sebelumnya jika Anda berencana untuk menggunakan AWS Glue dan Athena untuk menanyakan data. Anda juga dapat memilih format kunci yang lebih halus, tetapi kueri Amazon Athena tidak akan efisien. Berikut adalah contoh pengaturan jalur kunci Amazon S3 yang lebih halus.
Di bawah tombol **partisi dinamis, tambahkan**:
[\[See the AWS documentation website for more details\]](http://docs.aws.amazon.com/id_id/Monitron/latest/user-guide/kinesis-store-S3.html)
Di Amazon S3, objek akan menggunakan format kunci berikut: ` /project={projectName}/site={siteName}/asset={assetName}/position={positionName}/sensor={sensorId}/date={yyyy-mm-dd}/time={HH:MM:SS}/{filename}`
# Memproses data dengan Lambda
**Topics**
+ [Langkah 1: Buat [peran IAM](https://docs.aws.amazon.com//lambda/latest/dg/lambda-intro-execution-role.html) yang memberikan izin fungsi Anda untuk mengakses sumber daya AWS](#create-iam-role)
+ [Langkah 2: Buat fungsi Lambda](#create-lambda-function)
+ [Langkah 3: Konfigurasikan fungsi Lambda](#configure-lambda-function)
+ [Langkah 4: Aktifkan pemicu Kinesis di konsol AWS Lambda](#enable-lambda-trigger)
## Langkah 1: Buat [peran IAM](https://docs.aws.amazon.com//lambda/latest/dg/lambda-intro-execution-role.html) yang memberikan izin fungsi Anda untuk mengakses sumber daya AWS
1. Buka [halaman peran](https://console.aws.amazon.com/iam/home?#/roles) di konsol IAM.
1. Pilih **Buat peran**.
1. Buat peran dengan properti berikut.
+ Entitas tepercaya: Lambda
+ Izin: AWSLambda KinesisExecutionRole (dan AWSKey ManagementServicePowerUser jika aliran Kinesis dienkripsi)
+ Nama peran: lambda-kinesis-role
![\[IAM role creation interface showing name, review, and create steps with role details and permissions.\]](http://docs.aws.amazon.com/id_id/Monitron/latest/user-guide/images/lambda-create-role.png)
## Langkah 2: Buat fungsi Lambda
1. Buka halaman **Fungsi** di konsol Lambda.
1. Pilih **Buat fungsi**.
1. Pilih **Gunakan cetak biru**.
1. Di bilah pencarian **Blueprints**, cari dan pilih (**kinesis-process-record nodejs**) atau. **kinesis-process-record-python**
1. Pilih **Konfigurasikan**
![\[Create function interface with options to author from scratch, use a blueprint, or select container image.\]](http://docs.aws.amazon.com/id_id/Monitron/latest/user-guide/images/lambda-create-function.png)
## Langkah 3: Konfigurasikan fungsi Lambda
1. Pilih **nama Fungsi**
1. Pilih peran yang dibuat pada langkah pertama sebagai **peran Eksekusi**.
1. Konfigurasikan pemicu Kinesis.
1. Pilih aliran Kinesis Anda.
1. Klik **Buat fungsi**.
![\[Lambda function configuration form with basic information and Kinesis trigger settings.\]](http://docs.aws.amazon.com/id_id/Monitron/latest/user-guide/images/lambda-kinesis-trigger.png)
## Langkah 4: Aktifkan pemicu Kinesis di konsol AWS Lambda
1. Pada tab **Konfigurasi**, pilih **Pemicu.**
1. **Centang kotak di sebelah nama aliran Kinesis dan pilih Aktifkan.**
![\[Lambda function configuration page with Triggers tab and Kinesis stream trigger highlighted.\]](http://docs.aws.amazon.com/id_id/Monitron/latest/user-guide/images/kinesis-process-record-lambda.png)
Cetak biru yang digunakan dalam contoh ini hanya mengkonsumsi data log dari aliran yang dipilih. Anda selanjutnya dapat mengedit kode fungsi Lambda nanti untuk menyelesaikan tugas yang lebih rumit.
# Memahami skema ekspor data v1
**catatan**
Skema ekspor data Kinesis Amazon Monitron v1 tidak digunakan lagi. Pelajari lebih lanjut tentang [skema ekspor data v2](monitron-kinesis-export-v2.md).
Setiap data pengukuran dan hasil inferensi yang sesuai diekspor sebagai satu catatan aliran data Kinesis dalam format JSON.
**Topics**
+ [format skema v1](#data-export-schema-format)
+ [parameter skema v1](#data-export-schema-parameters)
## format skema v1
```
{
"timestamp": "string",
"eventId": "string",
"version": "string",
"projectDisplayName": "string",
"siteDisplayName": "string",
"assetDisplayName": "string",
"sensorPositionDisplayName": "string",
"sensor": {
"physicalId": "string",
"rssi": number
},
"gateway": {
"physicalId": "string"
},
"measurement": {
"features": {
"acceleration": {
"band0To6000Hz": {
"xAxis": {
"rms": number
},
"yAxis": {
"rms": number
},
"zAxis": {
"rms": number
}
},
"band10To1000Hz": {
"resultantVector": {
"absMax": number,
"absMin": number,
"crestFactor": number,
"rms": number
},
"xAxis": {
"rms": number
},
"yAxis": {
"rms": number
},
"zAxis": {
"rms": number
}
}
},
"temperature": number,
"velocity": {
"band10To1000Hz": {
"resultantVector": {
"absMax": number,
"absMin": number,
"crestFactor": number,
"rms": number
},
"xAxis": {
"rms": number
},
"yAxis": {
"rms": number
},
"zAxis": {
"rms": number
}
}
}
},
"sequenceNo": number
},
"models": {
"temperatureML": {
"persistentClassificationOutput": "string",
"pointwiseClassificationOutput": "string"
},
"vibrationISO": {
"isoClass": "string",
"mutedThreshold": "string",
"persistentClassificationOutput": "string",
"pointwiseClassificationOutput": "string"
},
"vibrationML": {
"persistentClassificationOutput": "string",
"pointwiseClassificationOutput": "string"
}
},
"assetState": {
"newState": "string",
"previousState": "string"
}
}
```
## parameter skema v1
timestamp
+ Stempel waktu saat pengukuran diterima oleh layanan Monitron di UTC
+ Tipe: String
+ Pola: yyyy-mm-dd HH: MM: SS.sss
eventId
+ ID peristiwa ekspor data unik yang ditetapkan untuk setiap pengukuran. Dapat digunakan untuk menghapus duplikasi catatan aliran Kinesis yang diterima.
+ Tipe: String
versi
+ Versi skema
+ Tipe: String
+ Nilai Saat Ini: 1.0
projectDisplayName
+ Nama proyek ditampilkan di Aplikasi dan konsol
+ Tipe: String
siteDisplayName
+ Nama situs yang ditampilkan di Aplikasi
+ Tipe: String
assetDisplayName
+ Nama aset yang ditampilkan di Aplikasi
+ Tipe: String
sensorPositionDisplayNama
+ Nama posisi sensor ditampilkan di App
+ Tipe: String
sensor.Physicalid
+ ID fisik sensor dari mana pengukuran dikirim
+ Tipe: String
sensor.rssi
+ Sensor bluetooth menerima nilai indikator kekuatan sinyal
+ Jenis: Angka
+ Satuan: dBm
Gateway.Physicalid
+ ID fisik gateway yang digunakan untuk mengirimkan data ke layanan Amazon Monitron
+ Tipe: String
Pengukuran.features.acceleration.band0to6000hz.xaxis.rms
+ Kuadrat rata-rata akar dari percepatan yang diamati pada pita frekuensi 0-6000 Hz pada sumbu x
+ Jenis: Angka
+ Satuan: m/s ^ 2
pengukuran.features.acceleration.band0to6000hz.yaxis.rms
+ Kuadrat rata-rata akar dari percepatan yang diamati pada pita frekuensi 0-6000 Hz pada sumbu y
+ Jenis: Angka
+ Satuan: m/s ^ 2
Pengukuran.features.acceleration.band0to6000hz.zaxis.rms
+ Kuadrat rata-rata akar dari percepatan yang diamati pada pita frekuensi 0-6000 Hz pada sumbu y
+ Jenis: Angka
+ Satuan: m/s ^ 2
pengukuran.features.acceleration.band10to1000hz.resultantVector.absmax
+ Akselerasi maksimum absolut diamati pada pita frekuensi 10-1000 Hz
+ Jenis: Angka
+ Satuan: m/s ^ 2
pengukuran.features.acceleration.band10to1000hz.resultantVector.absmin
+ Akselerasi minimum absolut diamati pada pita frekuensi 10-1000 Hz
+ Jenis: Angka
+ Satuan: m/s ^ 2
pengukuran.features.acceleration.band10to1000hz.resultantVector.crestFactor
+ Faktor puncak percepatan diamati pada pita frekuensi 10-1000 Hz
+ Jenis: Angka
pengukuran.features.acceleration.band10to1000hz.resultantVector.rms
+ Kuadrat rata-rata akar dari percepatan yang diamati pada pita frekuensi 10-1000 Hz
+ Jenis: Angka
+ m/s ^ 2
Pengukuran.Features.Acceleration.Band10to1000hz.xaxis.rms
+ Kuadrat rata-rata akar dari percepatan yang diamati pada pita frekuensi 10-1000 Hz pada sumbu x
+ Jenis: Angka
+ m/s ^ 2
pengukuran.features.acceleration.band10to1000hz.yaxis.rms
+ Kuadrat rata-rata akar dari percepatan yang diamati pada pita frekuensi 10-1000 Hz pada sumbu y
+ Jenis: Angka
+ m/s ^ 2
Pengukuran.Features.Acceleration.Band10to1000hz.zaxis.rms
+ Kuadrat rata-rata akar dari percepatan yang diamati pada pita frekuensi 10-1000 Hz pada sumbu z
+ Jenis: Angka
+ m/s ^ 2
pengukuran.features.temperature
+ Suhu yang diamati
+ Jenis: Angka
+ °C/degc
Pengukuran.Features.Velocity.Band10to1000Hz.ResultantVector.ABSMAX
+ Kecepatan maksimum absolut diamati pada pita frekuensi 10-1000 Hz
+ Jenis: Angka
+ mm/s
pengukuran.features.velocity.band10to1000hz.resultantVector.absmin
+ Kecepatan minimum absolut diamati pada pita frekuensi 10-1000 Hz
+ Jenis: Angka
+ mm/s
Pengukuran.Features.Velocity.Band10to1000Hz.ResultantVector.CrestFactor
+ Faktor puncak kecepatan diamati pada pita frekuensi 10-1000 Hz
+ Jenis: Angka
pengukuran.features.velocity.band10to1000hz.resultantVector.rms
+ Kuadrat rata-rata akar dari kecepatan yang diamati pada pita frekuensi 10-1000 Hz
+ Jenis: Angka
+ mm/s
Pengukuran.Features.Velocity.Band10to1000hz.xaxis.rms
+ Kuadrat rata-rata akar dari kecepatan yang diamati pada pita frekuensi 10-1000 Hz pada sumbu x
+ Jenis: Angka
+ mm/s
Pengukuran.Features.Velocity.Band10to1000hz.yaxis.rms
+ Kuadrat rata-rata akar dari kecepatan yang diamati pada pita frekuensi 10-1000 Hz pada sumbu y
+ Jenis: Angka
+ mm/s
Pengukuran.Features.Velocity.Band10to1000hz.zaxis.rms
+ Kuadrat rata-rata akar dari kecepatan yang diamati pada pita frekuensi 10-1000 Hz pada sumbu z
+ Jenis: Angka
+ mm/s
Pengukuran.SequenceNo
+ Nomor urutan pengukuran
+ Jenis: Angka
Models.temperatureMl. persistentClassificationOutput
+ Output klasifikasi persisten dari model suhu berbasis pembelajaran mesin
+ Jenis: Angka
+ Nilai Valid: `UNKNOWN | HEALTHY | WARNING | ALARM`
Models.temperatureMl. pointwiseClassificationOutput
+ Output klasifikasi point-wise dari model suhu berbasis pembelajaran mesin
+ Tipe: String
+ Nilai yang Valid: `UNKNOWN | INITIALIZING | HEALTHY | WARNING | ALARM`
model.vibrationiso.isoclass
+ Kelas ISO 20816 (standar untuk pengukuran dan evaluasi getaran mesin) yang digunakan oleh model getaran berbasis ISO
+ Tipe: String
+ Nilai yang Valid: `CLASS1 | CLASS2 | CLASS3 | CLASS4 | FAN_BV2`
models.vibrationiso.mutedThreshold
+ Ambang batas untuk menonaktifkan notifikasi dari model getaran berbasis ISO
+ Tipe: String
+ Nilai yang Valid: `WARNING | ALARM`
model.getaranISO. persistentClassificationOutput
+ Output klasifikasi persisten dari model getaran berbasis ISO
+ Tipe: String
+ Nilai yang Valid: `UNKNOWN | HEALTHY | WARNING | ALARM`
model.getaranISO. pointwiseClassificationOutput
+ Output klasifikasi point-wise dari model getaran berbasis ISO
+ Tipe: String
+ Nilai yang Valid: `UNKNOWN | HEALTHY | WARNING | ALARM | MUTED_WARNING | MUTED_ALARM`
Models.vibrationMl. persistentClassificationOutput
+ Output klasifikasi persisten dari model getaran berbasis pembelajaran mesin
+ Tipe: String
+ Nilai yang Valid: `UNKNOWN | HEALTHY | WARNING | ALARM`
Models.vibrationMl. pointwiseClassificationOutput
+ Output klasifikasi point-wise dari model getaran berbasis pembelajaran mesin
+ Tipe: String
+ Nilai yang Valid: `UNKNOWN | INITIALIZING | HEALTHY | WARNING | ALARM`
AssetState.newState
+ Status mesin setelah memproses pengukuran
+ Tipe: String
+ Nilai yang Valid: `UNKNOWN | HEALTHY | NEEDS_MAINTENANCE | WARNING | ALARM`
AssetState.previousState
+ Status mesin sebelum memproses pengukuran
+ Tipe: String
+ Nilai yang Valid: `UNKNOWN | HEALTHY | NEEDS_MAINTENANCE | WARNING | ALARM`