Crea un modello di calcolo ()AWS CLI ExecuteAction Preparazione del payload API Addestra il modello (AWS CLI)Avvia e interrompi la riqualificazione del modello ()AWS CLI Avvia e interrompi l'inferenza ()AWS CLI Trova associazioni di dati

Abilita il rilevamento delle anomalie sui sensori di un asset

Crea un modello di calcolo ()AWS CLI

Per creare un modello di calcolo, utilizzate la AWS Command Line Interface ()AWS CLI. Dopo aver definito il modello di calcolo, addestrate il modello e programmate l'inferenza per il rilevamento delle anomalie su un asset. AWS IoT SiteWise

Create un file anomaly-detection-computation-model-payload.json con il seguente contenuto:


{
    "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"
            }
        }
    }
}

Esegui il comando seguente per creare un modello di calcolo:


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

ExecuteAction Preparazione del payload dell'API

I passaggi successivi per eseguire l'addestramento e l'inferenza vengono eseguiti con l'ExecuteActionAPI. Sia l'addestramento che l'inferenza sono configurati con una configurazione del payload d'azione JSON. Quando si richiama l'ExecuteActionAPI, il payload dell'azione deve essere fornito come valore con un payload. stringValue

Il payload deve rispettare rigorosamente i requisiti dell'API. In particolare, il valore deve essere una stringa piatta, senza caratteri di controllo (ad esempio, newline, tabs o carriage return).

Le seguenti opzioni forniscono due modi affidabili per fornire un payload d'azione valido:

Opzione 1: utilizzare un file di payload pulito

La procedura seguente descrive i passaggi per un file di payload pulito:

Pulite il file per rimuovere i caratteri di controllo.


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

Esegui l'azione con il file@=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

Opzione 2: stringa in linea con virgolette sfuggite

I passaggi seguenti descrivono i passaggi per fornire il payload in linea ed evitare file intermedi:

Usa le virgolette doppie con escape (\") all'interno della stringa JSON.
Raccogli l'intera StringValue=.. espressione tra virgolette doppie.

Esempio di un payload di azione sfuggito:


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\"}"

Addestra il modello ()AWS CLI

Con un modello di calcolo creato, è possibile addestrare un modello rispetto agli asset. Segui i passaggi seguenti per addestrare un modello per un asset:

Eseguite il comando seguente per trovare actionDefinitionId l'AWS/ANOMALY_DETECTION_TRAININGazione. Sostituisci computation-model-id con l'ID restituito nel passaggio precedente.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Create un file chiamato anomaly-detection-training-payload.json e aggiungete i seguenti valori:

Nota
Il payload deve essere conforme a. Opzione 1: utilizzare un file di payload pulito
1. StartTimecon l'inizio dei dati di allenamento, forniti in secondi epocali.
2. EndTimecon i dati di fine addestramento, forniti in secondi d'epoca.
3. È possibile configurare opzionalmenteConfigurazioni di allenamento avanzate, per migliorare le prestazioni del modello.
  1. (Facoltativo) TargetSamplingRate con la frequenza di campionamento dei dati.
  2. (Facoltativo) LabelInputConfiguration per specificare i periodi di tempo in cui si è verificato un comportamento anomalo per migliorare l'addestramento del modello.
  3. (Facoltativo) ModelEvaluationConfiguration per valutare le prestazioni del modello eseguendo l'inferenza su un intervallo di tempo specificato dopo il completamento dell'addestramento.
  4. (Facoltativo) ModelMetricsDestination per raccogliere dati completi sulle prestazioni (precisione, richiamo, Area Under the Curve).
```
{
  "trainingMode": "TRAIN_MODEL", 
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime
}
```
Esempio di un esempio di payload di allenamento:
```
{
  "trainingMode": "TRAIN_MODEL",            
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360
}
```

Esegui il seguente comando per iniziare l'allenamento. Sostituite i seguenti parametri nel comando:

computation-model-idcon l'ID del modello di calcolo di destinazione.
asset-idcon l'ID della risorsa sulla quale addestrerai il modello.
training-action-definition-idcon l'ID dell'AWS/ANOMALY_DETECTION_TRAININGazione della Fase 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

Esempio di un'azione di esecuzione:


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

Esegui il comando seguente per verificare lo stato del processo di addestramento del modello. L'ultimo riepilogo dell'esecuzione mostra lo stato di esecuzione (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

Esegui il comando seguente per verificare la configurazione dell'ultimo modello addestrato. Questo comando produce un output solo se almeno un modello è stato addestrato correttamente.


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

Quando ComputationModel si utilizza a AssetModelProperty, utilizzate l'ListComputationModelResolveToResourcesAPI per identificare gli asset con azioni eseguite.
```
aws iotsitewise list-computation-model-resolve-to-resources \
    --computation-model-id computation-model-id
```

Avvia e interrompi la riqualificazione del modello ()AWS CLI

Dopo l'addestramento iniziale del modello, è possibile configurare la riqualificazione automatica per affrontare la deriva dei dati e mantenere l'accuratezza del modello nel tempo. Lo strumento di pianificazione della riqualificazione consente di impostare aggiornamenti periodici del modello con modalità di promozione configurabili.

Avvia lo scheduler di riqualificazione

Esegui il seguente comando per trovare l'actionDefinitionIdAWS/ANOMALY_DETECTION_TRAININGazione. Sostituisci computation-model-id con l'ID restituito dalla creazione del modello di calcolo.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Create un file chiamato anomaly-detection-start-retraining-payload.json e aggiungete il codice seguente. Sostituite i parametri con i valori descritti.

Nota
Il carico utile deve essere conforme a. Opzione 1: utilizzare un file di payload pulito
1. lookbackWindowcon la finestra dei dati storici da utilizzare per la riqualificazione (P180D//P360D/P540D). P720D
2. retrainingFrequencycon quale frequenza riqualificare il modello (minimaP30D, massimaP1Y).
3. (Facoltativo) promotion con la modalità di promozione del modello (SERVICE_MANAGEDoCUSTOMER_MANAGED). Il valore predefinito è SERVICE_MANAGED.
4. (Facoltativo) retrainingStartDate con la data di inizio del programma di riqualificazione, fornita in secondi epocali. Tronca l'ora al giorno UTC più vicino. Facoltativo, il valore predefinito è la data corrente.
5. Facoltativamente, è possibile configurare Configurazioni di allenamento avanzate per migliorare le prestazioni del modello.
  1. (Facoltativo) ModelMetricsDestination per ottenere dati completi sulle prestazioni (precisione, richiamo, Area Under the Curve).
```
{
    "trainingMode": "START_RETRAINING_SCHEDULER",
    "retrainingConfiguration": {
        "lookbackWindow": "P180D",
        "promotion": "SERVICE_MANAGED",
        "retrainingFrequency": "P30D",
        "retrainingStartDate": "StartDate"
    }
}
```

Esegui il comando seguente per avviare lo scheduler di riqualificazione. Sostituisci i seguenti parametri nel comando:

computation-model-idcon l'ID del modello di calcolo di destinazione.
asset-idcon l'ID della risorsa sulla quale addestrerai il modello.
training-action-definition-idcon l'ID dell'AWS/ANOMALY_DETECTION_TRAININGazione della Fase 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-start-retraining-payload.json

Esempio di comando execute action


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-start-retraining-payload.json

Interrompi lo scheduler di riqualificazione

Esegui il seguente comando per trovare l'actionDefinitionIdAWS/ANOMALY_DETECTION_TRAININGazione. Sostituisci computation-model-id con l'ID effettivo del modello di calcolo creato in precedenza.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Create un file anomaly-detection-stop-retraining-payload.json e aggiungete quanto segue:

Nota
Il payload deve essere conforme a. Opzione 1: utilizzare un file di payload pulito
```
{
    "trainingMode": "STOP_RETRAINING_SCHEDULER"
}
```
Esegui il comando seguente per arrestare lo scheduler di riqualificazione. Sostituisci i seguenti parametri nel comando:
1. computation-model-idcon l'ID del modello di calcolo di destinazione.
2. asset-idcon l'ID della risorsa sulla quale addestrerai il modello.
3. training-action-definition-idcon l'ID dell'AWS/ANOMALY_DETECTION_TRAININGazione della Fase 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-stop-retraining-payload.json
```

Avvia e interrompi l'inferenza ()AWS CLI

Dopo aver addestrato il modello, avvia l'inferenza. Ciò consente di monitorare attivamente AWS IoT SiteWise gli asset industriali per rilevare eventuali anomalie.

Inizia l'inferenza

Esegui il seguente comando per trovare actionDefinitionId l'AWS/ANOMALY_DETECTION_INFERENCEazione. Sostituisci computation-model-id con l'ID effettivo del modello di calcolo creato in precedenza.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Crea un file anomaly-detection-start-inference-payload.json e aggiungi i seguenti valori:

Nota
Il payload deve essere conforme a. Opzione 1: utilizzare un file di payload pulito
```
"inferenceMode": "START",
"dataUploadFrequency": "DataUploadFrequency"
```
1. DataUploadFrequency: Configura la frequenza di esecuzione del programma di inferenza per eseguire il rilevamento delle anomalie. I valori consentiti sono:. PT5M, PT10M, PT15M, PT30M, PT1H, PT2H..PT12H, PT1D
2. (Facoltativo) DataDelayOffsetInMinutes con la compensazione del ritardo in minuti. Imposta questo valore tra 0 e 60 minuti.
3. (Facoltativo) TargetModelVersion con la versione del modello da attivare.
4. (Facoltativo) Configurare la configurazione weeklyOperatingWindow con un turno.
5. È possibile configurare Configurazioni di inferenza avanzate facoltativamente.
Esegui il seguente comando per avviare l'inferenza. Sostituite i seguenti parametri nel file di payload.
1. computation-model-idcon l'ID del modello di calcolo di destinazione.
2. asset-idcon l'ID della risorsa sulla quale è stato addestrato il modello.
3. inference-action-definition-idcon l'ID dell'AWS/ANOMALY_DETECTION_INFERENCEazione della Fase 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 
```

Esegui il comando seguente per verificare se l'inferenza è ancora in esecuzione. Il inferenceTimerActive campo è impostato su TRUE quando l'inferenza è attiva.


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

Il comando seguente elenca tutte le esecuzioni di inferenza:


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

Eseguite il comando seguente per descrivere una singola esecuzione. Sostituisci execution-id con l'id del passaggio 5 precedente.
```
aws iotsitewise describe-execution \
    --execution-id execution-id
```

Interrompi l'inferenza

Esegui il seguente comando per trovare actionDefinitionId l'AWS/ANOMALY_DETECTION_INFERENCEazione. Sostituisci computation-model-id con l'ID effettivo del modello di calcolo creato in precedenza.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Create un file anomaly-detection-stop-inference-payload.json e aggiungete il codice seguente.
```
{
    "inferenceMode": "STOP"
}
```
Nota
Il carico utile deve essere conforme a. Opzione 1: utilizzare un file di payload pulito
Esegui il comando seguente per interrompere l'inferenza. Sostituite il seguente parametro nel file di payload:
1. computation-model-idcon l'ID del modello di calcolo di destinazione.
2. asset-idcon l'ID della risorsa sulla quale è stato addestrato il modello.
3. inference-action-definition-idcon l'ID dell'AWS/ANOMALY_DETECTION_INFERENCEazione della Fase 1.
Esempio 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 
```

Trova modelli di calcolo che utilizzano una determinata risorsa nell'associazione dei dati

Per elencare i modelli di calcolo associati a una determinata risorsa:

modello di asset (recupera tutti i modelli di calcolo a cui è associata una qualsiasi delle proprietà di questo modello di asset).
asset (recupera tutti i modelli di calcolo in cui è associata una qualsiasi delle proprietà di questa risorsa)
proprietà del modello di asset (recupera tutti i modelli di calcolo in cui questa proprietà è associata)
proprietà dell'asset (recupera tutti i modelli di calcolo in cui questa proprietà è associata). Questo potrebbe essere a scopo informativo o richiesto quando l'utente tenta di associare questa proprietà a un altro modello di calcolo ma è già associata da qualche altra parte)

Utilizza l' ListComputationModelDataBindingUsagesAPI per recuperare un elenco di ComputationModelId utenti che accettano l'asset (proprietà) o il modello di asset (proprietà) come associazione dati.

Prepara un request.json file con le seguenti informazioni:


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

Utilizzate il list-computation-model-data-binding-usages comando per recuperare i modelli con risorse o modelli di asset come associazioni di dati.


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

Avvertimento JavaScript è disabilitato o non è disponibile nel tuo browser.

Per usare la documentazione AWS, JavaScript deve essere abilitato. Consulta le pagine della guida del browser per le istruzioni.

Convenzioni dei documenti

Prerequisiti

Abilita il rilevamento delle anomalie sui sensori di tutti gli asset

Abilita il rilevamento delle anomalie sui sensori di un asset

Crea un modello di calcolo ()AWS CLI

ExecuteAction Preparazione del payload dell'API

Opzione 1: utilizzare un file di payload pulito

Opzione 2: stringa in linea con virgolette sfuggite

Esempio di un payload di azione sfuggito:

Addestra il modello ()AWS CLI

Nota

Esempio di un esempio di payload di allenamento:

Esempio di un'azione di esecuzione:

Avvia e interrompi la riqualificazione del modello ()AWS CLI

Avvia lo scheduler di riqualificazione

Nota

Esempio di comando execute action

Interrompi lo scheduler di riqualificazione

Nota

Avvia e interrompi l'inferenza ()AWS CLI

Inizia l'inferenza

Nota

Interrompi l'inferenza

Nota

Esempio del comando stop inference:

Trova modelli di calcolo che utilizzano una determinata risorsa nell'associazione dei dati