Crie um modelo de computação ()AWS CLI ExecuteAction Preparação da carga útil da API Treine o AWS CLI Iniciar e interromper a inferência ()AWS CLI Encontre vinculações de dados

Habilite a detecção de anomalias nos sensores de um ativo

Crie um modelo de computação ()AWS CLI

Para criar um modelo computacional, use a interface de linha de AWS comando (AWS CLI). Depois de definir o modelo de computação, treine o modelo e programe a inferência para fazer a detecção de anomalias em um ativo em. AWS IoT SiteWise

Crie um arquivo anomaly-detection-computation-model-payload.json com o seguinte conteúdo:


{
    "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"
            }
        }
    }
}

Execute o comando a seguir para criar um modelo de computação:


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

ExecuteAction Preparação da carga útil da API

As próximas etapas para executar o treinamento e a inferência são realizadas com a ExecuteActionAPI. Tanto o treinamento quanto a inferência são configurados com uma configuração de carga de ação JSON. Ao invocar a ExecuteActionAPI, a carga útil da ação deve ser fornecida como um valor com uma stringValue carga útil.

A carga útil deve seguir rigorosamente os requisitos da API. Especificamente, o valor deve ser uma string simples, sem caracteres de controle (por exemplo, novas linhas, guias ou retornos de carro).

As opções a seguir fornecem duas maneiras confiáveis de fornecer uma carga útil de ação válida:

Opção 1: usar um arquivo de carga útil limpo

O procedimento a seguir descreve as etapas para um arquivo de carga útil limpo:

Limpe o arquivo para remover os caracteres de controle.


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

Execute a ação com o arquivo@=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

Opção 2: string embutida com aspas escapadas

As etapas a seguir descrevem as etapas para fornecer a carga em linha e evitar arquivos intermediários:

Use aspas duplas de escape (\") dentro da string JSON.
Coloque a StringValue=.. expressão inteira entre aspas duplas.

exemplo de uma carga útil de ação que escapou:


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\"}"

Treine o AWS CLI

Com um modelo de computação criado, você pode treinar um modelo em relação aos ativos. Siga as etapas abaixo para treinar um modelo para um ativo:

Execute o seguinte comando para encontrar actionDefinitionId da ação AWS/ANOMALY_DETECTION_TRAINING. computation-model-idSubstitua pela ID retornada na etapa anterior.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Crie um arquivo chamado anomaly-detection-training-payload.json e adicione os seguintes valores:

nota
A carga útil deve estar em conformidade com. Opção 1: usar um arquivo de carga útil limpo
1. StartTimecom o início dos dados de treinamento, fornecidos em segundos de época.
2. EndTimecom o final dos dados de treinamento, fornecidos em segundos de época.
3. OpcionalmenteConfigurações avançadas de treinamento, você pode configurar para melhorar o desempenho do modelo.
  1. (Opcional) TargetSamplingRate com a taxa de amostragem dos dados.
  2. (Opcional) LabelInputConfiguration para especificar períodos de tempo em que ocorreu um comportamento anômalo para melhorar o treinamento do modelo.
  3. (Opcional) ModelEvaluationConfiguration para avaliar o desempenho do modelo executando inferências em um intervalo de tempo especificado após a conclusão do treinamento.
```
{
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime
}
```
exemplo de um exemplo de carga útil de treinamento:
```
{
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360
}
```

Execute o comando a seguir para iniciar o treinamento. Substitua os parâmetros a seguir no comando:

computation-model-idcom o ID do modelo de computação de destino.
asset-idcom o ID do ativo com o qual você treinará o modelo.
training-action-definition-idcom o ID da AWS/ANOMALY_DETECTION_TRAINING ação da Etapa 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

exemplo de uma ação de execução:


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

Execute o comando a seguir para verificar o status do processo de treinamento do modelo. O resumo da execução mais recente mostra o status da execução (RUNNING/COMPLETED/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

Execute o comando a seguir para verificar a configuração do modelo treinado mais recente. Esse comando produz uma saída somente se pelo menos um modelo tiver sido treinado com sucesso.


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 a ComputationModel estiver usando AssetModelProperty, use a ListComputationModelResolveToResourcesAPI para identificar os ativos com ações executadas.
```
aws iotsitewise list-computation-model-resolve-to-resources \
    --computation-model-id computation-model-id
```

Iniciar e interromper a inferência ()AWS CLI

Depois de treinar o modelo, inicie a inferência. Isso instrui AWS IoT SiteWise a monitorar ativamente seus ativos industriais em busca de anomalias.

Inicie a inferência

Execute o seguinte comando para encontrar actionDefinitionId da ação AWS/ANOMALY_DETECTION_INFERENCE. computation-model-idSubstitua pelo ID real do modelo de computação criado anteriormente.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Crie um arquivo anomaly-detection-start-inference-payload.json e adicione os seguintes valores:

nota
A carga útil deve estar em conformidade com. Opção 1: usar um arquivo de carga útil limpo
```
"inferenceMode": "START",
"dataUploadFrequency": "DataUploadFrequency"
```
1. DataUploadFrequency: configure a frequência com que o cronograma de inferência é executado para realizar a detecção de anomalias. Os valores permitidos são: PT5M, PT10M, PT15M, PT30M, PT1H, PT2H..PT12H, PT1D.
2. (Opcional) DataDelayOffsetInMinutes com a compensação de atraso em minutos. Defina esse valor entre 0 e 60 minutos.
3. (Opcional) TargetModelVersion com a versão do modelo a ser ativada.
4. (Opcional) Configure o weeklyOperatingWindow com uma configuração de turno.
5. Você pode configurar Configurações avançadas de inferência opcionalmente.
Execute o comando a seguir para iniciar a inferência. Substitua os parâmetros a seguir no arquivo de carga útil.
1. computation-model-idcom o ID do modelo de computação de destino.
2. asset-idcom a ID do ativo contra o qual o modelo foi treinado.
3. inference-action-definition-idcom o ID da AWS/ANOMALY_DETECTION_INFERENCE ação da Etapa 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 
```

Execute o comando a seguir para verificar se a inferência ainda está em execução. O inferenceTimerActive campo é definido como TRUE quando a inferência está ativa.


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

O comando a seguir lista todas as execuções de inferência:


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

Execute o comando a seguir para descrever uma execução individual. execution-idSubstitua pelo id da Etapa 5 anterior.
```
aws iotsitewise describe-execution \
    --execution-id execution-id
```

Pare a inferência

Execute o seguinte comando para encontrar actionDefinitionId da ação AWS/ANOMALY_DETECTION_INFERENCE. computation-model-idSubstitua pelo ID real do modelo de computação criado anteriormente.
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
Crie um arquivo anomaly-detection-stop-inference-payload.json e adicione o código a seguir.
```
{
    "inferenceMode": "STOP"
}
```
nota
A carga útil deve estar em conformidade com. Opção 1: usar um arquivo de carga útil limpo
Execute o comando a seguir para interromper a inferência. Substitua o seguinte parâmetro no arquivo de carga:
1. computation-model-idcom o ID do modelo de computação de destino.
2. asset-idcom a ID do ativo contra o qual o modelo foi treinado.
3. inference-action-definition-idcom o ID da AWS/ANOMALY_DETECTION_INFERENCE ação da Etapa 1.
exemplo do 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 
```

Encontre modelos de computação que usam um determinado recurso na vinculação de dados

Para listar modelos de computação vinculados a um determinado recurso:

modelo de ativo (busque todos os modelos de computação em que qualquer uma das propriedades desse modelo de ativo esteja vinculada).
ativo (obtenha todos os modelos de computação em que qualquer uma das propriedades desse ativo esteja vinculada)
propriedade do modelo de ativos (obtenha todos os modelos de computação em que essa propriedade está vinculada)
propriedade do ativo (obtenha todos os modelos de computação em que essa propriedade está vinculada). Isso pode ser para fins informativos ou obrigatório quando o usuário tenta vincular essa propriedade a outro modelo de computação (mas ela já está vinculada a outro lugar).

Use a ListComputationModelDataBindingUsagesAPI para buscar uma lista de ComputationModelId s que usam o ativo (propriedade) ou o modelo de ativo (propriedade) como vinculação de dados.

Prepare um request.json com as seguintes informações:


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

Use o list-computation-model-data-binding-usages comando para recuperar os modelos com ativos ou modelos de ativos como vinculações de dados.


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

Atenção O Javascript está desativado ou não está disponível no seu navegador.

Para usar a documentação da AWS, o Javascript deve estar ativado. Consulte as páginas de Ajuda do navegador para obter instruções.

Convenções do documento

Pré-requisitos

Habilite a detecção de anomalias em sensores em todos os ativos

Habilite a detecção de anomalias nos sensores de um ativo

Crie um modelo de computação ()AWS CLI

ExecuteAction Preparação da carga útil da API

Opção 1: usar um arquivo de carga útil limpo

Opção 2: string embutida com aspas escapadas

exemplo de uma carga útil de ação que escapou:

Treine o AWS CLI

nota

exemplo de um exemplo de carga útil de treinamento:

exemplo de uma ação de execução:

Iniciar e interromper a inferência ()AWS CLI

Inicie a inferência

nota

Pare a inferência

nota

exemplo do comando stop inference:

Encontre modelos de computação que usam um determinado recurso na vinculação de dados