進階訓練組態 - AWS IoT SiteWise
取樣率組態標記您的資料評估模型

本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

進階訓練組態

取樣率組態

取樣率會定義記錄感應器讀數的頻率 （例如，每秒一次，或每分鐘一次）。此設定會直接影響訓練資料的精細程度，並影響模型擷取感應器行為中短期變化的能力。

請造訪 對訓練和推論之間的高頻率資料和一致性進行抽樣 以了解最佳實務。

設定目標取樣率

您可以選擇性地在訓練組態TargetSamplingRate中指定 ，以控制資料取樣的頻率。支援的值如下：

PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H

這些是 ISO 8601 持續時間格式，代表下列時間格式：

  • PT1S = 1 秒

  • PT1M = 1 分鐘

  • PT1H = 1 小時

選擇在資料解析和訓練效率之間取得適當平衡的取樣率。提供下列費率：

  • 較高的取樣率 (PT1S) 提供更精細的詳細資訊，但可能會增加資料量和訓練時間。

  • 取樣率較低 (PT10M、PT1H) 可減少資料大小和成本，但可能會錯過短期異常。

處理時間戳記不一致

AWS IoT SiteWise 在訓練期間， 會自動補償多個資料串流之間的時間戳記不一致。這可確保一致的模型行為，即使輸入訊號未及時完全對齊。

請造訪 對訓練和推論之間的高頻率資料和一致性進行抽樣 以了解最佳實務。

啟用取樣

將下列程式碼新增至 anomaly-detection-training-payload.json。

透過在訓練動作承載TargetSamplingRate中新增 來設定取樣，並使用資料的取樣率。允許的值為：PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H。

{
    "exportDataStartTime": StartTime,
    "exportDataEndTime": EndTime,
    "targetSamplingRate": "TargetSamplingRate"
}
範例 取樣率組態的 ：
{
    "exportDataStartTime": 1717225200,
    "exportDataEndTime": 1722789360,
    "targetSamplingRate": "PT1M"
}

標記您的資料

標記資料時，您必須定義代表異常設備行為期間的時間間隔。此標籤資訊以 CSV 檔案的形式提供，其中每一列都會指定設備未正常運作的時間範圍。

每一列包含兩個時間戳記：

  • 開始時間，指出認為異常行為何時開始。

  • 結束時間，代表第一次觀察到失敗或問題的時間。

此 CSV 檔案存放在 Amazon S3 儲存貯體中，並在模型訓練期間使用，以協助系統從已知的異常行為範例學習。下列範例顯示標籤資料應如何顯示為 .csv 檔案。檔案沒有標頭。

範例 CSV 檔案的 ：
2024-06-21T00:00:00.000000,2024-06-21T12:00:00.000000
2024-07-11T00:00:00.000000,2024-07-11T12:00:00.000000
2024-07-31T00:00:00.000000,2024-07-31T12:00:00.000000

第 1 列代表 2024 年 6 月 21 日的維護事件，有 12 小時的時段 （從 2024-06-21T00:00:00.000000Z到 2024-06-21T12:00:00.000000Z) AWS IoT SiteWise 供 尋找異常行為。

第 2 列代表 2024 年 7 月 11 日的維護事件，有 12 小時的時段 （從 2024-07-11T00:00:00.000000Z到 2024-07-11T12:00:00.000000Z) AWS IoT SiteWise 供 尋找異常行為。

第 3 列代表 2024 年 7 月 31 日的維護事件，有 12 小時的時段 （從 2024-07-31T00:00:00.000000Z到 2024-07-31T12:00:00.000000Z) AWS IoT SiteWise 供 尋找異常行為。

AWS IoT SiteWise 會使用所有這些時段來訓練和評估模型，以識別這些事件的異常行為。請注意，並非所有事件都是可偵測的，而且結果高度取決於基礎資料的品質和特性。

如需抽樣最佳實務的詳細資訊，請參閱 最佳實務。

資料標記步驟

  • 根據標記資料先決條件中的標記先決條件來設定 Amazon S3 儲存貯體。

  • 將檔案上傳至您的標籤儲存貯體。

  • 將下列項目新增至 anomaly-detection-training-payload.json。

    • 在 檔案的 labelInputConfiguration區段中提供位置。labels-bucket 將 取代為儲存貯體名稱，並將 取代files-prefix為 file(s) 路徑或任何部分的字首。位置中的所有檔案都會進行剖析，並 （成功時） 用作標籤檔案。

{
    "exportDataStartTime": StartTime,
    "exportDataEndTime": EndTime,
    "labelInputConfiguration": 
      {
       "bucketName": "label-bucket",
       "prefix": "files-prefix"
      }
}
範例 標籤組態的 ：
{
    "exportDataStartTime": 1717225200,
    "exportDataEndTime": 1722789360,
    "labelInputConfiguration": {
      "bucketName": "anomaly-detection-customer-data-278129555252-iad",
      "prefix": "Labels/model=b2d8ab3e-73af-48d8-9b8f-a290bef931b4/asset[d3347728-4796-4c5c-afdb-ea2f551ffe7a]/Lables.csv"
    }
}

評估模型

AWS IoT SiteWise 訓練模型的指標模型診斷是在個別事件中評估模型效能。在訓練期間， 會為輸入資料集中的每一列 AWS IoT SiteWise 產生異常分數和感應器貢獻診斷。較高的異常分數表示發生異常事件的可能性較高。

當您使用 ExecuteAction API 和AWS/ANOMALY_DETECTION_TRAINING動作類型訓練模型時，可以使用 Pointwise 診斷。

若要設定模型評估，

  • 根據標記資料先決條件中的標記先決條件來設定 Amazon S3 儲存貯體。

  • 將下列項目新增至 anomaly-detection-training-payload.json。

    • 針對用於評估模型效能的視窗中的資料，提供 evaluationStartTime和 evaluationEndTime（兩者皆以 epoch 秒為單位）。

    • 提供 Amazon S3 儲存貯體位置 (resultDestination)，以便將評估診斷寫入其中。

注意

模型評估間隔 (dataStartTime 到 dataEndtime) 必須重疊或連續於訓練間隔。不允許任何差距。

{
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime,
  "modelEvaluationConfiguration": {
    "dataStartTime": evaluationStartTime,
    "dataEndTime": evaluationEndTime
    "resultDestination": {
      "bucketName": "s3BucketName",
      "prefix": "bucketPrefix"
    }
  }
}
範例 模型評估組態的 ：
{
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360,
  "modelEvaluationConfiguration": {
    "dataStartTime": 1722789360,
    "dataEndTime": 1725174000,
    "resultDestination": {
      "bucketName": "anomaly-detection-customer-data-278129555252-iad",
      "prefix": "Evaluation/asset[d3347728-4796-4c5c-afdb-ea2f551ffe7a]/1747681026-evaluation_results.jsonl"
    }
  }
}