進階推論組態 - AWS IoT SiteWise
高頻率推論 (5 分鐘 – 1 小時）低頻率推論 (2 小時 – 1 天）彈性排程模型版本啟用檢查模型版本

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。

進階推論組態

AWS IoT SiteWise 可讓客戶設定根據其營運需求量身打造的模型推論排程。

推論排程大致分為三種模式：

高頻率推論 (5 分鐘 – 1 小時）

此模式非常適合持續運作或感應器值變化率較高的程序。在此組態中，推論會每隔 5 分鐘執行一次。

使用案例：

  • 它用於監控快速變化的設備，例如壓縮器或輸送帶。

  • 它有助於找出需要立即回應的短期異常。

  • 這是一個永遠開啟的操作，其中資料持續流動。

條件偏移支援：

您可以定義條件偏移 (0 - 60 分鐘），以在資料擷取後延遲推論。這可確保分析時段中仍會包含延遲抵達的資料。

若要設定高頻率推論：

  • DataUploadFrequency 使用值設定AWS/ANOMALY_DETECTION_INFERENCE動作承載值： 開始推論PT5M, PT10M, PT15M, PT30M, PT1H時。

  • （選用） DataDelayOffsetInMinutes以分鐘為單位設定延遲位移。將此值設定為 0 到 60 分鐘。

{
    "inferenceMode": "START",
    "dataDelayOffsetInMinutes": "DataDelayOffsetInMinutes",
    "dataUploadFrequency": "DataUploadFrequency"
}
範例 高頻率推論組態：
{
    "inferenceMode": "START",
    "dataDelayOffsetInMinutes": "2",
    "dataUploadFrequency": "PT5M"
}

低頻率推論 (2 小時 – 1 天）

此模式適用於移動速度較慢的程序或使用案例，其中每日評估已足夠。客戶將推論設定為每小時執行一次，或每天執行一次。

1 天間隔的開始時間支援：

對於每日推論，選擇性地指定 startTime（每天上午 8 點），以及時區意識。

時區支援：

提供 startTime 時， AWS IoT SiteWise 會使用由網際網路指派號碼授權機構 (IANA) 維護的時區資料庫。這可確保您的推論與區域間的當地工作時間保持一致。

條件偏移支援：

如同其他模式，會設定 0 – 60 分鐘的條件偏移。

使用案例：

  • 批次程序或輪班型操作的每日運作狀態檢查。

  • 避免在維護或停機期間進行推論。

  • 在資源受限的環境中很有用，其中運算用量必須最小化。

若要設定低頻率推論：

  • 使用 設定AWS/ANOMALY_DETECTION_INFERENCE動作承載值，其值DataUploadFrequency為：PT2H..PT12H。

    • 在 1 天的情況下， DataUploadFrequency為 P1D。

  • （選用） DataDelayOffsetInMinutes以分鐘為單位設定延遲位移。將此值設定為 0 到 60 分鐘。

範例 低頻率推論組態的 ：
{
    "inferenceMode": "START",
    "dataUploadFrequency": "P1D",
    "inferenceStartTime": "13:00",
    "inferenceTimeZone": "America/Chicago"
}

彈性排程

彈性排程可讓客戶定義特定的日期和時間範圍，在此期間執行推論。這可讓客戶根據生產時數、輪班時間和規劃的停機時間來完全控制排程。

weeklyOperatingWindow 有助於下列情況：

  • 設備只會在特定時間 （上午 8 點到下午 4 點） 執行。

  • 週末沒有生產。

  • 每日維護排程在已知的時段內。

時區支援：

提供 startTime 時， AWS IoT SiteWise 會使用由網際網路指派號碼授權機構 (IANA) 維護的時區資料庫。這可確保推論即使跨區域也能與當地工作時間保持一致。

條件偏移支援：

如同其他模式，可以設定 0 – 60 分鐘的條件偏移。

的優點weeklyOperatingWindow：

  • 它可避免在閒置或維護期間進行推論，減少誤報。

  • 它使異常偵測與操作優先順序和以輪班為基礎的工作流程保持一致。

若要設定彈性排程：

  • 使用 設定AWS/ANOMALY_DETECTION_INFERENCE動作承載值DataUploadFrequency。

  • （選用） DataDelayOffsetInMinutes 搭配以分鐘為單位的延遲位移。將此值設定為 0 到 60 分鐘。

  • weeklyOperatingWindow 使用輪班組態設定 ：

    • 的金鑰weeklyOperatingWindow是一週中的天數：monday|tuesday|wednesday|thursday|friday|saturday|sunday。

    • 每個時間範圍的格式必須為 24 小時 "HH:MM-HH:MM"("08:00-16:00")。

    • 每天可以指定多個範圍。

範例 彈性排程組態的 ：
{
    "inferenceMode": "START",
    "dataUploadFrequency": "PT5M",
    "weeklyOperatingWindow": {
      "tuesday": ["11:00-13:00"],
      "monday": ["10:00-11:00", "13:00-15:00"]
    }
}

模型版本啟用

開始推論時，您可以選擇啟用特定模型版本以用於異常偵測。此功能可讓您選取特定的訓練模型版本、復原至先前的版本，或覆寫自動模型提升決策。

使用案例：

  • 生產復原：當目前版本顯示效能降低或非預期行為時，快速還原至穩定的模型版本。

  • A/B 測試：在受控時段之間切換，比較不同模型版本之間的效能。

  • 手動模型選取：覆寫自動提升決策，並根據業務需求手動選取您偏好的模型版本。

  • 階段部署：在非關鍵時段測試較新的模型版本，然後再將它們提升為完全生產用途。

  • 效能最佳化：選取針對特定操作條件或季節性模式表現更好的模型版本。

  • 在維護期間轉返：在系統維護期間使用較舊且經過良好測試的模型版本，或進行升級以確保穩定性。

模型版本選取行為

targetModelVersion 指定 時：

  • 系統會啟用請求的模型版本以進行推論。

  • 驗證指定的模型版本是否存在。

  • 覆寫任何自動提升設定。

targetModelVersion 未指定 時：

  • 如果先前已啟動推論，則啟用最後一個作用中模型版本。

  • 如果從未啟用推論， 會使用最新的訓練模型版本。

若要啟用特定模型版本：

  • 設定推論動作承載，並將 targetModelVersion 設定為所需的模型版本編號。

  • 如果指定的模型版本存在，則會對其進行驗證和啟用。

範例 模型版本啟用的 ：
{
    "inferenceMode": "START",
    "dataUploadFrequency": "PT15M",
    "targetModelVersion": 2
}

檢查模型版本

若要驗證目前作用中的模型版本：

若要檢視所有可用的模型版本：

  • 使用 ListExecutions API 擷取歷史模型版本的完整清單。

  • 使用 DescribeExecution API 擷取訓練過的模型資訊，包括匯出資料時間範圍、運算模型版本，以及以分鐘為單位的計費持續時間。

模型版本特性

  • 模型版本編號會從 1 開始依序指派。

  • 您可以啟用任何先前訓練過的模型版本。

  • 啟用的模型版本會持續存在，直到明確變更為止。

  • 模型版本啟用適用於所有推論排程模式 （高頻率、低頻率和彈性）。

  • 如果指定的模型版本不存在，推論動作會失敗並顯示錯誤。