建立運算模型 (AWS CLI)ExecuteAction API 承載準備訓練模型 (AWS CLI)開始和停止重新訓練模型 (AWS CLI)啟動和停止推論 (AWS CLI)尋找資料繫結

在資產的感應器上啟用異常偵測

建立運算模型 (AWS CLI)

若要建立運算模型，請使用 AWS 命令列界面 (AWS CLI)。定義運算模型後，請訓練模型，並排定推論，對中的資產進行異常偵測 AWS IoT SiteWise。

建立anomaly-detection-computation-model-payload.json具有下列內容的檔案：


{
    "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"
            }
        }
    }
}

執行下列命令來建立運算模型：


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

ExecuteAction API 承載準備

執行訓練和推論的後續步驟會使用 ExecuteAction API 執行。訓練和推論都是使用 JSON 動作承載組態來設定。叫用 ExecuteAction API 時，必須提供動作承載做為具有stringValue承載的值。

承載必須嚴格遵守 API 要求。具體而言，該值必須是扁平字串，沒有控制字元 （例如換行、標籤或歸位字元）。

下列選項提供兩種可靠的方式來提供有效的動作承載：

選項 1：使用乾淨的承載檔案

下列程序說明乾淨承載檔案的步驟：

清除檔案以移除控制字元。


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

使用檔案執行動作@=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

選項 2：具有逸出引號的內嵌字串

下列步驟說明內嵌提供承載的步驟，並避免中介檔案：

在 JSON 字串中使用逸出雙引號 (\")。
以雙引號括住整個StringValue=..表達式。

範例逸出動作承載的：


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\"}"

訓練模型 (AWS CLI)

建立運算模型後，您可以針對資產訓練模型。請依照下列步驟來訓練資產的模型：

執行下列命令來尋找 AWS/ANOMALY_DETECTION_TRAINING動作actionDefinitionId的。computation-model-id 將取代為上一個步驟中傳回的 ID。
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
建立名為的檔案anomaly-detection-training-payload.json，並新增下列值：

注意
承載必須符合選項 1：使用乾淨的承載檔案。
1. StartTime 訓練資料的開頭，以 epoch 秒提供。
2. EndTime 訓練資料的結尾，以 epoch 秒為單位提供。
3. 您可以選擇性地設定進階訓練組態，以改善模型效能。
  1. （選用） TargetSamplingRate與資料的取樣率。
  2. （選用） LabelInputConfiguration 指定為改善模型訓練而發生異常行為的時段。
  3. （選用） ModelEvaluationConfiguration 在訓練完成後，透過在指定的時間範圍執行推論來評估模型效能。
  4. （選用） ModelMetricsDestination 以收集完整的效能資料（精確度、召回率、曲線下的區域）。
```
{
  "trainingMode": "TRAIN_MODEL", 
  "exportDataStartTime": StartTime,
  "exportDataEndTime": EndTime
}
```
範例訓練承載範例：
```
{
  "trainingMode": "TRAIN_MODEL",            
  "exportDataStartTime": 1717225200,
  "exportDataEndTime": 1722789360
}
```

執行下列命令以開始訓練。在命令中取代下列參數：

computation-model-id 目標運算模型的 ID。
asset-id 使用您將訓練模型的資產 ID。
training-action-definition-id 具有步驟 1 中AWS/ANOMALY_DETECTION_TRAINING動作的 ID。


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

範例執行動作的：


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

執行下列命令來檢查模型訓練程序的狀態。最新的執行摘要會顯示執行狀態 (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

執行下列命令來檢查最新訓練模型的組態。只有在至少有一個模型成功訓練時，此命令才會產生輸出。


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

當 ComputationModel 使用 AssetModelProperty 時，請使用 ListComputationModelResolveToResources API 來識別具有執行動作的資產。
```
aws iotsitewise list-computation-model-resolve-to-resources \
    --computation-model-id computation-model-id
```

開始和停止重新訓練模型 (AWS CLI)

在初始模型訓練後，您可以設定自動重新訓練，以解決資料偏離，並隨著時間維持模型準確性。重新訓練排程器可讓您使用可設定的提升模式設定定期模型更新。

開始重新訓練排程器

執行下列命令來尋找 AWS/ANOMALY_DETECTION_TRAINING動作actionDefinitionId的。computation-model-id 將取代為從運算模型建立中傳回的 ID。
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
建立名為的檔案anomaly-detection-start-retraining-payload.json，並新增下列程式碼。將參數取代為所述的值。

注意
承載必須符合選項 1：使用乾淨的承載檔案。
1. lookbackWindow 使用歷史資料視窗進行重新訓練 (P180D/P360D/P540D/)P720D。
2. retrainingFrequency 重新訓練模型的頻率（最小值 P30D，最大值 P1Y)。
3. （選用） promotion 搭配模型提升模式 (SERVICE_MANAGED 或 CUSTOMER_MANAGED)。預設值為 SERVICE_MANAGED。
4. （選用） retrainingStartDate與重新訓練排程的開始日期，以 epoch 秒為單位提供。將時間截斷為最接近的 UTC 天。選用，預設為目前日期。
5. 您可以選擇性地設定進階訓練組態來改善模型效能。
  1. （選用） ModelMetricsDestination 以取得完整的效能資料（精確度、召回率、曲線下的區域）。
```
{
    "trainingMode": "START_RETRAINING_SCHEDULER",
    "retrainingConfiguration": {
        "lookbackWindow": "P180D",
        "promotion": "SERVICE_MANAGED",
        "retrainingFrequency": "P30D",
        "retrainingStartDate": "StartDate"
    }
}
```

執行下列命令來啟動重新訓練排程器。在命令中取代下列參數：

computation-model-id 目標運算模型的 ID。
asset-id 使用您將訓練模型的資產 ID。
training-action-definition-id 具有步驟 1 中AWS/ANOMALY_DETECTION_TRAINING動作的 ID。


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

範例執行動作命令的範例


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

停止重新訓練排程器

執行下列命令來尋找 AWS/ANOMALY_DETECTION_TRAINING動作actionDefinitionId的。computation-model-id 將取代為先前建立的運算模型的實際 ID。
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
建立檔案anomaly-detection-stop-retraining-payload.json並新增下列項目：

注意
承載必須符合選項 1：使用乾淨的承載檔案。
```
{
    "trainingMode": "STOP_RETRAINING_SCHEDULER"
}
```

執行下列命令來停止重新訓練排程器。在命令中取代下列參數：

computation-model-id 目標運算模型的 ID。
asset-id 使用您將訓練模型的資產 ID。
training-action-definition-id 具有步驟 1 中AWS/ANOMALY_DETECTION_TRAINING動作的 ID。


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

啟動和停止推論 (AWS CLI)

訓練模型後，開始推論。這會指示 AWS IoT SiteWise 主動監控工業資產是否有異常。

開始推論

執行下列命令來尋找 AWS/ANOMALY_DETECTION_INFERENCE動作actionDefinitionId的。computation-model-id 以先前建立的運算模型實際 ID 取代。
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
建立檔案anomaly-detection-start-inference-payload.json並新增下列值：

注意
承載必須符合選項 1：使用乾淨的承載檔案。
```
"inferenceMode": "START",
"dataUploadFrequency": "DataUploadFrequency"
```
1. DataUploadFrequency：設定推論排程執行的頻率，以執行異常偵測。允許的值為：PT5M, PT10M, PT15M, PT30M, PT1H, PT2H..PT12H, PT1D。
2. （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。
3. （選用） TargetModelVersion 搭配要啟用的模型版本。
4. （選用） weeklyOperatingWindow使用輪班組態設定。
5. 您可以選擇性地設定進階推論組態。

執行下列命令以開始推論。取代承載檔案中的下列參數。

computation-model-id 目標運算模型的 ID。
asset-id 使用訓練模型的資產 ID。
inference-action-definition-id 具有步驟 1 中AWS/ANOMALY_DETECTION_INFERENCE動作的 ID。


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

執行下列命令來檢查推論是否仍在執行中。推論作用中TRUE時， inferenceTimerActive 欄位會設為。


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

下列命令會列出所有推論執行：


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

執行下列命令來描述個別執行。execution-id 將取代為先前步驟 5 的 ID。
```
aws iotsitewise describe-execution \
    --execution-id execution-id
```

停止推論

執行下列命令來尋找 AWS/ANOMALY_DETECTION_INFERENCE動作actionDefinitionId的。computation-model-id 以先前建立的運算模型實際 ID 取代。
```
aws iotsitewise describe-computation-model \
    --computation-model-id computation-model-id
```
建立檔案anomaly-detection-stop-inference-payload.json並新增下列程式碼。
```
{
    "inferenceMode": "STOP"
}
```
注意
承載必須符合選項 1：使用乾淨的承載檔案。
執行下列命令來停止推論。取代承載檔案中的下列參數：
1. computation-model-id 目標運算模型的 ID。
2. asset-id 使用訓練模型的資產 ID。
3. inference-action-definition-id 具有步驟 1 中AWS/ANOMALY_DETECTION_INFERENCE動作的 ID。
範例停止推論命令的：
```
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 
```

尋找在資料繫結中使用指定資源的運算模型

若要列出繫結至指定資源的運算模型：

資產模型 （擷取所有運算模型，其中任何此資產模型的屬性都已繫結）。
asset （擷取所有運算模型，其中任何資產的屬性都已繫結）
資產模型屬性 （擷取此屬性繫結的所有運算模型）
asset 屬性 （擷取此屬性繫結的所有運算模型。這可能是為了提供資訊，或者當使用者嘗試將此屬性繫結至另一個運算模型，但已繫結到別處時需要）

使用 ListComputationModelDataBindingUsages API 擷取ComputationModelId將資產（屬性）或資產模型（屬性）視為資料繫結的清單。

準備request.json具有下列資訊的：


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

使用 list-computation-model-data-binding-usages命令來擷取具有資產或資產模型作為資料繫結的模型。


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

您的瀏覽器已停用或無法使用 Javascript。

您必須啟用 Javascript，才能使用 AWS 文件。請參閱您的瀏覽器說明頁以取得說明。

文件慣用形式

先決條件

在跨資產的感應器上啟用異常偵測

在資產的感應器上啟用異常偵測

建立運算模型 (AWS CLI)

ExecuteAction API 承載準備

選項 1：使用乾淨的承載檔案

選項 2：具有逸出引號的內嵌字串

範例 逸出動作承載的 ：

訓練模型 (AWS CLI)

注意

範例 訓練承載範例：

範例 執行動作的 ：