Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich. # Erkennen Sie Anomalien mit Lookout for Equipment **Anmerkung** Die Erkennung von Anomalien ist nur in den Regionen verfügbar, in denen Amazon Lookout for Equipment verfügbar ist. Sie können Amazon Lookout for Equipment integrieren AWS IoT SiteWise , um durch Anomalieerkennung und vorausschauende Wartung von Industrieanlagen Einblicke in Ihre Industrieanlagen zu gewinnen. Lookout for Equipment ist ein Service für maschinelles Lernen (ML) zur Überwachung von Industrieanlagen, der abnormales Geräteverhalten erkennt und potenzielle Ausfälle identifiziert. Mit Lookout for Equipment können Sie Programme zur vorausschauenden Wartung implementieren und suboptimale Anlagenprozesse identifizieren. Weitere Informationen zu Lookout for Equipment finden Sie unter [ Was ist Amazon Lookout for Equipment? ](https://docs.aws.amazon.com/lookout-for-equipment/latest/ug/what-is.html)im * Amazon Lookout for Equipment-Benutzerhandbuch. * Wenn Sie eine Prognose erstellen, um ein ML-Modell so zu trainieren, dass es anomales Geräteverhalten erkennt, AWS IoT SiteWise sendet Werte der Anlageneigenschaften an Lookout for Equipment, um ein ML-Modell so zu trainieren, dass es anomales Geräteverhalten erkennt. Um eine Prognosedefinition für ein Anlagenmodell zu definieren, geben Sie die IAM-Rollen an, die Lookout for Equipment benötigt, um auf Ihre Daten zuzugreifen, sowie die Eigenschaften, die an Lookout for Equipment gesendet und verarbeitete Daten an Amazon S3 gesendet werden sollen. Weitere Informationen finden Sie unter [Erstellen Sie Objektmodelle in AWS IoT SiteWise](create-asset-models.md). Für die Integration AWS IoT SiteWise und Lookout for Equipment führen Sie die folgenden allgemeinen Schritte aus: + Fügen Sie einem Anlagenmodell eine Prognosedefinition hinzu, die beschreibt, welche Eigenschaften Sie verfolgen möchten. Die Prognosedefinition ist eine wiederverwendbare Sammlung von Messungen, Transformationen und Metriken, die verwendet wird, um Prognosen für die Anlagen zu erstellen, die auf diesem Anlagenmodell basieren. + Trainieren Sie die Prognose auf der Grundlage der von Ihnen bereitgestellten historischen Daten. + Planen Sie die Inferenz ein, die angibt, AWS IoT SiteWise wie oft eine bestimmte Vorhersage durchgeführt werden muss. Sobald die Inferenz geplant ist, überwacht das Lookout for Equipment-Modell die Daten, die es von Ihren Geräten erhält, und sucht nach Auffälligkeiten im Geräteverhalten. Sie können die Ergebnisse in SiteWise Monitor mithilfe der GET-API-Operationen oder der Lookout AWS IoT SiteWise for Equipment-Konsole anzeigen und analysieren. Sie können Alarme auch mithilfe von Alarmmeldern aus dem Anlagenmodell erstellen, um Sie über abnormales Geräteverhalten zu informieren. **Topics** + [Fügen Sie eine Prognosedefinition hinzu (Konsole)](#ad-add-prediction-definition-console) + [Trainiere eine Vorhersage (Konsole)](#ad-train-prediction-console) + [Starten oder beenden Sie die Inferenz für eine Vorhersage (Konsole)](#ad-start-stop-inference-console) + [Fügen Sie eine Prognosedefinition (CLI) hinzu](#ad-add-prediction-definition-cli) + [Trainiere eine Vorhersage und starte die Inferenz (CLI)](#ad-train-inference-prediction-cli) + [Trainiere eine Vorhersage (CLI)](#ad-train-prediction-cli) + [Starten oder beenden Sie die Inferenz für eine Vorhersage (CLI)](#ad-start-stop-inference-cli) ## Fügen Sie eine Prognosedefinition hinzu (Konsole) Um mit dem Senden der von gesammelten Daten AWS IoT SiteWise an Lookout for Equipment zu beginnen, müssen Sie einem Anlagenmodell eine AWS IoT SiteWise Prognosedefinition hinzufügen. **Um eine Prognosedefinition zu einem hinzuzufügen AWS IoT SiteWise Komponentenmodell** 1. Navigieren Sie zur [AWS IoT SiteWise -Konsole](https://console.aws.amazon.com/iotsitewise/). 1. Wählen Sie im Navigationsbereich ** Modelle aus ** und wählen Sie das Anlagenmodell aus, dem Sie die Prognosedefinition hinzufügen möchten. 1. Wählen Sie ** Prognosen aus**. 1. Wählen Sie Prognosedefinition ** hinzufügen aus**. 1. Definieren Sie Details zur Prognosedefinition. 1. Geben Sie einen eindeutigen ** Namen ** und eine ** Beschreibung ** für Ihre Prognosedefinition ein. Wählen Sie den Namen sorgfältig aus, da Sie den Namen der Prognosedefinition nach dem Erstellen nicht mehr ändern können. 1. Erstellen Sie eine ** IAM-Berechtigungsrolle**, die es Ihnen ermöglicht, Ihre Anlagendaten mit Amazon Lookout for Equipment AWS IoT SiteWise zu teilen, oder wählen Sie eine aus. Für die Rolle sollten die folgenden IAM- und Vertrauensrichtlinien gelten. Hilfe beim Erstellen der Rolle finden Sie unter [ Erstellen einer Rolle mithilfe benutzerdefinierter Vertrauensrichtlinien (Konsole)](https://docs.aws.amazon.com/IAM/latest/UserGuide/id_roles_create_for-custom.html). **IAM-Richtlinie** ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Sid": "L4EPermissions", "Effect": "Allow", "Action": [ "lookoutequipment:CreateDataset", "lookoutequipment:CreateModel", "lookoutequipment:CreateInferenceScheduler", "lookoutequipment:DescribeDataset", "lookoutequipment:DescribeModel", "lookoutequipment:DescribeInferenceScheduler", "lookoutequipment:ListInferenceExecutions", "lookoutequipment:StartDataIngestionJob", "lookoutequipment:StartInferenceScheduler", "lookoutequipment:UpdateInferenceScheduler", "lookoutequipment:StopInferenceScheduler" ], "Resource": [ "arn:aws:lookoutequipment:{{us-east-1}}:{{123456789012}}:inference-scheduler/IoTSiteWise_*", "arn:aws:lookoutequipment:{{us-east-1}}:{{123456789012}}:model/IoTSiteWise_*", "arn:aws:lookoutequipment:{{us-east-1}}:{{123456789012}}:dataset/IoTSiteWise_*" ] }, { "Sid": "L4EPermissions2", "Effect": "Allow", "Action": [ "lookoutequipment:DescribeDataIngestionJob" ], "Resource": "*" }, { "Sid": "S3Permissions", "Effect": "Allow", "Action": [ "s3:CreateBucket", "s3:ListBucket", "s3:PutObject", "s3:GetObject" ], "Resource": [ "arn:aws:s3:::iotsitewise-*" ] }, { "Sid": "IAMPermissions", "Effect": "Allow", "Action": [ "iam:GetRole", "iam:PassRole" ], "Resource": "arn:aws:iam::{{111122223333}}:role/{{Role_name}}" } ] } ``` ------ **Vertrauensrichtlinie** ------ #### [ JSON ] **** ``` { "Version":"2012-10-17", "Statement": [ { "Effect": "Allow", "Principal": { "Service": "iotsitewise.amazonaws.com" }, "Action": "sts:AssumeRole", "Condition": { "StringEquals": { "aws:SourceAccount": "{{123456789012}}" }, "ArnEquals": { "aws:SourceArn": "arn:aws:iotsitewise:{{us-east-1}}:{{123456789012}}:asset/*" } } }, { "Effect": "Allow", "Principal": { "Service": "lookoutequipment.amazonaws.com" }, "Action": "sts:AssumeRole", "Condition": { "StringEquals": { "aws:SourceAccount": "{{123456789012}}" }, "ArnEquals": { "aws:SourceArn": "arn:aws:lookoutequipment:{{us-east-1}}:{{123456789012}}:*" } } } ] } ``` ------ 1. Wählen Sie **Weiter** aus. 1. Wählen Sie Datenattribute (Messungen, Transformationen und Metriken) aus, die Sie an Lookout for Equipment senden möchten. 1. (Optional) Wählen Sie Messungen aus. 1. (Optional) Wählen Sie Transformationen aus. 1. (Optional) Wählen Sie Metriken aus. 1. Wählen Sie **Weiter** aus. 1. Überprüfen Sie Ihre Auswahl. Um die Prognosedefinition zum Komponentenmodell hinzuzufügen, wählen Sie auf der Übersichtsseite **Vorhersagedefinition hinzufügen** aus. Sie können auch ** eine vorhandene Prognosedefinition ** bearbeiten ** oder ** löschen, an die aktive Vorhersagen angehängt sind. ## Trainiere eine Vorhersage (Konsole) Nachdem Sie einem Anlagenmodell eine Prognosedefinition hinzugefügt haben, können Sie die Prognosen für Ihre Anlagen trainieren. **Um eine Prognose zu trainieren in AWS IoT SiteWise** 1. Navigieren Sie zur [AWS IoT SiteWise -Konsole](https://console.aws.amazon.com/iotsitewise/). 1. Wählen Sie im Navigationsbereich ** Assets aus und wählen Sie das Asset aus**, das Sie überwachen möchten. 1. Wählen Sie ** Prognosen aus**. 1. Wähle die Prognosen aus, die du trainieren möchtest. 1. Wähle unter ** Aktionen ** die Option Training ** ** starten aus und gehe wie folgt vor: 1. Wählen Sie unter ** Prognosedetails ** eine Rolle mit IAM-Berechtigungen aus, die es Ihnen AWS IoT SiteWise ermöglicht, Ihre Anlagendaten mit Lookout for Equipment zu teilen. Wenn Sie eine neue Rolle erstellen müssen, wählen Sie Neue Rolle ** erstellen aus. ** 1. Geben Sie für die Einstellungen ** für ** Trainingsdaten einen Zeitraum für ** Trainingsdaten ein**, um auszuwählen, welche Daten für das Training der Vorhersage verwendet werden sollen. 1. (Optional) Wählen Sie die Samplingrate der Daten nach der Nachbearbeitung aus. 1. (Optional) Geben Sie für ** Datenbeschriftungen ** einen Amazon S3-Bucket und ein Präfix an, das Ihre Kennzeichnungsdaten enthält. Weitere Informationen zur Kennzeichnung von Daten finden Sie unter [ Kennzeichnen Ihrer Daten ](https://docs.aws.amazon.com/lookout-for-equipment/latest/ug/labeling-data.html) im * Amazon Lookout for Equipment-Benutzerhandbuch*. 1. Wählen Sie **Weiter** aus. 1. (Optional) Wenn Sie möchten, dass die Vorhersage aktiv ist, sobald das Training abgeschlossen ist**, wählen Sie unter ** Erweiterte Einstellungen die Option Vorhersage nach dem Training ** ** automatisch aktivieren aus und gehen Sie dann wie folgt vor: 1. Definieren Sie unter ** Eingabedaten ** für Häufigkeit von ** Datenuploads**, wie oft Daten hochgeladen werden, und legen Sie für ** Offset-Verzögerungszeit fest**, wie viel Puffer verwendet werden soll. 1. Wählen Sie **Weiter** aus. 1. Überprüfen Sie die Details der Prognose und wählen Sie ** Speichern und starten aus**. ## Starten oder beenden Sie die Inferenz für eine Vorhersage (Konsole) **Anmerkung** Die Gebühren für Lookout for Equipment fallen für geplante Inferenzen mit den zwischen Lookout for Equipment AWS IoT SiteWise und Lookout for Equipment übertragenen Daten an. Weitere Informationen finden Sie unter [ Amazon Lookout for Equipment-Preise. ](https://aws.amazon.com/lookout-for-equipment/pricing/) Wenn Sie die Prognose hinzugefügt`lookoutequipment:CreateDataset`, sich aber nach dem Training nicht dafür entschieden haben, sie zu aktivieren, müssen Sie sie aktivieren, um mit der Überwachung Ihrer Geräte beginnen zu können. **Um die Inferenz für eine Vorhersage zu starten** 1. Navigieren Sie zur [AWS IoT SiteWise -Konsole](https://console.aws.amazon.com/iotsitewise/). 1. Wählen Sie im Navigationsbereich ** Assets aus und wählen Sie das Asset aus**, zu dem die Prognose hinzugefügt wird. 1. Wählen Sie ** Prognosen aus**. 1. Wählen Sie die Prognosen aus, die Sie aktivieren möchten. 1. Wählen Sie unter ** Aktionen ** die Option Inferenz ** ** starten aus und gehen Sie wie folgt vor: 1. Definieren Sie unter ** Eingabedaten ** für Häufigkeit von ** Datenuploads**, wie oft Daten hochgeladen werden, und legen Sie für ** Offset-Verzögerungszeit fest**, wie viel Puffer verwendet werden soll. 1. Wählen Sie ** Speichern und starten**. **Um die Inferenz für eine Vorhersage zu beenden** 1. Navigieren Sie zur [AWS IoT SiteWise -Konsole](https://console.aws.amazon.com/iotsitewise/). 1. Wählen Sie im Navigationsbereich ** Assets aus und wählen Sie das Asset aus**, zu dem die Prognose hinzugefügt werden soll. 1. Wählen Sie ** Prognosen aus**. 1. Wählen Sie die Prognosen aus, die Sie beenden möchten. 1. Wählen Sie unter ** Aktionen ** die Option Inferenz ** ** beenden aus. ## Fügen Sie eine Prognosedefinition (CLI) hinzu Um eine Prognosedefinition für ein neues oder vorhandenes Anlagenmodell zu definieren, können Sie das AWS Command Line Interface (AWS CLI) verwenden. Nachdem Sie die Prognosedefinition für das Anlagenmodell definiert haben, trainieren und planen Sie die Inferenz für eine Prognose für eine Anlage, AWS IoT SiteWise um mit Lookout for Equipment eine Anomalieerkennung durchzuführen. **Voraussetzungen** Um diese Schritte ausführen zu können, müssen Sie ein Anlagenmodell haben und mindestens ein Asset erstellt haben. Weitere Informationen erhalten Sie unter [Erstellen Sie ein Anlagenmodell (AWS CLI)](create-asset-models.md#create-asset-model-cli) und [Erstellen Sie ein Asset (AWS CLI)](create-assets.md#create-asset-cli). Wenn Sie noch nicht damit vertraut sind AWS IoT SiteWise, müssen Sie den `CreateBulkImportJob` API-Vorgang aufrufen, um die Eigenschaftswerte der Anlage zu importieren. Dieser Vorgang wird zum Trainieren des Modells verwendet. AWS IoT SiteWise Weitere Informationen finden Sie unter [Erstellen Sie einen AWS IoT SiteWise Massenimportauftrag ()AWS CLI](CreateBulkImportJob.md). **So fügen Sie eine Prognosedefinition hinzu** 1. Erstellen Sie eine Datei mit dem Namen `asset-model-payload.json`. Folgen Sie den Schritten in diesen anderen Abschnitten, um die Details Ihres Anlagenmodells zur Datei hinzuzufügen. Senden Sie jedoch nicht die Anfrage, das Anlagenmodell zu erstellen oder zu aktualisieren. + Weitere Informationen zum Erstellen eines Anlagenmodells finden Sie unter [Erstellen Sie ein Anlagenmodell (AWS CLI)](create-asset-models.md#create-asset-model-cli) + Weitere Informationen zum Aktualisieren eines vorhandenen Anlagenmodells finden Sie unter [Aktualisieren Sie ein Anlagenmodell, ein Komponentenmodell oder eine Schnittstelle (AWS CLI)](update-asset-models.md#update-asset-model-cli) 1. Fügen Sie dem Anlagenmodell ein Verbundmodell von Lookout for Equipment (`assetModelCompositeModels`) hinzu, indem Sie den folgenden Code hinzufügen. + `{{Property}}`Ersetzen Sie durch die ID der Eigenschaften, die Sie einbeziehen möchten. Rufen Sie an, um diese IDs zu erhalten [`DescribeAssetModel`](https://docs.aws.amazon.com/iot-sitewise/latest/APIReference/API_DescribeAssetModel.html). + `{{RoleARN}}`Ersetzen Sie es durch den ARN einer IAM-Rolle, die Lookout for Equipment den Zugriff auf Ihre AWS IoT SiteWise Daten ermöglicht. ``` { ... "assetModelCompositeModels": [ { "name": "L4Epredictiondefinition", "type": "AWS/L4E_ANOMALY", "properties": [ { "name": "AWS/L4E_ANOMALY_RESULT", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_RESULT", "unit": "none", "type": { "measurement": {} } }, { "name": "AWS/L4E_ANOMALY_INPUT", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_INPUT", "type": { "attribute": { "defaultValue": "{\"properties\": [\"{{Property1}}\", \"{{Property2}}\"]}" } } }, { "name": "AWS/L4E_ANOMALY_PERMISSIONS", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_PERMISSIONS", "type": { "attribute": { "defaultValue": "{\"roleArn\": \"{{RoleARN}}\"}" } } }, { "name": "AWS/L4E_ANOMALY_DATASET", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_DATASET", "type": { "attribute": {} } }, { "name": "AWS/L4E_ANOMALY_MODEL", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_MODEL", "type": { "attribute": {} } }, { "name": "AWS/L4E_ANOMALY_INFERENCE", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_INFERENCE", "type": { "attribute": {} } }, { "name": "AWS/L4E_ANOMALY_TRAINING_STATUS", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_TRAINING_STATUS", "type": { "attribute": { "defaultValue": "{}" } } }, { "name": "AWS/L4E_ANOMALY_INFERENCE_STATUS", "dataType": "STRUCT", "dataTypeSpec": "AWS/L4E_ANOMALY_INFERENCE_STATUS", "type": { "attribute": { "defaultValue": "{}" } } } ] } ``` 1. Erstellen Sie das Anlagenmodell oder aktualisieren Sie das vorhandene Anlagenmodell. Führen Sie eine der folgenden Aktionen aus: + Führen Sie den folgenden Befehl aus, um das Anlagenmodell zu erstellen: ``` aws iotsitewise create-asset-model --cli-input-json file://asset-model-payload.json ``` + Führen Sie den folgenden Befehl aus, um das vorhandene Anlagenmodell zu aktualisieren. `{{asset-model-id}}`Ersetzen Sie es durch die ID des Asset-Modells, das Sie aktualisieren möchten. ``` aws iotsitewise update-asset-model \ --asset-model-id {{asset-model-id}} \ --cli-input-json file://asset-model-payload.json ``` Nachdem Sie den Befehl ausgeführt haben, notieren Sie das `assetModelId` in der Antwort. ## Trainiere eine Vorhersage und starte die Inferenz (CLI) Jetzt, da die Prognosedefinition definiert ist, können Sie die darauf basierenden Ressourcen trainieren und mit der Inferenz beginnen. Wenn Sie Ihre Vorhersage trainieren, aber nicht mit der Inferenz beginnen möchten, fahren Sie mit fort. [Trainiere eine Vorhersage (CLI)](#ad-train-prediction-cli) Um die Vorhersage zu trainieren und die Inferenz für das Asset zu starten, benötigen Sie die `assetId` der Zielressource. **Um die Vorhersage zu trainieren und die Inferenz zu starten** 1. Führen Sie den folgenden Befehl aus, um das Folgende zu finden`assetModelCompositeModelId`. `assetModelCompositeModelSummaries` {{`asset-model-id`}}Ersetzen Sie es durch die ID des Asset-Modells, in dem Sie erstellt haben[Aktualisieren Sie ein Anlagenmodell, ein Komponentenmodell oder eine Schnittstelle (AWS CLI)](update-asset-models.md#update-asset-model-cli). ``` aws iotsitewise describe-asset-model \ --asset-model-id {{asset-model-id}} \ ``` 1. Führen Sie den folgenden Befehl aus, um die `actionDefinitionId` der `TrainingWithInference` Aktion zu ermitteln. {{`asset-model-id`}}Ersetzen Sie durch die im vorherigen Schritt verwendete ID und {{`asset-model-composite-model-id`}} ersetzen Sie sie durch die im vorherigen Schritt zurückgegebene ID. ``` aws iotsitewise describe-asset-model-composite-model \ --asset-model-id {{asset-model-id}} \ --asset-model-composite-model-id {{asset-model-composite-model-id}} \ ``` 1. Erstellen Sie eine Datei mit dem Namen `train-start-inference-prediction.json` und fügen Sie den folgenden Code hinzu. Ersetzen Sie dabei den folgenden Code: + `{{asset-id}}`mit der ID des Ziel-Assets + `{{action-definition-id}}`mit der ID der TrainingWithInference Aktion + `{{StartTime}}`mit dem Start der Trainingsdaten, bereitgestellt in Epochensekunden + `{{EndTime}}`mit dem Ende der Trainingsdaten, bereitgestellt in Epochensekunden + `{{TargetSamplingRate}}`mit der Abtastrate der Daten nach der Nachbearbeitung durch Lookout for Equipment. Zulässige Werte sind:`PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H`. ``` { "targetResource": { "assetId": "{{asset-id}}" }, "actionDefinitionId": "{{action-definition-Id}}", "actionPayload":{ "stringValue": "{\"l4ETrainingWithInference\":{\"trainingWithInferenceMode\":\"START\",\"trainingPayload\":{\"exportDataStartTime\":{{StartTime}},\"exportDataEndTime\":{{EndTime}}},\"targetSamplingRate\":\"{{TargetSamplingRate}}\"},\"inferencePayload\":{\"dataDelayOffsetInMinutes\":0,\"dataUploadFrequency\":\"PT5M\"}}}" } } ``` 1. Führen Sie den folgenden Befehl aus, um das Training und die Inferenz zu starten: ``` aws iotsitewise execute-action --cli-input-json file://train-start-inference-prediction.json ``` ## Trainiere eine Vorhersage (CLI) Jetzt, da die Prognosedefinition definiert ist, können Sie die darauf basierenden Anlagen trainieren. Um die Vorhersage für das Asset zu trainieren, benötigen Sie die `assetId` der Zielressource. **Um die Vorhersage zu trainieren** 1. Führen Sie den folgenden Befehl aus, um das `assetModelCompositeModelId` unter zu finden`assetModelCompositeModelSummaries`. {{`asset-model-id`}}Ersetzen Sie es durch die ID des Asset-Modells, in dem Sie erstellt haben[Aktualisieren Sie ein Anlagenmodell, ein Komponentenmodell oder eine Schnittstelle (AWS CLI)](update-asset-models.md#update-asset-model-cli). ``` aws iotsitewise describe-asset-model \ --asset-model-id {{asset-model-id}} \ ``` 1. Führen Sie den folgenden Befehl aus, um die `actionDefinitionId` der `Training` Aktion zu ermitteln. {{`asset-model-id`}}Ersetzen Sie durch die im vorherigen Schritt verwendete ID und {{`asset-model-composite-model-id`}} ersetzen Sie sie durch die im vorherigen Schritt zurückgegebene ID. ``` aws iotsitewise describe-asset-model-composite-model \ --asset-model-id {{asset-model-id}} \ --asset-model-composite-model-id {{asset-model-composite-model-id}} \ ``` 1. Erstellen Sie eine Datei mit dem Namen `train-prediction.json` und fügen Sie den folgenden Code hinzu. Ersetzen Sie dabei den folgenden Code: + `{{asset-id}}`mit der ID des Ziel-Assets + `{{action-definition-id}}`mit der ID der Trainingsaktion + `{{StartTime}}`mit dem Start der Trainingsdaten, bereitgestellt in Epochensekunden + `{{EndTime}}`mit dem Ende der Trainingsdaten, bereitgestellt in Epochensekunden + (Optional) `{{BucketName}}` mit dem Namen des Amazon S3-Buckets, der Ihre Etikettendaten enthält + (Optional) `{{Prefix}}` mit dem Präfix, das dem Amazon S3-Bucket zugeordnet ist. + `{{TargetSamplingRate}}`mit der Samplingrate der Daten nach der Nachbearbeitung durch Lookout for Equipment. Zulässige Werte sind:`PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H`. **Anmerkung** Geben Sie sowohl den Bucket-Namen als auch das Präfix an oder keines von beiden. ``` { "targetResource": { "assetId": "{{asset-id}}" }, "actionDefinitionId": "{{action-definition-Id}}", "actionPayload":{ "stringValue": "{\"l4ETraining\": {\"trainingMode\":\"START\",\"exportDataStartTime\": {{StartTime}}, \"exportDataEndTime\": {{EndTime}}, \"targetSamplingRate\":\"{{TargetSamplingRate}}\"}, \"labelInputConfiguration\": {\"bucketName\": \"{{BucketName}}\", \"prefix\": \"{{Prefix}}\"}}}" } } ``` 1. Führen Sie den folgenden Befehl aus, um mit dem Training zu beginnen: ``` aws iotsitewise execute-action --cli-input-json file://train-prediction.json ``` Bevor Sie mit der Inferenz beginnen können, muss das Training abgeschlossen sein. Gehen Sie wie folgt vor, um den Status der Schulung zu überprüfen: + Navigieren Sie von der Konsole aus zu dem Asset, auf dem sich die Vorhersage befindet. + Rufen Sie von der AWS CLI aus `BatchGetAssetPropertyValue` mithilfe `propertyId` der `trainingStatus` Eigenschaft auf. ## Starten oder beenden Sie die Inferenz für eine Vorhersage (CLI) Sobald die Vorhersage trainiert ist, können Sie eine Inferenz starten, um Lookout for Equipment anzuweisen, mit der Überwachung Ihrer Anlagen zu beginnen. Um die Inferenz zu starten oder zu beenden, benötigen Sie die `assetId` der Zielressource. **Um die Inferenz zu starten** 1. Führen Sie den folgenden Befehl aus, um das `assetModelCompositeModelId` unter `assetModelCompositeModelSummaries` zu finden. {{`asset-model-id`}}Ersetzen Sie es durch die ID des Asset-Modells, in dem Sie erstellt haben[Aktualisieren Sie ein Anlagenmodell, ein Komponentenmodell oder eine Schnittstelle (AWS CLI)](update-asset-models.md#update-asset-model-cli). ``` aws iotsitewise describe-asset-model \ --asset-model-id {{asset-model-id}} \ ``` 1. Führen Sie den folgenden Befehl aus, um die `actionDefinitionId` der `Inference` Aktion zu ermitteln. {{`asset-model-id`}}Ersetzen Sie durch die im vorherigen Schritt verwendete ID und {{`asset-model-composite-model-id`}} ersetzen Sie sie durch die im vorherigen Schritt zurückgegebene ID. ``` aws iotsitewise describe-asset-model-composite-model \ --asset-model-id {{asset-model-id}} \ --asset-model-composite-model-id {{asset-model-composite-model-id}} \ ``` 1. Erstellen Sie eine Datei mit dem Namen `start-inference.json` und fügen Sie den folgenden Code hinzu. Ersetzen Sie dabei den folgenden Code: + `{{asset-id}}`mit der ID des Ziel-Assets + `{{action-definition-id}}`mit der ID der Start-Inferenzaktion + `{{Offset}}`mit der Menge des zu verwendenden Puffers + `{{Frequency}}`mit wie oft werden Daten hochgeladen ``` { "targetResource": { "assetId": "{{asset-id}}" }, "actionDefinitionId": "{{action-definition-Id}}", "actionPayload":{ "stringValue": "{\"l4EInference\": {\"inferenceMode\":\"START\",\"dataDelayOffsetInMinutes\": {{Offset}}, \"dataUploadFrequency\": \"{{Frequency}}\"}}" }} ``` 1. Führen Sie den folgenden Befehl aus, um die Inferenz zu starten: ``` aws iotsitewise execute-action --cli-input-json file://start-inference.json ``` **Um die Inferenz zu beenden** 1. Führen Sie den folgenden Befehl aus, um das `assetModelCompositeModelId` unter `assetModelCompositeModelSummaries` zu finden. {{`asset-model-id`}}Ersetzen Sie es durch die ID des Asset-Modells, in dem Sie erstellt haben[Aktualisieren Sie ein Anlagenmodell, ein Komponentenmodell oder eine Schnittstelle (AWS CLI)](update-asset-models.md#update-asset-model-cli). ``` aws iotsitewise describe-asset-model \ --asset-model-id {{asset-model-id}} \ ``` 1. Führen Sie den folgenden Befehl aus, um die `actionDefinitionId` der `Inference` Aktion zu ermitteln. {{`asset-model-id`}}Ersetzen Sie durch die im vorherigen Schritt verwendete ID und {{`asset-model-composite-model-id`}} ersetzen Sie sie durch die im vorherigen Schritt zurückgegebene ID. ``` aws iotsitewise describe-asset-model-composite-model \ --asset-model-id {{asset-model-id}} \ --asset-model-composite-model-id {{asset-model-composite-model-id}} \ ``` 1. Erstellen Sie eine Datei mit dem Namen `stop-inference.json` und fügen Sie den folgenden Code hinzu. Ersetzen Sie dabei den folgenden Code: + `{{asset-id}}`mit der ID des Ziel-Assets + `{{action-definition-id}}`mit der ID der Start-Inferenzaktion ``` { "targetResource": { "assetId": "{{asset-id}}" }, "actionDefinitionId": "{{action-definition-Id}}", "actionPayload":{ "stringValue": "{\"l4EInference\":{\"inferenceMode\":\"STOP\"}}" }} ``` 1. Führen Sie den folgenden Befehl aus, um die Inferenz zu beenden: ``` aws iotsitewise execute-action --cli-input-json file://stop-inference.json ```