Deteksi anomali dengan Lookout for Equipment - AWS IoT SiteWise
Tambahkan definisi prediksi (konsol)Latih prediksi (konsol)Memulai atau menghentikan inferensi pada prediksi (konsol)Tambahkan definisi prediksi (CLI)Latih prediksi dan inferensi awal (CLI)Melatih prediksi (CLI)Memulai atau menghentikan inferensi pada prediksi (CLI)

Terjemahan disediakan oleh mesin penerjemah. Jika konten terjemahan yang diberikan bertentangan dengan versi bahasa Inggris aslinya, utamakan versi bahasa Inggris.

Deteksi anomali dengan Lookout for Equipment

catatan

Deteksi anomali hanya tersedia di Wilayah di mana Amazon Lookout for Equipment tersedia.

Anda dapat berintegrasi AWS IoT SiteWise dengan Amazon Lookout for Equipment untuk mendapatkan wawasan tentang peralatan industri Anda melalui deteksi anomali dan pemeliharaan prediktif peralatan industri. Lookout for Equipment adalah layanan machine learning (ML) untuk memantau peralatan industri yang mendeteksi perilaku peralatan abnormal dan mengidentifikasi potensi kegagalan. Dengan Lookout for Equipment, Anda dapat menerapkan program pemeliharaan prediktif dan mengidentifikasi proses peralatan yang kurang optimal. Untuk informasi selengkapnya tentang Lookout for Equipment, lihat Apa itu Amazon Lookout for Equipment? di Panduan Pengguna Amazon Lookout for Equipment.

Saat Anda membuat prediksi untuk melatih model ML guna mendeteksi perilaku peralatan anomali, AWS IoT SiteWise kirimkan nilai properti aset ke Lookout for Equipment untuk melatih model ML guna mendeteksi perilaku peralatan anomali. Untuk menentukan definisi prediksi pada model aset, Anda menentukan peran IAM yang diperlukan untuk Lookout for Equipment untuk mengakses data dan properti yang akan dikirim ke Lookout for Equipment dan mengirim data yang diproses ke Amazon S3. Untuk informasi selengkapnya, lihat Buat model aset di AWS IoT SiteWise.

Untuk mengintegrasikan AWS IoT SiteWise dan Lookout for Equipment, Anda akan melakukan langkah-langkah tingkat tinggi berikut:

  • Tambahkan definisi prediksi pada model aset yang menguraikan properti apa yang ingin Anda lacak. Definisi prediksi adalah kumpulan pengukuran, transformasi, dan metrik yang dapat digunakan kembali yang digunakan untuk membuat prediksi pada aset yang didasarkan pada model aset tersebut.

  • Latih prediksi berdasarkan data historis yang Anda berikan.

  • Jadwal inferensi, yang menceritakan AWS IoT SiteWise seberapa sering menjalankan prediksi tertentu.

Setelah inferensi dijadwalkan, model Lookout for Equipment memantau data yang diterimanya dari peralatan Anda dan mencari anomali dalam perilaku peralatan. Anda dapat melihat dan menganalisis hasil di SiteWise Monitor, menggunakan operasi AWS IoT SiteWise GET API, atau konsol Lookout for Equipment. Anda juga dapat membuat alarm menggunakan detektor alarm dari model aset untuk mengingatkan Anda tentang perilaku peralatan yang tidak normal.

Tambahkan definisi prediksi (konsol)

Untuk mulai mengirim data yang dikumpulkan oleh AWS IoT SiteWise Lookout for Equipment, Anda harus menambahkan definisi prediksi ke model AWS IoT SiteWise aset.

Untuk menambahkan definisi prediksi ke model AWS IoT SiteWise aset

  1. Navigasikan ke konsol AWS IoT SiteWise tersebut.

  2. Di panel navigasi, pilih Model dan pilih model aset yang ingin Anda tambahkan definisi prediksi.

  3. Pilih Prediksi.

  4. Pilih Tambahkan definisi prediksi.

  5. Tentukan detail tentang definisi prediksi.

    1. Masukkan Nama unik dan Deskripsi untuk definisi prediksi Anda. Pilih nama dengan serius karena setelah Anda membuat definisi prediksi, Anda tidak dapat mengubah namanya.

    2. Buat atau pilih peran izin IAM yang memungkinkan Anda membagikan data aset Anda AWS IoT SiteWise dengan Amazon Lookout for Equipment. Peran tersebut harus memiliki IAM dan kebijakan kepercayaan berikut. Untuk bantuan membuat peran, lihat Membuat peran menggunakan kebijakan kepercayaan khusus (konsol).

      Kebijakan IAM

      {
    "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:Region:Account_ID:inference-scheduler/IoTSiteWise_*",
                "arn:aws:lookoutequipment:Region:Account_ID:model/IoTSiteWise_*",
                "arn:aws:lookoutequipment:Region:Account_ID: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::Account_ID:role/Role_name"
        }
    ]
}

      Kebijakan kepercayaan

      {
    "Version": "2012-10-17",
    "Statement": [{
            "Effect": "Allow",
            "Principal": {
                "Service": "iotsitewise.amazonaws.com"
            },
            "Action": "sts:AssumeRole",
            "Condition": {
                "StringEquals": {
                    "aws:SourceAccount": "Account_ID"
                },
                "ArnEquals": {
                    "aws:SourceArn": "arn:aws:iotsitewise:Region:Account_ID:asset/*"
                }
            }
        },
        {
            "Effect": "Allow",
            "Principal": {
                "Service": "lookoutequipment.amazonaws.com"
            },
            "Action": "sts:AssumeRole",
            "Condition": {
                "StringEquals": {
                    "aws:SourceAccount": "Account_ID"
                },
                "ArnEquals": {
                    "aws:SourceArn": "arn:aws:lookoutequipment:Region:Account_ID:*"
                }
            }
        }
    ]
}

    3. Pilih Berikutnya.

  6. Pilih atribut data (pengukuran, transformasi, dan metrik) yang ingin Anda kirim ke Lookout for Equipment.

    1. (Opsional) Pilih pengukuran.

    2. (Opsional) Pilih transformasi.

    3. (Opsional) Pilih metrik.

    4. Pilih Berikutnya.

  7. Tinjau pilihan Anda. Untuk menambahkan definisi prediksi ke model aset, pada halaman ringkasan, pilih Tambahkan definisi prediksi.

Anda juga dapat Mengedit atau Menghapus definisi prediksi yang ada yang memiliki prediksi aktif yang dilampirkan.

Latih prediksi (konsol)

Setelah Anda menambahkan definisi prediksi ke model aset, Anda dapat melatih prediksi yang ada di aset Anda.

Untuk melatih prediksi di AWS IoT SiteWise

  1. Navigasikan ke konsol AWS IoT SiteWise tersebut.

  2. Di panel navigasi, pilih Aset, dan pilih aset yang ingin Anda pantau.

  3. Pilih Prediksi.

  4. Pilih prediksi yang ingin Anda latih.

  5. Di bawah Tindakan, pilih Mulai pelatihan, dan lakukan hal berikut:

    1. Di bawah Detail Prediksi, pilih peran izin IAM yang memungkinkan AWS IoT SiteWise untuk berbagi data aset Anda dengan Lookout for Equipment. Jika Anda perlu membuat peran baru, pilih Buat peran baru.

    2. Untuk pengaturan data Pelatihan, masukkan rentang waktu data Pelatihan untuk memilih data mana yang akan digunakan untuk melatih prediksi.

    3. (Opsional) Pilih laju pengambilan sampel data setelah pemrosesan pasca.

    4. (Opsional) Untuk label Data, berikan bucket dan awalan Amazon S3 yang menyimpan data pelabelan Anda. Untuk informasi selengkapnya tentang pelabelan data, lihat Pelabelan data Anda di Panduan Pengguna Amazon Lookout for Equipment.

    5. Pilih Berikutnya.

  6. (Opsional) Jika Anda ingin prediksi aktif segera setelah menyelesaikan pelatihan, di bawah Pengaturan lanjutan, pilih Aktifkan prediksi secara otomatis setelah pelatihan, lalu lakukan hal berikut:

    1. Di bawah Input data, untuk frekuensi upload Data, tentukan seberapa sering data diunggah, dan untuk waktu tunda Offset, tentukan berapa banyak buffer yang akan digunakan.

    2. Pilih Berikutnya.

  7. Tinjau detail prediksi dan pilih Simpan dan mulai.

Memulai atau menghentikan inferensi pada prediksi (konsol)

catatan

Biaya Lookout for Equipment berlaku untuk kesimpulan terjadwal dengan data yang ditransfer antara dan AWS IoT SiteWise Lookout for Equipment. Untuk informasi selengkapnya, lihat harga Amazon Lookout for Equipment.

Jika Anda menambahkan prediksilookoutequipment:CreateDataset, tetapi tidak memilih untuk mengaktifkannya setelah pelatihan, Anda harus mengaktifkannya untuk mulai memantau aset Anda.

Untuk memulai inferensi untuk prediksi

  1. Navigasikan ke konsol AWS IoT SiteWise tersebut.

  2. Di panel navigasi, pilih Aset, dan pilih aset tempat prediksi ditambahkan.

  3. Pilih Prediksi.

  4. Pilih prediksi yang ingin Anda aktifkan.

  5. Di bawah Tindakan, pilih Mulai inferensi, dan lakukan hal berikut:

    1. Di bawah Input data, untuk frekuensi upload Data, tentukan seberapa sering data diunggah, dan untuk waktu tunda Offset, tentukan berapa banyak buffer yang akan digunakan.

    2. Pilih Simpan dan mulai.

Untuk menghentikan inferensi untuk prediksi

  1. Navigasikan ke konsol AWS IoT SiteWise tersebut.

  2. Di panel navigasi, pilih Aset, dan pilih aset tempat prediksi ditambahkan.

  3. Pilih Prediksi.

  4. Pilih prediksi yang ingin Anda hentikan.

  5. Di bawah Tindakan, pilih Hentikan inferensi.

Tambahkan definisi prediksi (CLI)

Untuk menentukan definisi prediksi pada model aset baru atau yang sudah ada, Anda dapat menggunakan AWS Command Line Interface (AWS CLI). Setelah Anda menentukan definisi prediksi pada model aset, Anda melatih, dan menjadwalkan inferensi untuk, prediksi pada aset AWS IoT SiteWise untuk melakukan deteksi anomali dengan Lookout for Equipment.

Prasyarat

Untuk menyelesaikan langkah-langkah ini, Anda harus memiliki model aset dan setidaknya satu aset yang dibuat. Untuk informasi selengkapnya, silakan lihat Buat model aset (AWS CLI) dan Buat aset (AWS CLI).

Jika Anda baru AWS IoT SiteWise, Anda harus memanggil operasi CreateBulkImportJob API untuk mengimpor nilai properti aset ke dalam AWS IoT SiteWise, yang akan digunakan untuk melatih model. Untuk informasi selengkapnya, lihat Buat pekerjaan impor AWS IoT SiteWise massal (AWS CLI).

Untuk menambahkan definisi prediksi

  1. Buat file bernama asset-model-payload.json. Ikuti langkah-langkah di bagian lain ini untuk menambahkan detail model aset Anda ke file, tetapi jangan kirimkan permintaan untuk membuat atau memperbarui model aset.

  2. Tambahkan Lookout for Equipment composite model assetModelCompositeModels () ke model aset dengan menambahkan kode berikut.

    • Ganti Property dengan ID properti yang ingin Anda sertakan. Untuk mendapatkan itu IDs, hubungi DescribeAssetModel.

    • Ganti RoleARN dengan ARN dari peran IAM yang memungkinkan Lookout for Equipment mengakses data Anda. AWS IoT SiteWise 

    { 
  ...
  "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": "{}"
              }
            }
          }
   ]
}

  3. Buat model aset atau perbarui model aset yang ada. Lakukan salah satu hal berikut ini:

    • Untuk membuat model aset, jalankan perintah berikut:

      aws iotsitewise create-asset-model --cli-input-json file://asset-model-payload.json

    • Untuk memperbarui model aset yang ada, jalankan perintah berikut. Ganti asset-model-id dengan ID model aset yang ingin Anda perbarui.

      aws iotsitewise update-asset-model \
  --asset-model-id asset-model-id \
  --cli-input-json file://asset-model-payload.json

Setelah Anda menjalankan perintah, perhatikan assetModelId dalam respon.

Latih prediksi dan inferensi awal (CLI)

Sekarang setelah definisi prediksi ditentukan, Anda dapat melatih aset berdasarkan itu dan memulai inferensi. Jika Anda ingin melatih prediksi Anda tetapi tidak memulai inferensi, lompat ke. Melatih prediksi (CLI) Untuk melatih prediksi dan memulai inferensi pada aset, Anda memerlukan sumber assetId daya target.

Untuk melatih dan memulai inferensi prediksi

  1. Jalankan perintah berikut untuk menemukan bagian assetModelCompositeModelId bawahassetModelCompositeModelSummaries. Ganti asset-model-id dengan ID model aset yang Anda buatMemperbarui model aset atau komponen (AWS CLI).

    aws iotsitewise describe-asset-model \
  --asset-model-id asset-model-id \

  2. Jalankan perintah berikut untuk menemukan TrainingWithInference tindakan. actionDefinitionId Ganti asset-model-id dengan ID yang digunakan pada langkah sebelumnya dan ganti asset-model-composite-model-id dengan ID yang dikembalikan pada langkah sebelumnya.

    aws iotsitewise describe-asset-model-composite-model \
  --asset-model-id asset-model-id \
  --asset-model-composite-model-id asset-model-composite-model-id \

  3. Buat file bernama train-start-inference-prediction.json dan tambahkan kode berikut, ganti yang berikut ini:

    • asset-iddengan ID aset target

    • action-definition-iddengan ID TrainingWithInference tindakan

    • StartTimedengan dimulainya data pelatihan, disediakan dalam hitungan detik

    • EndTimedengan berakhirnya data pelatihan, disediakan dalam hitungan detik

    • TargetSamplingRatedengan laju pengambilan sampel data setelah pemrosesan pasca oleh Lookout for Equipment. Nilai yang diizinkan adalah: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\"}}}"
  }
}

  4. Jalankan perintah berikut untuk memulai pelatihan dan inferensi:

    aws iotsitewise execute-action --cli-input-json file://train-start-inference-prediction.json

Melatih prediksi (CLI)

Sekarang setelah definisi prediksi ditentukan, Anda dapat melatih aset berdasarkan itu. Untuk melatih prediksi aset, Anda memerlukan sumber daya target. assetId

Untuk melatih prediksi

  1. Jalankan perintah berikut untuk menemukan bagian assetModelCompositeModelId bawahassetModelCompositeModelSummaries. Ganti asset-model-id dengan ID model aset yang Anda buatMemperbarui model aset atau komponen (AWS CLI).

    aws iotsitewise describe-asset-model \
  --asset-model-id asset-model-id \

  2. Jalankan perintah berikut untuk menemukan Training tindakan. actionDefinitionId Ganti asset-model-id dengan ID yang digunakan pada langkah sebelumnya dan ganti asset-model-composite-model-id dengan ID yang dikembalikan pada langkah sebelumnya.

    aws iotsitewise describe-asset-model-composite-model \
  --asset-model-id asset-model-id \
  --asset-model-composite-model-id asset-model-composite-model-id \

  3. Buat file bernama train-prediction.json dan tambahkan kode berikut, ganti yang berikut ini:

    • asset-iddengan ID aset target

    • action-definition-iddengan ID tindakan pelatihan

    • StartTimedengan dimulainya data pelatihan, disediakan dalam hitungan detik

    • EndTimedengan berakhirnya data pelatihan, disediakan dalam hitungan detik

    • (Opsional) BucketName dengan nama bucket Amazon S3 yang menyimpan data label Anda

    • (Opsional) Prefix dengan awalan yang terkait dengan bucket Amazon S3.

    • TargetSamplingRatedengan laju pengambilan sampel data setelah pemrosesan pasca oleh Lookout for Equipment. Nilai yang diizinkan adalah:PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H.

      catatan

      Sertakan nama bucket dan awalan atau keduanya.

    {
  "targetResource": {
    "assetId": "asset-id"
  },
  "actionDefinitionId": "action-definition-Id",
  "actionPayload":{ "stringValue": "{\"l4ETraining\": {\"trainingMode\":\"START\",\"exportDataStartTime\": StartTime, \"exportDataEndTime\": EndTime, \"targetSamplingRate\":\"TargetSamplingRate\"}, \"labelInputConfiguration\": {\"bucketName\": \"BucketName\", \"prefix\": \"Prefix\"}}}"
}
}

  4. Jalankan perintah berikut untuk memulai pelatihan:

    aws iotsitewise execute-action --cli-input-json file://train-prediction.json

Sebelum Anda dapat memulai inferensi, pelatihan harus diselesaikan. Untuk memeriksa status pelatihan, lakukan salah satu hal berikut:

  • Dari konsol, arahkan ke aset tempat prediksi aktif.

  • Dari AWS CLI, hubungi BatchGetAssetPropertyValue menggunakan trainingStatus properti. propertyId

Memulai atau menghentikan inferensi pada prediksi (CLI)

Setelah prediksi dilatih, Anda dapat memulai inferensi untuk memberi tahu Lookout for Equipment untuk mulai memantau aset Anda. Untuk memulai atau menghentikan inferensi, Anda memerlukan assetId sumber daya target.

Untuk memulai inferensi

  1. Jalankan perintah berikut untuk menemukan bagian assetModelCompositeModelId bawahassetModelCompositeModelSummaries. Ganti asset-model-id dengan ID model aset yang Anda buatMemperbarui model aset atau komponen (AWS CLI).

    aws iotsitewise describe-asset-model \
  --asset-model-id asset-model-id \

  2. Jalankan perintah berikut untuk menemukan Inference tindakan. actionDefinitionId Ganti asset-model-id dengan ID yang digunakan pada langkah sebelumnya dan ganti asset-model-composite-model-id dengan ID yang dikembalikan pada langkah sebelumnya.

    aws iotsitewise describe-asset-model-composite-model \
  --asset-model-id asset-model-id \
  --asset-model-composite-model-id asset-model-composite-model-id \

  3. Buat file bernama start-inference.json dan tambahkan kode berikut, ganti yang berikut ini:

    • asset-iddengan ID aset target

    • action-definition-iddengan ID dari tindakan inferensi awal

    • Offsetdengan jumlah buffer yang akan digunakan

    • Frequencydengan seberapa sering data diunggah

    {
  "targetResource": {
    "assetId": "asset-id"
  },
  "actionDefinitionId": "action-definition-Id",
  "actionPayload":{ "stringValue": "{\"l4EInference\": {\"inferenceMode\":\"START\",\"dataDelayOffsetInMinutes\": Offset, \"dataUploadFrequency\": \"Frequency\"}}"
}}

  4. Jalankan perintah berikut untuk memulai inferensi:

    aws iotsitewise execute-action --cli-input-json file://start-inference.json
Untuk menghentikan inferensi

  1. Jalankan perintah berikut untuk menemukan bagian assetModelCompositeModelId bawahassetModelCompositeModelSummaries. Ganti asset-model-id dengan ID model aset yang Anda buatMemperbarui model aset atau komponen (AWS CLI).

    aws iotsitewise describe-asset-model \
  --asset-model-id asset-model-id \

  2. Jalankan perintah berikut untuk menemukan Inference tindakan. actionDefinitionId Ganti asset-model-id dengan ID yang digunakan pada langkah sebelumnya dan ganti asset-model-composite-model-id dengan ID yang dikembalikan pada langkah sebelumnya.

    aws iotsitewise describe-asset-model-composite-model \
  --asset-model-id asset-model-id \
  --asset-model-composite-model-id asset-model-composite-model-id \

  3. Buat file bernama stop-inference.json dan tambahkan kode berikut, ganti yang berikut ini:

    • asset-iddengan ID aset target

    • action-definition-iddengan ID dari tindakan inferensi awal

    {
  "targetResource": {
    "assetId": "asset-id"
  },
  "actionDefinitionId": "action-definition-Id",
  "actionPayload":{ "stringValue": "{\"l4EInference\":{\"inferenceMode\":\"STOP\"}}"
}}

  4. Jalankan perintah berikut untuk menghentikan inferensi:

    aws iotsitewise execute-action --cli-input-json file://stop-inference.json