添加预测定义（控制台）训练预测（控制台）开始或停止对预测的推理（控制台）添加预测定义（CLI）训练预测并开始推理（CLI）训练预测（CLI）开始或停止对预测的推理（CLI）

使用 Lookout for Equipment 检测异常

注意

异常检测仅在提供 Amazon Lookout for Equipment 的地区可用。

您可以 AWS IoT SiteWise 与 Amazon Lookout for Equipment 集成，通过工业设备的异常检测和预测性维护，深入了解您的工业设备。Lookout for Equipment 是一项机器学习（ML）服务，用于监控工业设备，检测设备的异常行为并识别潜在故障。借助 Lookout for Equipment，您可以实施预测性维护计划并识别不太理想的设备流程。有关 Lookout for Equipment 的更多信息，请参阅《Amazon Lookout for Equipment 用户指南》中的 What is Amazon Lookout for Equipment?。

当您创建预测以训练机器学习模型以检测异常设备行为时， AWS IoT SiteWise 会将资产属性值发送到 Lookout for Equipment，以训练机器学习模型来检测异常设备行为。要定义资产模型的预测定义，您需要指定 Lookout for Equipment 访问您的数据所需的 IAM 角色，以及要发送到 Lookout for Equipment 并将处理过的数据发送到 Amazon S3 的属性。有关更多信息，请参阅在中创建资产模型 AWS IoT SiteWise。

要集成 AWS IoT SiteWise 和 Lookout for Equipment，您需要执行以下高级步骤：

在资产模型上添加预测定义，概述您要跟踪的属性。预测定义是可重复使用的测量值、转换和指标集合，用于根据该资产模型对资产创建预测。
根据您提供的历史数据训练预测。
计划推断，它 AWS IoT SiteWise 告诉运行特定预测的频率。

规划推理后，Lookout for Equipment 模型会监控它从您的设备接收的数据，并查找设备行为的异常情况。你可以使用 GET API 操作或 Lookout fo SiteWise r Equip AWS IoT SiteWise ment 控制台在 Monitor 中查看和分析结果。您还可以使用资产模型中的警报探测器创建警报，用于提醒您注意设备的异常行为。

添加预测定义（控制台）

要开始将收集的数据发送 AWS IoT SiteWise 到 Lookout for Equipment，您必须向资产模型添加 AWS IoT SiteWise 预测定义。

向 AWS IoT SiteWise 资产模型添加预测定义

导航至 AWS IoT SiteWise 控制台。
在导航窗格中，选择模型并选择要向其添加预测定义的资产模型。
选择预测。
选择添加预测定义。

定义有关预测定义的详细信息。

为您的预测定义输入唯一的名称和描述。请谨慎选择名称，因为创建预测定义后，您便无法再更改其名称。

创建或选择支持 AWS IoT SiteWise 与 Amazon Lookout for Equipment 共享您的资产数据的 IAM 权限角色。该角色还应该具有以下 IAM 和信任策略。如需获取创建角色方面的帮助，请参阅使用自定义信任策略创建角色（控制台）。

IAM 策略


{
    "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"
        }
    ]
}

信任策略


{
    "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:*"
                }
            }
        }
    ]
}

选择下一步。

选择要发送到 Lookout for Equipment 的数据属性（测量值、转换和指标）。
1. （可选）选择测量值。
2. （可选）选择转换。
3. （可选）选择指标。
4. 选择下一步。
检视您的选择。要将预测定义添加到资产模型中，请在摘要页面上选择添加预测定义。

您也可以编辑或删除附加了活动预测的现有预测定义。

训练预测（控制台）

在向资产模型添加预测定义后，您可以对资产预测进行训练。

在中训练预测 AWS IoT SiteWise

导航至 AWS IoT SiteWise 控制台。
在导航窗格中，选择资产，然后选择您要监控的资产。
选择预测。
选择您要训练的预测。
在操作下，选择开始训练，然后执行以下操作：
1. 在 “预测详情” 下，选择允许 AWS IoT SiteWise 与 Lookout for Equipment 共享您的资产数据的 IAM 权限角色。如果您需要创建一个新角色，请选择创建新角色。
2. 在训练数据设置中，输入训练数据时间范围以选择用于训练预测的数据。
3. （可选）选择后处理后数据的采样率。
4. （可选）对于数据标签，请提供用于保存标注数据的 Amazon S3 存储桶和前缀。有关标记数据的更多信息，请参阅《Amazon Lookout for Equipment 用户指南》中的 Labeling your data。
5. 选择下一步。
（可选）如果您希望预测在训练完成后立即变为活动状态，请在高级设置下，选择训练后自动激活预测，然后执行以下操作：
1. 在输入数据下，对于数据上传频率，定义上传数据的频率，对于偏移延迟时间，定义要使用的缓冲区量。
2. 选择下一步。
查看预测的详细信息，然后选择保存并开始。

开始或停止对预测的推理（控制台）

注意

Lookout for Equipment 费用适用于在 Lookout for Equipment AWS IoT SiteWise 之间传输数据的预定推断。有关更多信息，请参阅 Amazon Lookout for Equipment pricing。

如果您添加了预测 lookoutequipment:CreateDataset，但在训练后没有选择激活它，则必须将其激活才能开始监控您的资产。

要开始对预测进行推理，请执行以下步骤：

导航至 AWS IoT SiteWise 控制台。
在导航窗格中，选择资产，然后选择要添加预测的资产。
选择预测。
选择您要激活的预测。
在操作下，选择开始推理，然后执行以下操作：
1. 在输入数据下，对于数据上传频率，定义上传数据的频率，对于偏移延迟时间，定义要使用的缓冲区量。
2. 选择保存并开始。

要停止对预测进行推理，请执行以下步骤：

导航至 AWS IoT SiteWise 控制台。
在导航窗格中，选择资产，然后选择要添加预测的资产。
选择预测。
选择您要停止的预测。
在操作下，选择停止推理。

添加预测定义（CLI）

要在新资产模型或现有资产模型上定义预测定义，可以使用 AWS Command Line Interface (AWS CLI)。在资产模型上定义预测定义后，您可以使用 Lookout for Equipment 对资产的预测进行训练和计划推理， AWS IoT SiteWise 以便进行异常检测。

先决条件

要完成这些步骤，您必须拥有一个资产模型并至少创建一个资产。有关更多信息，请参阅创建资产模型（AWS CLI）和创建资产（AWS CLI）。

如果您不熟悉 AWS IoT SiteWise，则必须调用 CreateBulkImportJob API 操作将资产属性值导入其中 AWS IoT SiteWise，这将用于训练模型。有关更多信息，请参阅创建 AWS IoT SiteWise 批量导入任务 (AWS CLI)。

要添加预测定义，请执行以下步骤：

创建名为 asset-model-payload.json 的文件。按照其他部分中的步骤将资产模型的详细信息添加到文件中，但不要提交创建或更新资产模型的请求。
- 有关如何创建资产模型的更多信息，请参阅创建资产模型（AWS CLI）。
- 有关如何更新现有资产模型的更多信息，请参阅更新资产或组件模型（AWS CLI）。

通过添加以下代码，将 Lookout for Equipment 复合模型（assetModelCompositeModels）添加到资产模型中。

将 Property 替换为您要包含的属性的 ID。要获得这些 IDs，请致电DescribeAssetModel。
RoleARN替换为允许 Lookout for Equipment 访问您的数据的 IAM 角色的 ARN。 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": "{}"
              }
            }
          }
   ]
}

创建资产模型或更新现有资产模型。请执行以下操作之一：
- 要创建资源模型，请运行以下命令：
```
aws iotsitewise create-asset-model --cli-input-json file://asset-model-payload.json
```
- 要更新现有资源模型，请运行以下命令。将 asset-model-id 替换为您想要更新的资产模型的 ID。
```
aws iotsitewise update-asset-model \
  --asset-model-id asset-model-id \
  --cli-input-json file://asset-model-payload.json
```

运行命令之后，请记下响应中的 assetModelId。

训练预测并开始推理（CLI）

现在，预测定义已经定义，您可以根据它训练资产并开始推理。如果您想训练预测但不想开始推理，请跳至训练预测（CLI）。要训练预测并开始对资产进行推理，您需要目标资源的 assetId。

要训练预测并开始推理，请执行以下步骤：

运行以下命令以在 assetModelCompositeModelSummaries 下查找 assetModelCompositeModelId。将 asset-model-id 替换为您在更新资产或组件模型（AWS CLI）中创建的资产模型的 ID。
```
aws iotsitewise describe-asset-model \
  --asset-model-id asset-model-id \
```
运行以下命令以查找 TrainingWithInference 操作的 actionDefinitionId。将 asset-model-id 替换为上一步中使用的 ID，将 asset-model-composite-model-id 替换为上一步中返回的 ID。
```
aws iotsitewise describe-asset-model-composite-model \
  --asset-model-id asset-model-id \
  --asset-model-composite-model-id asset-model-composite-model-id \
```
创建名为 train-start-inference-prediction.json 的文件并添加以下代码，完成以下替换：
- 将 asset-id 替换为目标资产的 ID
- action-definition-id带有动 TrainingWithInference 作的 ID
- 将 StartTime 替换为训练数据的开头部分，以纪元秒格式提供
- 将 EndTime 替换为训练数据的结尾部分，以纪元秒格式提供
- 将 TargetSamplingRate 替换为 Lookout for Equipment 进行后处理后的数据采样率。支持的值为：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\"}}}"
  }
}
```

运行以下命令以开始训练和推理：


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

训练预测（CLI）

现在，预测定义已经定义，您可以根据它训练资产。要训练资产的预测，您需要目标资源的 assetId。

要训练预测，请执行以下步骤：

运行以下命令以在 assetModelCompositeModelSummaries 下查找 assetModelCompositeModelId。将 asset-model-id 替换为您在更新资产或组件模型（AWS CLI）中创建的资产模型的 ID。
```
aws iotsitewise describe-asset-model \
  --asset-model-id asset-model-id \
```
运行以下命令以查找 Training 操作的 actionDefinitionId。将 asset-model-id 替换为上一步中使用的 ID，将 asset-model-composite-model-id 替换为上一步中返回的 ID。
```
aws iotsitewise describe-asset-model-composite-model \
  --asset-model-id asset-model-id \
  --asset-model-composite-model-id asset-model-composite-model-id \
```
创建名为 train-prediction.json 的文件并添加以下代码，完成以下替换：
- 将 asset-id 替换为目标资产的 ID
- 将 action-definition-id 替换为训练动作的 ID
- 将 StartTime 替换为训练数据的开头部分，以纪元秒格式提供
- 将 EndTime 替换为训练数据的结尾部分，以纪元秒格式提供
- （可选）将 BucketName 替换为存放您的标签数据的 Amazon S3 存储桶的名称
- （可选）将 Prefix 替换为与 Amazon S3 存储桶关联的前缀。
- 将 TargetSamplingRate 替换为 Lookout for Equipment 进行后处理后的数据采样率。支持的值为：PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H。
  
  注意
  同时包括存储桶名称和前缀，或者两者都不包括在内。
```
{
  "targetResource": {
    "assetId": "asset-id"
  },
  "actionDefinitionId": "action-definition-Id",
  "actionPayload":{ "stringValue": "{\"l4ETraining\": {\"trainingMode\":\"START\",\"exportDataStartTime\": StartTime, \"exportDataEndTime\": EndTime, \"targetSamplingRate\":\"TargetSamplingRate\"}, \"labelInputConfiguration\": {\"bucketName\": \"BucketName\", \"prefix\": \"Prefix\"}}}"
}
}
```

运行以下命令以开始训练：


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

在开始推理之前，必须先完成训练。若要检查训练的状态，请执行以下操作之一：

在控制台中，导航到预测所在的资产。
从中 AWS CLI，BatchGetAssetPropertyValue使用该propertyIdtrainingStatus属性的调用。

开始或停止对预测的推理（CLI）

训练完预测后，您即可开始推理，让 Lookout for Equipment 开始监控您的资产。要开始或停止推理，您需要目标资源的 assetId。

要开始推理，请执行以下步骤：

运行以下命令以在 assetModelCompositeModelSummaries 下查找 assetModelCompositeModelId。将 asset-model-id 替换为您在更新资产或组件模型（AWS CLI）中创建的资产模型的 ID。
```
aws iotsitewise describe-asset-model \
  --asset-model-id asset-model-id \
```
运行以下命令以查找 Inference 操作的 actionDefinitionId。将 asset-model-id 替换为上一步中使用的 ID，将 asset-model-composite-model-id 替换为上一步中返回的 ID。
```
aws iotsitewise describe-asset-model-composite-model \
  --asset-model-id asset-model-id \
  --asset-model-composite-model-id asset-model-composite-model-id \
```

创建名为 start-inference.json 的文件并添加以下代码，完成以下替换：

将 asset-id 替换为目标资产的 ID
将 action-definition-id 替换为开始推理操作的 ID
将 Offset 替换为要使用的缓冲区量
将 Frequency 替换为上传数据的频率


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

使用以下命令以开始推理：


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

要停止推理，请执行以下步骤：

运行以下命令以在 assetModelCompositeModelSummaries 下查找 assetModelCompositeModelId。将 asset-model-id 替换为您在更新资产或组件模型（AWS CLI）中创建的资产模型的 ID。
```
aws iotsitewise describe-asset-model \
  --asset-model-id asset-model-id \
```
运行以下命令以查找 Inference 操作的 actionDefinitionId。将 asset-model-id 替换为上一步中使用的 ID，将 asset-model-composite-model-id 替换为上一步中返回的 ID。
```
aws iotsitewise describe-asset-model-composite-model \
  --asset-model-id asset-model-id \
  --asset-model-composite-model-id asset-model-composite-model-id \
```

创建名为 stop-inference.json 的文件并添加以下代码，完成以下替换：

将 asset-id 替换为目标资产的 ID
将 action-definition-id 替换为开始推理操作的 ID


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

使用以下命令以停止推理：


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

Javascript 在您的浏览器中被禁用或不可用。

要使用 Amazon Web Services 文档，必须启用 Javascript。请参阅浏览器的帮助页面以了解相关说明。

文档惯例

与集成 AWS IoT TwinMaker

管理数据存储