新增預測定義 (主控台)訓練預測（控制台）在預測 (主控台) 上啟動或停止推論新增預測定義 (CLI)訓練預測和開始推論（）CLI 訓練預測（CLI）開始或停止預測的推論 () CLI

使用偵測 Lookout for Equipment 異常

注意

異常偵測僅適用於提供 Amazon Lookout for Equipment 區域。

您可以 AWS IoT SiteWise 與 Amazon Lookout for Equipment 整合，透過異常偵測和工業設備的預測性維護，深入瞭解您的工業設備。Lookout for Equipment of Effer 是一種機器學習（ML）服務，用於監控工業設備，可檢測設備異常行為並識別潛在故障。借助 Lookout for Equipment，您可以實施預測性維護計劃並識別不理想的設備流程。如需瞭解設備的詳細資訊，請參閱什麼是 Amazon Lookout for Equipment 解？在 Amazon Lookout for Equipment 用戶指南。

當您建立預測以訓練機器學習模型以偵測異常設備行為時， AWS IoT SiteWise 會將資產屬性值傳送至 Lookout for Equipment of Inteffer 以訓練 ML 模型以偵測異常的設備行為。若要在資產模型上定義預測定義，您可以指定瞭望設備存取資料所需的IAM角色，以及要傳送至 Lookout for Equipment 並將處理的資料傳送到 Amazon S3 的屬性。如需詳細資訊，請參閱建立資產模型。

若要整合 AWS IoT SiteWise 和 Lookout for Equipment，您將執行下列高階步驟：

在資產模型上新增預測定義，概述您要追蹤的屬性。預測定義是可重複使用的測量、轉換和指標集合，可用來針對以該資產模型為基礎的資產建立預測。
根據您提供的歷史資料訓練預測。
排程推論，說 AWS IoT SiteWise 明執行特定預測的頻率。

排定推論後，Lookout of Settings 模型會監控從您的設備接收到的資料，並尋找設備行為中的異常情況。您可以使用 AWS IoT SiteWise GETAPI作業或 Lookout for Equipment 主控台，在 SiteWise 監視中檢視和分析結果。您也可以使用資產模型的警報偵測器建立警報，以提醒您設備異常行為。

新增預測定義 (主控台)

若要開始將收集的資料傳送 AWS IoT SiteWise 至 Lookout for Equipment，您必須將 AWS IoT SiteWise 預測定義新增至資產模型。

若要將預測定義新增至資 AWS IoT SiteWise 產模型

導覽至 AWS IoT SiteWise 主控台。
在導覽窗格中，選擇「模型」，然後選取要新增預測定義的資產模型。
選擇「預測」。
選擇 [新增預測定義]。

定義有關預測定義的詳細資訊。

輸入預測定義的唯一「名稱」與「說明」。請仔細選擇名稱，因為在建立預測定義之後，就無法變更其名稱。

建立或選取IAM允許 AWS IoT SiteWise 與 Amazon Lookout for Equipment 共用您的資產資料的許可角色。角色應具有下列IAM和信任原則。如需建立角色的說明，請參閱使用自訂信任原則建立角色 (主控台)。

IAM政策


{
    "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"
        }
    ]
}

信任政策


{
    "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:*"
                }
            }
        }
    ]
}

選擇 Next (下一步)。

選取您要傳送至 Lookout for Equipment 的資料屬性（測量、轉換和指標）。
1. (選擇性) 選取測量值。
2. (選擇性) 選取轉換。
3. (選擇性) 選取量度。
4. 選擇 Next (下一步)。
檢閱您的選擇。若要將預測定義新增至資產模型，請在摘要頁面上選擇 [新增預測定義]。

您也可以編輯或刪除已附加作用中預測的現有預測定義。

訓練預測（控制台）

將預測定義新增至資產模型後，您可以訓練資產上的預測。

若要訓練預測 AWS IoT SiteWise

導覽至 AWS IoT SiteWise 主控台。
在導覽窗格中，選擇「資產」，然後選取您要監視的資產。
選擇「預測」。
選擇您要訓練的預測。
在「動作」 下，選擇「開始訓練」，然後執行下列操作：
1. 在「預測詳細資料」下，選取允許與「瞭 AWS IoT SiteWise 解設備」共用資產資料的IAM權限角色。如果您需要建立新角色，請選擇 [建立新角色]。
2. 對於訓練資料設定，請輸入訓練資料時間範圍，以選取要用來訓練預測的資料。
3. (選擇性) 選取後處理後資料的取樣率。
4. (選用) 對於資料標籤，請提供用於存放標籤資料的 Amazon S3 儲存貯體和前綴。如需有關標記資料的詳細資訊，請參閱 Amazon Lookout 設備使用者指南中的標籤資料。
5. 選擇 Next (下一步)。
(選擇性) 如果您希望預測在完成訓練後立即處於作用中狀態，請在 [進階設定] 底下選取 [訓練後自動啟動預測]，然後執行下列動作：
1. 在 [輸入資料] 底下，對於資料上傳頻率，定義上傳資料的頻率，對於偏移延遲時間，定義要使用的緩衝區量。
2. 選擇 Next (下一步)。
檢閱預測的詳細資訊，然後選擇 [儲存並開始]。

在預測 (主控台) 上啟動或停止推論

注意

Lookout for Equipment 費用適用於在設備之間傳輸的數據 AWS IoT SiteWise 的計劃推論。如需詳細資訊，請參閱 Amazon Lookout for Equipment 定價。

如果您已新增預測lookoutequipment:CreateDataset，但未在訓練後選擇啟動預測，則必須啟用預測才能開始監控資產。

開始預測的推論

導覽至 AWS IoT SiteWise 主控台。
在導覽窗格中，選擇「資產」，然後選取要新增預測的資產。
選擇「預測」。
選擇您要激活的預測。
在「動作」 下，選擇「開始推論」，然後執行下列操作：
1. 在 [輸入資料] 底下，對於資料上傳頻率，定義上傳資料的頻率，對於偏移延遲時間，定義要使用的緩衝區量。
2. 選擇儲存並開始。

停止預測的推論

導覽至 AWS IoT SiteWise 主控台。
在導覽窗格中，選擇「資產」，然後選取要新增預測的資產。
選擇「預測」。
選取您要停止的預測。
在「動作」 下，選擇「停止推論」。

新增預測定義 (CLI)

若要在新的或現有的資產模型上定義預測定義，您可以使用 AWS Command Line Interface (AWS CLI)。在 AWS IoT SiteWise 資產模型上定義預測定義後，您可以針對資產進行訓練和排程推論，以使用 Lookout of Equies 進行異常偵測。

先決條件

若要完成這些步驟，您必須建立資產模型並至少建立一個資產。如需詳細資訊，請參閱建立資產模型 (AWS CLI) 和建立資產 (AWS CLI)。

如果您是新手 AWS IoT SiteWise，則必須呼叫CreateBulkImportJobAPI作業，將資產性質值匯入至中 AWS IoT SiteWise，這些值將用於訓練模型。如需詳細資訊，請參閱建立大量匯入工作 (AWS CLI)。

加入預測定義的步驟

建立稱為 asset-model-payload.json 的檔案。請遵循這些其他章節中的步驟，將資產模型的詳細資訊新增至檔案，但不要提交建立或更新資產模型的要求。
- 如需如何建立資產模型的詳細資訊，請參閱〈建立資產模型 (AWS CLI)
- 如需如何更新現有資產模型的詳細資訊，請參閱〈更新資產或元件模型 (AWS CLI)

加入下列程式碼，將瞭解設備複合模型 (assetModelCompositeModels) 新增至資產模型。

以您要包含的屬性 ID 取Property代。若要取得這些IDs，請撥打電話DescribeAssetModel。
取代RoleARN為允許瞭解設備存取您 AWS IoT SiteWise 資料的IAM角色。ARN


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

建立資產模型或更新現有的資產模型。執行以下任意一項：
- 若要建立資產模型，請執行下列指令：
```
aws iotsitewise create-asset-model --cli-input-json file://asset-model-payload.json
```
- 若要更新既有的資產模型，請執行下列指令。以您要更新的資產模型 ID 取asset-model-id代。
```
aws iotsitewise update-asset-model \
  --asset-model-id asset-model-id \
  --cli-input-json file://asset-model-payload.json
```

執行命令之後，請注意回應assetModelId中的。

訓練預測和開始推論（）CLI

現在已定義預測定義，您可以根據它訓練資產並開始推論。如果您想訓練您的預測，但不想開始推論，請跳至訓練預測（CLI）。若要訓練資產的預測並開始推論，您需要目標資源assetId的。

為了訓練和開始預測的推論

運行以下命令以查找assetModelCompositeModelId下assetModelCompositeModelSummaries。Replace (取代) asset-model-id 使用您在中創建的資產模型的 ID 更新資產或元件模型 (AWS CLI)。
```
aws iotsitewise describe-asset-model \
  --asset-model-id asset-model-id \
```
執行下列命令以尋找TrainingWithInference動作actionDefinitionId的。Replace (取代) asset-model-id 使用上一步中使用的 ID 並替換 asset-model-composite-model-識別碼 與上一步中返回的 ID。
```
aws iotsitewise describe-asset-model-composite-model \
  --asset-model-id asset-model-id \
  --asset-model-composite-model-id asset-model-composite-model-id \
```
創建一個名為的文件，train-start-inference-prediction.json並添加以下代碼，替換以下內容：
- asset-id使用目標資產的 ID
- action-definition-id與動 TrainingWithInference 作的 ID
- StartTime培訓數據的開始，以紀元秒為單位提供
- EndTime培訓數據的結束，以紀元秒為單位提供
- TargetSamplingRate與設 Lookout for Equipment 後處理後的數據採樣率。允許的值為：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\"}}}"
  }
}
```

執行下列命令以開始訓練和推論：


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

訓練預測（CLI）

現在已定義預測定義，您可以根據它來訓練資產。若要訓練對資產的預測，您需要目標資源。assetId

訓練預測

運行以下命令以查找assetModelCompositeModelId下assetModelCompositeModelSummaries。Replace (取代) asset-model-id 使用您在中創建的資產模型的 ID 更新資產或元件模型 (AWS CLI)。
```
aws iotsitewise describe-asset-model \
  --asset-model-id asset-model-id \
```
執行下列命令以尋找Training動作actionDefinitionId的。Replace (取代) asset-model-id 使用上一步中使用的 ID 並替換 asset-model-composite-model-識別碼 與上一步中返回的 ID。
```
aws iotsitewise describe-asset-model-composite-model \
  --asset-model-id asset-model-id \
  --asset-model-composite-model-id asset-model-composite-model-id \
```
創建一個名為的文件，train-prediction.json並添加以下代碼，替換以下內容：
- asset-id使用目標資產的 ID
- action-definition-id與訓練動作的 ID
- StartTime培訓數據的開始，以紀元秒為單位提供
- EndTime培訓數據的結束，以紀元秒為單位提供
- (選BucketName用) 使用保存您標籤資料的 Amazon S3 儲存貯體名稱
- (選擇性) Prefix 使用與 Amazon S3 儲存貯體相關聯的前置詞。
- TargetSamplingRate與設 Lookout for Equipment 後處理後的數據採樣率。允許的值為：PT1S | PT5S | PT10S | PT15S | PT30S | PT1M | PT5M | PT10M | PT15M | PT30M | PT1H。
  
  注意
  包含值區名稱和字首，或兩者皆不包含。
```
{
  "targetResource": {
    "assetId": "asset-id"
  },
  "actionDefinitionId": "action-definition-Id",
  "actionPayload":{ "stringValue": "{\"l4ETraining\": {\"trainingMode\":\"START\",\"exportDataStartTime\": StartTime, \"exportDataEndTime\": EndTime, \"targetSamplingRate\":\"TargetSamplingRate\"}, \"labelInputConfiguration\": {\"bucketName\": \"BucketName\", \"prefix\": \"Prefix\"}}}"
}
}
```

執行下列命令以開始訓練：


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

在開始推論之前，必須先完成訓練。若要檢查訓練狀態，請執行下列其中一項操作：

從主控台導覽至預測所在的資產。
從 AWS CLI，呼叫BatchGetAssetPropertyValue使用trainingStatus屬propertyId性的。

開始或停止預測的推論 () CLI

預測訓練完成後，您可以開始推論，告訴 Lookout for Equipment of Settings 開始監控您的資產。若要啟動或停止推論，您需要目assetId標資源。

開始推論

運行以下命令以查找assetModelCompositeModelId下assetModelCompositeModelSummaries。Replace (取代) asset-model-id 使用您在中創建的資產模型的 ID 更新資產或元件模型 (AWS CLI)。
```
aws iotsitewise describe-asset-model \
  --asset-model-id asset-model-id \
```
執行下列命令以尋找Inference動作actionDefinitionId的。Replace (取代) asset-model-id 使用上一步中使用的 ID 並替換 asset-model-composite-model-識別碼 與上一步中返回的 ID。
```
aws iotsitewise describe-asset-model-composite-model \
  --asset-model-id asset-model-id \
  --asset-model-composite-model-id asset-model-composite-model-id \
```

創建一個名為的文件，start-inference.json並添加以下代碼，替換以下內容：

asset-id使用目標資產的 ID
action-definition-id與開始推論動作的 ID
Offset與使用的緩衝區的數量
Frequency以及上傳資料的頻率


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

執行下列命令以啟動推論：


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

若要停止推論

運行以下命令以查找assetModelCompositeModelId下assetModelCompositeModelSummaries。Replace (取代) asset-model-id 使用您在中創建的資產模型的 ID 更新資產或元件模型 (AWS CLI)。
```
aws iotsitewise describe-asset-model \
  --asset-model-id asset-model-id \
```
執行下列命令以尋找Inference動作actionDefinitionId的。Replace (取代) asset-model-id 使用上一步中使用的 ID 並替換 asset-model-composite-model-識別碼 與上一步中返回的 ID。
```
aws iotsitewise describe-asset-model-composite-model \
  --asset-model-id asset-model-id \
  --asset-model-composite-model-id asset-model-composite-model-id \
```

創建一個名為的文件，stop-inference.json並添加以下代碼，替換以下內容：

asset-id使用目標資產的 ID
action-definition-id與開始推論動作的 ID


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

執行下列命令以停止推論：


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

整合 AWS IoT TwinMaker

管理資料儲存