Deteksi anomali dengan Amazon SageMaker Edge Manager menggunakan AWS IoT Greengrass V2

Menerapkan dan mengelola model pembelajaran mesin (ML) di edge memerlukan seperangkat alat dan keahlian yang berbeda dibandingkan dengan cloud. Ini terutama karena pembatasan perangkat keras, perangkat lunak, dan jaringan di situs tepi. Hal ini membuat penerapan dan pengelolaan model ini lebih kompleks. Semakin banyak aplikasi, seperti otomasi industri, kendaraan otonom, dan checkout otomatis, memerlukan model ML yang berjalan di perangkat terdepan sehingga prediksi dapat dibuat secara real time saat data baru tersedia.

Tantangan umum lainnya yang mungkin Anda hadapi saat menangani aplikasi komputasi di edge adalah cara mengelola armada perangkat secara efisien dalam skala besar. Ini termasuk menginstal aplikasi, menyebarkan pembaruan aplikasi, menyebarkan konfigurasi baru, memantau kinerja perangkat, perangkat pemecahan masalah, mengautentikasi dan mengotorisasi perangkat, dan mengamankan transmisi data. Ini adalah fitur dasar untuk aplikasi edge apa pun, tetapi menciptakan infrastruktur yang diperlukan untuk mencapai solusi yang aman dan skalabel membutuhkan banyak usaha dan waktu.

Pada skala yang lebih kecil, Anda dapat mengadopsi solusi seperti masuk secara manual ke setiap perangkat untuk menjalankan skrip, menggunakan solusi otomatis seperti Mungkin, atau buat aplikasi khusus yang mengandalkan layanan seperti Inti AWS IoT. Meskipun dapat memberikan skalabilitas dan keandalan yang diperlukan, membangun solusi khusus semacam itu memerlukan biaya pemeliharaan tambahan dan memerlukan keterampilan khusus.

Amazon SageMaker, bersama dengan Rumput Hijau AWS IoT, dapat membantu Anda mengatasi tantangan ini.

SageMaker menyediakan Amazon SageMaker Neo, yang merupakan cara termudah untuk mengoptimalkan model ML untuk perangkat edge, memungkinkan Anda melatih model ML satu kali di cloud dan menjalankannya di perangkat apa pun. Saat perangkat berkembang biak, Anda mungkin memiliki ribuan model yang diterapkan di seluruh armada Anda. Manajer Tepi Amazon SageMaker memungkinkan Anda untuk mengoptimalkan, mengamankan, memantau, dan memelihara model ML pada armada kamera pintar, robot, komputer pribadi, dan perangkat seluler.

Postingan ini menunjukkan cara melatih dan menerapkan model ML deteksi anomali ke armada simulasi turbin angin di edge menggunakan fitur SageMaker dan AWS IoT Greengrass V2. Dibutuhkan inspirasi dari Pantau dan Kelola Model Deteksi Anomali pada armada Turbin Angin dengan Amazon SageMaker Edge Manager dengan memperkenalkan AWS IoT Greengrass untuk menerapkan dan mengelola aplikasi inferensi dan model pada perangkat edge.

Pada postingan sebelumnya, penulis menggunakan custom code yang mengandalkan layanan AWS IoT, seperti: Inti AWS IoT dan Manajemen Perangkat AWS IoT, untuk memberikan kemampuan manajemen jarak jauh ke armada perangkat. Meskipun itu adalah pendekatan yang valid, pengembang perlu menghabiskan banyak waktu dan upaya untuk menerapkan dan memelihara solusi tersebut, yang dapat mereka habiskan untuk memecahkan masalah bisnis dalam menyediakan logika deteksi anomali yang efisien, berkinerja, dan akurat untuk turbin angin.

Posting sebelumnya juga menggunakan turbin angin mini cetak 3D asli dan jetson nano untuk bertindak sebagai perangkat tepi yang menjalankan aplikasi. Di sini, kami menggunakan turbin angin virtual yang berjalan sebagai utas Python dalam notebook SageMaker. Juga, alih-alih Jetson Nano, kami menggunakan Cloud komputasi elastis Amazon (Amazon EC2) untuk bertindak sebagai perangkat edge, menjalankan perangkat lunak dan aplikasi AWS IoT Greengrass. Kami juga menjalankan simulator untuk menghasilkan pengukuran untuk turbin angin, yang dikirim ke perangkat tepi menggunakan MQTT. Kami juga menggunakan simulator untuk visualisasi dan menghentikan atau memulai turbin.

Posting sebelumnya membahas lebih detail tentang aspek ML dari solusi, seperti cara membangun dan melatih model, yang tidak kami bahas di sini. Kami berfokus terutama pada integrasi Edge Manager dan AWS IoT Greengrass V2.

Sebelum kita melangkah lebih jauh, mari kita tinjau apa itu AWS IoT Greengrass dan manfaat menggunakannya dengan Edge Manager.

Apa itu AWS IoT Greengrass V2?

AWS IoT Greengrass adalah Internet of Things (IoT) edge runtime dan layanan cloud yang membantu membangun, menyebarkan, dan mengelola perangkat lunak perangkat. Anda dapat menggunakan AWS IoT Greengrass untuk aplikasi IoT Anda di jutaan perangkat di rumah, pabrik, kendaraan, dan bisnis. AWS IoT Greengrass V2 menawarkan edge runtime open-source, peningkatan modularitas, alat pengembangan lokal baru, dan fitur penerapan armada yang ditingkatkan. Ini menyediakan kerangka kerja komponen yang mengelola dependensi, dan memungkinkan Anda mengurangi ukuran penerapan karena Anda dapat memilih untuk hanya menerapkan komponen yang diperlukan untuk aplikasi.

Mari kita pelajari beberapa konsep AWS IoT Greengrass untuk memahami cara kerjanya:

• Perangkat inti AWS IoT Greengrass – Perangkat yang menjalankan perangkat lunak AWS IoT Greengrass Core. Perangkat terdaftar ke dalam registri AWS IoT Core sebagai benda AWS IoT.
• Komponen AWS IoT Greengrass – Modul perangkat lunak yang digunakan dan dijalankan pada perangkat inti. Semua perangkat lunak yang dikembangkan dan diterapkan dengan AWS IoT Greengrass dimodelkan sebagai komponen.
• Penyebaran – Proses untuk mengirim komponen dan menerapkan konfigurasi komponen yang diinginkan ke perangkat target tujuan, yang dapat berupa perangkat inti tunggal atau sekelompok perangkat inti.
• Perangkat lunak inti AWS IoT Greengrass – Kumpulan semua perangkat lunak AWS IoT Greengrass yang Anda instal pada perangkat inti.

Untuk mengaktifkan manajemen aplikasi jarak jauh pada perangkat (atau ribuan di antaranya), pertama-tama kita menginstal perangkat lunak inti. Perangkat lunak ini berjalan sebagai proses latar belakang dan mendengarkan konfigurasi penerapan yang dikirim dari cloud.

Untuk menjalankan aplikasi tertentu pada perangkat, kami memodelkan aplikasi sebagai satu atau lebih komponen. Misalnya, kita dapat memiliki komponen yang menyediakan fitur database, komponen lain yang menyediakan UX lokal, atau kita dapat menggunakan komponen publik yang disediakan oleh AWS, seperti LogManager untuk mendorong log komponen ke amazoncloudwatch.

Kami kemudian membuat penerapan yang berisi komponen yang diperlukan dan konfigurasi spesifiknya dan mengirimkannya ke perangkat target, baik berdasarkan perangkat per perangkat atau sebagai armada.

Untuk mempelajari lebih lanjut, lihat Apa itu AWS IoT Greengrass?

Mengapa menggunakan AWS IoT Greengrass dengan Edge Manager?

Pos Pantau dan Kelola Model Deteksi Anomali pada armada Turbin Angin dengan Amazon SageMaker Edge Manager sudah menjelaskan mengapa kami menggunakan Edge Manager untuk menyediakan runtime model ML untuk aplikasi. Namun mari kita pahami mengapa kita harus menggunakan AWS IoT Greengrass untuk menerapkan aplikasi ke perangkat edge:

• Dengan AWS IoT Greengrass, Anda dapat mengotomatiskan tugas yang diperlukan untuk menerapkan perangkat lunak Edge Manager ke perangkat dan mengelola model ML. AWS IoT Greengrass menyediakan SageMaker Edge Agent sebagai komponen AWS IoT Greengrass, yang menyediakan manajemen model dan API pengambilan data di edge. Tanpa AWS IoT Greengrass, menyiapkan perangkat dan armada untuk menggunakan Edge Manager mengharuskan Anda menyalin agen Edge Manager secara manual dari Layanan Penyimpanan Sederhana Amazon (Amazon S3) rilis ember. Agen digunakan untuk membuat prediksi dengan model yang dimuat ke perangkat tepi.
• Dengan integrasi AWS IoT Greengrass dan Edge Manager, Anda menggunakan komponen AWS IoT Greengrass. Komponen adalah modul perangkat lunak yang dibuat sebelumnya yang dapat menghubungkan perangkat edge ke layanan AWS atau layanan pihak ketiga melalui AWS IoT Greengrass.
• Solusinya mengambil pendekatan modular di mana aplikasi inferensi, model, dan logika bisnis lainnya dapat dikemas sebagai komponen di mana dependensi juga dapat ditentukan. Anda dapat mengelola siklus hidup, memperbarui, dan menginstal ulang setiap komponen secara independen daripada memperlakukan semuanya sebagai monolit.
• Untuk memudahkan perawatannya Identitas AWS dan Manajemen Akses (IAM), Edge Manager memungkinkan Anda untuk menggunakan kembali alias peran AWS IoT Core yang ada. Jika tidak ada, Edge Manager membuat alias peran sebagai bagian dari pekerjaan pengemasan Edge Manager. Anda tidak perlu lagi mengaitkan alias peran yang dihasilkan dari pekerjaan pengemasan Edge Manager dengan peran AWS IoT Core. Ini menyederhanakan proses penerapan untuk pelanggan AWS IoT Greengrass yang ada.
• Anda dapat mengelola model dan komponen lain dengan lebih sedikit kode dan konfigurasi karena AWS IoT Greengrass menangani penyediaan, pembaruan, dan penghentian komponen.

Ikhtisar solusi

Diagram berikut adalah arsitektur yang diimplementasikan untuk solusi:

Secara garis besar kita dapat membagi arsitektur ke dalam fase-fase berikut:

• Pelatihan model
  • Siapkan data dan latih model deteksi anomali menggunakan Pipa Amazon SageMaker. SageMaker Pipelines membantu mengatur alur pelatihan Anda dengan kode kustom Anda sendiri. Ini juga mengeluarkan Berarti Kesalahan Mutlak (MAE) dan nilai ambang lainnya yang digunakan untuk menghitung anomali.
• Kompilasi dan kemas modelnya
  • Kompilasi model menggunakan Neo, sehingga dapat dioptimalkan untuk perangkat keras target (dalam hal ini, instans EC2).
  • Gunakan API pekerjaan pengemasan SageMaker Edge untuk mengemas model sebagai komponen AWS IoT Greengrass. Edge Manager API memiliki integrasi asli dengan AWS IoT Greengrass API.
• Bangun dan kemas aplikasi inferensi
  • Bangun dan kemas aplikasi inferensi sebagai komponen AWS IoT Greengrass. Aplikasi ini menggunakan ambang yang dihitung, model, dan beberapa kode khusus untuk menerima data yang berasal dari turbin, melakukan deteksi anomali, dan mengembalikan hasil.
• Siapkan AWS IoT Greengrass di perangkat edge
  • Siapkan armada perangkat inti AWS IoT Greengrass. Dalam arsitektur ini, kami menggunakan instans EC2 untuk bertindak sebagai perangkat inti. Kami memutar lima instans EC2 melalui Formasi AWS Cloud dan instal runtime inti AWS IoT Greengrass pada instans tersebut.
• Terapkan ke perangkat tepi
  • Terapkan yang berikut ini di setiap perangkat edge:
    • Model ML yang dikemas sebagai komponen AWS IoT Greengrass.
    • Aplikasi inferensi mengemas komponen AWS IoT Greengrass. Ini juga mengatur koneksi ke MQTT AWS IoT Inti.
    • Komponen Edge Manager Greengrass yang disediakan AWS.
    • Komponen AWS IoT Greengrass CLI yang disediakan AWS (hanya diperlukan untuk tujuan pengembangan dan debugging).
• Jalankan solusi ujung ke ujung
  • Jalankan simulator, yang menghasilkan pengukuran untuk turbin angin, yang dikirim ke perangkat tepi menggunakan MQTT.
  • Karena notebook dan instans EC2 yang menjalankan AWS IoT Greengrass berada di jaringan yang berbeda, kami menggunakan AWS IoT Core untuk menyampaikan pesan MQTT di antara keduanya. Dalam skenario nyata, turbin angin akan mengirimkan data ke perangkat pendeteksi anomali menggunakan komunikasi lokal, misalnya, sebuah Komponen broker AWS IoT Greengrass MQTT.
  • Aplikasi dan model inferensi yang berjalan di perangkat pendeteksi anomali memprediksi apakah data yang diterima anomali atau tidak, dan mengirimkan hasilnya ke aplikasi pemantauan melalui MQTT melalui AWS IoT Core.
  • Aplikasi menampilkan data dan sinyal anomali pada dashboard simulator.

Untuk mengetahui lebih lanjut tentang cara menerapkan arsitektur solusi ini, silakan merujuk ke Repositori GitHub terkait dengan posting ini.

Di bagian berikut, kita akan membahas lebih dalam detail tentang cara menerapkan solusi ini.

Dataset

Solusinya menggunakan data turbin mentah yang dikumpulkan dari turbin angin nyata. Dataset disediakan sebagai bagian dari solusi. Ini memiliki fitur berikut:

• nanoId - ID perangkat edge yang mengumpulkan data
• turbinId - ID turbin yang menghasilkan data ini
• arduino_cap waktu - Stempel waktu Arduino yang mengoperasikan turbin ini
• nanoFreemem: Jumlah memori bebas dalam byte
• waktu acara - Stempel waktu baris
• rps - Rotasi rotor dalam rotasi per detik
• tegangan - Tegangan yang dihasilkan generator dalam milivolt
• qw, qx, qy, qz - Percepatan sudut kuarter
• gx, gy, gz - Akselerasi gravitasi
• kapak, ay, az - Akselerasi linier
• suhu gearbox - Suhu internal
• waktu singkat - Suhu luar
• kelembaban - Kelembaban udara
• tekanan - Tekanan udara
• gas - Kualitas udara
• angin_kecepatan_rps - Kecepatan angin dalam rotasi per detik

Untuk informasi lebih lanjut, lihat Pantau dan Kelola Model Deteksi Anomali pada armada Turbin Angin dengan Amazon SageMaker Edge Manager.

Persiapan dan pelatihan data

Persiapan dan pelatihan data dilakukan menggunakan SageMaker Pipelines. Pipelines adalah layanan continuous integration dan continuous delivery (CI/CD) pertama yang dibuat khusus dan mudah digunakan untuk ML. Dengan Pipelines, Anda dapat membuat, mengotomatiskan, dan mengelola alur kerja ML menyeluruh dalam skala besar. Karena dibuat khusus untuk ML, Pipelines membantu mengotomatiskan berbagai langkah alur kerja ML, termasuk pemuatan data, transformasi data, pelatihan dan penyetelan, serta penerapan. Untuk informasi lebih lanjut, lihat Pipa Pembuatan Model Amazon SageMaker.

kompilasi model

Kami menggunakan Neo untuk kompilasi model. Ini secara otomatis mengoptimalkan model ML untuk inferensi pada instans cloud dan perangkat edge agar berjalan lebih cepat tanpa kehilangan akurasi. Model ML dioptimalkan untuk platform perangkat keras target, yang dapat berupa instans hosting SageMaker atau perangkat edge berdasarkan jenis dan kemampuan prosesor, misalnya apakah ada GPU atau tidak. Kompiler menggunakan ML untuk menerapkan pengoptimalan kinerja yang mengekstrak kinerja terbaik yang tersedia untuk model Anda pada instans cloud atau perangkat edge. Untuk informasi lebih lanjut, lihat Kompilasi dan Terapkan Model dengan Neo.

Kemasan model

Untuk menggunakan model yang dikompilasi dengan Edge Manager, Anda harus mengemasnya terlebih dahulu. Pada langkah ini, SageMaker membuat arsip yang terdiri dari model yang dikompilasi dan Waktu pengoperasian Neo DLR diperlukan untuk menjalankannya. Itu juga menandatangani model untuk verifikasi integritas. Saat Anda menerapkan model melalui AWS IoT Greengrass, buat_edge_packaging_job API secara otomatis membuat komponen AWS IoT Greengrass yang berisi paket model, yang siap diterapkan ke perangkat.

Cuplikan kode berikut menunjukkan cara memanggil API ini:

model_version = '1.0.0' # use this for semantic versioning the model. Must increment for every new model model_name = 'WindTurbineAnomalyDetection'
edge_packaging_job_name='wind-turbine-anomaly-%d' % int(time.time()*1000)
component_name = 'aws.samples.windturbine.model'
component_version = model_version resp = sm_client.create_edge_packaging_job( EdgePackagingJobName=edge_packaging_job_name, CompilationJobName=compilation_job_name, ModelName=model_name, ModelVersion=model_version, RoleArn=role, OutputConfig={ 'S3OutputLocation': 's3://%s/%s/model/' % (bucket_name, prefix), "PresetDeploymentType": "GreengrassV2Component", "PresetDeploymentConfig": json.dumps( {"ComponentName": component_name, "ComponentVersion": component_version} ), }
)

Untuk mengizinkan API membuat komponen AWS IoT Greengrass, Anda harus memberikan parameter tambahan berikut di bawah OutputConfig:

• Grafik PresetDeploymentType as GreengrassV2Component
• PresetDeploymentConfig untuk menyediakan ComponentName dan ComponentVersion yang digunakan AWS IoT Greengrass untuk menerbitkan komponen
• Grafik ComponentVersion dan ModelVersion harus masuk major.minor.patch format

Model tersebut kemudian diterbitkan sebagai komponen AWS IoT Greengrass.

Buat aplikasi inferensi sebagai komponen AWS IoT Greengrass

Sekarang kita membuat komponen aplikasi inferensi yang dapat kita terapkan ke perangkat. Komponen aplikasi ini memuat model ML, menerima data dari turbin angin, melakukan deteksi anomali, dan mengirimkan hasilnya kembali ke simulator. Aplikasi ini dapat berupa aplikasi asli yang menerima data secara lokal di perangkat edge dari turbin atau aplikasi klien lainnya melalui antarmuka gRPC.

Untuk membuat AWS IoT Greengrass khusus komponen, lakukan langkah-langkah berikut:

1. Berikan kode untuk aplikasi sebagai file tunggal atau sebagai arsip. Kode perlu diunggah ke bucket S3 di Wilayah yang sama tempat kami mendaftarkan perangkat AWS IoT Greengrass.
2. Buat file resep, yang menentukan parameter konfigurasi komponen, dependensi komponen, siklus hidup, dan kompatibilitas platform.

Siklus hidup komponen menentukan perintah yang menginstal, menjalankan, dan mematikan komponen. Untuk informasi lebih lanjut, lihat Referensi resep komponen AWS IoT Greengrass. Kita dapat mendefinisikan resep dalam format JSON atau YAML. Karena aplikasi inferensi mengharuskan model dan agen Edge Manager tersedia di perangkat, kita perlu menentukan dependensi ke model ML yang dikemas sebagai komponen AWS IoT Greengrass dan komponen Edge Manager Greengrass.

3. Saat file resep sudah siap, buat komponen inferensi dengan memanggil buat_komponen_versi API. Lihat kode berikut:

   ggv2_client = boto3.client('greengrassv2')
   with open('recipes/aws.samples.windturbine.detector-recipe.json') as f: recipe = f.read()
   recipe = recipe.replace('_BUCKET_', bucket_name)
   ggv2_client.create_component_version(inlineRecipe=recipe
   )

Aplikasi inferensi

Aplikasi inferensi terhubung ke AWS IoT Core untuk menerima pesan dari turbin angin simulasi dan mengirim hasil prediksi ke dasbor simulator.

Ini menerbitkan topik-topik berikut:

• wind-turbine/{turbine_id}/dashboard/update – Memperbarui dasbor simulator
• wind-turbine/{turbine_id}/label/update – Memperbarui status model yang dimuat pada simulator
• wind-turbine/{turbine_id}/anomalies – Memublikasikan hasil anomali ke dasbor simulator

Itu berlangganan topik berikut:

• wind-turbine/{turbine_id}/raw-data – Menerima data mentah dari turbin

Siapkan perangkat AWS IoT Core

Selanjutnya, kita perlu menyiapkan perangkat yang menjalankan aplikasi deteksi anomali dengan menginstal perangkat lunak inti AWS IoT Greengrass. Untuk posting ini, kami menggunakan lima instans EC2 yang bertindak sebagai perangkat pendeteksi anomali. Kami menggunakan AWS CloudFormation untuk meluncurkan instans. Untuk menginstal perangkat lunak inti AWS IoT Greengrass, kami menyediakan skrip dalam instance UserData seperti yang ditunjukkan pada kode berikut:

 UserData: Fn::Base64: !Sub "#!/bin/bash wget -O- https://apt.corretto.aws/corretto.key | apt-key add - add-apt-repository 'deb https://apt.corretto.aws stable main' apt-get update; apt-get install -y java-11-amazon-corretto-jdk apt install unzip -y apt install python3-pip -y apt-get install python3.8-venv -y ec2_region=$(curl http://169.254.169.254/latest/meta-data/placement/region) curl -s https://d2s8p88vqu9w66.cloudfront.net/releases/greengrass-nucleus-latest.zip > greengrass-nucleus-latest.zip && unzip greengrass-nucleus-latest.zip -d GreengrassCore java -Droot="/greengrass/v2" -Dlog.store=FILE -jar ./GreengrassCore/lib/Greengrass.jar --aws-region $ec2_region --thing-name edge-device-0 --thing-group-name ${ThingGroupName} --tes-role-name SageMaker-WindturbinesStackTESRole --tes-role-alias-name SageMaker-WindturbinesStackTESRoleAlias --component-default-user ggc_user:ggc_group --provision true --setup-system-service true --deploy-dev-tools true "

Setiap instans EC2 dikaitkan dengan satu turbin angin virtual. Dalam skenario nyata, beberapa turbin angin juga dapat berkomunikasi ke satu perangkat untuk mengurangi biaya solusi.

Untuk mempelajari lebih lanjut tentang cara menyiapkan perangkat lunak AWS IoT Greengrass pada perangkat inti, lihat Instal perangkat lunak AWS IoT Greengrass Core. Template CloudFormation lengkap tersedia di Repositori GitHub.

Buat penerapan AWS IoT Greengrass

Saat perangkat aktif dan berjalan, kami dapat menerapkan aplikasi. Kami membuat penerapan dengan konfigurasi yang berisi komponen berikut:

• model ML
• Aplikasi inferensi
• Manajer Tepi
• AWS IoT Greengrass CLI (hanya diperlukan untuk tujuan debugging)

Untuk setiap komponen, kita harus menentukan versi komponen. Kami juga dapat menyediakan data konfigurasi tambahan, jika perlu. Kami membuat penerapan dengan menerapkan buat_penempatan API. Lihat kode berikut:

ggv2_deployment = ggv2_client.create_deployment( targetArn=wind_turbine_thing_group_arn, deploymentName="Deployment for " + project_id, components={ "aws.greengrass.Cli": { "componentVersion": "2.5.3" }, "aws.greengrass.SageMakerEdgeManager": { "componentVersion": "1.1.0", "configurationUpdate": { "merge": json.dumps({"DeviceFleetName":wind_turbine_device_fleet_name,"BucketName":bucket_name}) }, "runWith": {} }, "aws.samples.windturbine.detector": { "componentVersion": component_version }, "aws.samples.windturbine.model": { "componentVersion": component_version } })

Grafik targetArn argumen mendefinisikan tempat menjalankan penerapan. Grup benda ARN ditentukan untuk menerapkan konfigurasi ini ke semua perangkat yang termasuk dalam grup benda. Grup hal sudah dibuat sebagai bagian dari pengaturan arsitektur solusi.

Grafik aws.greengrass.SageMakerEdgeManager komponen adalah komponen yang disediakan AWS oleh AWS IoT Greengrass. Pada saat penulisan, versi terbaru adalah 1.1.0. Anda perlu mengonfigurasi komponen ini dengan nama armada perangkat SageMaker edge dan lokasi bucket S3. Anda dapat menemukan parameter ini di konsol Edge Manager, tempat armada dibuat selama penyiapan arsitektur solusi.

aws.samples.windturbine.detector adalah komponen aplikasi inferensi yang dibuat sebelumnya.

aws.samples.windturbine.model adalah komponen model ML pendeteksi anomali yang dibuat sebelumnya.

Jalankan simulator

Sekarang semuanya sudah siap, kita bisa memulai simulator. Simulator dijalankan dari notebook Python dan melakukan dua tugas:

1. Simulasikan turbin angin fisik dan tampilkan dasbor untuk setiap turbin angin.
2. Bertukar data dengan perangkat melalui AWS IoT MQTT menggunakan topik berikut:
   1. wind-turbine/{turbine_id}/raw-data – Memublikasikan data turbin mentah.
   2. wind-turbine/{turbine_id}/label/update – Menerima status model dimuat atau tidak dimuat dari aplikasi inferensi.
   3. wind-turbine/{turbine_id}/anomalies – Menerima anomali yang diterbitkan oleh aplikasi inferensi.
   4. wind-turbine/{turbine_id}/dashboard/update – Menerima data buffer terbaru oleh turbin.

Kita dapat menggunakan UI simulator untuk memulai dan menghentikan turbin angin virtual dan menyuntikkan kebisingan di Volt, Rot, dan Vib pengukuran untuk mensimulasikan anomali yang terdeteksi oleh aplikasi yang berjalan pada perangkat. Pada tangkapan layar berikut, simulator menunjukkan representasi virtual dari lima turbin angin yang sedang berjalan. Kita bisa memilih berhenti untuk menghentikan salah satu turbin, atau pilih Volt, Merah, atau Getaran untuk menyuntikkan kebisingan di turbin. Misalnya, jika kita memilih Volt untuk turbin dengan ID 0, the Tegangan perubahan status dari tanda centang hijau menjadi x merah, yang menunjukkan pembacaan tegangan turbin adalah anomali.

Kesimpulan

Mempertahankan siklus hidup model ML dengan aman dan andal yang diterapkan di seluruh armada perangkat bukanlah tugas yang mudah. Namun, dengan Edge Manager dan AWS IoT Greengrass, kami dapat mengurangi upaya implementasi dan biaya operasional dari solusi semacam itu. Solusi ini meningkatkan kelincahan dalam bereksperimen dan mengoptimalkan model ML dengan otomatisasi penuh pipeline ML, mulai dari akuisisi data, persiapan data, pelatihan model, validasi model, dan penerapan ke perangkat.

Selain manfaat yang dijelaskan, Edge Manager menawarkan manfaat lebih lanjut, seperti memiliki akses ke dasbor armada perangkat di konsol Edge Manager, yang dapat menampilkan kesehatan perangkat secara real-time dengan menangkap permintaan detak jantung. Anda dapat menggunakan data inferensi ini dengan Monitor Model Amazon SageMaker untuk memeriksa masalah penyimpangan kualitas data dan model.

Untuk membangun solusi untuk kebutuhan Anda sendiri, dapatkan kode dan artefak dari GitHub repo. Repositori menunjukkan dua cara berbeda untuk menerapkan model:

• Menggunakan pekerjaan IoT
• Menggunakan AWS IoT Greengrass (dibahas dalam posting ini)

Meskipun posting ini berfokus pada penerapan menggunakan AWS IoT Greengrass, pembaca yang tertarik melihat solusi menggunakan pekerjaan IoT juga untuk lebih memahami perbedaannya.

Tentang Penulis

Vikesh Pandey adalah Arsitek Solusi Spesialis Pembelajaran Mesin di AWS, membantu pelanggan di wilayah Nordik dan EMEA yang lebih luas merancang dan membangun solusi ML. Di luar pekerjaan, Vikesh senang mencoba berbagai masakan dan berolahraga di luar ruangan.

Massimiliano Angelino adalah Arsitek Utama untuk tim Prototyping EMEA. Selama 3 setengah tahun terakhir, dia telah menjadi Arsitek Solusi Spesialis IoT dengan fokus khusus pada komputasi tepi, dan dia berkontribusi pada peluncuran layanan AWS IoT Greengrass v2 dan integrasinya dengan Amazon SageMaker Edge Manager. Berbasis di Stockholm, ia menikmati skating di danau beku.

• Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
• CryptoHawk. Radar Altcoin. Uji Coba Gratis.
• Sumber: https://aws.amazon.com/blogs/machine-learning/anomaly-detection-with-amazon-sagemaker-edge-manager-using-aws-iot-greengrass-v2/