Time Series-modell i Azure Time Series Insights Gen2

I den här artikeln beskrivs Tidsseriemodell, funktionerna och hur du börjar skapa och uppdatera dina egna modeller i Azure Time Series Insights Gen2-miljön.

Sammanfattning

Traditionellt saknar de data som samlas in från IoT-enheter sammanhangsbaserad information, vilket gör det svårt att snabbt hitta och analysera sensorer. Den huvudsakliga motiveringen för Time Series Model är att förenkla hitta och analysera IoT- eller Time Series-data. Det här målet uppnås genom att möjliggöra curation, underhåll och berikning av tidsseriedata för att hjälpa till att förbereda konsumentklara datauppsättningar för analys.

Scenario: Contosos nya smarta lösningar

Tänk dig det fiktiva scenariot med en smart Contoso-matare. I det här scenariot antar vi att varje Contosos smarta detektor har fem temperatursensorer, en för var och en av fyra översta detektorer och en för själva byggnaden. Fram till nyligen skickade, lagrade och visualiserade varje Contoso-temperatursensor sina data individuellt. För att kunna övervaka köksapparaten förlitade sig Contoso på grundläggande diagram, ett för varje enskild sensor.

Contoso var nöjd med sin första data- och visualiseringslösning, men flera begränsningar blev märkbara:

• Kunderna ville veta hur varm den övergripande beroenden skulle bli när de flesta av de främsta lagren låg på. Contoso hade svårare att analysera och presentera ett enhetligt svar om villkoren för den övergripande stenen.
• Contosos tekniker ville kontrollera att de främsta strömförsörjningarna som körs samtidigt inte skulle resultera i ineffektivt energispar. Det var svårt att korsreferensera vilka temperatur- och spänningssensorer som var associerade med varandra och hur de skulle lokaliseras i lagret.
• Contosos kvalitetssäkringsteam ville granska och jämföra historiken mellan två sensorversioner. Det var svårt att avgöra vilka data som hör till vilken sensorversion.

Utan möjligheten att strukturera, organisera och definiera den övergripande tidsseriemodellen för smarta underhåll, bibehålls varje temperatursensor som är friplacerad, isolerad och mindre informativa datapunkter. Det var svårare att omvandla dessa datapunkter till användbara insikter eftersom varje datauppsättning fanns oberoende av de andra.

Dessa begränsningar visade vikten av smarta verktyg för dataaggregering och visualisering som medföljer Contosos nya produkter:

• Datavisualiseringen är användbar när du kan associera och kombinera data i en praktisk vy. Ett exempel är att visa spänningssensorer tillsammans med temperatursensorer.
• Det kan vara svårt att hantera flerdimensionella data för flera entiteter tillsammans med jämförelse-, zoomnings- och tidsintervallsfunktionaliteter.

Time Series Model är en praktisk lösning för många av de scenarier som påträffas i det här fiktiva exemplet:

• Tidsseriemodellen spelar en viktig roll i frågor och navigering eftersom den kontextualiserar data genom att tillåta att jämförelser ritas över tidsintervall och mellan sensor- och enhetssorter. (A)
• Data kontextualiseras ytterligare eftersom data som bevaras i Time Series Model bevarar tidsseriefrågeberäkningar som variabler och återanvänder dem vid frågetiden.
• Time Series Model organiserar och aggregerar data för bättre visualiserings- och hanteringsfunktioner. (B)

De viktigaste funktionerna

Med målet att göra det enkelt att hantera kontextualisering för tidsserier möjliggör Time Series Model följande funktioner i Azure Time Series Insights Gen2. Det hjälper dig att:

• Skapa och hantera beräkningar eller formler som utnyttjar skalära funktioner, aggregeringsåtgärder och så vidare.
• Definiera överordnade-underordnade relationer för att aktivera navigering, sökning och referens.
• Definiera egenskaper som är associerade med instanserna, definierade som instansfält, och använd dem för att skapa hierarkier.

Komponenter

Time Series-modellen har tre kärnkomponenter:

• Instanser av Tidsseriemodell
• Hierarkier för tidsseriemodeller
• Typer av tidsseriemodeller

Dessa komponenter kombineras för att ange en tidsseriemodell och organisera dina data.

En tidsseriemodell kan skapas och hanteras via Azure Time Series Insights Explorer. Inställningarna för Tidsseriemodell kan hanteras via API:et för modellinställningar.

Instanser av Tidsseriemodell

Instanser av tidsseriemodeller är virtuella representationer av själva tidsserien.

I de flesta fall identifieras instanser unikt av deviceId eller assetId, som sparas som tidsserie-ID:er.

Instanser har beskrivande information som kallas instansegenskaper, till exempel ett tidsserie-ID, typ, namn, beskrivning, hierarkier och instansfält. Instansegenskaper innehåller minst hierarkiinformation.

Instansfält är en samling beskrivande information som kan innehålla värden för hierarkinivåer, samt tillverkare, operatör och så vidare.

När en händelsekälla har konfigurerats för Azure Time Series Insights Gen2-miljön identifieras instanserna automatiskt och skapas i en tidsseriemodell. Instanserna kan skapas eller uppdateras via Azure Time Series Insights Explorer med hjälp av Time Series Model-frågor.

Contosos demonstration av vindkraftverk innehåller flera exempel på liveinstanser.

Instansegenskaper

Instanser definieras av timeSeriesId, typeId, name, description, hierarchyIds och instanceFields. Varje instans mappar till endast en typ och en eller flera hierarkier.

Instanser har följande JSON-representation:

{
  "timeSeriesId": ["PU2"],
  "typeId": "545314a5-7166-4b90-abb9-fd93966fa39b",
  "hierarchyIds": ["95f0a8d1-a3ef-4549-b4b3-f138856b3a12"],
  "description": "Pump #2",
  "instanceFields": {
    "Location": "Redmond",
    "Fleet": "Fleet 5",
    "Unit": "Pump Unit 3",
    "Manufacturer": "Contoso",
    "ScalePres": "0.54",
    "scaleTemp": "0.54"
  }
}

Hierarkier för tidsseriemodeller

Tidsseriemodellhierarkier organiserar instanser genom att ange egenskapsnamn och deras relationer.

Du kan konfigurera flera hierarkier i en Azure Time Series Insights Gen2-miljö. En instans av en tidsseriemodell kan mappas till en enda hierarki eller flera hierarkier (många-till-många-relationer).

Demonstrationen av Contosos vindkraftverk visar en standardinstans och typhierarki.

Hierarkidefinition

Hierarkier definieras av hierarki-ID, namn och källa.

Hierarkier representeras i JSON som:

{
  "hierarchies": [
    {
      "id": "6e292e54-9a26-4be1-9034-607d71492707",
      "name": "Location",
      "source": {
        "instanceFieldNames": [
          "state",
          "city"
        ]
      }
    },
    {
      "id": "a28fd14c-6b98-4ab5-9301-3840f142d30e",
      "name": "ManufactureDate",
      "source": {
        "instanceFieldNames": [
          "year",
          "month"
        ]
      }
    }
  ]
}

I föregående JSON-exempel:

• Location definierar en hierarki med över- states och underordnad cities . Var location och en kan ha flera , som i sin tur kan ha flera states cities .
• ManufactureDate definierar en hierarki med över- year och underordnad month . Var ManufactureDate och en kan ha flera , som i sin tur kan ha flera years months .

Exempel på hierarki

Tänk dig ett exempel där hierarkin H1 building har , och som en del av dess floor room instanceFieldNames-definition:

{
  "id": "aaaaaa-bbbbb-ccccc-ddddd-111111",
  "name": "H1",
  "source": {
    "instanceFieldNames": [
      "building",
      "floor",
      "room"
    ]
  }
}

Med tanke på de instansfält som användes i den tidigare definitionen och flera tidsserier visas hierarkiattributen och -värdena enligt följande tabell:

Tidsserie-ID1 och ID4 visas som en del av hierarkin H1 i Azure Time Series Insights Explorer eftersom de har fullständigt definierade och korrekt sorterade parametrar för byggnad, våning och rum.

De andra klassificeras under instanser som inte är registrerade eftersom de inte överensstämmer med den angivna datahierarkin.

Typer av tidsseriemodeller

Time Series-modelltyper hjälper dig att definiera variabler eller formler för att utföra beräkningar. Typer associeras med en specifik instans.

En typ kan ha en eller flera variabler. En instans av en tidsseriemodell kan till exempel vara av typen Temperatursensor, som består av variablerna genomsnittlig temperatur, minimitemperatur och högsta temperatur.

Contosos vindkraftverksdemo visualiserar flera typer av tidsseriemodeller som är associerade med deras respektive instanser.

Typegenskaper

Typer av tidsseriemodeller definieras av id, namn, beskrivning och variabler .

Typerna följer följande JSON-exempel:

{
  "types": [
    {
      "id": "1be09af9-f089-4d6b-9f0b-48018b5f7393",
      "name": "DefaultType",
      "description": "Default type",
      "variables": {
        "EventCount": {
          "kind": "aggregate",
          "value": null,
          "filter": null,
          "aggregation": {
            "tsx": "count()"
          }
        },
        "Interpolated Speed": {
          "kind": "numeric",
          "value": {
              "tsx": "$event['Speed-Sensor'].Double"
          },
          "filter": null,
          "interpolation": {
              "kind": "step",
              "boundary": {
                  "span": "P1D"
              }
          },
          "aggregation": {
              "tsx": "right($value)"
          }
        }
      }
    }
  ]
}

Time Series-modelltyper kan ha många variabler som anger formel- och beräkningsregler för händelser. Läs mer om hur du definierar time seriesmodellvariabler

Nästa steg

• Läs referensdokumentationen för Tidsseriemodell för mer information om hur du redigerar modellen via API:er.

• Utforska de formler och beräkningar som du kan skapa med Variabler för Tidsseriemodell

• Lär dig mer om att köra frågor mot data i Azure Time Series Insights Gen2