本文介绍一个IoT领域较为关注的应用：机器失效时间(Time To Failure)预测。
系统环境：Thingworx Platform 8.5，Analytics Server 8.5，Analytics Extension 8.5。
第1步，配置Analytics参数。
点击Analytics图标>>Analytics
Manager>>Analysis Providers，新建一个Analysis Provider，Connector类型为TW.AnalysisServices.AnalyticsServer.AnalyticsServerConnector。
点击Analytics Builder>>Setting，设置Analytics Server。
第2步，创建分析数据。
首先要准备好CSV格式的数据文件和JSON格式的数据类型说明文件。
CSV文件的第一行是表头，应该和JSON文件保持一致。
JSON文件结构可参考：
---------------------------------------------------
[
{
"fieldName":
"s2",
"values":
null,
"range":
null,
"dataType":
"DOUBLE",
"opType":
"CONTINUOUS",
"timeSamplingInterval":
null,
"isStatic":
false
},
{
"fieldName":
"s3",
"values":
null,
"range":
null,
"dataType":
"DOUBLE",
"opType":
"CONTINUOUS",
"timeSamplingInterval":
null,
"isStatic":
false
}
]
---------------------------------------------------
CSV文件已包含以下信息：
1)
用于判定结果的字段(goalField)。
2)
关键参数字段。
3)
用于过滤数据的字段，如建立一个字段record_purpose，部分数据值为training，部分数据值为scoring，前者用于训练模型，后者用于分析模型的准确性。
4) 如果是time series
data，还要建立两个字段，分别表示训练次数和训练内周期。
按照原理来说，机器TTF用time series建模更为合适，但是由于Thingworx本身机制的原因(利用Value Stream存储time series
data，但是无法保证事务性)，本人实测在8.5试用版无法适用，因此本文不采用time series。
本文采用了一个NASA的公开数据集进行训练，下载地址：
https://c3.nasa.gov/dashlink/resources/139/
数据准备好以后，点击Analytics Builder>>Data>>New..
选择CSV文件和JSON文件，然后在“Review uploaded metadata”，以便再次核对数据类型。
一般的参数字段类型为Continuous，结果字段是Continuous或Boolean，本例中为Continuous。
用于筛选的字段，其类型为Informational。
点击Create Dataset。
创建成功后，新建Data会显示在Datasets列表中。
选择新建的Dataset>>View>>Filters>>New，可创建过滤器。
第3步，创建机器学习模型。
点击Analytics Builder>>Models>>New。
选择Dataset，然后选择结果字段和过滤器，此外还可以选择排除字段，以减少干扰提高效率：
点击Advanced Model Configuration，可配置高级参数：
在机器学习中，通常我们将数据按用途分成训练集、验证集、测试集3大部分，比例可设置为60%、20%、20%。
在此步骤，我们可利用过滤器排除测试用数据，然后可用Validation Holdout %来定义验证数据比例，默认为20%。
Learning Techniques包含了可用的机器学习算法，我们还可以手动添加算法及修改参数。
我的建议是用多种算法各训练一遍，然后用测试数据来分析各算法的匹配度。
同一种算法还可以利用不同的参数进行多次训练。
Ensemble Technique是多种算法的混合方式，也可以用多种方式进行尝试。
我的训练方法：
点击Submit就可以创建模型。
通常小型的数据集，训练时间比较短，但是time series data训练时间会长得多，此外数据集数据量越大则训练时间越长。
成功后在Analytics Builder>>Models可以看到新建的模型。
选中模型后点击Publish，成功后可以在Analytics Manager>>Analytics
Models看到此模型，并自动进入测试页面。
第4步，模型初步测试。
模型在创建时会自动进入测试页面，我们也可以Analytics Manager>>Analysis
Models选中模型后，点击View>>Test进入测试页面：
causalTechnique一般设为FULL_RANGE。
goalField即用于判定结果的字段。
然后输入各参数的值，之后点击Add Row。如果是time series data，则要输入多个值。
选择第一行数据，点击Set Parent Row，然后点击Submit Job。
系统会根据输入数据，结合算法模型，计算得到结果。
约数秒后，可得到结果。
在下方的Results Data Shape中，选择AnalyticsServerConnector.xxx，点击Refresh Job，可以看到结果。
此项计算的更多信息可以在Analysis Jobs中查看。
第5步，设置模型自动计算。
模型建立以后，我们可能还会继续观察一段时间，用预测结果比较实际值，从而对模型的准确度有更深入的认识。
以本文的NASA数据集为例，我们可利用其部分数据进行比较，具体如下。
首先建立一个DataTable，把CSV中的数据导入。
然后建立一个Thing，把各参数值作为Property进行更新。
然后建立一个Timer，把测试数据定期读入数据，用这些值进行测试。
点击Analytics Manager>>Analysis
Models，把新建的Model Enable。
点击Analysis Events>>New，Source
Type=Thing，Source为新建的Thing，Event=DataChage，Property设置为触发字段。
保存后在Analysis Events中选择新建的Event，点击Map
Data>>Inputs Mapping，Source Type=Thing，把模型的参数与Thing Property进行绑定。
Tips：模型的参数以_开头，此外还有causalTechnique和goalField，如果我们在Thing中定义了这些参数，则可以在此步骤中使用Map All，则系统会自动映射名称匹配的参数。
然后点击Results Mapping，把测试结果和Thing Property绑定。此处需注意，由系统算法计算得到的值会得到更新，但是不会记录到Value Stream中，所以我们必须另建一个Property，通过Service把结果同步过来。
配置好Event后，系统会自动监控触发条件，一旦符合则调用Analytics API自动计算得到结果，然后予以输出。
手动测试的结果和Event的结果都可以在Analysis Jobs中查看。
下图是我做TTF Demo Mashup界面：
下图是不同模型的分析对比：
下图罗列几个坑点和注意事项：
1) 由于time series
data采用Value Stream记录历史值，而Value Stream无法保证多个Property同时更新时的事务性，因此不能利用Event来进行实时预测。
2) 由于Analytics采用同步执行，如果要进行多个模型的对比分析，在设置Event的触发条件时，务必要保证多个Event不能在同一个时间点发生，不然会有大量的WAITING JOB。我的办法是，复制得到多个触发字段，然后用PAUSE指令进行延时。
3) 如果原始数据有多个参数，可先建一个小模型，只选用2个字段，然后进行训练、测试，用此模型发现建模中的问题，优化Data Table、Thing、Timer的逻辑，没有问题后再将模型扩展到更多字段，这样会顺利很多。
4) 慎用Timer，操作不慎会导致Value Stream数据大量增加，或者产生大量WAITING JOB。WAITING JOB太多会堵塞分析和预测。可以通过Resource TW.AnalysisServices.JobManagementServicesAPI.DeleteJobs强制删除Jobs，可以通过Data Table
TW.AnalysisServices.AnalysisDataTable.GetDataTableEntryCounts查看Job数量。
博文
