用于确定工业应用中的可执行知识图的方法与流程
本发明涉及确定工业应用中的可执行知识图的方法,以及对应的设备、计算机程序以及计算机可读存储介质。
背景技术:
1、工程师通常使用结构化工程信息更快地设置自动化和控制系统,并且有时还能更快地解决问题。此信息在工厂操作期间也是有益的,因为它提供工厂拥有哪些资产以及生成了哪些过程数据的概览。然而,统计信息通常不可用或无法使用,因为它需要大量的数据整理工作。因此,过程自动化工程(p&a eng)和操作缺少能形成可行洞察的宝贵信息。因此,工业应用的知识图可能无法为操作员提供有益的输出。
2、因此,在工业应用中需要改进的知识图。
技术实现思路
1、本公开的独立权利要求的主题解决或缓解了上述问题,其中在从属权利要求中包含了更多示例。
2、根据本发明的一个方面,提供了一种用于确定工业应用中的可执行知识图的计算机实现的方法。
3、在该方法的一个步骤中,由输入单元获得反映工业应用的知识图,该知识图包括多个节点以及该多个节点之间的关系。
4、在下一个步骤中,由输入单元接收用户的用户查询,其中该用户查询被配置为从知识图提取知识。
5、在下一个步骤中,由处理单元,通过基于知识图的属性和/或用户查询的属性将知识图的至少一个节点确定为可执行节点并将该至少一个节点转换成针对知识图的可执行节点,来将知识图扩展为可执行知识图。该至少一个可执行节点连接知识图的至少两个节点。至少一个可执行节点被配置为执行算法,该算法确定知识图的至少两个节点之间的关联。
6、工业应用是系统、方法或技术在工业工厂的操作环境内的实现。它可以涉及将软件、硬件以及数据驱动工具集成到诸如生产、控制、监控和维护之类的工业过程中。
7、知识图是对定义域内的实体及其相互关系的结构化表示,它被建模为由边连接的节点网络。知识图可以捕获和组织有关工厂组件、过程、系统、文档、及其相互依赖关系的数据。图格式允许语义建模,其中每个实体(例如设,备、传感器或过程)都经过正式描述并且通过明确定义的关系与其他实体连接。
8、知识图可以是基于域信息模型、来自工程域的域知识图(例如,关于自动化工程数据和/或传统客户设计规范与待设计过程工厂的关系的知识图),或者来自操作域的知识图(例如,来自报警管理上下文),其详细说明需要触发哪些警报以及在哪些严重程度下以及在哪些条件下或其他条件下触发。
9、知识图包括特定的感兴趣域,而该图与多个本体或信息模型相关,并且该图与实例数据(即,图数据库或关系数据库)链接。
10、可执行知识图是包括至少一个可执行节点的知识图。
11、知识图中的节点可以表示与工业工厂相关的离散实体、特征、属性或概念。这可以包括物理组件(数字孪生形式),例如,电机或阀门;过程,例如,加热或混合;操作参数,例如,温度或压力;逻辑结构,例如,控制策略或故障模式;数字工件,例如,文档或传感器数据;或者可以被引用和描述的任何可识别的知识单元。每个节点都是唯一可标识的,并且可以具有关联的元数据或属性。每个节点捕获具体信息,并且通过关系与其他节点连接,从而实现对工厂的物理资产、工作流以及知识的结构化、互连的视图。
12、知识图中的节点之间的关系定义两个实体之间的语义连接。这些关系可以表达各种关联,诸如“是……的一部分”、“控制”、“由……维护”或“测量”。每种关系都是有方向的,并且可以具有具体的类型和属性,而属性进一步描述了源节点与目标节点之间的连接的性质。
13、可执行节点是知识图内包含或引用算法、逻辑、代码或已定义操作的节点,而算法、逻辑、代码或已定义操作可以在执行环境内被触发和运行。这包括分析模型、控制脚本、模拟或工作流定义,它们在被执行时会作用于数据或其他节点。
14、将节点转换成可执行节点包括用算法、可执行逻辑来增强标准知识图节点,或者将其链接到能够执行行动的计算资源。
15、与静态知识图相比,可执行知识图为客户呈现更多增值服务。可执行知识图使知识图能够更加透明并且实现全局知识图。另外,机器学习模型可以在多个工业应用中被重复使用。
16、用户查询包括由用户或系统发出的结构化或非结构化请求,以检索、分析工业工厂知识图中表示的信息或作用于该信息。查询可以用自然语言、形式化查询语言(例如,sparql),或通过用户接口(例如,输入单元)表达,并且可以被解释为将请求映射到相关的节点和/或关系。
17、扩展知识图包括用至少一个可执行节点来丰富知识图。
18、知识图的至少两个节点之间的关联包括知识图的两个节点之间的至少一个根本原因。该关联可以是两个节点之间的根本原因分析。
19、用户可以是工程师、操作员或工厂所有者。
20、该方法是基于知识图的,并且包括向图的节点添加可执行算法或软件工具(诸如ml模型)。
21、例如,所提出的方法可以被用于:通过帮助在知识图中找到链接节点的智能路径,查找根本原因;通过帮助识别知识图中的节点(概念及其关系和/或实例数据)之间尚未知晓的相关性,进行模式或相关性分析;或者模拟执行。
22、另外,该方法还可以被用于搜集数据。换言之,该方法可以被用于对数据进行插值和/或外推,或找到模式并自动补全。
23、该方法使用可执行节点来丰富知识图内的信息,从而使用户能够进行可行洞察。它提供了一个更聪明、更加智能的知识图,该知识图协助用户做出明智的决策。此外,决策准则可以通过与知识图交互而被存储或学习。
24、因此,可以确定工业应用中更完善的知识图。
25、优选地,知识图的属性可以包括以下中的至少一项:知识图本体、多个节点的语义属性、以及用户查询与多个节点之间的上下文关系,并且其中用户查询的属性包括用户查询的语义属性。
26、知识图的本体可以包括形式化模式或概念模型,该模式或模型定义实体(节点)及其关系如何在图内被表示。知识图的本体可以指定节点类型(例如,设备、过程、传感器)、允许的关系(例如,“监控”、“控制”、“是……的一部分”)、数据类型以及约束。它可以是知识图的结构和语义基础。
27、多个节点的语义属性可以包括分配给知识图内的节点的类别。这些类别可以包括类型(例如,“离心泵”)、角色(例如,“冷却组件”)、功能(例如,“热传递”)或定义节点在工业工厂中的身份和用途的域特定标签。
28、用户查询与多个节点之间的上下文关系可以描述在查询处理期间建立的连接。这些关系可以通过解释用户的意图并将查询的相关元素(诸如术语、约束或引用)映射到知识图中在语义和操作上相关的节点而导出。这些关系可以确定哪些节点在上下文中适合回答查询或作用于查询。
29、用户查询的属性可以包括语义属性,语义属性确定该查询的预期含义。这些语义属性可以反映所请求信息的类型(例如,“操作状态”)、所调用的域特定概念(例如,“反应堆效率”)或正被查询的实体的角色(例如,“故障原因”)。
30、用户查询的属性指的是其定义特性,包括:
31、意图(例如,检索、比较、执行)
32、范围(查询针对知识图的哪一部分)
33、格式(结构化、半结构化或自然语言)以及
34、约束(例如,过滤器、条件或时间范围)。
35、这些属性指导底层系统如何在工业工厂的上下文中解析查询、如何将查询与知识图进行匹配以及如何进行解析。
36、该方法可以基于知识图属性使用可执行节点来丰富知识图内的信息,从而为用户提供可行洞察。它可以提供一个更聪明、更加智能的知识图,该知识图协助用户做出明智的决策。
37、优选地,该算法可以包括机器学习(ml)模型和/或人工智能(ai)模型。
38、在工业工厂的操作过程中,使用知识图可能很有益,因为它提供工厂拥有的资产以及生成什么过程数据的概览。然而,为了获得可行洞察,可能需要用一些统计算法或机器学习(ml)、人工智能(ai)或生成式人工智能(genai)方法来丰富知识图,从而为用户提供更有益的输出。
39、然而,统计信息通常是不可用或无法使用的,因为它可能需要大量的数据整理工作以及实际的统计、ml或ai知识,才能基于可能经常甚至是“可用”的数据点来导出统计信息。
40、至少一个可执行节点的算法可以是计算步骤或逻辑规则的预定义序列,其被设计为解决具体问题、执行数据分析或执行诸如异常检测、过程优化或故障诊断之类的任务。算法可以被实现为基于规则的逻辑、统计程序,或被嵌入在对工厂数据进行操作的软件系统中。
41、机器学习(ml)模型是一种计算结构,其对历史或实时数据进行训练以识别模式、进行预测或对与工业应用相关的输入进行分类。该模型可以通过将机器学习算法应用于数据而被生成,从而产生一种从示例中进行泛化而非遵循明确规则的机器学习(ml)模型。示例包括预测设备故障或优化过程参数的模型。
42、人工智能(ai)模型可以是一种通过推理、学习或基于数据做出决策来模拟智能行为的计算系统。它可以包括基于规则的系统、自然语言处理模型或深度学习系统,该系统解释传感器数据、协助故障排除或与用户交互。ai模型可以包含一个或多个机器学习模型作为其推理框架的一部分。
43、该算法可以包括用于模拟执行的软件工具。根据本发明此方面的软件工具可以包括数字应用,该数字应用执行与数据处理、可视化、建模、控制或与物理系统集成相关的具体功能。
44、当在可执行节点中被应用时,该算法可以包括机器学习模型、人工智能模型和/或软件工具,或使用它们来实现。它可以识别嵌入在这些组件中的一个或多个组件内或通过这些组件中的一个或多个组件来执行的算法逻辑。
45、更精确地说,可以提供一组ml模型或算法,使其在知识图节点上可执行,由此每个知识图可以被视为相应的“中心”,围绕该中心考虑所有相邻节点(即,相关概念及其相关概念)及其在知识图中的相应实例数据。
46、相邻概念可以包括通过一个或多个语义或功能关系被直接或间接连接到中心节点(诸如具体的设备组件、过程变量或操作事件)的节点。相邻概念可以超越直接连接的范围,包括携带与中心节点的有意义关联的多层相关概念。例如,如果中心节点表示一个泵,则其相邻概念可以包括监视它的流量传感器、控制输入的上游阀门、与压降相关联的警报条件,甚至类似泵类型的历史故障。包括这些相邻概念及其实例数据可以使ml模型不仅能够从局部信息中学习,还能够从知识图内的上下文信息中学习。
47、对于相应的ml算法,概念和相邻概念的实例数据可以对应于与panda dataframe中类似的数据行。然而,实例数据并非借助行索引链接的,而是借助概念索引和实例索引链接的。成功执行ml模型所需的数据点应该被连接到ml模型节点。可以存在一种机制,将数据点连接到ml模型节点,进而连接到可执行节点,该机制包括多节点模式分析、多节点主成分分析。例如,该机制可以包括从相邻的连接节点取得所需数据、预处理数据、执行ml模型,最终给出结果,使得可以选择下一个节点。
48、再者,用户可以在知识图中定义规则,以基于特定条件来执行某些算法或模型。
49、优选地,该算法可以包括模式分析、根本原因分析、主成分分析、行动推荐、假设分析、模拟执行和/或数据提取器工具。
50、当在可执行节点中被应用时,该算法可以包括一个或多个组件,以用于进行模式分析、根本原因识别、降维或经由主成分分析(pca)识别重要影响因素、生成推荐行动、评估假设场景、运行模拟和/或从知识图中提取数据。
51、模式分析可以包括检测模式,例如,用于数据点的补全、外推和/或插值。它可以包括识别和解释操作数据(诸如传感器读数、过程变量或维护记录)中的重复趋势、相关性或序列。它可以被用于通过分析时间、空间或类别数据结构来检测工厂系统中实体的正常或异常行为。
52、根本原因分析可以包括分析根本原因或影响因素。它可以是一种系统性的方法,用于工业工厂中识别故障、失效或效率低下的(多个)底层原因。它可以包括追溯观察到的问题(诸如设备失灵或质量偏差),通过过程数据、维护历史以及操作条件来确定其根源因素。
53、主成分分析(pca)可以包括找到主要影响因素。它可以是一种统计技术,用于在工业工厂中降低大型数据集的维度,同时保留最显著的方差。它可以将相关的过程变量变换成一组较小的不相关(有时是抽象的)成分,从而更容易(尤其是在多元系统中)对复杂的过程行为进行可视化和分析。
54、用图节点上的专家模型,每个可执行节点都可以包括起到“门卫”作用的pca,它只允许重要的主成分、原因或影响因素的因果关系(c&e)。pca可以降低可执行节点和边的维度,以获得最重要的节点和边,进而确定流通的路径。
55、行动推荐可以包括从所表示的数据中得出结论或补充信息。它可以是决策支持系统或算法的输出,该系统或算法基于当前数据、历史事件或模型预测而建议具体的操作或维护行动。这些推荐可以涉及改善、风险缓解或故障预防。
56、假设分析是一种基于场景的评估方法,用于在工业工厂对过程变量、配置或决策的假设性变化的潜在结果进行评估。它可以允许用户模拟诸如参数调整或设备停机之类的行动的影响,无需在实际系统中实施这些行动。
57、模拟执行可以包括运行一个过程、系统或工作流的数字模型来复制实体的行为。此执行可以使能验证过程策略、评估性能或测试控制逻辑,而不影响实际操作。
58、数据提取器工具可以是被用于从各种源(诸如传感器、数据库和/或日志)检索结构化或非结构化数据的软件组件或实用程序。它可以对检索到的数据进行标准化、格式化和准备,以供在分析、建模或报告系统中使用。
59、该方法可以使用可执行节点来丰富知识图内的信息,该可执行节点被配置为执行模式分析、根本原因分析、主成分分析、行动推荐、假设分析、模拟执行和/或数据提取,从而为用户提供可行洞察。它可以提供一个更聪明、更加智能的知识图,该知识图协助用户做出明智的决策。
60、优选地,可执行知识图以及知识图的至少两个节点之间的关联可以由输出单元提供给用户。该关联可以包括知识图的至少两个节点之间的语义关系、线性关系、反比例关系或域特定关系。
61、包括可执行节点以及至少两个节点之间的关联的可执行知识图可以通过输出单元而被提供给用户。
62、工业知识图中的两个节点之间的关联可以包括各种形式,包括语义关系、线性关系、反比例关系或域特定关系。这些关联可以确定节点在知识图内在逻辑上或定量上是如何连接的。
63、知识图的至少两个节点之间的语义关系可以包括基于意义的连接,该连接反映它们所表示的实体之间的角色、类别或本体关联。在工业工厂中,这种关系可以包括诸如“是……的类型”、“执行”或“属于系统”之类的关系,从而允许图以机器可读的方式来表示结构化的域知识。
64、知识图的至少两个节点之间的线性关系可以表示相关联的实体的值或状态之间的直接的比例相关性。在工业工厂中,这可以描述这样一种情形:一个过程变量(例如,流速)的增加导致另一个过程变量(例如,压力)的成比例增加,并且节点可以反映这种定量依赖关系。
65、知识图的至少两个节点之间的反比例关系可以包括数学或运算连接,其中一个实体的值增加对应于另一个实体的值减少。在工业工厂上下文中,这可以描述诸如“冷却水流量增加时,反应器温度降低”之类的现象,表明两个过程变量之间存在反向依赖关系。
66、知识图的至少两个节点之间的域特定关系可以包括一种专门的连接,这种连接是工业工厂的操作环境、过程或标准所独有的。该域可以指知识图及其组件所适用的专业知识、操作或功能范围的具体领域。
67、该方法可以使用可执行节点来丰富知识图内的信息,从而通过可执行知识图以及知识图的至少两个节点之间的关联为用户提供可行洞察。所提供的知识图可以协助用户做出明智的决策。
68、优选地,输入单元可以从用户接收验证数据。验证数据可以包括所提供的可执行知识图的经编辑的版本。此外,处理单元可以基于验证数据对知识图的至少两个节点之间的关联进行适配。
69、输入单元可以从用户接收验证数据。
70、用户可以通过输入单元以修改可执行知识图的形式来提供验证数据。处理单元可以使用这些数据来更新或改善节点之间的关系,从而允许工业应用与用户输入或操作变化保持一致。
71、这可以是这样的过程,即,用户(例如,工程师或操作员)通过输入单元提交验证数据,目的是确认、修正或改善知识图。
72、验证数据可以包括已提供的可执行知识图的经编辑的版本。
73、用户提供的验证数据可以包括可执行知识图的修改版本,包括对节点、关系、元数据、算法或可执行逻辑的更改,反映了修正后的信息和/或修订后的过程配置。
74、处理单元可以基于验证数据对知识图的至少两个节点之间的关联进行适配:
75、对至少两个节点之间的关联进行适配可以包括处理单元使用从用户接收的验证数据对知识图内的节点之间的关系进行动态适配。这种适配可以包括基于验证数据重新定义、更改或删除节点之间的关系。
76、该方法可以使用由用户提供的验证数据(包括所提供的可执行知识图的经编辑的版本)来丰富知识图内的信息。基于验证数据的可执行知识图可以协助用户做出明智的决策。
77、优选地,该工业应用可以是在过程自动化工程p&a eng或操作(processautomation engineering or operations)域中。
78、该域可以包括过程自动化工程p&a eng或操作。此外,它可以包括诸如化学加工、发电、水处理或制造之类的行业,并且涵盖该领域所特有的词汇、实体、过程、数据模型以及规则。该域可以定义知识在工厂的数字和操作系统中如何被构建、解释以及使用的边界和上下文。
79、该工业应用的可执行知识图可以被用于以下场景:
80、在工程中,当从文档中提取结构化知识图表示时,可执行模型可以帮助“填充”信息,例如,当符号不可清晰检测时。
81、在操作中,当需要分析“根本原因”或在“假设分析”场景中时。
82、在操作中,对于警报泛滥的处理,当操作员在紧急情形下看到大量警报且无法确定首先迎合哪个警报时,可执行知识图(尤其是主成分分析(pca)算法)可以帮助导出统计相关性最高的警报。
83、优选地,该工业应用可以包括用于工程的数据处理(data processing forengineering)。
84、该工业应用可以包括用于工程的数据处理,其包括处理、变换以及分析工程和操作相关数据以支持设计、验证、操作以及归档任务。再者,它可以包括处理来自诸如p&id、控制说明、i/o列表、模拟模型以及配置文件之类的来源的结构化和非结构化数据,目的是提取相关信息、确保数据一致性以及使其能够集成到诸如知识图或工程工具之类的数字系统中。
85、例如,该方法可以基于用于读取、解析以及处理工程设计规范数据的系统,这些数据例如描述了过程工厂应如何被建造和配置,因此该系统能够全面分析此数据、将此数据变换并整合成与域信息模型或知识图(至少部分地)一致的结构化表示。因此,可以获得原始输入数据的形式化、结构化且全面的表示,例如,该表示可以填充本体,从而形成知识图的扩展。或者,该方法可以是基于在工厂操作期间为工厂操作员/所有者提供支持的系统,例如,在处理警报与事件时,例如,在警报泛滥的用例中,在紧急情形下,大量警报被显示给用户,并且无法对警报进行优先级排序。因此,用户无法确定首先迎合哪个警报。
86、优选地,知识图可以基于管道和仪表过程图(p&id)数据、控制说明、输入输出(i/o)列表、警报与事件、时间序列数据、域知识、工业应用的历史数据和/或用户预定义数据来确定。
87、知识图的结构和内容可以从在工业工厂中使用的各种各样的工程和操作数据源中导出。这些数据源可以提供设备、过程逻辑、控制行为以及历史性能的正式和非正式定义,然后将其转变成知识图内在语义上有意义的节点和关系。
88、另外,工业应用可以包含数据处理以支持工程任务,并且知识图可以使用各种各样工厂特定的数据源来构建,该数据源包括工程文档、实时信号、事件日志、域标准以及用户输入——以形成工厂的全面数字化表示。
89、管道和仪表过程图(p&id)数据可以是包括工业工厂内的管道、设备、仪表以及控制系统的实体的物理布局和逻辑关系的图形化表示。它可以作为工程文档被提供,该工程文档定义过程系统如何被互连和操作并且通常被用作构建知识图的基础输入。
90、控制说明可以是结构化的文本文档,其描述了具体的工厂系统或过程的预期控制逻辑、操作顺序以及自动化策略。控制说明可以定义控制系统应该如何响应于各种条件和输入,并且可以被用于提取基于逻辑的关系和功能行为以纳入知识图。
91、输入/输出(i/o)列表可以是表格数据集,其表示了工厂控制系统与现场设备(诸如传感器和执行器)之间交换的详细数字和模拟信号。这些列表可以指定信号类型、寻址、标签名称以及描述,并且对于将仪表和自动化结构映射到知识图中至关重要。
92、警报与事件数据可以包括工业工厂控制系统所生成的日志,该日志指示异常状况(例如,警报)或重要的操作活动(例如,工业工厂内的事件)。警报与事件数据可以包括工厂状态之间的时间关系和因果关系,并且可以被用于识别知识图中的关键的交互和依赖关系。
93、时间序列数据可以包括随时间收集的过程变量(例如,温度、压力、流量)的连续或周期性测量值。时间序列数据可以由传感器生成,并且可以被存储在历史数据库或数据库中。
94、域知识可以表示与具体类型的工业工厂(诸如发电、炼油或水处理)相关联的专业知识、规则以及概念。它可以为解释数据以及定义知识图中有意义的节点和节点之间的关系提供上下文。
95、工业应用的历史数据可以包括先前收集的操作数据、日志、维护记录以及过程性能指标。这些数据可以提供对长期行为和系统演变的深入洞察,并且可以被用于通过识别模式、关联以及生命周期变化来通知知识图的结构和内容。
96、用户预定义数据可以包括用户手动提供以定义或修正知识图的任何定制信息。这些信息可以包括反映工厂特定洞察或用户特定目标的注释、规则、模板或配置。用户预定义的数据可以实现对知识图的定制,以满足特定的工程或操作需求。
97、优选地,知识图可以基于包括多种数据类型或模态的数据来确定,其中模态包括结构化数据、非结构化数据、文本数据、图像数据、音频数据、时间序列、或数值数据中的至少一种。
98、知识图可以使用源自多种格式或来源的异构数据而生成。这些数据模态可以包括结构化数据(诸如传感器日志和数据库)、非结构化数据(诸如自由形式报告或维护日志)、来自文档(如控制说明)的文本数据、图像数据(诸如设备图或照片)、音频数据(诸如操作员录音或警报声)、来自连续记录的过程变量的时间序列数据以及表示定量过程指标的数值数据。所有这些模态均可以被解释并整合到统一的知识图中,以表示工厂的操作知识和上下文知识。
99、该知识图及其包含的信息可以是多模态的,包括文本、数字、时间序列或图像。
100、可执行节点上的算法和/或软件可进行相应的设置,以处理多模态数据和信息。
101、该方法可以使用多种数据类型或模态来丰富知识图内的信息。
102、优选地,该知识图可以包括问题的根本原因图,其中多个节点包括多个问题节点(指示对问题的定义)、多个根本原因节点(表示问题的多个根本原因)以及行动节点(指示要采取的行动),并且其中的至少一个可执行节点包括可执行传感器节点(被配置为确定多个问题节点中的至少一个与多个根本原因节点中的至少一个之间的关联)和可执行行动节点(被配置为确定多个根本原因节点中的至少一个与多个行动节点中的至少一个之间的关联)。
103、知识图可以包括问题的根本原因图,用于对已知或检测到的问题的逻辑结构进行建模。根本原因图可以表示问题本身、其可能的底层原因以及对应的修正或缓解行动之间的关系,从而使能做出结构化的分析和决策。
104、知识图可以包括被称为根本原因图的专用子图。
105、知识图可以包括多个问题节点,用于指示对问题的定义。知识图中的多个问题节点可以表示在工厂中观察到或报告的问题的具体方面或具体形式。这些节点可以基于实时或历史的工厂数据,通过描述、受影响的系统、异常状况或触发症状来共同定义问题。
106、多个根本原因节点可以表示问题的多个根本原因。
107、知识图中的多个根本原因节点可以确定问题的不同潜在或已确认的底层原因。每个根本原因节点可以对应于具体的故障模式、偏差或是与问题节点逻辑链接的促成因素(例如,设备失灵、控制逻辑错误或传感器漂移)。
108、行动节点可以指示要采取的行动。
109、知识图中的行动节点可以包括为解决一个或多个根本原因而被执行的具体干预、响应或操作步骤。这些节点可以定义可行项,诸如维护任务、控制参数调整或系统重启,这些都是所推荐的解决方案路径的一部分。
110、可执行传感器节点可以被配置为确定多个问题节点中的至少一个与多个根本原因节点中的至少一个之间的关联。
111、可执行传感器节点可以是知识图中的功能元件,其被配置为分析实时传感器数据或历史传感器数据,以建立或验证问题节点与根本原因节点之间的连接。它可以执行数据驱动的评估(例如,模式识别或阈值检查),从而提供自动诊断推理。
112、可执行行动节点可以被配置为确定多个根本原因节点中的至少一个与多个行动节点中的至少一个之间的关联。
113、可执行行动节点可以是知识图中的计算组件,其被设计为识别与具体的根本原因链接的适当行动。
114、该方法可以在知识图内提供结构化的问题解决框架,其中互连节点表示问题、其根本原因以及可能的行动。
115、根本原因图可能需要被用于生成知识图的多个数据源。这些数据源可以包括警报与事件、域知识和/或操作员经验。
116、警报与事件可以包括多个警报,这些警报在800xa系统和工厂过程手册中被预先定义。
117、域知识可以包括可能发生的已知情形以及基于工厂过程的相同情形的可能根本原因。
118、操作员经验可以包括用户在运行工厂时的经验,这些经验可在操作员笔记中、工厂设定点更改中获取,或者可以直接向用户询问。
119、基于相应的故障场景,可以使用数据源来生成根本原因图。
120、根本原因图可以包括问题节点、传感器节点、根本原因节点以及行动节点。
121、问题节点可以包括问题的定义。
122、传感器节点可以被用于将工厂状态与特定表达式进行匹配,以确定该状态是否可以表示其所依附的问题节点。
123、根本原因节点可以是多个节点,其表示基于检测到的问题的检测到的问题的不同根本原因。
124、行动节点可以定义为解决该问题的根本原因而要采取的行动。
125、根本原因图可以是静态的,并且可以针对检测到的具体问题而提供多个根本原因,并且多个根本原因可以被提供给用户。
126、为了确定检测到的具体问题的单一根本原因,可能需要进一步的分析,包括一组如果-否则(if-else)条件,这可能会导致知识图非常冗长,难以遍历。
127、根本原因图可以为具体的传感器提供随时间变化的问题/根本原因表达式,或者它可能需要更动态地适应其他状态。简而言之,它应该定期被更新,否则该图可能会过时。
128、为了使根本原因图更动态,知识图可以包括至少一个可执行节点,该节点被配置为根据知识图中的起始点来确定到正确节点的路径。
129、可以提供预定义的根本原因分析图,包括可执行传感器节点和可执行行动节点。
130、可执行传感器节点可以是数据驱动的机器学习(ml)模型(诸如异常分类模型),该模型可以被用于导出到具体根本原因的路径以及对应的行动。这些节点可以包括执行数学表达式或调用相关数据库。
131、可执行行动节点可以被用于运行模拟或代理模型,以确定所推荐的行动是否有效。代理模型可以确定哪些值会导致所推荐的行动生效。
132、模拟可以通过挖掘描述模拟参数的相邻节点的内容而被设立或获取输入,因此可以包括为被执行而设立的合适模拟场景。相应的模拟结果可以被反馈到知识图中。
133、根据本发明的此方面,提供了一种方法,该方法用可执行节点来丰富知识图中信息,以从知识图中获得可行洞察以供用户使用。这些可行洞察可以包括用户在图中定义的某些规则,该规则基于特定条件来执行某些算法或模型。
134、根据本发明的另一个方面,提供了一种用于生成可执行知识图的方法。
135、在该方法的一个步骤中,由一个过程单元生成反映工业应用的知识图。该知识图基于至少一个与工业应用相关的数据源生成,其中该至少一个数据源包括表示工业应用实体以及实体之间的关系的本体和/或信息模型,其中该知识图包括多个节点以及该多个节点之间的关系。
136、在一个示例中,知识图可以通过模式分析或相关性分析生成。
137、在该方法的下一步骤中,根据本发明前述方面,通过处理单元将知识图扩展为可执行知识图。
138、描述特定感兴趣域的现有图可以通过分析不同节点彼此之间有何关系(即,它们彼此之间存在何种关系)进行扩展。例如,知识图中可能存在节点a、b、c、d和e。然而,该知识图可能仅表示节点a和b通过知识图给定的关系相互关联。该知识图可能没有描述节点c、d和e及其关系。因此,可执行模式或相关性分析节点可以分析节点c、d和e分别与节点a和/或b有何关系,一旦找到关系,节点c可以与节点b存在线性关系,而节点d可能与节点a存在异或关系。
139、然后,可以将节点c、d和e添加到知识图中,从而扩展知识图。
140、知识图可以是基于域信息模型、域知识图(例如,来自工程数据(engineeringdata)处理用例)或来自操作员支持用例(诸如警报管理)。
141、根据本发明的另一个方面,提供了一种设备。该设备包括一个输入单元、一个处理单元以及一个输出单元。该设备被配置为用于执行用于确定可执行知识图的方法和/或用于生成可执行知识图的方法。
142、输入单元被配置为获得反映工业应用的知识图。此外,输入单元被配置为接收用户查询和/或用户的验证数据。
143、处理单元被配置为生成反映工业应用的知识图,该知识图是基于至少一个与工业应用相关的数据源生成的。
144、处理单元还被配置为,通过将知识图的至少一个节点确定为可执行节点并将其转换成针对知识图的可执行节点,将知识图扩展为可执行知识图。另外,处理单元被配置为基于验证数据对知识图的至少两个节点之间的关联进行适配。
145、输出单元被配置为向用户提供可执行知识图以及知识图的至少两个节点之间的关联。
146、根据本公开的另一个方面,提供了一种包括指令的计算机程序产品,该指令在由计算机执行时使计算机执行用于确定可执行知识图的方法和/或用于生成可执行知识图的方法的步骤。
147、计算机程序产品可以是计算机程序本身,即,由数据处理装置(特别是计算机)执行的程序代码构成或包括该程序代码的计算机程序。替代地,该计算机程序产品可以是诸如数据存储装置(特别是计算机可读数据存储介质)之类的产品,计算机程序可以临时或永久存储在该存储介质上。
148、可以提供一种被配置为执行该方法的数据处理系统。例如,该数据处理系统可以包括计算机程序产品,或者可以至少被连接到该计算机程序产品,使得它可以执行计算机程序的指令。
149、根据本公开的一个方面,提供了一种包括指令的计算机可读介质,该指令在由计算机执行时使计算机执行用于确定可执行知识图的方法和/或用于生成可执行知识图的方法。
150、需要注意的是,上述方面、示例以及特征可以相互组合,而与所涉及的方面无关。
151、本公开的上述和其他方面将从下文描述的示例中变得显而易见并得以阐明。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com