用于驱动或网关或两者组合的算法的全虚拟开发和测试环境的制作方法

本发明涉及一种用于驱动或网关或两者组合的算法的全虚拟开发和测试环境。

背景技术：

1、如今，机器学习（ml）算法的开发和测试是一项耗时且容易出错的任务。其原因之一在于，测试地点、测试设备和运行测试的操作员必须在同一时间段内同时可用。因此，仍有改进的空间。

技术实现思路

1、鉴于此，本公开的目的在于克服现今在机器学习（ml）算法的开发和测试中存在的至少部分缺陷。

2、因此，根据本公开的若干示例，描述了一种用于边缘网关（egw）和控制单元（cu）容器应用（例如egw容器加cu沙箱，其具有或不具有对真实硬件的需求）的虚拟开发和测试环境。

3、此外，根据本公开的若干示例，提出了一种用于驱动和驱动-网关-环境的本地分布式分析生态系统的全虚拟开发和测试方法。相应地，创建了一种用于egw和cu容器应用的虚拟开发和测试环境，例如egw容器加cu沙箱，其具有或不具有对真实硬件的需求。在此过程中，可能需要考虑三个部件：云、网关和驱动。因此，取决于仅对驱动进行虚拟化还是对驱动和网关两者进行虚拟化，可以存在至少两种不同的方法来解决上文概述的至少部分缺陷。

4、鉴于上述内容，为了解决一个或多个这些问题，在第一方面，提供了一种用于获得与虚拟驱动处的驱动应用相关联的至少一个输出驱动参数的方法。方法包括在云服务器或网关处，从机器学习（ml）模型获得指示至少一个输出驱动参数的数据。ml模型被应用于虚拟驱动处的驱动应用。

5、应当指出的是，方法可以是一种用于在工业环境中（例如在工业驱动应用系统中）获得与虚拟驱动处的驱动应用相关联的至少一个输出驱动参数的方法。

6、优选地，方法是计算机实现的。

7、在本技术通篇中，术语“虚拟驱动”也可被理解为“虚拟工业驱动”。术语“虚拟驱动”指的是“真实工业驱动”的模拟版本。虚拟驱动是实际“真实工业驱动”的副本，并以相同的方式运行。

8、“真实工业驱动”，也称为工业驱动产品、工业驱动或驱动，是一种用于在工业应用中控制电动马达的速度、扭矩、运动（位置）和方向的电子设备，例如可提高制造或自动化等过程的效率和性能。它通常根据变化的操作需求来调整马达输出。工业客户通常将此类驱动与各种编码器结合使用，以用于不同的工业用例，例如输送系统、数控机床、起重机和提升机或机器人应用。通常，编码器是一种传感器，提供关于马达轴的位置、速度和方向的反馈，从而能够在工业驱动中进行精确控制。它通过持续监测运动参数，有助于提高马达驱动系统的准确性和效率。

9、换言之，应当指出的是，本技术通篇所使用的术语“虚拟驱动”可包括虚拟驱动设备和/或虚拟驱动系统。因此，虚拟驱动可设置在真实设备或真实驱动设备处，例如设置在运行虚拟驱动软件的pc处（即在驱动pc处）。

10、鉴于此，关于术语“驱动应用”，术语“驱动应用”旨在表示在虚拟驱动处运行的应用。换言之，在虚拟驱动处运行的应用可以与由相应工业驱动执行或将要执行的操作相关联。因此，术语“驱动应用”可以与工业驱动的操作相关联，该操作通过使用驱动应用在相应的虚拟驱动处（将要）被执行、测试、模拟或托管。

11、因此，在本技术通篇中，表述“与虚拟驱动处的驱动应用相关联”可被理解为与真实工业驱动的操作相关联，其中该操作通过使用驱动应用在“虚拟驱动”处被应用、测试、模拟或托管。因此，方法可以用于在工业环境中获得与在虚拟驱动处（将要）被应用、执行或运行的驱动应用相关联的至少一个输出驱动参数。因此，可以说至少一个输出驱动参数与真实工业驱动的操作相关联，该操作通过使用驱动应用在“虚拟驱动”处被应用、测试、模拟或托管。类似地，ml模型可被应用于在虚拟驱动处（将要）被应用、执行或运行的驱动应用。因此，可以说ml模型在驱动应用上的应用与ml模型在真实工业驱动上或在真实工业驱动的操作上的应用相关联。

12、换言之，方法包括从ml模型获得至少一个输出驱动参数。为了便于理解，应当指出的是，当ml模型被应用于虚拟驱动处的驱动应用时，至少一个输出驱动参数可以由ml模型输出。为了便于理解，还应指出的是，为了测试至少一个预定驱动参数，当ml模型被应用于虚拟驱动处的驱动应用时，将要测试的至少一个预定驱动参数可能已被ml模型使用。例如，当ml模型被应用于虚拟驱动处的驱动应用时，使ml模型使用将要测试的至少一个预定驱动参数。因此，至少一个输出驱动参数可被理解为表示此类测试的结果。将要测试的至少一个预定驱动参数可以是ml模型在被应用于虚拟驱动处的驱动应用时所使用的预定驱动参数集合中的一个或多个驱动参数。将要测试的至少一个预定驱动参数可以是预定驱动参数集合中的一个或多个经修改或更新的驱动参数。因此，预定驱动参数集合可被修改或更新以包括将要测试的至少一个预定驱动参数。

13、因此，换言之，根据第一方面，ml模型被应用于或已被应用于虚拟驱动处的驱动应用。作为此类ml模型在驱动应用上应用的输出数据，至少一个输出驱动参数被获得。方法随后详细说明，此类输出数据，即此类至少一个输出驱动参数随后在云服务器或网关处被获得，例如至少一个输出驱动参数可以从虚拟驱动被发送至云服务器或网关。因此，可以说根据第一方面的方法是从云服务器或网关的角度出发的，并且至少一个输出驱动参数从虚拟驱动被传输至云服务器或网关。ml模型被应用于或已被应用于虚拟驱动处的驱动应用。

14、为了便于理解，应指出的是，根据第一方面的方法表示一种可以与根据第二方面的方法相关联的方法。

15、此外，应当指出的是，并未具体说明ml模型位于何处，即存储在何处，而是具体说明了应用ml模型的驱动应用位于虚拟驱动处。然而，如下文更详细概述的那样，ml模型可以位于，即存储在云服务器、网关或虚拟驱动处。

16、为了便于理解，当被提供、位于或存储在云服务器处时，ml模型可被称为“用于云或网关的ml模型”或“云或网关ml模型”。类似地，为了便于理解，当被提供、位于或存储在网关处时，ml模型可被称为“用于云或网关的ml模型”或“云或网关ml模型”。为了便于理解，当被提供、位于或存储在虚拟驱动处时，ml模型可被称为驱动ml模型。

17、因此，表述“用于云/网关”可以意味着“在云/网关上运行”。类似地，表述“用于驱动”，例如“用于驱动的算法”，应被广义地理解，并且可以包括“将要被应用于工业驱动的算法”或“在虚拟驱动上运行的算法”。

18、可能存在不止一个ml模型。可以在云服务器上提供云或网关ml模型，和/或可以在网关上提供云或网关ml模型，和/或可以在虚拟驱动上提供虚拟ml模型。

19、根据第一方面的方法可以参与在工业环境中实现ml算法的无硬件开发和测试。此外，方法还可以允许例如在windows pc环境中将网关用作虚拟网关。具体而言，可以使用虚拟网关上的docker容器，即使其具有真实网关上所存在的计算能力和空间资源限制。相应地，可以实现用于沙箱和容器应用的完全虚拟的开发环境。因此，根据按照第一方面的方法，由此描述了至少部分沙箱开发工作流，特别是也用于工业环境中ml算法的测试阶段，其中操作员或开发者可以使用虚拟工作流来测试已开发的算法，而无需考虑和/或在硬件设置上投入大量时间。因此，根据第一方面的方法可以有助于实现用于驱动的分析算法的无硬件开发和测试。

20、根据本公开的若干示例，ml模型可以是云服务器或网关处的用于云或网关的ml模型。方法可以还包括将用于云或网关的ml模型应用于虚拟驱动处的驱动应用。用于云或网关的ml模型的应用可以基于使用从虚拟驱动获得的至少一个预定驱动参数。至少一个输出驱动参数可以从用于云或网关的ml模型被输出。

21、因此，可能仅需要云服务器或网关处的一个ml模型。从而避免了在虚拟驱动上应用ml模型。

22、根据本公开的若干示例，ml模型可以是虚拟驱动处的驱动ml模型。方法还可包括在云服务器或网关处向虚拟驱动提供沙箱应用。沙箱应用可包括指示以下各项的配置信息：当被应用于驱动应用时驱动ml模型要使用的至少一个预定驱动参数、驱动ml模型、以及用于使驱动ml模型的输出可供云服务器和/或网关使用的配置。

23、应注意的是，用于驱动的沙箱应用是指驱动本身中的隔离环境，用于运行不干扰驱动主控制逻辑的非实时应用。

24、还应注意的是，沙箱应用和/或配置信息可指示驱动ml模型。此外，指示可包括：例如沙箱应用包括驱动ml模型，或者例如在驱动ml模型在虚拟驱动处可用或被单独提供给虚拟驱动的情况下，向虚拟驱动作出关于要使用哪个驱动ml模型的指示。

25、因此，由于应用于驱动应用的ml模型是在驱动处而不是在云服务器或网关处，例如，由于避免了从虚拟驱动向云服务器或网关获取输入驱动参数以输入到用于云或网关的ml模型中，因此可以改善处理时间。

26、根据本公开的若干示例，网关可以是真实硬件网关，或者其中网关可以是在设置虚拟驱动的同一驱动设备处设置的虚拟网关。

27、因此，即使在包括虚拟网关和虚拟驱动的完全虚拟场景中，该方法也是适用的。因此，该方法的灵活性和/或适用性得到进一步提高。

28、根据本公开的若干示例，方法还可包括在云服务器处生成沙箱应用并将沙箱应用直接提供给虚拟驱动。备选地，方法可包括在云服务器处生成沙箱应用并经由网关将沙箱应用提供给虚拟驱动。备选地，方法可包括在网关处生成沙箱应用并将该沙箱应用提供给虚拟驱动。

29、因此，方法的灵活性和/或适用性得到进一步提高，并且沙箱应用的生成可被适当地确定。

30、根据本公开的若干示例，获取数据可包括从虚拟驱动读取数据。附加地和/或备选地，获取数据可包括从提供给虚拟驱动的沙箱应用接收数据。

31、因此，数据获取中的灵活性和/或适用性得到进一步改善，并且数据获取可被适当地调整。

32、此外，在第二方面，提供了一种用于提供与虚拟驱动处的驱动应用相关联的至少一个输出驱动参数的方法。方法包括在虚拟驱动处接收包括配置信息的沙箱应用。沙箱应用和/或配置信息指示：当应用于驱动应用时驱动机器学习（ml）模型要使用的至少一个预定驱动参数、驱动ml模型、以及用于使驱动ml模型的输出可供云服务器和/或网关使用的配置。基于接收到的沙箱应用，方法包括将驱动ml模型应用于驱动应用。换言之，方法包括通过在将驱动ml模型应用于驱动应用时使驱动ml模型使用将要测试的至少一个预定驱动参数来测试至少一个预定驱动参数。驱动ml模型在应用于驱动应用时可使用一组驱动参数。该组驱动参数可以是驱动ml模型在应用于驱动应用时可使用的预定的一组驱动参数。将要测试的至少一个预定驱动参数可以是该组驱动参数的一部分。换言之，一组驱动参数中的一个或多个驱动参数是将要测试的驱动参数。例如，一组驱动参数中的一个或多个将要测试驱动参数可被修改或更新，例如根据预定的测试条件或测试标准。因此，预定的一组驱动参数可被修改或更新以包括将要测试的至少一个预定驱动参数。换言之，将驱动ml模型应用于驱动应用包括在沙箱应用中应用驱动ml模型。方法还包括作为驱动ml模型的输出而获取指示至少一个输出驱动参数的数据。换言之，至少一个输出驱动参数可被理解为是或代表测试的结果。方法还包括在虚拟驱动处提供获取的数据。换言之，方法还包括使测试的结果可供云服务器和/或网关使用。

33、因此，换言之，根据第二方面，接收到沙箱应用，并且沙箱应用（或沙箱应用中包括的配置信息）指示驱动ml模型。然后，将所指示的驱动ml模型应用于驱动应用。随后从所应用的驱动ml模型获取输出数据，其中所获取的输出数据指示至少一个输出驱动参数，随后使至少一个输出驱动参数可供云服务器和/或网关使用。因此，可以以说根据第二方面的方法是从虚拟驱动的角度出发的，并且至少一个输出驱动参数从虚拟驱动被传输到云服务器或网关。ml模型经由通过沙箱应用作出的指示从云服务器或从网关接收，并且正在或已经在虚拟驱动处被应用于驱动应用。

34、应注意的是，方法可以是例如在工业驱动应用系统中在工业背景下用于提供与虚拟驱动处的驱动应用相关联的至少一个输出驱动参数的方法。

35、根据第二方面的方法可参与实现在工业背景下对ml算法的无硬件开发和测试。此外，方法还可允许例如在windows pc环境中将网关用作虚拟网关。具体地，可使用虚拟网关上的docker容器，即使其具有如真实网关上所给出的计算能力和空间资源限制。因此，可实现用于沙箱和容器应用的完全虚拟的开发环境。因此，根据按照第二方面的方法，由此描述了至少一部分沙箱开发工作流，具体也用于工业背景下ml算法的测试阶段，其中操作者或开发者可使用虚拟工作流来测试所开发的算法，而无需考虑和/或投入大量时间进行硬件设置。因此，根据第二方面的方法可参与实现对用于驱动的分析算法的无硬件开发和测试。

36、根据本公开的若干示例，接收沙箱应用可包括从云服务器或网关接收沙箱应用，网关是真实硬件网关和虚拟网关中的一种。

37、因此，方法的灵活性和/或适用性得到进一步提高。

38、根据本公开的若干示例，方法可还包括从云服务器或网关接收驱动ml模型；和/或其中接收到的沙箱应用可包括驱动ml模型。

39、因此，在驱动ml模型的获取和/或管理中的灵活性和/或适用性得到改善。

40、根据本公开的若干示例，应用驱动ml模型可包括获取至少一个预定驱动参数并基于所获取的至少一个预定驱动参数应用驱动ml模型。

41、因此，对驱动ml模型在驱动应用上的应用的控制得到改善。

42、根据本公开的若干示例，在虚拟驱动处提供所获取的数据可包括使所获取的数据可供读取；和/或通过接收到的沙箱应用传输所获取的数据。

43、因此，在数据提供中的灵活性和/或适用性得到改善。

44、根据第三方面，提供了一种控制设备，控制设备被配置为执行上述第一方面和/或第二方面的方法。

45、根据第三方面的控制设备可参与实现在工业背景下对ml算法的无硬件开发和测试。此外，控制设备还可允许例如在windows pc环境中将网关用作虚拟网关。具体地，可使用虚拟网关上的docker容器，即使其具有如真实网关上所给出的计算能力和空间资源限制。因此，可实现用于沙箱和容器应用的完全虚拟的开发环境。因此，根据第三方面的控制设备，由此描述了至少一部分沙箱开发工作流，具体也用于工业背景下ml算法的测试阶段，其中操作者或开发者可使用该虚拟工作流来测试所开发的算法，而无需考虑和/或投入大量时间进行硬件设置。因此，根据第三方面的控制设备可参与实现对用于驱动的分析算法的无硬件开发和测试。

46、根据第四方面，提供了一种控制系统，包括根据第三方面的第一控制设备和/或根据第三方面的第二控制设备，第一控制设备被配置为执行第一方面的方法，第二控制设备被配置为执行第二方面的方法，并且其中第一控制设备和第二控制设备直接或间接地通信连接。

47、根据第四方面的控制系统可参与实现在工业背景下对ml算法的无硬件开发和测试。此外，控制系统还可允许例如在windows pc环境中将网关用作虚拟网关。具体地，可使用虚拟网关上的docker容器，即使其具有如真实网关上所给出的计算能力和空间资源限制。因此，可实现用于沙箱和容器应用的完全虚拟的开发环境。因此，根据按照第四方面的控制系统，由此描述了至少一部分沙箱开发工作流，具体也用于工业背景下ml算法的测试阶段，其中操作者或开发者可使用该虚拟工作流来测试所开发的算法，而无需考虑和/或投入大量时间进行硬件设置。因此，根据第四方面的控制系统可参与实现对用于驱动的分析算法的无硬件开发和测试。

48、根据第五方面，提供了一种自动化系统或驱动应用系统，包括根据第三方面的第一控制装置和/或根据第三方面的第二控制装置和/或根据第四方面的控制系统，第一控制装置被配置为执行第一方面的方法，第二控制装置被配置为执行第二方面的方法，并且其中第一控制装置、第二控制装置和控制系统直接和/或间接通信连接。

49、根据第五方面的自动化系统可以参与实现工业场景下ml算法的无硬件开发和测试。此外，自动化系统还可以例如允许在windows pc环境中将网关用作虚拟网关。特别地，可以使用虚拟网关上的docker容器，即使存在真实网关上所具有的计算能力和空间资源限制。因此，可以实现用于沙箱和容器应用的完全虚拟的开发环境。因此，根据按照第五方面的自动化系统，由此描述了至少部分沙箱开发工作流，特别是也用于工业场景下ml算法的测试阶段，其中操作员或开发者可以使用虚拟工作流来测试已开发的算法，而无需考虑和/或投入大量时间进行硬件设置。因此，根据第五方面的自动化系统可以参与实现用于驱动的分析算法的无硬件开发和测试。

50、根据第六方面，提供了一种包括指令的计算机可读介质，当指令被计算系统执行时，使计算系统执行第一方面和/或第二方面的方法。计算机可读介质可以是暂态的或非暂态的，易失性的或非易失性的。

51、这种计算机可读介质是有利的，因为它可以参与实现用于驱动的分析算法的无硬件开发和测试。

52、根据第七方面，提供了一种包括指令的计算机程序产品，当指令被计算系统执行时，使能或促使计算系统执行第一方面和/或第二方面的方法。计算机程序产品可以包括包含计算机程序产品的指令的计算机可读介质。

53、这种计算机程序产品是有利的，因为它可以参与实现工业场景下用于驱动的分析算法的无硬件开发和测试。

54、根据第八方面，提供了一种被配置为执行第一方面和/或第二方面的方法的计算系统。

55、这种计算系统是有利的，因为它可以参与实现工业场景下用于驱动的分析算法的无硬件开发和测试。

56、第一方面和/或第二方面的方法可以由计算机实现的。

57、第一方面和/或第二方面的可选特征可以在作必要修正后形成第三至第八方面中任一方面的部分。

58、根据若干示例，术语“自动化系统”也可以意指“工业自动化系统”、“驱动应用系统”或“工业驱动应用系统”，其可以包括和/或关联于例如滑雪缆车系统或船舶应用。

59、如本文所使用的术语“获取”可以包括例如从另一系统、设备或过程接收；通过与用户交互接收；从存储器或内存加载或检索；使用传感器或其他数据采集设备测量或采集。

60、如本文所使用的术语“确定”涵盖多种动作，并且可以包括例如计算、估算、处理、推导、调查、查找（例如，在表、数据库或其他数据结构中查找）、查明等。此外，“确定”可以包括接收（例如，接收信息）、访问（例如，访问内存中的数据）等。此外，“确定”可以包括解析、选择、挑选、建立等。

61、不定冠词“一（a）”或“一个（an）”不排除复数。此外，如本文所使用的冠词“一”和“一个”通常应被解释为意指“一个或多个”，除非另有规定或从上下文中明确可知指向单数形式。

62、除非另有规定或从上下文中明确可知，如本文所使用的短语“a、b和c中的一个或多个”、“a、b和c中的至少一个”以及“a、b和/或c”旨在意指所列项目中的一个或多个的所有可能排列。即，短语“a和/或b”意指、或，而短语“a、b和/或c”意指（a）、（b）、（c）、（a和b）、（a和c）、（b和c）、或（a、b、和c）。

63、术语“包括”不排除其他元件或步骤。此外，术语“包括（comprising）”、“包括（including）”、“具有”等在本文中可以互换使用。

64、本发明可以单独地或组合地包括一个或多个方面、示例或特征，无论在组合中还是单独地具体公开。上述方面中任一方面的任何可选特征或子方面在适当时适用于任何其他方面。

65、上述方面将参照下文提供的详细描述变得明显并得到阐明。