CN107430711B

CN107430711B - 用于操作自动化系统的方法和装置

Info

Publication number: CN107430711B
Application number: CN201680022052.6A
Authority: CN
Inventors: S.拉姆帕特; R.勒普拉蒂; M.林斯夸恩德尔
Original assignee: Siemens AG
Current assignee: Siemens AG
Priority date: 2015-04-16
Filing date: 2016-03-24
Publication date: 2022-02-08
Anticipated expiration: 2036-03-24
Also published as: EP3256993B1; CN107430711A; WO2016165923A1; JP2018513490A; US11030536B2; EP3256993A1; JP6650468B2; US20180121815A1

Abstract

本发明一般涉及用于操作自动化系统的方法和装置。用于操作自动化系统的方法包括以下方法步骤：a）为由包括自动化过程的上下文的过程数据（D）所训练的自动化系统提供基于学习的预测模型（M），b）接收关于自动化过程的当前上下文的信息，c）通过将当前上下文与所述过程数据的上下文进行比较来验证上下文变化，d）在任何上下文变化的情况下通过比较漂移过程前数据和漂移过程后数据来验证概念漂移，e）在任何概念漂移的情况下用漂移过程后数据重新训练所述模型（M），f）在没有上下文变化的情况下测试通过验证上下文变化而没有检测到的随机概念漂移，g）在任何随机概念漂移的情况下通过使用包括先前上下文变化的数据来扩展当前上下文，h）否则不需要进一步的方法步骤。

Description

用于操作自动化系统的方法和装置

技术领域

本发明一般涉及用于操作自动化系统的方法和装置。

背景技术

由于当今市场的高度易变性和动态性，需要制造商对不断变化的环境更快速地做出反应（例如，频繁转变产品），但仍然确保高效的生产计划和精确的吞吐量估计。一般来说，由于机器的处理时间不是固定的，而是取决于诸如产品类型或材料质量之类的若干变量，因此需要准确估计这些时间可用于作为用于实施生产计划的基础。因此，计算制造业中所涉及的所有活动的处理时间的高精度估计是一项重要的任务。

随着在最近的“行业”4.0视野中通过与价值创造过程相关的所有实例的互连性而即将到来的实时的相关数据的可用性，制造系统需要在制造、业务和产品生命周期过程上进行整合。类似地，最近新兴的关于制造运行管理（MOM）的讨论也强调了完全整合制造的要求，即，扩展到与产品生命周期管理（PLM）和企业资源计划（ERP）无缝连接的制造执行系统（MES）。随着像“OPC UA”、“B2MML”和“AutomationML”的新型信息模型标准的出现，MOM系统已经能够经由标准化的元数据描述来提供上下文信息。

与使用固定或平稳的分布式处理时间的机器的可能的分析方法或模拟模型相对比，这样的时间的在线估计——例如经由统计学习模型——是有挑战性的，因为情境依赖性（例如转变、维护事件、提供的材料质量）可以显著影响机器的处理时间。因此，这种估计模型的使用应该意识到在整个制造过程上跨越的这些依赖性（所谓的上下文），否则生产计划和调度变得无效。这样的上下文例如可以是组件--例如传感器组件--的位置，以及其与制造过程的其他变量的依赖性。

虽然监控诸如机器处理时间之类的过程变量似乎很直截了当，并要求工程师手动指定需要谨慎对待的事件类型，但需要考虑几个陷阱：

不可预测的事件：影响分析、但是甚至域名专家也无法预见的事件可能会破坏决策做出。因此，必须自下而上地获悉这些事件（从造成的情境到决策做出）

动态/灵活制造：在频繁变化的环境（变化的订单、变更的供应商、更换的设备）中，分析的手动重新配置变得无效。

再现的情境：一些情境变化可能会反复再现，例如，在两种产品变体之间来回切换生产。因此，有关以前事件发生的知识应该在这样的事情再次发生时尽快可用。

在所有以前的场景中，关于上下文的知识，即在整个制造过程中的互连数据，可以帮助改善分析应用并确保其结果的适用性。

存在处理动态环境的问题的机器学习方法，即自适应学习，其中底层数据生成过程易于发生所谓的概念漂移。大多数潜在方法的常见缺点是它们打算用于离线分析，并且需要预定义的模拟模型，或者它们忽略了取决于制造系统的上下文的底层数据生成过程中的概念漂移的存在（例如，机器的处理时间的非平稳分布）。

本发明的目的是提供将上下文信息整合到灵活的生产计划和调度场景中的方法。

发明内容

上面提及的目的通过一种包括独立权利要求的特征的用于操作自动化系统的方法和一个或多个装置来实现。在从属权利要求中描述了本发明的优选实施例。

本发明的一个方面是MOM系统的上下文知识和历史的动态整合。从制造商侧提供了一种也被称为分析模型的预测模型。特别而言，预测模型可以用于故障预测。

所提出的用于操作自动化系统的方法包括以下方法步骤：

a）为由包括自动化过程的上下文的过程数据所训练的自动化系统提供基于学习的预测模型，

b）接收关于所述自动化过程的当前上下文的信息，

c）通过将所述当前上下文与所述过程数据的上下文进行比较来验证上下文变化，

d）在任何上下文变化的情况下，通过比较漂移过程前数据和漂移过程后数据来验证概念漂移，

e）在任何概念漂移的情况下，用漂移过程后数据重新训练所述模型，

f）在没有上下文变化的情况下测试通过验证上下文变化而没有检测到的随机概念漂移，

g）在任何随机概念漂移的情况下，通过使用包括先前上下文变化的数据来扩展所述当前上下文，

h）否则不需要进一步的方法步骤。

本发明的另一方面是一种用于操作自动化系统的装置，包括：

a）用于为由包括自动化过程的上下文的过程数据所训练的自动化系统获得基于学习的预测模型的部件，

b）用于接收关于所述自动化过程的当前上下文的信息的部件，

c）用于通过将所述当前上下文与所述过程数据的上下文进行比较来验证上下文变化的部件，

d）用于在任何上下文变化的情况下通过比较漂移过程前数据和漂移过程后数据来验证概念漂移的部件，

e）用于在任何概念漂移的情况下提供漂移过程后数据以用于重新训练所述模型的部件，

f）用于在没有上下文变化的情况下测试通过验证上下文变化而没有检测到的随机概念漂移的部件，

g）用于在任何随机概念漂移的情况下通过使用包括先前上下文变化的数据来扩展所述当前上下文的部件。

本发明的另一方面是一种用于训练用于自动化系统的基于学习的预测模型的装置，包括：

a）用于为由包括自动化过程的上下文的过程数据所训练的自动化系统提供基于学习的预测模型的部件，

b ）用于在通过根据前述装置测试的任何概念漂移的情况下接收漂移后处理数据以用于重新训练所述模型的部件。

本发明的另一方面是直接加载到计算机的内部存储器中的计算机程序（产品），包括当所述计算机程序（产品）在计算机上运行时用于执行前述方法的步骤的软件代码部分。

如果在没有上下文变化的情况下检测到这样的随机概念漂移，则使用存储在上下文知识库中的相邻数据来扩展所述当前上下文。

所述上下文知识库可以包括上下文知识历史。

可能的是：所述上下文由一件产品的特征和/或自动化过程步骤和/或在使用自动化过程的装置中表示。

可以基于所述上下文对所述自动化过程性能的影响自动地扩展所述当前上下文。

模型可以保持跟踪上下文集合的指定子集，其中初始跟踪的指定子集可以仅包含与用于其训练的过程数据直接相关联的上下文实例。

本发明的一个实施例可以是用于灵活的制造系统内的上下文感知分析的框架，这是由对于精确处理时间估计的需要所推动的。与最先进的自适应学习模型相比，它可以被成功地应用并且保证了较小的预测误差。更准确的处理时间估计直接影响制造系统吞吐量时间和循环时间的可靠性，这是用于优化生产计划和调度的基础。

这种方法的其他益处是：

-针对特定情境自动定制分析模型，在其中它们最佳地执行，并且因此确保了对于优化决策做出的支持。

- 关于再现和类似的情境的知识可以用于选择已经可用的最优分析模型而无需指定和训练新的分析模型。

- 在分析过程中自动整合上下文特定的领域专业知识，这可以指导和支持数据科学家。

- 该方法导致了准确且可靠的分析模型，这改进了与MOM相关的关键性能指标。

本发明的另一方面是概念漂移检测和上下文知识的组合。概念漂移检测和上下文知识可以从制造商和供应商侧提供。

其他益处是：

- 基于有关业务、自动化和产品生命周期上下文的知识，高效地检测数据生成过程中的变化，而无需连续监视每个数据流项目。

基于概念漂移的反馈，动态扩展针对语义数据整合的上下文，这为分析提供定制的上下文感知。

一旦底层物理或IT系统发生变化，就自动更新分析模型。这导致用于MOM系统的维护工作减少。

附图说明

当结合附图阅读时从下面的详细描述中最好地理解本发明的上面的和其它的方面。为了说明本发明的目的，在附图中示出了当前优选的实施例，然而应当理解，本发明不限于所公开的具体手段。附图中包括以下各图：

图1示意性地示出了经典自动化金字塔中的MOM系统和分析的上下文，

图2图示出了围绕上下文代理为中心的语义数据整合架构的框架，

图3描绘了上下文感知分析的决策树状过程，

图4提供了在上下文知识库中的概念和关系的图示，

图5提供了制造上下文模型的示例。

具体实施方式

图1示意性地示出了经典自动化金字塔中的MOM系统和分析的上下文。自动化金字塔包括各种层/组件。现场层位于控制层之下，控制层与MOM管理有关，MOM管理与业务层通信。在MOM系统中有上下文知识库O和上下文感知层

1）在专用的上下文知识库中在语义级别上整合各种数据源，

2）保持跟踪数据生成的上下文中的变化

3）确保分析的上下文感知，以支持最佳和对情境敏感的决策做出。

图2描绘了针对语义数据整合和分布的框架的上下文代理架构。所示出的框架将语义上下文信息整合到制造过程中的分析模型的部署中。假设存在统一的上下文知识库，并且数据源已经被整合。该架构例如包括以下组件：

•上下文代理CB：该组件包括上下文知识库、概念漂移验证和上下文知识历史。它整合了底层制造运行系统MOM（产品生命周期管理PLM和企业资源计划ERP）和制造执行系统MES的整体视图，并将其标准化信息模型映射到一般知识库。此外，上下文代理负责将当前上下文信息和历史上下文传达给分析模型，并且可能地传达给其他（供应商的）上下文代理，例如CB'，CB''，CB'''。换句话说，表示它拥有当前的全局上下文知识库，并且还将上下文变化（例如，从一个产品到另一个产品的生产切换）传播给分析模型。

•上下文感知分析CA：在MOM上下文代理之上部署了对数据集进行训练的每个分析模型M（例如被监督的机器学习算法），这确保模型始终保持最新，并递送与目前的情境相符的结果。

•上下文知识库：该知识库本质上是全局语义数据模型O，它将在整个制造过程中来自不同系统（例如PLM、MES、ERP）的数据进行整合。这个库代表了经由语义启动来整合若干信息模型（B2MML、OPC UA、AutomationML）的本体形式的当前上下文信息模型。

•概念漂移验证E：这个组件检测漂移概念，即底层数据生成过程中的异常。例如，处理时间估计器中的突然增加的误差。然后，使用它来验证特定上下文变化是该概念漂移的原因。存在用于测试数据集的分布中的概念漂移的若干方法（例如假设测试和分类[6,7]。概念漂移验证用于保持跟踪有效地导致针对特定分析模型的概念漂移的显著上下文变化。

•上下文知识历史H：随着时间的推移在上下文知识库中的变化被存储在上下文知识历史中，使得它们可以在稍后的时间点被引用和比较。这主要用于查看再现或类似的情境是否已经被分析模型有效地处理。

•数据源D：上下文信息主要出自于三种类型的系统：PLM、MES和ERP。它们的数据需要经由标准化信息模型（如AutomationML、B2MML和OPC UA）进行整合。然后将该数据映射到统一的全局知识库。

在下文中描述互连的实例、数据和过程及其针对数据分析的价值的一般思路。

在制造中的上下文感知分析可以使用[3]的上下文定义，即可以用于表征实体的情境的信息。这些实体是影响分析模型的实体，更具体地说，是在模型训练数据之下的数据分布。这样的上下文作为全局语义数据模型而被引入，即包括术语和断言知识的（基于描述逻辑的）知识库，被表示为

0 = <T；A>

它整合了来自制造过程中涉及的所有系统的数据。

这样的描述逻辑在图4中示出，其图示了上下文知识库中的概念和关系。上下文知识库整合了来自制造装备（来自OPC UA）的数据、产品和过程数据（来自AutomationML）、以及材料和供应商信息（来自B2MML）。

在这里，TBox T定义了一个常见术语，并且例如保持关于生产设备层级的知识。

在图4中，示出了上下文知识库中的概念和关系。可以使用所谓的常规使用的资源描述框架（RDF [1]）。例如机器人类型的每个个体也是类型装备。

以语义三元组形式被表达：

< Robot；subclassOf；Equipment >，

其中Robot(机器人)是主题，subclassOf是属性，并且装备是三元组的对象。

ABox A指定关于T中定义的类型的具体实例的断言。例如，工厂拓扑信息：

。

这些三元组经由属性usedIn将具体个体Robo-1与具体过程BodyWelding相关。

示例性制造上下文模型如图5中所示。上下文类型（类）用圆圈注明，具体个体用菱形来注明。从BodyWelding到Robo-1的交叉关系usedIn指示上下文变化，例如Robo-1被新的机器人Robo-2所取代。例如可以经由分发信息模型变化的OPC UA客户端-服务器架构来获得这样的改变装备的信息。

到目前为止，已经描述了制造过程中上下文的概念。在下文中解释上下文中的分析模型：正式地，给出了一组分析模型

A = {M1；M2；...；Mk}

其可以被用于相同的任务，其中每个模型被指派本地上下文，表示为O_M1；O_M2；...；O_Mk，从而需要找到从每个可能的上下文到分析模型的映射F。

这个函数对于找到针对给定情境的最佳拟合分析模型是必要的——例如如果我们想要对在底层全局上下文O上采样的新的未知输入向量x'进行分类。公式（2）示出了这种情境。

其中M *是关于某些性能标准的最优分析模型，0是当前的全局上下文。

在[2]中更详细地描述MOM中的上下文感知分析模型的问题设置。

为了使事情更加透明化，考虑一个包括MES系统的自动化制造过程，所述MES系统控制在作业车间生产环境中的多台机器。由于机器的处理时间不固定，所以MES使用针对作业车间调度和派遣的机器平均处理时间的简单估计。

然而，由于针对不同产品类型的频繁转变、维护事件和材料的高度差异，这些平均估计是不精确的，这最终导致效率低下和非最优调度计划。

为了克服这个缺点，处理时间估计器（分析模型）应该意识到转变、维护事件等（所谓的上下文）。例如，上下文ABox可以指定：

A = <MES；controls；Robo-1>，<Robo-1；produces；P1>；…其描述了在生产P1时的情境。一旦制造过程的上下文变化，分析模型就需要相应地进行适应，例如不同的估计器针对每种情境。

考虑到在MOM环境中运行的系统的大量数据，保持跟踪每一个变化的信息位是低效的。但是，跟踪在特定情况下相关的变化是有用的。每个分析模型M保持跟踪全局上下文的指定子集。在这样做的背后的观念是：从上下文的初始指定的小型子集开始，分析模型M应该基于上下文对其性能的影响来连续地且自动地扩展其上下文。起初，模型的初始跟踪上下文仅包含与其输入变量直接相关联的上下文实例。

针对机器编号1的处理时间估计器模型M1的初始上下文可以是：

。

在从产品P1切换到产品P2后，由M1产生的错误显著增加。因此，其上下文应该被扩展具有相关联的之前情境：{<Robo-l；produces；P1>}。

此外，对于在其中产生产品P2的情境，引入了新的估计器模型M1'。因此，它与如下上下文相关联

{<Robo-1；produces；P2>}。

跟踪这样演化的上下文信息主要有两个目的：

1）再现的情境的检测，其中已知特定分析模型表现良好，

2）解释引起漂移概念的不可预测事件和揭示未知依赖性。

突然的概念漂移是指：一旦上下文变化，它立即影响处理时间的估计，因此必须检测此类变化以确保最佳调度解决方案。

一般来说，上下文感知分析需要考虑情境依赖性，这允许它们使用具有无法解释的噪音更少的更加可比较的、同质的数据。为了实现这一想法，系统架构使得能够定义如图3中所描绘的包括以下步骤1至6）的决策树状过程：

1）在起始决策节点中，上下文代理通过将当前上下文与前一个上下文进行比较来通知上下文变化，并且每个模型检查它们当前是否跟踪了受变化影响的实体。

2）如果上下文变化发生，则针对模型训练数据的数据分布中的变化进行概念漂移验证测试——通过将其与在上下文变化发生后采样或引导的数据进行比较。例如，概念漂移验证可以使用Page-Hinkley测试[4]。这个测试的优点是只需要将我们的模型的误差（均方根误差）保存在存储器中，所以它不需要大量的历史数据点来执行概念漂移测试。

3）验证的概念漂移导致模型适应，即对概念漂移后数据的再训练，以及跟踪历史中的上下文变化。可以将相应的上下文变化作为初始跟踪上下文引入新的分析模型。最后，全局上下文知识库也承认了这些变化。

4）如果根据知识库和历史，没有发生上下文变化，则采用针对没有被上下文变化检测到的随机概念漂移的测试。

5）验证的概念漂移导致模型适应，即对后概念漂移数据的再训练，以及跟踪历史中的上下文变化。如果在上下文中检测到没有先前变化的概念漂移（“随机”漂移），那么当前跟踪的上下文是不完整的。例如，上下文可以被扩展具有全局上下文知识库O的相邻上下文。应该通过再次使用概念漂移反馈——即统计测试来确定变量是否显示异常或失控的行为从而动态地扩展上下文。即，该模型试图寻找证明先前无法解释的/“随机的”概念漂移合法的上下文。为了扩展每个模型的初始上下文，执行基于间隔的“随机”概念漂移检测。如果在模型M的跟踪上下文中检测到没有先前变化的此类漂移，则其被扩展具有全局上下文知识库的相邻三元组。相邻三元组是在全局上下文知识库中的三元组<s；p；o>，其中在本地上下文中跟踪s或o。

6）如果不能验证以及不能检测到概念漂移，则仍然可以使用现有的模型。

上面提及的上下文变化“Robo-1被新的机器人Robo-2替代”被认为：

两种不同产品类型P1和P2的制造商，它们均由所供应的材料铝制成。而且，同样的焊接机器人（Robo-1）用于两种产品的构造（主体焊接）。制造商希望在到达时预测进料（铝工件）是否将会导致有缺陷的产品。为了训练一个可以作为预测逻辑回归模型的分析模型，它们的质量控制传感器测量进料的维度，并监视有缺陷的产品是否是后果。训练数据看上去如下：

表：针对故障预测的训练数据。

表中的粗体文本表示变化的上下文，其中焊接机器人Robo-1由新的Robo-2预测模型替代：

预测通过所谓的逻辑回归模型进行。存在一个在上下文变化前的数据集X1上训练的现有模型：

逻辑回归：LR（X1）= y

其中X1包括自变量（产品类型、高度、长度、宽度），并且y是因变量（缺陷）。

随着工程师在车间用Robo-2替换Robo-1，上下文知识库更新为新的OPC UA信息。参见图5，其中描绘了新引入的“Robo-2”和与“BodyWelding”过程的偏移关系。概念漂移验证：

通过比较表示上下文的漂移前和漂移后的数据集（见上面所示出的表），针对模型的训练数据的数据分布中的变化进行例如[5]中描述的概念漂移验证测试。如果上下文变化实际上暗示数据集分布中的统计学上显著的概念漂移，则有两种可能性：

1.如果概念漂移被验证，则用最新的数据重新训练逻辑回归模型LR，即LR（X2）=y，或

2.否则仍然可以使用现有模型LR（X1）= y，并且不需要重新训练。

在第一种情况下，由于上下文变化具有显著的效果，所以上下文知识历史H保持跟踪改变的公理如下：

如果原始上下文被恢复，即由于维护，暂时地旧机器人Robo-1作为Robo-2的替代物，那么上下文历史检测到这个再现的情境，并且分析自动切换到预测模型LR（X1）。

应当理解，所附权利要求中所述的元素和特征可以以不同的方式组合以产生同样落入本发明的范围内的新的权利要求。因此，尽管下面所附的从属权利要求仅从属于单个独立或从属权利要求，但是应当理解，这些从属权利要求可以替代地在替代方案中从属于任何在前或在后的不管是独立还是从属的权利要求，并且这样的新组合将被理解为形成本说明书的一部分。

参考文献

Claims

1.用于操作自动化系统的方法，包括以下方法步骤：

a）为由包括自动化过程的上下文的过程数据（D）所训练的自动化系统提供基于学习的预测模型（M），

b）接收关于所述自动化过程的当前上下文的信息，

d）在任何上下文变化的情况下，通过比较漂移前过程数据和漂移后过程数据来验证概念漂移，

e）在任何概念漂移的情况下，用漂移后过程数据重新训练所述基于学习的预测模型（M），

f）在没有上下文变化的情况下针对通过验证上下文变化而没有检测到的随机概念漂移进行测试，

g）在任何随机概念漂移的情况下，通过使用包括先前上下文变化的数据来扩展所述当前上下文，其中，基于所述上下文对处理时间的估计的影响自动地扩展所述当前上下文，

h）在没有概念漂移和没有随机概念漂移的情况下，使用提供的基于学习的预测模型（M）。

2.根据权利要求1所述的方法，其中，如果在没有上下文变化的情况下检测到这样的随机概念漂移，则使用存储在上下文知识库（O）中的至少一个相邻三元组来扩展所述当前上下文，其中所述至少一个相邻三元组是三元组<s；p；o>，其中s是三元组的主题，p是三元组的属性，并且o是三元组的对象，并且其中s或o在当前上下文中被跟踪。

3.根据权利要求2所述的方法，其中，所述上下文知识库包括上下文知识历史（H）。

4.根据权利要求1-3之一所述的方法，其中，上下文由一件产品的特征和/或自动化过程步骤和/或在使用自动化过程的装置中表示。

5.根据权利要求1-3之一所述的方法，其中，所述预测模型（M）保持跟踪上下文集合的指定子集。

6.根据权利要求5所述的方法，其中，初始跟踪的指定子集仅包含与用于其训练的过程数据直接相关联的上下文实例。

7.根据权利要求1-3之一所述的方法，其中，在所述预测模型（M）中表示故障预测模型。

8.一种用于操作自动化系统的装置（CB），包括：

a）用于为由包括自动化过程的上下文的过程数据所训练的所述自动化系统获得基于学习的预测模型（M）的部件，

d）用于在任何上下文变化的情况下通过比较漂移前过程数据和漂移后过程数据来验证概念漂移的部件，

e）用于在任何概念漂移的情况下提供漂移后过程数据以用于重新训练所述预测模型（M）的部件，

f）用于在没有上下文变化的情况下针对通过验证上下文变化而没有检测到的随机概念漂移进行测试的部件，

g）用于在任何随机概念漂移的情况下通过使用包括先前上下文变化的数据来扩展所述当前上下文的部件，

其中，基于所述上下文对处理时间的估计的影响自动地扩展所述当前上下文。

9.根据权利要求8所述的装置，其中，所述装置包括上下文知识库。

10.根据权利要求9所述的装置，其中，所述上下文知识库包括上下文知识历史（H）。

11.根据权利要求8-10之一所述的装置，其中所述预测模型（M）表示故障预测模型。

12.一种用于训练用于自动化系统的基于学习的预测模型的装置（CA），包括：

a）用于为由包括自动化过程的上下文的过程数据所训练的自动化系统提供基于学习的预测模型（M）的部件，

b）用于在通过根据前述权利要求8、9或10所述的装置测试的任何概念漂移的情况下接收漂移后过程数据以用于重新训练所述预测模型（M）的部件。

13.根据权利要求12所述的装置，其中所述预测模型（M）表示故障预测模型。

14.一种计算机的存储器，包括软件代码部分，所述软件代码部分用于当所述软件代码部分在计算机上运行时执行根据权利要求1-7之一所述的方法中的步骤。