CN107643731A - 一种模型生成方法和装置 - Google Patents

一种模型生成方法和装置 Download PDF

Info

Publication number
CN107643731A
CN107643731A CN201610581342.6A CN201610581342A CN107643731A CN 107643731 A CN107643731 A CN 107643731A CN 201610581342 A CN201610581342 A CN 201610581342A CN 107643731 A CN107643731 A CN 107643731A
Authority
CN
China
Prior art keywords
model
equipment
information
configuration information
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201610581342.6A
Other languages
English (en)
Inventor
王琪
袁勇
余明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Siemens AG
Original Assignee
Siemens AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens AG filed Critical Siemens AG
Priority to CN201610581342.6A priority Critical patent/CN107643731A/zh
Priority to US15/648,569 priority patent/US20180024511A1/en
Priority to EP17182024.4A priority patent/EP3273372A1/en
Publication of CN107643731A publication Critical patent/CN107643731A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/20—Configuration CAD, e.g. designing by assembling or positioning modules selected from libraries of predesigned modules
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Stored Programmes (AREA)

Abstract

本发明实施例涉及生产过程管理技术领域，尤其涉及一种模型生成方法和装置，用于实现系统模型的自动创建。本发明实施例提供的模型生成方法包括：收集系统的配置信息；从所述配置信息中提取语义描述信息；根据所述语义描述信息生成系统的模型；其中，系统的模型包括模型节点和模型节点之间的相互关系；模型节点对应于系统中的设备或系统中的设备产生的数据。通过从配置信息中提取语义描述信息来生成系统的模型，提供了一种实现系统模型自动创建的方法，相比于人工创建系统模型精确度更高。

Description

一种模型生成方法和装置
技术领域
本发明涉及生产管理技术领域，尤其涉及一种模型生成方法和装置。
背景技术
诸如工厂等系统中通常存在成百上千的设备，比如：传感器、控制器、物料、零部件、产品等。为了实现对系统中设备的自动控制和处理，一种可选的方法是生成一个模型来描述系统，使得系统结构化，基于模型实现对系统中设备的控制和数据处理。
目前，通常采用人工的方式生成模型。人工生成模型通常需要的时间较长，对模型生成人员的专业知识要求较高，需要他们对系统有深入的了解，比如：知道系统中数据的含义、系统处理逻辑和相关参数等，如果人员缺乏专业知识则很难生成精确的模型。
发明内容
有鉴于此，本发明实施例提供一种模型生成方法和装置，用以实现系统模型的自动创建，并且创建的模型精确度较高。
其中，为了实现系统模型的自动创建，本发明实施例中，从系统的配置信息中提取语义描述信息，再根据语义描述信息生成系统的模型。
第一方面，本发明实施例提供一种模型生成方法，所述方法用于生成一个系统的模型，包括：收集所述系统的配置信息；从所述配置信息中提取语义描述信息；根据所述语义描述信息生成所述系统的模型。
其中，所述系统的模型包括至少两个模型节点和所述至少两个模型节点之间的相互关系；并且，所述至少两个模型节点中的每一个模型节点对应于所述系统中的一个设备或所述系统中的一个设备产生的数据。
该第一方面提供的方法中，从系统的配置信息中获取语义描述信息，再根据语义描述信息生成系统的模型，提供了一种自动生成系统模型的方法,与人工生成模型的方法相比，模型的精度更高。
并且，生成的模型包括模型节点和模型节点之间的相互关系。其中，模型节点对应于系统中的设备或系统中的设备产生的数据。以往的系统的模型仅描述了系统内的设备以及设备之间的连接关系，并未考虑设备产生的数据、设备产生的不同数据之间，以及数据与设备之间的关系。但一个系统运行时，不仅存在设备之间的交互，设备产生的数据本身也包含丰富的信息，并且一个设备产生的数据可能会对另一个设备的运行产生影响。这里，不仅考虑设备，还考虑了设备产生的数据，不仅考虑了设备之间的关系，还考虑了设备与数据、数据之间的关系，因而生成的系统的模型更能准确反映系统的运行过程、数据交互，生成的模型更精确。
第一方面提供的方法中，可采用下列方式中的至少一种方式收集所述系统的配置信息：
从所述系统内的至少两个设备处分别收集所述系统的配置信息；
从控制所述系统内的至少一个设备运行过程的至少一个控制器处收集所述系统的配置信息；
从控制所述系统内的至少一个设备运行过程的至少一个控制平台处收集所述系统的配置信息；
接收人工输入的所述系统的配置信息；
从至少一个辅助设备处收集所述系统的配置信息，所述辅助设备用于对所述系统内的至少一个设备运行状态进行监控和/或用于收集所述系统内的至少一个设备的信息。
该可选的实现方式中，可从系统各处收集配置信息，收集的配置信息更全面，生成的模型更精确。
其中，收集的系统的配置信息可包括下列信息中的至少一种：
所述系统内的至少一个设备运行时产生的数据的描述信息；
所述系统内的至少一个设备的描述信息；
对所述系统内的至少一个设备运行过程进行控制的过程控制信息；
对所述系统的功能的实现逻辑进行描述的信息。
该可选的实现方式中，可收集各种配置信息，不同的配置信息从不同角度描述系统的配置情况，使得收集的信息种类更丰富，生成的模型更精确。
第一方面提供的方法中，可选地，可根据所述配置信息中的关键词，从所述配置信息中提取所述语义描述信息。
其中，所述关键词用于表示下列关系中的至少一种：
所述配置信息中的部分描述为所述系统中的一个设备的属性；
所述配置信息中的部分描述为所述系统中的一个设备产生的数据的属性；
所述配置信息中的部分描述所对应的一个设备与另一部分描述所对应的另一个设备之间的关系；
所述配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的该设备产生的其他数据或另一个设备产生的数据之间的关系；
所述配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的该设备或另一个设备之间的关系。
该可选的实现方式中，根据关键词从配置信息中提取语义描述信息，提供了一种提取语义描述信息的方案。
可选地，当提取出的语义描述信息包括至少两条信息时，在根据所述语义描述信息生成所述系统的模型时，可采用如下步骤：
针对所述语义描述信息的部分或全部信息的每一条，识别该条信息相关的至少两个模型节点；
针对所述部分或全部信息中的每一条生成一个子模型，所述子模型包括该条信息相关的至少两个模型节点和/或该条信息相关的至少两个模型节点之间相互关系；
按照所述部分和全部信息相关的所有模型节点，将生成的所有所述子模型集成为所述系统的模型。
该可选的实现方式中，先生成子模型，然后根据各个子模型中的模型节点之间的关系，将生成的子模型集成为系统的模型，提供了一种系统模型集成的方案。
第一方面提供的方法中，可选地，还可在根据所述语义描述信息生成所述系统的模型之后基于生成的所述系统的模型得到调整后的所述系统的模型。
其中，若根据所述语义描述信息生成所述系统的至少两个模型，则在调整系统的模型时，可从生成的所述系统的该至少两个模型中选择一个模型作为调整后的所述系统的模型。
或者，若根据所述语义描述信息生成所述系统的一个模型，则在调整系统的模型时，可将生成的所述系统的模型进行调整后，得到调整后的所述系统的模型。
该可选的实现方式中，在生成系统的模型之后还对模型进行调整，调整后的模型更精确。
可选地，可根据实时数据得到调整后的所述系统的模型；其中，所述实时数据为所述系统运行时所述系统内的至少一个设备产生的数据。
该可选的实现方式中，根据实时数据对模型进行调整，考虑到的系统的实时运行情况，调整后的模型更精确。
可选地，可根据训练规则得到调整后的所述系统的模型；其中，所述训练规则包括所述模型的至少两个模型节点所属不同类型之间的关系所符合的规则。
该可选的实现方式中，按照模型节点所属类型之间的关系进行模型调整，考虑到了模型节点之间的关系，提供了一种模型验证和调整的方案。
可选地，在根据实时数据调整所述系统的模型时，可采用如下方式调整：
首先，针对所述系统的模型中的至少两个模型节点中的每一个，分别执行如下操作：
获取该模型节点对应的所述系统中的一个设备在所述系统运行的至少两个时刻分别产生的数据；
将所述至少两个时刻分别产生的数据按照时间先后顺序组成时间序列；
确定所述时间序列随时间变化的时间变化趋势；
然后，按照该至少两个模型节点分别对应的所述时间变化趋势之间的相互关系，得到调整后的所述系统的模型。
该可选的实现方式中，考虑到了不同模型节点产生的数据变化趋势之间的关系，提供了一种验证和调整模型的方案。
可选地，在基于生成的所述系统的模型得到调整后的所述系统的模型之后还包括：按照调整后的所述系统的模型更新所述训练规则。
该可选的实现方式中，按照调整后的系统模型更新训练规则，可使得后续再生成模型或调整模型时模型更精确。
第二方面，本发明实施例提供一种模型生成装置，用于生成一个系统的模型，包括：
配置信息收集模块，用于收集所述系统的配置信息；
语义描述信息提取模块，用于从所述配置信息中提取语义描述信息；
模型生成模块，用于根据所述语义描述信息生成所述系统的模型。
其中，所述系统的模型包括至少两个模型节点和所述至少两个模型节点之间的相互关系；并且所述至少两个模型节点中的每一个模型节点对应于所述系统中的一个设备或所述系统中的一个设备产生的数据。
其中，从系统的配置信息中获取语义描述信息，再根据语义描述信息生成系统的模型，提供了一种自动生成系统模型的方法,与人工生成模型的方法相比，模型的精度更高。
并且，生成的模型包括模型节点和模型节点之间的相互关系。其中，模型节点对应于系统中的设备或系统中的设备产生的数据。以往的系统的模型仅描述了系统内的设备以及设备之间的连接关系，并未考虑设备产生的数据、设备产生的不同数据之间，以及数据与设备之间的关系。但一个系统运行时，不仅存在设备之间的交互，设备产生的数据本身也包含丰富的信息，并且一个设备产生的数据可能会对另一个设备的运行产生影响。这里，不仅考虑设备，还考虑了设备产生的数据，不仅考虑了设备之间的关系，还考虑了设备与数据、数据之间的关系，因而生成的系统的模型更能准确反映系统的运行过程、数据交互，生成的模型更精确。
可选地，所述配置信息收集模块可采用下列方式中的至少一种方式收集所述系统的配置信息：
从所述系统内的至少两个设备处分别收集所述系统的配置信息；
从控制所述系统内的至少一个设备运行过程的至少一个控制器处收集所述系统的配置信息；
从控制所述系统内的至少一个设备运行过程的至少一个控制平台处收集所述系统的配置信息；
接收人工输入的所述系统的配置信息；
从至少一个辅助设备处收集所述系统的配置信息，所述辅助设备用于对所述系统内的至少一个设备的运行状态进行监控和/或用于收集所述系统内的至少一个设备的信息。
该可选的实现方式中，可从系统各处收集配置信息，收集的配置信息更全面，生成的模型更精确。
可选地，所述配置信息包括下列信息中的至少一种：
所述系统内的至少一个设备运行时产生的数据的描述信息；
所述系统内的至少一个设备的描述信息；
对所述系统内的至少一个设备运行过程进行控制的过程控制信息；
对所述系统的功能的实现逻辑进行描述的信息。
该可选的实现方式中，可收集各种配置信息，不同的配置信息从不同角度描述系统的配置情况，使得收集的信息种类更丰富，生成的模型更精确。
可选地，所述语义描述信息提取模块可根据所述配置信息中的关键词，从所述配置信息中提取所述语义描述信息。
其中，所述关键词用于表示下列关系中的至少一种：
所述配置信息中的部分描述为所述系统中的一个设备的属性；
所述配置信息中的部分描述为所述系统中的一个设备产生的数据的属性；
所述配置信息中的部分描述所对应的一个设备与另一部分描述所对应的另一个设备之间的关系；
所述配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的该设备产生的其他数据或另一个设备产生的数据之间的关系；
所述配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的该设备或另一设备之间的关系。
该可选的实现方式中，根据关键词从配置信息中提取语义描述信息，提供了一种提取语义描述信息的方案。
可选地，所述语义描述信息提取模块提取的所述语义描述信息包括至少两条信息；此时，所述模型生成模块可具体用于：
针对所述语义描述信息的部分或全部信息的每一条，识别该条信息相关的至少两个模型节点；
针对所述部分或全部信息中的每一条生成一个子模型，所述子模型包括识该条信息相关的至少两个模型节点和/或该条信息相关的至少两个模型节点之间相互关系；
按照所述部分和全部信息相关的所有模型节点，将生成的所有所述子模型集成为所述系统的模型。
该可选的实现方式中，先生成子模型，然后根据各个子模型中的模型节点之间的关系，将生成的子模型集成为系统的模型，提供了一种系统模型集成的方案。
可选地，所述装置还包括：模型调整模块，用于基于所述模型生成模块生成的所述系统的模型得到调整后的所述系统的模型。
其中，若所述模型生成模块生成所述系统的至少两个模型，则所述模型调整模块从所述模型生成模块生成的所述至少两个模型中选择一个模型作为调整后的所述系统的模型。
或者，若所述模型生成模块生成所述系统的一个模型，则所述模型调整模块将所述模型生成模块生成的所述一个模型进行调整后，得到调整后的所述系统的模型。
该可选的实现方式中，在生成系统的模型之后还对模型进行调整，调整后的模型更精确。
可选地，所述模型调整模块可根据实时数据得到调整后的所述系统的模型，所述实时数据为所述系统运行时所述系统内的至少一个设备产生的数据。
该可选的实现方式中，根据实时数据对模型进行调整，考虑到的系统的实时运行情况，调整后的模型更精确。
可选地，所述模型调整模块可根据训练规则得到调整后的所述系统的模型，所述训练规则包括所述模型的至少两个模型节点所属不同类型之间的关系所符合的规则。
该可选的实现方式中，按照模型节点所属类型之间的关系进行模型调整，考虑到了模型节点之间的关系，提供了一种模型验证和调整的方案。
可选地，所述模型调整模块可采用如下步骤根据实时数据调整所述系统的模型：
首先，针对所述系统的模型中的至少两个模型节点中的每一个，分别执行如下操作：
获取该模型节点对应的所述系统中的一个设备在所述系统运行的至少两个时刻分别产生的数据；
将所述至少两个时刻分别产生的数据按照时间先后顺序组成时间序列；
确定所述时间序列随时间变化的时间变化趋势；
然后，按照该至少两个模型节点分别对应的所述时间变化趋势之间的相互关系，得到调整后的所述系统的模型。
该可选的实现方式中，考虑到了不同模型节点产生的数据变化趋势之间的关系，提供了一种验证和调整模型的方案。
可选地，所述模型调整模块还用于：在得到调整后的所述系统的模型之后，按照调整后的所述系统的模型更新所述训练规则。
该可选的实现方式中，按照调整后的系统模型更新训练规则，可使得后续再生成模型或调整模型时模型更精确。
第三方面，本发明实施例提供一种模型生成装置，用于生成一个系统的模型，包括：
存储器，用于存储计算机指令；
处理器，用于调用所述计算机指令执行第一方面或第一方面的任一种可选的实现方式所提供的方法。
其中，从系统的配置信息中获取语义描述信息，再根据语义描述信息生成系统的模型，提供了一种自动生成系统模型的方法,与人工生成模型的方法相比，模型的精度更高。并且，生成的模型包括模型节点和模型节点之间的相互关系。其中，模型节点对应于系统中的设备或系统中的设备产生的数据。以往的系统的模型仅描述了系统内的设备以及设备之间的连接关系，并未考虑设备产生的数据、设备产生的不同数据之间，以及数据与设备之间的关系。但一个系统运行时，不仅存在设备之间的交互，设备产生的数据本身也包含丰富的信息，并且一个设备产生的数据可能会对另一个设备的运行产生影响。这里，不仅考虑设备，还考虑了设备产生的数据，不仅考虑了设备之间的关系，还考虑了设备与数据、数据之间的关系，因而生成的系统的模型更能准确反映系统的运行过程、数据交互，生成的模型更精确。
第四方面，本发明实施例提供一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器执行时，使所述处理器执行第一方面或第一方面的任一种可选的实现方式所提供的方法。
其中，从系统的配置信息中获取语义描述信息，再根据语义描述信息生成系统的模型，提供了一种自动生成系统模型的方法,与人工生成模型的方法相比，模型的精度更高。并且，生成的模型包括模型节点和模型节点之间的相互关系。其中，模型节点对应于系统中的设备或系统中的设备产生的数据。以往的系统的模型仅描述了系统内的设备以及设备之间的连接关系，并未考虑设备产生的数据、设备产生的不同数据之间，以及数据与设备之间的关系。但一个系统运行时，不仅存在设备之间的交互，设备产生的数据本身也包含丰富的信息，并且一个设备产生的数据可能会对另一个设备的运行产生影响。这里，不仅考虑设备，还考虑了设备产生的数据，不仅考虑了设备之间的关系，还考虑了设备与数据、数据之间的关系，因而生成的系统的模型更能准确反映系统的运行过程、数据交互，生成的模型更精确。
附图说明
图1为本发明实施例提供的一种模型生成方法的流程图；
图2为采用本发明实施例生成的系统的模型的示意图；
图3是系统的配置信息的例子；
图4为本发明实施例提供的一种根据语义描述信息生成系统模型的方法的流程图；
图5为本发明实施例提供的另一种模型生成方法的流程图；
图6为本发明实施例中时间序列的示意图；
图7为本发明实施例提供的又一种模型生成方法的流程图；
图8为本发明实施例提供的一种模型生成装置的结构示意图；
图9为本发明实施例提供的另一种模型生成装置的结构示意图；
图10和图11示出了本发明实施例中生成系统模型过程的例子；
图12为本发明实施例提供的再一种模型生成装置的结构示意图。
图中：
S101：收集系统的配置信息
S102：提取语义描述信息
S103：生成系统的模型
201：传感器A 202：传感器B 203：传感器C 204：传感器D
301：数据H 302：数据I 303：数据J 304：数据K
305：数据L 306：数据M 307：数据N 308：数据O
R1：相邻 R2：父子 R3：在先 R4：相对应 R5：因果 R6：在后
U1：Server(服务器) U2：S7 U3：@LOCALSERVER U4：S7_Connection_1
U5：Consistence(一致性) U6：statepath(状态路径) U7：blocks(块)
U8：db U9：db1 U901：db1.0,b U902：length(长度) U903：db1.0,c
S3021：识别模型节点
S3032：生成子模型
S3033：集成系统的模型
S104：得到调整后的系统的模型
O：输出 t：时间
S105：更新训练规则
80：模型生成装置 801：配置信息收集模块 802：语义描述信息提取模块
803：模型生成模块 804：模型调整模块
10：现场系统 20：数据点列表 30：来自控制平台的配置信息
40：时间序列 50：来自辅助工具的配置信息 60：初始的模型
70：调整后的模型 90：训练规则库
1201：存储器 1202：处理器
具体实施方式
如前所述，在诸如工厂等系统中通常存在数量庞大、种类繁多的各种设备，比如：传感器、控制器、物料、零部件、产品等。为了实现对系统中的这些种类繁多的设备的控制，一种可行的实现方式是：建立用于描述该系统的模型，基于系统的模型对系统中的各设备进行控制和数据处理。但如何生成一个精确的模型，能够准确表示系统中的各种设备，这是一个亟待解决的问题。
考虑到系统的配置信息是系统各设备运行，以及设备间协同工作的基础，各设备是严格按照配置信息来运行的。因此，本发明实施例中考虑到基于系统的配置信息生成系统的模型。
但是，系统的配置信息的存在有多种方式，内容也各不相同。人工生成模型耗时长、对人员专业知识要求高和生成模型可能不够精确。因此，本发明实施例提供了一种基于系统的配置信息自动生成系统的模型的方案。具体地，从系统的配置信息中提取语义描述信息，再根据语义描述信息生成系统的模型。
下面结合附图对本发明实施例提供的模型生成方法和装置进行详细说明。
图1为本发明实施例提供的一种模型生成方法的流程图。如图1所示，该流程包括如下步骤：
S101：收集系统的配置信息；
S102：从配置信息中提取语义描述信息；
S103：根据语义描述信息生成系统的模型。
该流程中，从系统的配置信息中提取出语义描述信息，利用了系统的配置信息中丰富的用于描述设备、设备运行过程、设备产生的数据等的信息。由于信息的完备使得生成的系统模型更加精确。并且，通过从配置信息中提取语义描述信息，从而获取用于生成系统的模型的有用信息，基于配置信息生成系统模型，实现了系统模型的自动生成。
其中，系统的配置信息可包括但不限于下列信息中的一项或多项：
用于配置系统内至少一个设备的属性的信息；
用于控制系统内至少一个设备的运行过程的信息；
用于配置系统内至少一个设备运行时产生的数据的信息；
用于配置系统内至少两个设备之间的连接关系的信息；
用于控制系统内至少两个设备之间的交互的信息。
基于这些丰富的系统的配置信息能够提取出丰富的语义描述信息，进而生成的模型更能反映系统的真实运行情况，模型更精确。
本发明实施例中，系统的模型包括至少两个模型节点和这至少两个模型节点之间的相互关系。其中，一个模型节点对应于系统中的一个设备或系统中的一个设备产生的数据。以往系统的模型仅描述了系统内的至少两个设备以及至少两个设备之间的连接关系，并未考虑设备产生的数据、设备产生的不同数据之间，以及数据与设备之间的关系。但一个系统运行时，不仅存在设备之间的交互，设备产生的数据本身也包含丰富的信息，并且一个设备产生的数据可能会对另一个设备的运行产生影响。本发明实施例中不仅考虑设备，还考虑了设备产生的数据，不仅考虑了设备之间的关系，还考虑了设备与数据、数据之间的关系，因而生成的系统的模型更能准确反映系统的运行过程、数据交互，因而更精确。
图2示出了本发明实施例中系统的模型的一个简单的例子。图2中每一个椭圆代表一个模型节点。模型节点之间的连线代表模型节点之间的关系。其中，传感器A 201和传感器B 202是相邻关系，传感器A 201和数据H 301之间是父子关系，表示数据H 301是由传感器A 201产生的。数据I 302和数据J 303之间的关系是数据I 302在数据J303之前产生。数据I 302与数据M 306相对应，数据K 304与数据O 308相对应。传感器C 203产生数据L 305和数据M 306，传感器D 204产生数据N 307和数据O 308。数据M 306在数据N 307之前产生，数据L 305是数据M 306产生的原因。
可选地，可从系统各处收集系统的配置信息。比如：
从系统内的至少两个设备处分别收集系统的配置信息。
从控制系统内的至少一个设备的运行过程的至少一个控制器，比如：可编程逻辑控制器(Programmable Logic Controller，PLC)处收集系统的配置信息。
从控制系统内的至少一个设备运行过程的至少一个控制平台处收集系统的配置信息，这些控制平台可为：过程控制系统(Process Control System，PCS)7平台、信息技术(Information Technology，IT)系统、采用人机接口(Human Machine Interface，HMI)的控制平台、安装了PLC编程软件STEP7的控制平台，以及采用视窗控制中心(Windows ControlCenter，WinCC)的控制平台等。
该配置信息还可为人工输入的系统的配置信息。
此外，还可从至少一个辅助设备处收集系统的配置信息，辅助设备用于对系统内的至少一个设备的运行状态进行监控和/或用于收集系统内的至少一个设备的信息。比如：工人持扫码器扫描物料上的条码，扫码器即可视为一种辅助设备，扫描器扫描到的条码即可作为配置信息。再比如：射频识别(Radio Frequency Identification，RFID)读写器可监控设备的相对位置，RFID读写器即可视为一种辅助设备，监控到的相对位置的信息可作为配置信息。
本发明实施例中，系统可包括诸如控制器、设备、控制平台等在系统中实际运行的设备，因此，我们也将由这些设备组成的系统称为“现场系统(on-site system)”。辅助工具可视为现场系统之外的设备，对系统的运行起辅助作用。
上面，介绍了配置信息的采集位置，下面介绍配置信息可包含的内容：
系统内的至少一个设备运行时产生的数据的描述信息。本发明实施例中，这些数据的描述信息可组成数据点列表(data list)。数据点列表中每一条记录都可包含数据的名称和/或标识，可选地，还可包括对数据的简单描述。
系统内的至少一个设备的描述信息，比如：采用电子设备描述语言(ElectronicDevice Description Language，EDDL)描述的信息，这些信息可从设备处获取。
对系统内的至少一个设备的运行过程进行控制的过程控制信息，比如：符合用于过程控制的对象连接于嵌入(OLE for Process Control，OPC)统一架构(UnifiedArchitecture，UA)标准的系统描述文件中描述的过程控制信息，来自WinCC控制平台的标签列表(tag list)等。
对系统功能的实现逻辑进行描述的信息，比如：采用STEP7编写的功能输入输出(Function IO)或标准模板库(Standard Template Library，STL)脚本中的信息。
可选地，步骤S102中，可根据配置信息中的关键词，从配置信息中提取语义描述信息。其中，关键词用于表示下列关系中的至少一种：
配置信息中的部分描述为系统中的一个设备的属性；
配置信息中的部分描述为系统中的一个设备产生的数据的属性；
配置信息中的部分描述所对应设备与另一部分描述所对应设备之间的关系；
配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应该设备产生的数据之间的关系；
配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应另一个设备产生的数据之间的关系；
配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的该设备之间的关系；
配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的另一个设备之间的关系。
步骤S102的输入为各种配置信息，其表示方式也各具特点。本步骤中，可选地，将各种配置信息中的语义描述信息提取出来，采用统一的语义语言表示，比如：符合OPC UA或资源描述框架(Resource Description Framework，RDF)标准的语言。
采用统一的语义语言表示，便于步骤S103中将各个语义描述信息组合，加以分析以生成集成的模型。
生成的语义描述信息的几个例子如下：
Variable1isChildOf Device1(变量1是设备1的子)。
比如：参考图3所示的OPC UA服务器的结构表，可以看出db1.0,b U901是db1 U9的子，db1U9是db U8的子。需要说明的是，这里给出了OPC UA服务器的结构表是为了便于理解，实际上，这种结构是通过符合OPC UA标准的程序语言描述的，在用于描述上述结构表的语句中存在关键词，用于表示db1.0,b U901是db1U9的子，db1U9是db U8的子，在步骤S102中，可从这些程序中提取关键词，根据该关键词确定该关键词所连接的对象之间的关系。
Variable2isRelatedTo Variable3(变量2与变量3相关)。
再参考图3，db1.0,b U901和db1.0,c U903这两个变量是相关的。
Variable4isTypeOfType1(变量4是类型1的变量)
参见下面的EDDL描述：
该EDDL描述中，参考文本词典使用了通用词语和翻译，并使用条件描述以定义诸如取值范围、一览与任何其他参数的读/写处理。
根据EDDL中的关键词CLASS可以确定：trans1_temperature_unit变量的类型为枚举型(ENUMERATED)。
Device2 isTypeOf Type2(设备2的类型为类型2)。
Variable5 isInputOf Function1(变量5是函数1的输入)；Variable6isOutputOf Function1(变量6是函数1的输出)。
参见下面表1所示的来自STEP7的功能块的输入/输出：
表1
Signal(信号)中，对于变量LIGHT_SWITCH_DOWN，根据对应的I/O name(输入/输出名称)中的IN1，可确定该变量为Block(块)Light(光)的输入信号；同理，可确定信号LIGHT_CONTROL为Block Light的输出信号。
此外，还可根据辅助设备(比如：RFID读写器)采集到的配置信息确定设备之间的相邻关系。该相邻关系可以描述为：Device3isNearBy Device4(设备3与设备4相邻)。
比如：设备3和设备4上均贴有RFID电子标签，RFID读写器读取到这两个设备的电子标签发射的无线信号，根据接收到的无线信号的强度和角度可以确定两个设备之间是相邻的。
再比如：设备3和设备4上均贴有二维码标签，使用具有全球定位系统(GlobalPositioning System，GPS)定位功能和二维码扫描功能的手机分别扫描两个设备上的二维码标签，获知两个设备的身份信息，并在扫描时记录GPS位置信息。根据手机获取的设备身份信息和GPS位置信息可确定这两个设备相邻。
若步骤S302中提取的语义描述信息包括至少两条信息，则如图4所示，步骤S303中可采用如下子步骤生成系统的模型：
S3021：针对语义描述信息的部分或全部信息的每一条，识别该条信息相关的模型节点；
S3032：针对部分或全部信息中的每一条生成一个子模型，该子模型包括该条信息相关的至少两个模型节点和/或该条信息相关的至少两个模型节点之间相互关系；
S3033：按照识别出的部分和全部信息相关的所有模型节点，将生成的所有子模型集成为系统的模型。
其中，步骤S3033中，可以按照生成的所有子模型中的相同的模型节点将各个子模型集成为系统的模型。
可选地，如图5所示，在步骤S103之后，还包括：
步骤S104：基于步骤S103生成的系统的模型得到调整后的系统的模型。
其中，在步骤S103中，可能会根据语义描述信息生成系统的至少两个模型；则步骤S104中，可以从生成的系统的这至少两个模型中选择一个模型作为调整后的系统的模型。
或者，在步骤S103中，生成一个具有部分不确定模型节点的一个系统的模型，步骤S104中，通过调整将不确定的模型节点确定下来。由于不确定的模型节点可能会有多种可能的实现，对于不同的实现，也可以视为是不同的系统模型。
或者，步骤S103中，根据语义描述信息生成系统的一个模型；则步骤S104中，将步骤S103生成的系统的模型进行调整后，得到调整后的系统的模型。
具体地，可根据实时数据得到调整后的系统的模型；或者也可根据训练规则得到调整后的系统的模型；再或者，即根据实时数据也根据训练规则得到调整后的系统的模型。
其中，实时数据为：系统运行时系统内的至少一个设备产生的数据。训练规则包括：模型的至少两个模型节点所属不同类型之间的关系所符合的规则。
下面是几个训练规则的例子：
Tag1 isChildOf Tag2 on possibility 80％(标签1是标签2的子的可能性为80％)。
Tag3 isNearBy Tag4 on possibility 70％(标签3与标签4相邻的可能性为70％)。
Tag5 isCauseBy Tag6 on possibility 90％(标签5由标签6引起的可能性为90％)。
Tag7 isRelatedTo Tag8 on possibility 85％(标签7与标签8相关的可能性为85％)。
比如：温度传感器对应一类模型节点，湿度传感器对应另一类模型节点，温度是对应又一类模型节点。温度对应的模型节点可能是温度传感器对应的模型节点的子，但不会是湿度传感器对应的模型节点的子。
上述训练规则中，标签(tag)为模型节点。训练规则可存储在训练规则库(Trainedrule library)中，训练规则可从被训练的模型中提取出来，并且可以在生成模型的其他过程中重用。基于已有的语义技术，标识、名称或称号的标签可以被提取并分类。可以对标签和标签之间的参考关系进行统计，以可能性的形式输入规则。这些规则可作为其他生成模型过程的参考。这对于相同或相近领域模型的快速生成是有益的。
可选地，可采用下面的方法来根据实时数据调整系统的模型：
针对系统的模型中的至少两个模型节点中的每一个，分别执行如下操作：
获取该模型节点对应的系统中的一个设备在系统运行的至少两个时刻分别产生的数据；
将至少两个时刻分别产生的数据按照时间先后顺序组成数据的时间序列；
确定时间序列随时间变化的趋势；
按照该至少两个模型节点分别对应的时间序列随时间变化的趋势之间的相互关系得到调整后的系统的模型。
可基于已有的诸如数据分析的方法来确定数据之间的关系。比如：采用数据分析的方法识别出数据1是随着数据2变化的。参考图6，可以根据采集的数据1的数据得到数据1的时间序列图(Time Series Graph)，可以根据采集的数据2的数据得到数据2的时间序列图。通过将两个时间序列图对比确定数据1是紧跟着数据2的变化而变化的。根据得到的数据1和数据2分别对应的时间序列之间的关系，可以对系统模型中的模型节点之间的关系进行验证，也可以在生成的模型中增加模型节点之间的关系，以丰富模型。
一种可能的实现方式为：既根据训练规则也根据实时数据调整模型。可选地，步骤S104可包括如下子步骤：
根据训练规则，基于步骤S103中生成的多个系统的模型，分别计算每一个模型的可能性；
根据采集的实时数据分析数据的时间序列，以检测数据之间的关系；
其中，上述两个子步骤的执行不分先后，可先执行第一个子步骤，后执行第二个子步骤，或者先执行第二个子步骤，后执行第一个子步骤，再或者两个子步骤同时执行。
进一步地，还包括下述子步骤：
参照实时数据确定哪一个模型的可能性最大；
按照分析的结果调整模型，去除不可能的部分，增加可能缺失的部分；
得到调整后的系统的模型。
其中，由于时间序列是连续出现的，如果数据之间的关系发生变化，则会按照分析结果对模型进行调整。
可选地，参考图7，在步骤S104之后，还可包括：
步骤S105：按照调整后的系统的模型更新训练规则。更新后的训练规则可存储在训练规则库中。
图5和图7所示的流程中，根据实时数据和/或训练规则调整系统的模型，可使系统的模型更加精确。
本发明实施例中，生成的系统模型可有助于开发出更多的有价值的应用，比如：错误诊断、过程监控或过程仿真等。
参考图8，本发明实施例还提供了一种模型生成装置80，包括：
配置信息收集模块801，用于收集系统的配置信息；配置信息用于配置系统内设备的属性、设备的运行过程、设备运行时产生的数据、设备之间的连接关系以及设备之间的交互；
语义描述信息提取模块802，用于从配置信息中提取语义描述信息；
模型生成模块803，用于根据语义描述信息生成系统的模型；
其中，系统的模型包括至少两个模型节点和该至少两个模型节点之间的相互关系；
每一个模型节点对应于系统中的一个设备或系统中的一个设备产生的数据。
可选地，配置信息收集模块801，具体用于采用下列方式中的至少一个收集系统的配置信息：
从系统内的至少两个设备处分别收集系统的配置信息；
从控制系统内的至少一个设备的运行过程的至少一个控制器处收集系统的配置信息；
从控制系统内的至少一个设备的运行过程的至少一个控制平台处收集系统的配置信息；
接收人工输入的系统的配置信息；
从至少一个辅助设备处收集系统的配置信息，辅助设备用于对系统内的至少一个设备的运行状态进行监控和/或用于收集系统内的至少一个设备的信息。
可选地，配置信息包括下列信息中的至少一种：
系统内的至少一个设备运行时产生的数据的描述信息；
系统内的至少一个设备的描述信息；
对系统内的至少一个设备的运行过程进行控制的过程控制信息；
对系统的功能的实现逻辑进行描述的信息。
可选地，语义描述信息提取模块802具体用于：根据配置信息中的关键词，从配置信息中提取语义描述信息；其中，关键词能够表示下列关系中的至少一种：
配置信息中的部分描述为系统中的一个设备的属性；
配置信息中的部分描述为系统中的一个设备产生的数据的属性；
配置信息中的部分描述所对应的一个设备与另一部分描述所对应的另一个设备之间的关系；
配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的该设备产生的数据之间的关系；
配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的另一个设备产生的数据之间的关系；
配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的该设备之间的关系；
配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的另一个设备之间的关系。
可选地，语义描述信息提取模块802提取的语义描述信息包括至少两条信息；模型生成模块，具体用于：
针对语义描述信息的部分或全部信息的每一条，识别该条信息相关的至少两个模型节点；
针对部分或全部信息中的每一条生成一个子模型，子模型包括识别出的该条信息相关的至少两个模型节点和/或识别出的该条信息相关的至少两个模型节点之间相互关系；
按照识别出的部分和全部信息相关的所有模型节点，将生成的所有子模型集成为系统的模型。
可选地，如图9所示，该装置还包括：模型调整模块804，用于基于模型生成模块803生成的系统的模型得到调整后的系统的模型；
其中，模型生成模块803生成系统的至少两个模型；模型调整模块804具体用于：从模型生成模块803生成的至少两个模型中选择一个模型作为调整后的系统的模型；或
模型生成模块803生成系统的一个模型；模型调整模块804具体用于：将模型生成模块生成的一个模型进行调整后，得到调整后的系统的模型。
可选地，模型调整模块804，具体用于：
根据实时数据得到调整后的系统的模型；和/或
根据训练规则得到调整后的系统的模型；
其中，实时数据为：系统运行时系统内的至少一个设备产生的数据；
训练规则包括：模型的至少两个模型节点所属的不同类型之间的关系所符合的规则。
可选地，模型调整模块804在根据实时数据调整系统的模型时，具体用于：
针对系统的模型中的至少两个模型节点中的每一个，分别执行如下操作：
获取该模型节点对应的系统中的一个设备在系统运行的至少两个时刻分别产生的数据；
将至少两个时刻分别产生的数据按照时间先后顺序组成数据的时间序列；
确定时间序列随时间变化的趋势；
按照该至少两个模型节点分别对应的时间序列随时间变化的趋势之间的相互关系得到调整后的系统的模型。
可选地，模型调整模块804还用于：
在得到调整后的系统的模型之后，按照调整后的系统的模型更新训练规则。
下面，参考图10和图11，举例说明本发明实施例提供的模型生成装置是如何实现的。
参考图10，来自现场系统的数据点列表20、来自控制平台的配置信息30(比如：描述、结构、脚本等)输入到本发明实施例提供的模型生成装置80中。此外，可选地，还可输入来自辅助工具的配置信息50。这些配置信息经过模型生成装置80处理后，生成系统的模型。这里，时间序列40为在系统运行时采集的实时数据，其作为模型生成装置80的输入，可实现对模型生成装置生成的模型的验证和更新。
参考图11，图11不仅示出了模型生成装置80与外界的信息交互，还示出了模型生成装置80内部的一种可能的实现方式。
如图11所示，配置信息收集模块801进行各种配置信息的采集。语义描述信息提取模块802从采集到的来自辅助工具的配置信息50和来自控制平台的配置信息30中提取语义描述信息，供模型生成模块803生成初始的模型60。其中模型生成模块803在生成初始的模型60时，还利用了配置信息收集模块801收集的数据点列表20，数据点列表20中的数据点分别对应于模型中的模型节点，用于将生成的各个子模型集成为系统的模型。模型调整模块804基于训练规则库90中的训练规则，以及采集到的实时数据形成的时间序列40，对初始的模型进行训练、调整后形成调成后的模型70，或称为“训练后的模型”，进一步地，模型调整模块804还可根据调整后的模型70更新训练规则，并存储于训练规则库90中。其中，训练规则库90可集成于模型生成装置80中，也可单独存储于存储设备上。
此外，如图12所示，本发明实施例提供了再一种模型生成装置80，包括：
存储器1201，用于存储计算机指令；
处理器1202，用于调用计算机指令执行本发明实施例提供的模型生成方法。
本发明实施例还提供了一种计算机存储介质，存储用于使一机器执行如本文所述的程序代码的审核方法的指令。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
综上，本发明实施例中，从系统的配置信息中获取语义描述信息，再根据语义描述信息生成系统的模型，提供了一种自动生成系统模型的方法。与人工生成模型的方法相比，模型的精度更高。
此外，本发明实施例生成的模型包括模型节点和模型节点之间的相互关系。其中，模型节点对应于系统中的设备或系统中的设备产生的数据。以往的系统的模型仅描述了系统内的设备以及设备之间的连接关系，并未考虑设备产生的数据、设备产生的不同数据之间，以及数据与设备之间的关系。但一个系统运行时，不仅存在设备之间的交互，设备产生的数据本身也包含丰富的信息，并且一个设备产生的数据可能会对另一个设备的运行产生影响。本发明实施例中不仅考虑设备，还考虑了设备产生的数据，不仅考虑了设备之间的关系，还考虑了设备与数据、数据之间的关系，因而生成的系统的模型更能准确反映系统的运行过程、数据交互，生成的模型更精确。
需要说明的是，上述各流程和各系统结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。
以上各实施例中，硬件单元可以通过机械方式或电气方式实现。例如，一个硬件单元可以包括永久性专用的电路或逻辑(如专门的处理器，FPGA或ASIC)来完成相应操作。硬件单元还可以包括可编程逻辑或电路(如通用处理器或其它可编程处理器)，可以由软件进行临时的设置以完成相应操作。具体的实现方式(机械方式、或专用的永久性电路、或者临时设置的电路)可以基于成本和时间上的考虑来确定。
上文通过附图和优选实施例对本发明进行了详细展示和说明，然而本发明不限于这些已揭示的实施例，基与上述多个实施例本领域技术人员可以知晓，可以组合上述不同实施例中的代码审核手段得到本发明更多的实施例，这些实施例也在本发明的保护范围之内。

Claims (20)

1.一种模型生成方法，所述方法用于生成一个系统的模型，包括：
收集所述系统的配置信息；
从所述配置信息中提取语义描述信息；
根据所述语义描述信息生成所述系统的模型，其中，
所述系统的模型包括至少两个模型节点和所述至少两个模型节点之间的相互关系，其中
所述至少两个模型节点中的每一个模型节点对应于所述系统中的一个设备或所述系统中的一个设备产生的数据。
2.如权利要求1所述的方法，收集所述系统的配置信息包括采用下列方式中的至少一种方式收集所述系统的配置信息：
从所述系统内的至少两个设备处分别收集所述系统的配置信息；
从控制所述系统内的至少一个设备运行过程的至少一个控制器处收集所述系统的配置信息；
从控制所述系统内的至少一个设备运行过程的至少一个控制平台处收集所述系统的配置信息；
接收人工输入的所述系统的配置信息；
从至少一个辅助设备处收集所述系统的配置信息，所述辅助设备用于对所述系统内的至少一个设备运行状态进行监控和/或用于收集所述系统内的至少一个设备的信息。
3.如权利要求1或2所述的方法，所述配置信息包括下列信息中的至少一种：
所述系统内的至少一个设备运行时产生的数据的描述信息；
所述系统内的至少一个设备的描述信息；
对所述系统内的至少一个设备运行过程进行控制的过程控制信息；
对所述系统的功能的实现逻辑进行描述的信息。
4.如权利要求1至3中任一项所述的方法，从所述配置信息中提取语义描述信息包括：
根据所述配置信息中的关键词，从所述配置信息中提取所述语义描述信息，其中，所述关键词用于表示下列关系中的至少一种：
所述配置信息中的部分描述为所述系统中的一个设备的属性；
所述配置信息中的部分描述为所述系统中的一个设备产生的数据的属性；
所述配置信息中的部分描述所对应的一个设备与另一部分描述所对应的另一个设备之间的关系；
所述配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的该设备产生的其他数据或另一个设备产生的数据之间的关系；
所述配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的该设备或另一个设备之间的关系。
5.如权利要求1至4中任一项所述的方法，所述系统的语义描述信息包括至少两条信息，根据所述语义描述信息生成所述系统的模型包括：
针对所述语义描述信息的部分或全部信息的每一条，识别该条信息相关的至少两个模型节点；
针对所述部分或全部信息中的每一条生成一个子模型，所述子模型包括该条信息相关的至少两个模型节点和/或该条信息相关的至少两个模型节点之间相互关系；
按照所述部分和全部信息相关的所有模型节点，将生成的所有所述子模型集成为所述系统的模型。
6.如权利要求1至5中任一项所述的方法，在根据所述语义描述信息生成所述系统的模型之后还包括：基于生成的所述系统的模型得到调整后的所述系统的模型；其中，
根据所述语义描述信息生成所述系统的模型包括：
根据所述语义描述信息生成所述系统的至少两个模型，
基于生成的所述系统的模型得到调整后的所述系统的模型包括：从生成的所述系统的该至少两个模型中选择一个模型作为调整后的所述系统的模型；
或
根据所述语义描述信息生成所述系统的模型包括：
根据所述语义描述信息生成所述系统的一个模型，
基于生成的所述系统的模型得到调整后的所述系统的模型包括：将生成的所述系统的模型进行调整后，得到调整后的所述系统的模型。
7.如权利要求6所述的方法，基于生成的所述系统的模型得到调整后的所述系统的模型包括：
根据实时数据得到调整后的所述系统的模型；其中，
所述实时数据为所述系统运行时所述系统内的至少一个设备产生的数据；
和/或
根据训练规则得到调整后的所述系统的模型；其中，
所述训练规则包括所述模型的至少两个模型节点所属不同类型之间的关系所符合的规则。
8.如权利要求7所述的方法，根据实时数据调整所述系统的模型包括：
针对所述系统的模型中的至少两个模型节点中的每一个，分别执行如下操作：
获取该模型节点对应的所述系统中的一个设备在所述系统运行的至少两个时刻分别产生的数据；
将所述至少两个时刻分别产生的数据按照时间先后顺序组成时间序列；
确定所述时间序列随时间变化的时间变化趋势；
按照该至少两个模型节点分别对应的所述时间变化趋势之间的相互关系，得到调整后的所述系统的模型。
9.如权利要求7或8所述的方法，在基于生成的所述系统的模型得到调整后的所述系统的模型之后还包括：
按照调整后的所述系统的模型更新所述训练规则。
10.一种模型生成装置(80)，用于生成一个系统的模型，包括：
配置信息收集模块(801)，用于收集所述系统的配置信息；
语义描述信息提取模块(802)，用于从所述配置信息中提取语义描述信息；
模型生成模块(803)，用于根据所述语义描述信息生成所述系统的模型，其中，
所述系统的模型包括至少两个模型节点和所述至少两个模型节点之间的相互关系，其中
所述至少两个模型节点中的每一个模型节点对应于所述系统中的一个设备或所述系统中的一个设备产生的数据。
11.如权利要求10所述的装置，所述配置信息收集模块(801)，具体用于采用下列方式中的至少一种方式收集所述系统的配置信息：
从所述系统内的至少两个设备处分别收集所述系统的配置信息；
从控制所述系统内的至少一个设备运行过程的至少一个控制器处收集所述系统的配置信息；
从控制所述系统内的至少一个设备运行过程的至少一个控制平台处收集所述系统的配置信息；
接收人工输入的所述系统的配置信息；
从至少一个辅助设备处收集所述系统的配置信息，所述辅助设备用于对所述系统内的至少一个设备的运行状态进行监控和/或用于收集所述系统内的至少一个设备的信息。
12.如权利要求10或11所述的装置，所述配置信息包括下列信息中的至少一种：
所述系统内的至少一个设备运行时产生的数据的描述信息；
所述系统内的至少一个设备的描述信息；
对所述系统内的至少一个设备运行过程进行控制的过程控制信息；
对所述系统的功能的实现逻辑进行描述的信息。
13.如权利要求10至12中任一项所述的装置，所述语义描述信息提取模块(802)具体用于根据所述配置信息中的关键词，从所述配置信息中提取所述语义描述信息，其中，所述关键词用于表示下列关系中的至少一种：
所述配置信息中的部分描述为所述系统中的一个设备的属性；
所述配置信息中的部分描述为所述系统中的一个设备产生的数据的属性；
所述配置信息中的部分描述所对应的一个设备与另一部分描述所对应的另一个设备之间的关系；
所述配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的该设备产生的其他数据或另一个设备产生的数据之间的关系；
所述配置信息中的部分描述所对应的一个设备产生的数据与另一部分描述所对应的该设备或另一设备之间的关系。
14.如权利要求10至13中任一项所述的装置，所述语义描述信息提取模块(802)提取的所述语义描述信息包括至少两条信息，所述模型生成模块(803)具体用于：
针对所述语义描述信息的部分或全部信息的每一条，识别该条信息相关的至少两个模型节点；
针对所述部分或全部信息中的每一条生成一个子模型，所述子模型包括识该条信息相关的至少两个模型节点和/或该条信息相关的至少两个模型节点之间相互关系；
按照所述部分和全部信息相关的所有模型节点，将生成的所有所述子模型集成为所述系统的模型。
15.如权利要求10至14中任一项所述的装置，所述装置还包括：
模型调整模块(804)，用于基于所述模型生成模块(803)生成的所述系统的模型得到调整后的所述系统的模型，其中，
所述模型生成模块(803)生成所述系统的至少两个模型，
所述模型调整模块(804)具体用于从所述模型生成模块(803)生成的所述至少两个模型中选择一个模型作为调整后的所述系统的模型；
或
所述模型生成模块(803)生成所述系统的一个模型，
所述模型调整模块(804)具体用于将所述模型生成模块(803)生成的所述一个模型进行调整后，得到调整后的所述系统的模型。
16.如权利要求15所述的装置，所述模型调整模块(804)具体用于:
根据实时数据得到调整后的所述系统的模型，
所述实时数据为所述系统运行时所述系统内的至少一个设备产生的数据；
和/或
根据训练规则得到调整后的所述系统的模型，
所述训练规则包括所述模型的至少两个模型节点所属不同类型之间的关系所符合的规则。
17.如权利要求16所述的装置，所述模型调整模块(804)在根据实时数据调整所述系统的模型时具体用于：
针对所述系统的模型中的至少两个模型节点中的每一个，分别执行如下操作：
获取该模型节点对应的所述系统中的一个设备在所述系统运行的至少两个时刻分别产生的数据；
将所述至少两个时刻分别产生的数据按照时间先后顺序组成时间序列；
确定所述时间序列随时间变化的时间变化趋势；
按照该至少两个模型节点分别对应的所述时间变化趋势之间的相互关系，得到调整后的所述系统的模型。
18.如权利要求16或17所述的装置，所述模型调整模块(804)还用于：
在得到调整后的所述系统的模型之后，按照调整后的所述系统的模型更新所述训练规则。
19.一种模型生成装置(80)，用于生成一个系统的模型，包括：
存储器(1201)，用于存储计算机指令；
处理器(1202)，用于调用所述计算机指令执行权利要求1至9中任一项所述的方法。
20.一种计算机可读介质，所述计算机可读介质上存储有计算机指令，所述计算机指令在被处理器(1202)执行时，使所述处理器(1202)执行权利要求1至9中任一项所述的方法。
CN201610581342.6A 2016-07-21 2016-07-21 一种模型生成方法和装置 Pending CN107643731A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201610581342.6A CN107643731A (zh) 2016-07-21 2016-07-21 一种模型生成方法和装置
US15/648,569 US20180024511A1 (en) 2016-07-21 2017-07-13 Model generating method and apparatus
EP17182024.4A EP3273372A1 (en) 2016-07-21 2017-07-19 Model generating method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610581342.6A CN107643731A (zh) 2016-07-21 2016-07-21 一种模型生成方法和装置

Publications (1)

Publication Number Publication Date
CN107643731A true CN107643731A (zh) 2018-01-30

Family

ID=59485146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610581342.6A Pending CN107643731A (zh) 2016-07-21 2016-07-21 一种模型生成方法和装置

Country Status (3)

Country Link
US (1) US20180024511A1 (zh)
EP (1) EP3273372A1 (zh)
CN (1) CN107643731A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021109083A1 (zh) * 2019-12-05 2021-06-10 西门子股份公司 推荐数据预处理算法的方法、装置、计算设备和介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110727975B (zh) * 2018-07-16 2023-02-28 西安海平方网络科技有限公司 Mep回路的获取方法、mep模板库的构建方法、装置、设备和存储介质
JP6911004B2 (ja) * 2018-12-26 2021-07-28 株式会社日立製作所 監視モデル更新方法、監視システム、および監視装置
EP3723346A1 (en) * 2019-04-10 2020-10-14 ABB Schweiz AG Selective address space aggregation
CN112202736B (zh) * 2020-09-15 2021-07-06 浙江大学 基于统计学习和深度学习的通信网络异常分类方法
CN116419267A (zh) * 2021-12-31 2023-07-11 维沃移动通信有限公司 通信模型配置方法、装置和通信设备
CN114612065B (zh) * 2022-03-07 2022-09-30 东莞市金田纸业有限公司 一种工艺造纸的关联设备组合方法、装置、设备及介质
CN115510029B (zh) * 2022-09-26 2024-04-12 煤炭科学研究总院有限公司 基于煤炭工业主题域的数据对象模型构建方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101738192A (zh) * 2009-12-03 2010-06-16 北京大道易通信息技术有限公司 一种基于计算机模型的信息映射方法、设备及系统
CN102186194A (zh) * 2011-05-09 2011-09-14 松日数码发展(深圳)有限公司 基于无线传感器网络的无源目标测量模型的建立方法
CN102365597A (zh) * 2009-03-30 2012-02-29 西门子公司 用于创建过程模型的装置和方法
CN102768703A (zh) * 2012-07-03 2012-11-07 河海大学 基于树图模型的水轮发电机组虚拟装配建模方法和系统
CN102982430A (zh) * 2012-11-05 2013-03-20 西安交通大学 利用rfid对在制品物流进行实时跟踪的图式建模方法
CN103971684A (zh) * 2013-01-29 2014-08-06 腾讯科技（深圳）有限公司 一种添加标点的方法、系统及其语言模型建立方法、装置
CN104268325A (zh) * 2014-09-18 2015-01-07 成都飞机工业（集团）有限责任公司 三坐标测量机模型自动建模方法
CN105320811A (zh) * 2015-10-21 2016-02-10 国网山东省电力公司烟台供电公司 一种建立城市地下电力管网拓扑连通模型的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8615387B2 (en) * 2011-04-07 2013-12-24 Invensys Systems, Inc. Dynamic simulation of fluid filled vessels

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102365597A (zh) * 2009-03-30 2012-02-29 西门子公司 用于创建过程模型的装置和方法
CN101738192A (zh) * 2009-12-03 2010-06-16 北京大道易通信息技术有限公司 一种基于计算机模型的信息映射方法、设备及系统
CN102186194A (zh) * 2011-05-09 2011-09-14 松日数码发展(深圳)有限公司 基于无线传感器网络的无源目标测量模型的建立方法
CN102768703A (zh) * 2012-07-03 2012-11-07 河海大学 基于树图模型的水轮发电机组虚拟装配建模方法和系统
CN102982430A (zh) * 2012-11-05 2013-03-20 西安交通大学 利用rfid对在制品物流进行实时跟踪的图式建模方法
CN103971684A (zh) * 2013-01-29 2014-08-06 腾讯科技（深圳）有限公司 一种添加标点的方法、系统及其语言模型建立方法、装置
CN104268325A (zh) * 2014-09-18 2015-01-07 成都飞机工业（集团）有限责任公司 三坐标测量机模型自动建模方法
CN105320811A (zh) * 2015-10-21 2016-02-10 国网山东省电力公司烟台供电公司 一种建立城市地下电力管网拓扑连通模型的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021109083A1 (zh) * 2019-12-05 2021-06-10 西门子股份公司 推荐数据预处理算法的方法、装置、计算设备和介质

Also Published As

Publication number Publication date
US20180024511A1 (en) 2018-01-25
EP3273372A1 (en) 2018-01-24

Similar Documents

Publication Publication Date Title
CN107643731A (zh) 一种模型生成方法和装置
CN109791642B (zh) 工作流的自动生成
Vogel-Heuser et al. Guest editorial Industry 4.0–prerequisites and visions
JP6551565B2 (ja) 工程解析装置、工程解析方法、及び工程解析プログラム
Hartmanns et al. The Modest Toolset: An integrated environment for quantitative modelling and verification
US7685082B1 (en) System and method for identifying, prioritizing and encapsulating errors in accounting data
CN109885810A (zh) 基于语义解析的人机问答方法、装置、设备和存储介质
CN106662854B (zh) 用于控制系统的装置的配置的方法和系统
CN108197177B (zh) 业务对象的监测方法、装置、存储介质和计算机设备
La Russa et al. Historical sentient–building information model: a digital twin for the management of museum collections in historical architectures
CN113139141A (zh) 用户标签扩展标注方法、装置、设备及存储介质
CN111181805A (zh) 一种基于测试用例的微服务测试挡板生成方法及系统
CN110347803A (zh) 获得阅读理解素材的方法和装置、电子设备、可读介质
CN113420181A (zh) 视频推荐方法、装置、计算机设备和存储介质
CN114821401A (zh) 视频审核方法、装置、设备、存储介质及程序产品
Barisic et al. Systematic literature review on multi-paradigm modelling for cyber-physical systems
Schachinger et al. An advanced data analytics framework for energy efficiency in buildings
CN105373473B (zh) 基于原始信令解码的cdr准确性测试方法及测试系统
CN116467219A (zh) 一种测试处理方法及装置
CN109660627A (zh) 一种物联网设备的集成管理控制平台
CN112231942B (zh) 物模型处理方法、装置和电子设备
CN116635843A (zh) 分析工业工厂的日志文件的设备、计算平台和方法
CN112579747B (zh) 一种身份信息提取方法及装置
CN111444170B (zh) 基于预测业务场景的自动机器学习方法和设备
Lukács et al. Construction of formal models and verifying property specifications through an example of railway interlocking systems

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180130

RJ01 Rejection of invention patent application after publication