CN111562769B - 用于工业数字孪生的ai扩展和智能模型验证 - Google Patents
用于工业数字孪生的ai扩展和智能模型验证 Download PDFInfo
- Publication number
- CN111562769B CN111562769B CN202010092995.4A CN202010092995A CN111562769B CN 111562769 B CN111562769 B CN 111562769B CN 202010092995 A CN202010092995 A CN 202010092995A CN 111562769 B CN111562769 B CN 111562769B
- Authority
- CN
- China
- Prior art keywords
- data
- industrial
- asset
- digital twin
- model
- 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.)
- Active
Links
Images
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
- G05B13/041—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 in which a variable is automatically adjusted to optimise the performance
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- 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
- G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
- G05B13/044—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 in which a parameter or coefficient is automatically adjusted to optimise the performance not using a perturbation signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31472—Graphical display of process
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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]
Abstract
本公开涉及用于工业数字孪生的AI扩展和智能模型验证。符合结构化数据类型的工业智能数据标签用作创建工业资产的数字孪生的基础。数字孪生可以包括自动化模型和机械模型或其他类型的非自动化模型,两种模型关于对工业资产数字地建模均引用智能标签。由智能标签提供的结构化数据拓扑允许数字孪生容易地与人工智能(AI)系统接口。AI分析可以利用智能标签来发现关键性能指标与资产的其他变量之间的新关系,并且将这些关系编码在智能标签本身中。这些增强的智能标签还可以被用来执行基于AI的数字孪生验证。由增强的智能标签提供的附加情境化可以简化AI分析并且帮助快速收敛于期望的分析结果。
Description
技术领域
本文公开的主题一般涉及工业自动化系统,以及例如涉及工业数据的基于模型的分析和可视化。
背景技术
以有意义的呈现格式收集并向用户传送信息可以提供对工业资产的过去、当前和未来操作的有价值的洞察。然而,跨与构成工业企业的各种工业机器或系统相关联的许多工业装置可获得的数据的高度分布式本质提出了关于收集和格式化数据以用于可以被传送到用户的客户端装置的共同呈现的挑战。此外,在给定的工业装置的集合上可获得的许多信息包括非情境化的、非结构化的数据(例如,存储在工业控制器的数据表上的整数、实数或离散值),其含义必须由用于呈现数据的应用定义。这给这样的应用的开发者带来了负担,开发者必须指定由这些应用接收和呈现的非结构化数据的每项的含义,使得数据对于查看者将具有含义(例如,产品计数、生产率、系统温度或压力、历史趋势等)。
发明内容
以下呈现了简化的概述,以便提供对本文中所描述的一些方面的基本理解。该概述不是广泛的综述,也不旨在标识关键/重要元素或描绘本文中所描述的各个方面的范围。该概述的唯一目的是以简要的形式呈现一些概念,作为稍后呈现的更详细的描述的序言。
在一个或更多个实施方式中,提供了一种系统,该系统包括:模型配置部件,其被配置成基于模型配置输入数据来定义工业资产的数字孪生,该数字孪生按照分层元素来定义工业资产,其中,数字孪生包括与由工业资产生成的数据项对应的数据标签,并且数据标签分别符合基本信息数据类型集合中的一个,基本信息数据类型集合至少包括状态数据类型、速率数据类型、里程表数据类型和事件数据类型;以及人工智能(AI)引擎部件,其被配置成基于AI分析向数字孪生的应用来识别指示工业资产的总体性能的关键变量、影响关键变量的值的相关变量以及关键变量与相关变量之间的函数关系,以及将AI字段附加至数据标签中的与关键变量对应的数据标签,AI字段标识相关变量以及关键变量与相关变量之间的函数关系。
此外,一个或更多个实施方式提供了一种方法,该方法包括:在包括处理器的系统上基于配置输入数据来定义按照分层元素定义工业资产的数字孪生,其中,数字孪生包括与在工业资产的装置上保持的数据项对应的数据标签,数据标签分别符合基本信息数据类型集合中的基本信息数据类型,并且基本信息数据类型集合至少包括状态数据类型、速率数据类型、里程表数据类型和事件数据类型;由该系统对数字孪生执行AI分析;由该系统基于AI分析的结果来识别指示工业资产的操作的质量的关键变量、确定关键变量的值的相关变量以及关键变量与相关变量之间的函数关系;以及由该系统将AI字段添加至数据标签中的与关键变量对应的数据标签,其中,所述AI字段标识相关变量以及关键变量与相关变量之间的函数关系。
此外,根据一个或更多个实施方式,提供了一种存储有指令的非暂态计算机可读介质,该指令响应于被执行使系统执行操作,该操作包括:基于配置输入数据来定义按照分层元素定义工业资产的数字孪生,其中,数字孪生包括与在工业资产的装置保持的数据项对应的数据标签,数据标签分别符合基本信息数据类型集合中的基本信息数据类型,并且基本信息数据类型集合至少包括状态数据类型、速率数据类型、里程表数据类型和事件数据类型;对数字孪生执行AI分析;基于AI分析的结果来识别指示工业资产的性能质量的关键变量、确定关键变量的值的相关变量以及关键变量与相关变量之间的函数关系;以及将AI字段附加至数据标签中与关键变量对应的数据标签,其中,AI字段标识相关变量以及关键变量与相关变量之间的函数关系。
为了实现前述和相关目的,本文结合以下描述和附图对某些说明性方面进行了描述。这些方面指示可以实践的各种方式,所有这些方式都旨在被涵盖在本文中。当结合附图考虑时根据以下具体实施方式,其他优点和新颖特征可以变得明显。
附图说明
图1是示例工业控制环境的框图。
图2是示出典型工业环境中工业数据跨各种信息级的流动的概念图。
图3是支持基本信息数据类型(BIDT)的示例工业装置的框图。
图4是能够发现一个或更多个工业装置上的BIDT并且根据用户定义的资产模型将相关联的数据的呈现格式化的网关装置的框图。
图5是能够将来自网关装置的资产模型聚合到一个或更多个工厂模型中并且根据聚合的工厂模型将从网关装置接收的相关联数据的呈现格式化的应用服务器系统的框图。
图6是可以由工业装置的一个或更多个实施方式支持的四个示例BIDT的图示。
图7是示出BIDT在工业装置的标签数据库中的开发的图。
图8是示出BIDT在标签数据库中的存储的图。
图9是示出支持BIDT的示例工业装置的运行时间操作的图。
图10是示出具有一个或更多个资产模型定义的网关装置的配置的图。
图11是格式化为生产模型的示例资产模型的图形表示。
图12是格式化为设计模型的示例资产模型的图形表示。
图13是示出从工业装置到应用服务器系统的传送BIDT数据的情境化呈现的BIDT数据的流的图。
图14是示出由应用服务器系统将逻辑资产模型收集和集成到公共工厂模型的图。
图15是由应用服务器系统通过集成从相应的多个网关装置接收的多个资产模型生成的示例工厂模型。
图16是可以由应用服务器系统的呈现部件基于聚合的工厂模型生成的示例数据呈现的屏幕截图。
图17是描绘在其上定义了用于传送到基于云的应用服务器系统的第一资产模型和用于BIDT数据向本地预置(on-premise)客户端装置的呈现的第二资产模型的网关装置的图。
图18是示出包括工业装置、网关装置和基于云的应用服务器系统的示例网络架构的图。
图19是利用网关装置注册表来管理到客户的云平台的代理通信的示例架构的框图。
图20是用于配置和利用工业控制器中的BIDT数据标签以将工业数据传送到可视化系统的示例方法的流程图。
图21是用于根据资产模型从BIDT数据标签发现和检索数据的示例方法的流程图。
图22是用于聚合资产模型并使用聚合的模型来生成工业数据的图形呈现的示例方法的流程图。
图23是示出工业资产的资产模型与工业资产的机械模型集成以产生表示资产的数字孪生(digital twin)的图。
图24是示出基于工业资产的资产(自动化)模型与机械模型的集成来生成资产数据的图。
图25是示出工业资产的资产模型和机械模型的并行开发的图。
图26是使用互相链接的资产模型和机械模型来生成过去的工业资产操作的回放模拟的示例架构的图。
图27是示出基于工业资产的资产(自动化)模型与机械模型的集成来生成补充的计算资产数据的图。
图28是示出利用数字孪生来生成使用数字孪生回放过去的资产行为的虚拟现实呈现的示例虚拟现实系统的框图。
图29是使用数字孪生来验证控制程序的软件测试系统的一般化框图。
图30是示出关于执行工业资产的集体监督控制使用数字孪生的图。
图31是示出与非同步数据记录相关联的缺点的示例时间序列数据记录。
图32示出可以由装置配置应用支持的用于对BIDT数据的同步数据记录进行编程的示例数据记录指令。
图33是数据记录指令的用于促进一个或更多个工业装置中定义的BIDT属性的协调数据记录的示例互连的图。
图34是由图33中描绘的配置产生的示例时间序列数据记录。
图35是链接的数据记录指令的另一示例互连的图。
图36是用于使用对BIDT数据标签的共同引用来链接工业资产的自动化模型和非自动化模型的点的示例方法的流程图。
图37是用于配置工业数据的同步记录的示例方法的流程图。
图38是示出包括能够出于情境化(contextualization)、验证和适配的目的而对数字孪生应用AI分析的AI引擎部件的示例架构的图。
图39是示出AI引擎部件对数字孪生的BIDT的情境化的图。
图40是示出其中AI引擎部件基于对数字孪生的数据拓扑和实时或历史过程数据的分析对数字孪生的智能标签进行情境化的示例架构的图。
图41是示出已经由AI引擎部件增强以包括定义各种AI属性的AI字段的BIDT智能标签的示例数据模式。
图42是示出使用基于AI的模拟来针对正在被建模的物理工业资产或系统验证数字孪生的图。
图43是示出可以用于在部署之前使数字孪生2306适配于其他系统或情境的示例架构的图。
图44a是用于增强工业资产的数字孪生以包括促进数字孪生的基于AI的验证以及与外部AI分析系统的交互的元数据的示例方法的第一部分的流程图。
图44b是用于增强工业资产的数字孪生以包括促进数字孪生的基于AI的验证以及与外部AI分析系统的交互的元数据的示例方法的第二部分的流程图。
图45是示例计算环境。
图46是示例联网环境。
具体实施方式
现在参照附图描述主题公开内容,其中,贯穿全文使用相同的附图标记指代相同的元素。在以下描述中,出于说明的目的,阐述了许多特定细节以便提供对其的完全理解。然而,明显的会是,可以在没有这些具体细节的情况下实践主题公开内容。在其他实例中,公知的结构和装置以框图的形式示出以便于对其进行描述。
在本申请中所使用的,术语“部件”、“系统”、“平台”、“层”、“控制器”、“终端”、“站”、“节点”、“接口”旨在指代计算机相关实体、或与具有一个或更多个特定功能的操作设备相关的或作为该操作设备的一部分的实体,其中,这样的实体可以是硬件、硬件和软件的组合、软件、或执行中的软件。例如,部件可以是但不限于:在处理器上运行的进程、处理器、硬盘驱动器、包括附加固态存储驱动器(例如,螺丝拧紧或螺栓固定)或者可移除式附加固态存储驱动器的(光存储介质或磁存储介质的)多个存储驱动器;对象;可执行体;执行线程;计算机可执行程序;以及/或者计算机。作为例示,服务器上运行的应用以及服务器两者可以为部件。一个或更多个部件可以驻留在执行的进程和/或线程内,并且部件可以位于一个计算机上以及/或者分布在两个或更多个计算机之间。此外,本文所描述的部件可以从其上存储有各种数据结构的各种计算机可读存储介质来执行。部件可以经由本地和/或远程进程例如根据具有一个或更多个数据包的信号(例如,来自与本地系统、分布式系统中的另一部件和/或经由信号跨网络例如因特网与其他系统进行交互的一个部件的数据)进行通信。作为另一示例,部件可以是具有由下述电气或电子电路操作的机械部分提供的特定功能的设备,所述电气或电子电路由处理器执行的软件或固件应用来操作,其中,处理器可以在该设备的内部或外部并且执行软件或固件应用的至少一部分。作为又一示例,部件可以是通过没有机械部件的电子部件提供特定功能的设备,电子部件可以在其中包括处理器以执行至少部分提供电子部件的功能的软件或固件。作为又一示例,接口可以包括输入/输出(I/O)部件及其相关联的处理器、应用或应用程序接口(API)部件。虽然前述示例涉及部件的多个方面,但是所例示的方面或特征也适用于系统、平台、接口、层、控制器、终端等。
本文中所使用的术语“进行推断(infer)”和“推断(inference)”一般是指根据经由事件和/或数据捕获的一组观察结果来推理或推断系统、环境和/或用户的状态的过程。例如,可以采用推断来识别特定情境(context)或动作,或者可以采用推断来生成关于状态的概率分布。推断可以是概率性的,也就是说,基于数据和事件的考虑对所关注的状态的概率分布的计算。推断还可以指用于由一组事件和/或数据构成较高级别的事件所采用的技术。这样的推断导致由一组观察到的事件和/或所存储的事件数据构造出新事件或动作,而不管事件是否以紧密的时间接近度相关,以及事件和数据是否来自一个或若干个事件和数据源。
另外,术语“或”旨在意指包容性的“或”,而非排他性的“或”。也就是说,除非另外指明或者根据上下文是清楚的,否则短语“X采用A或B”旨在意指任何自然的包括性排列。也就是说,以下实例中的任何实例满足短语“X采用A或B”:X采用A;X采用B;或X采用A和B两者。另外,除非另有指定或者根据上下文是明显指的是单数形式,否则在本申请和所附权利要求书中所使用的冠词“一”和“一个”通常应当被解释为意指“一个或更多个”。
此外,文中采用的术语“集合”排除空集;例如,其中没有元素的集合。因此,主题公开内容中的“集合”包括一个或更多个元素或实体。作为说明,控制器的集合包括一个或更多个控制器;数据资源的集合包括一个或更多个数据资源;等。同样地,本文中利用的术语“组”指代一个或更多个实体的集合;例如,节点组指代一个或更多个节点。
将依据可以包括许多装置、部件、模块等的系统来呈现各个方面或特征。要理解和认识到的是,各个系统可以包括另外的装置、部件、模块等,以及/或者各个系统可以不包括结合附图所讨论的全部装置、部件、模块等。也可以使用这些方法的组合。
工业控制器及其相关联的I/O装置是现代自动化系统的操作的中心。这些控制器与工厂车间(plant floor)的现场装置进行交互,以控制与如产品制造、材料处置、批量处理、监督控制以及其他这样的应用之类的这样的目的有关的自动化过程。工业控制器存储和执行用户定义的控制程序,以实现与受控过程有关的决策。这样的程序可以包括但不限于:梯形逻辑、顺序功能图、功能框图、结构化文本或其他这样的平台。
图1是示例工业控制环境100的框图。在该示例中,多个工业控制器118被部署在整个工业工厂环境中,以监视和控制与产品制造、加工、运动控制、批量处理、材料处置或其他这样的工业功能相关的相应工业系统或过程。工业控制器118通常执行相应的控制程序以便于监测和控制组成受控工业资产或系统(例如,工业机器)的工业装置120。一个或更多个工业控制器118还可以包括在个人计算机或其他硬件平台上或在云平台上执行的软件控制器。一些混合装置还可以将控制器功能与其他功能(例如,可视化)组合。由工业控制器118执行的控制程序可以包括用于处理从工业装置120读取的输入信号以及控制由工业控制器生成的输出信号的任何可想到的类型的码,包括但不限于梯形逻辑、顺序功能图、功能框图或结构化文本。
工业装置120可以包括输入装置和输出装置两者,该输入装置向工业控制器118提供与受控工业系统相关的数据,并且该输出装置响应于由工业控制器118生成的控制信号以控制工业系统的各方面。示例输入装置可以包括遥测装置(例如,温度传感器、流量计、物位传感器、压力传感器等)、手动操作者控制装置(例如按钮、选择器开关等)、安全监测装置(例如,安全垫、安全拉绳、光幕等)以及其他这样的装置。输出装置可以包括马达驱动、气动致动器、信号装置、机器人控制输入、阀等。
工业控制器118可以通过硬连线连接或联网连接与工业装置120通信地进行接口。例如,工业控制器118可以配备有与工业装置120进行通信来实现对装置的控制的本机硬连线输入和输出。本机控制器I/O可以包括:向现场装置发送离散电压信号以及从现场装置接收离散电压信号的数字I/O,或者向装置发送模拟电压或电流信号以及从装置接收模拟电压或电流信号的模拟I/O。控制器I/O可以通过背板与控制器的处理器进行通信,使得数字信号和模拟信号可以由控制程序读入和控制。工业控制器118还可以使用例如通信模块或集成联网端口通过网络与工业装置120进行通信。示例性网络可以包括因特网、内联网、以太网、装置网(DeviceNet)、控制网(ControlNet)、数据高速公路和数据高速公路加(DH/DH+)、远程I/O、现场总线(Fieldbus)、网络通讯协议(Modbus)、过程现场总线(Profibus)、无线网络、串行协议等。工业控制器118还可以存储可以由控制程序引用并且用于控制决策的持久性数据值,其包括但不限于:表示受控机器或过程的操作状态(例如,灌物位、位置、警报等)的测量或计算的值,或者自动化系统的操作期间收集的捕获时间序列数据(例如,多个时间点的状态信息、诊断发生等)。类似地,一些智能装置——包括但不限于马达驱动、仪器或状态监测模块——可以存储用于控制操作状态和/或使操作状态可视化的数据值。这样的装置还可以捕获记录上的时间序列数据或事件以供后续检索和查看。
工业自动化系统通常包括一个或更多个人机接口(HMI)114,其使得工厂人员能够查看与自动化系统相关联的遥测数据和状态数据,并且控制系统操作的一些方面。HMI 114可以通过工厂网络116与工业控制器118中的一个或更多个进行通信,并且与工业控制器交换数据,以便于与受控工业过程相关的信息在一个或更多个预开发的操作者接口屏幕上的可视化。HMI 114还可以被配置成使得操作者能够向工业控制器118的指定数据标签或存储地址提交数据,从而为操作者提供向受控系统发布命令(例如,循环启动命令、装置致动命令等)、修改设定点值等的手段。HMI 114可以生成一个或更多个显示屏,操作者通过该一个或更多个显示屏与工业控制器118交互并且从而与受控过程和/或系统交互。示例显示屏可以使用以下的过程的图形表示来使工业系统或它们相关联的装置的当前状态可视化:所述过程的图形表示显示计量或计算的值,采用基于状态的颜色或位置动画,呈现警报通知,或者采用用于向操作者呈现相关数据的其他这样的技术。以该方式呈现的数据由HMI 114从工业控制器118读取,并且根据由HMI开发者选择的显示格式被呈现在显示屏中的一个或更多个上。HMI可以包括具有用户安装或预先安装的操作系统以及用户安装或预先安装的图形应用软件的固定位置装置或移动装置。
一些工业环境还可以包括与受控工业系统的特定方面相关的其他系统或装置。这些系统或装置可以包括例如数据历史记录器(data historian)110或装置文档存储装置104,该数据历史记录器110聚合并存储从工业控制器118或其他数据源收集的生产信息,而装置文档存储装置104包含用于组成受控工业系统的各种工业装置的电子文档。其他系统可以包括库存跟踪系统102、工作订单管理系统106、机器或过程图和文档的存储库(repository)、供应商产品文档存储装置、供应商知识库、内部知识库、工作调度应用或其他这样的系统,这些中的一些或全部可以驻留在工业环境的办公网络108上。
工业资产及其相关联的工业资产在操作期间可以生成大量信息。图2是示出典型工业环境中工业数据跨各种信息级的流动的概念图。在工厂车间级上,工业资产206——例如,工业机器、生产线、工业机器人等——执行与产品的制造、包装或处置有关的相应任务;工业过程的控制;或其他这样的工业功能。这些工业资产206由工业装置204直接监测和控制。例如,可以使用接近开关、遥测装置、光传感器或其他这样的监测装置来监测工业资产206的各种状态和度量(例如,致动器位置、马达速度、温度、流量、压力、人类存在等)。促进工业资产206的控制的工业装置可以包括例如马达驱动、气动致动器、远程I/O装置或其他这样的设备。工业装置204还可以包括HMI(例如,HMI 114)。
工业控制器202经由工业装置204执行对工业资产206的监督监测和控制。在这点上,工业装置204用作工业控制器202的输入和输出,工业控制器202根据用户定义的控制例程(例如,梯形逻辑程序、顺序功能图程序等)以及输入工业装置的当前值和当前状态来控制其输出工业装置。由工业装置204生成的数据反映工业资产206的当前状态。该数据由工业控制器202读取,工业控制器202可以基于这些工业装置状态和值来生成附加数据(例如,计算的补充数据、聚合值等)。
在用户级处,定制应用——例如,报告应用、可视化应用、企业资源计划应用、制造执行系统等——可以收集工业控制器206中可获得的信息的选定子集,并且根据应用208中定义的数据呈现格式将该信息作为格式化数据210呈现给用户。
以有意义的呈现格式收集并向用户传送这些信息中的一些或全部可以提供对工业资产202的过去、当前和未来操作的有价值的洞察。然而,跨与构成工业企业的各种工业机器或系统相关联的许多工业装置可获得的数据的高度分布式本质提出了关于收集和格式化数据以用于可以被传送到用户的客户端装置的共同呈现的挑战。此外,在给定的工业装置的集合上可获得的许多信息包括非情境化的、非结构化的数据(例如,存储在工业控制器的数据表上的整数、实数或离散值),其含义必须由用于呈现数据的应用208定义。这给这样的应用208的开发者带来了负担,开发者必须指定由这些应用接收和呈现的非结构化数据的每项的含义,使得数据对于查看者将具有含义(例如,产品计数、生产率、系统温度或压力、历史趋势等)。
为了解决这些和其他问题,本公开内容的一个或更多个实施方式提供了工业数据呈现系统,该系统支持关于生成和传送工业数据的有意义的呈现来使用结构化数据类型。在一个或更多个实施方式中,工业装置和/或控制器被配置成支持结构化数据类型——在本文中被称为基本信息数据类型(BIDT)——其包括结构化信息数据类型的有限集合。在示例实现方式中,基本信息数据类型可以包括表示(1)速率、(2)状态、(3)里程表和(4)事件的四种结构化信息数据类型。在工业装置或控制器配置内,用户可以定义相应物理资产(例如,机器、生产线等)与基本信息数据类型中的一个或更多个之间的关联。这可以包括例如定义表示物理资产的度量或状态的一个或更多个数据标签,以及将每个标签与基本信息数据类型之一相关联。每个基本信息数据类型具有相关联的元数据,该元数据可以由用户配置以定制用于给定工业应用的数据标签(例如,用于速率数据类型的最大值和最小值、用于里程表数据类型的翻转值、用于事件和状态数据类型的事件或状态名称、数据标签之间的任何父子关系等)。
一旦BIDT在工业装置或控制器中被配置,BIDT可以由外部数据收集和/或可视化系统发现,该外部数据收集和/或可视化系统包括与工业装置或远程基于云的系统共享网络的本地系统。例如,网关装置可以被配置有引用工业装置上的BIDT数据标签的一个或更多个资产模型。资产模型将BIDT数据标签的组分配给资产模型的相应分层元素(例如,生产设施、生产区域或生产线、以及工业资产、设备单元、工业装置等)。网关装置可以从BIDT数据标签检索工业数据,以及用于每个标签的相关联的用户定义的元数据。然后,网关装置或单独的应用服务器系统可以基于资产模型中的选定的一个和BIDT元数据来生成工业数据的图形呈现。
BIDT还可以通过提供通用命名法来促进工业资产的自动化模型与资产的非自动化模型(例如,机械模型、财务模型、热模型等)的简化集成,通过该通用命名法两个模型可以引用实时或历史资产数据中的选定项。这样,自动化模型的自动化域属性可以通过公共数据源引用来链接至非自动化模型的对应属性(例如,机械模型的机器域属性)。
图3是根据本公开内容的一个或更多个实施方式的支持基本信息数据类型的示例工业装置302的框图。在本公开内容中说明的系统、设备或过程的方面可以构成实施在机器内例如以与一个或更多个机器相关联的一个或更多个计算机可读介质(或媒介)实施的机器可执行部件。这样的部件在由一个或更多个机器——例如计算机、计算装置、自动化装置、虚拟机等——执行时可以使机器执行所描述的操作。
工业装置302可以包括基本上任何类型的数据生成工业装置,包括但不限于工业控制器、马达驱动、HMI终端、视觉系统、工业光学扫描仪或其他这样的装置或系统。工业装置302可以包括程序执行部件304、I/O控制部件306、BIDT配置部件308、BIDT发布部件310、联网部件312、用户接口部件314、一个或更多个处理器318和存储器320。在各种实施方式中,程序执行部件304、I/O控制部件306、BIDT配置部件308、BIDT发布部件310、联网部件312、用户接口部件314、一个或更多个处理器318和存储器320中的一个或更多个可以彼此电耦接和/或通信地耦接以执行工业装置302的功能中的一个或更多个。在一些实施方式中,部件304、306、308、310、312和314可以包括存储在存储器320上并且由处理器318执行的软件指令。工业装置302还可以与图3中未描绘的其他硬件和/或软件部件交互。例如,处理器318可以与一个或更多个外部用户接口装置例如键盘、鼠标、显示监测器、触摸屏或其他这样的接口装置交互。
程序执行部件304可以被配置成编译并执行用户定义的控制程序。在各种实施方式中,控制程序可以以任何合适的编程格式(例如,梯形逻辑、顺序功能图、结构化文本等)编写,并下载到工业装置302。通常,控制程序使用由工业装置的模拟输入和数字输入读取的数据值作为输入变量,并且部分地基于输入值根据控制程序指令来设置工业装置的模拟输出和数字输出的值。I/O控制部件306可以被配置成根据控制程序输出来控制工业装置的数字电输出和模拟电输出的电输出信号,并且将工业装置的模拟输入和数字输入上的电信号转换成可以由程序执行部件304处理的数据值。
BIDT配置部件308可以被配置成基于元数据配置输入数据来设置与针对工业装置302定义的BIDT数据标签相关联的元数据值。如下面将更详细描述的,除了标准的一般数据类型(例如,实数的、模拟的、数字的等)之外,工业装置302被配置成支持在本文被称为基本信息数据类型(BIDT)的工业专用数据类型。与这些基本信息数据类型相关联的数据标签具有相关联的元数据,其可以由用户经由BIDT配置部件308配置,以便为给定的工业应用定制数据标签。为了方便,与基本信息数据类型相关联的数据标签在本文被称为“BIDT”。由用户定义的BIDT 322被存储在存储器320中(例如,连同其他数据类型的其他定义的数据标签的在工业装置的标签数据库中)。
BIDT发布部件310被配置成向外部系统暴露所定义的BIDT 322,从而允许BIDT322被这样的系统通过本地网络和/或远程网络发现。联网部件312可以被配置成使用任何合适的网络协议通过有线网络或无线网络与一个或更多个外部装置交换数据。用户接口部件314可以被配置成接收用户输入并以任何合适的格式(例如,视觉、音频、触觉等)向用户呈现输出。在一些实施方式中,用户接口部件314可以被配置成与在通信地连接至工业装置302(例如,经由硬连线或无线连接)的客户端装置(例如,膝上型计算机、平板计算机、智能电话等)上执行的开发应用通信地进行接口。用户接口部件314然后可以经由开发应用接收用户输入数据并呈现输出数据。在其他实施方式中,用户接口部件314可以被配置成生成合适的图形接口屏幕并将其提供给客户端装置,并且经由这些图形接口屏幕交换数据。可以经由用户接口部件314接收的输入数据可以包括但不限于用户定义的控制程序或例程、数据标签定义、BIDT元数据配置数据或其他这样的数据。
一个或更多个处理器318可以执行本文中参照所公开的系统和/或方法所描述的功能中的一个或更多个。存储器320可以是存储用于执行本文中参照所公开的系统和/或方法所描述的功能的计算机可执行指令和/或信息的计算机可读存储介质。
图4是能够发现一个或更多个工业装置上的BIDT并且根据用户定义的资产模型将相关联的数据的呈现格式化的网关装置402的框图。网关装置402可以包括发现部件406、模型配置部件408、应用服务器接口部件410、呈现部件412、用户接口部件414、一个或更多个处理器418和存储器420。在各种实施方式中,发现部件406、模型配置部件408、应用服务器接口部件410、呈现部件412、用户接口部件414、一个或更多个处理器418以及存储器420中的一个或更多个可以彼此电耦接和/或通信地耦接以执行网关装置402的功能中的一个或更多个。在一些实施方式中,部件404、406、408、410、412和414可以包括存储在存储器420上并由处理器418执行的软件指令。网关装置402还可以与图4中未描绘的其他硬件部件和/或软件部件进行交互。例如,处理器418可以与一个或更多个外部用户接口装置例如键盘、鼠标、显示监测器、触摸屏或其他这样的接口装置交互。
发现部件406可以被配置成发现在通信地连接至网关装置402的工业装置(例如,工业装置302)上定义的BIDT(例如,BIDT 322)。发现部件406还可以被配置成检索与BIDT相关联的数据和元数据,以用于生成工业数据呈现。模型配置部件408可以被配置成根据用户定义的资产模型定义来创建和存储一个或更多个资产模型422。这些资产模型可以按照工业设施或设施集合的分层元素来表示工业资产或工业资产集合,其中这些分层元素可以包括但不限于工厂、生产区域或生产线、工业机器或其他工业资产、构成工业资产的设备单元、与工业资产相关联的工业装置(例如,控制器、马达驱动、视觉系统装置、安全装置等)或其他这样的元素。资产模型422还可以将BIDT组分配给分层模型的相应元素。资产模型422可以被定制为适合各种类型的信息消费者(例如,线路操作者、工程师、工厂经理等)的信息需求。
应用服务器接口部件410可以被配置成将从工业装置(例如,工业装置302)收集的资产模型422和工业数据暴露给应用服务器(例如,下面讨论的应用服务器系统502),该应用服务器可以将多个资产模型422聚合成较大的聚合工厂模型或企业模型,并且基于工厂模型生成工业数据的图形呈现。呈现部件412可以被配置成生成数据呈现——例如,以图形显示布局、微件(widget)的集合等的形式——该数据呈现根据资产模型422中的一个或更多个来呈现从发现部件406接收到的工业数据的所选子集。在一些实施方式中,呈现部件412可以被配置成使用从预定义的微件的集合中选择的合适的BIDT特定微件(或其他图形显示元件)来呈现与BIDT相关联的数据。
用户接口部件414可以被配置成接收用户输入并以任何合适的格式(例如,视觉、音频、触觉等)向用户呈现输出。在一些实施方式中,用户接口部件414可以被配置成与在通信地连接至网关装置402(例如,经由硬连线或无线连接)的客户端装置(例如,膝上型计算机、平板计算机、智能电话等)上执行的客户端应用通信地进行接口。用户接口部件414然后可以经由客户端应用接收用户输入数据并呈现输出数据。在其他实施方式中,用户接口部件414可以被配置成生成合适的图形接口屏幕并将其提供给客户端装置,并且经由这些图形接口屏幕来交换数据。可以经由用户接口部件414接收的输入数据可以包括但不限于被保存为资产模型422的资产模型定义或其他这样的数据。
一个或更多个处理器418可以执行本文中参照所公开的系统和/或方法描述的功能中的一个或更多个。存储器420可以是存储用于执行本文中参照所公开的系统和/或方法所描述的功能的计算机可执行指令和/或信息的计算机可读存储介质。
图5是能够将来自网关装置(例如,网关装置402)的资产模型422聚合成一个或更多个工厂模型522中并且根据聚合的工厂模型522将从网关装置402接收的相关联数据的呈现格式化的应用服务器系统502的框图。应用服务器系统502可以包括网关接口部件504、工厂模型部件506、呈现部件508、目的地接口部件510、预测分析部件512、AI引擎部件514、一个或更多个处理器518和存储器520。在各种实施方式中,网关接口部件504、工厂模型部件506、呈现部件508、目的地接口部件510、预测分析部件512、AI引擎部件514、一个或更多个处理器518和存储器520中的一个或更多个可以彼此电耦接和/或通信地耦接以执行应用服务器系统502的功能中的一个或更多个。在一些实施方式中,部件504、506、508和510可以包括存储在存储器520上并由处理器518执行的软件指令。应用服务器系统502还可以与图5中未描绘的其他硬件部件和/或软件部件交互。例如,处理器518可以与一个或更多个外部用户接口装置例如键盘、鼠标、显示监测器、触摸屏或其他这样的接口装置交互。
网关接口部件504可以被配置成通过有线网络或无线网络与一个或更多个网关装置(例如,网关装置402)交换数据。在一些实施方式中,应用服务器系统502可以是驻留在工厂车间的预置装置,并且网关接口部件504可以通过本地工厂网络和/或办公网络与网关装置402交换数据。在其他实施方式中,应用服务器系统502可以驻留在云平台上。在这样的实施方式中,网关接口部件504可以通过公共网络(例如,因特网层)和私有网络(例如,工业设施处的工厂网络或办公网络)的组合与网关装置402交换数据。
工厂模型部件506可以被配置成发现保持在一个或更多个网关装置402上的资产模型422,并且将这些发现的资产模型422聚合成用于工业设施或企业的总体工厂模型522中。工厂模型522可以定义给定工厂设施的工业资产之间的分层关系,或者跨越地理上不同的工厂设施分布的资产之间的分层关系。工厂模型522还通过将与工业资产相关联的工业装置中定义的BIDT组分配到工厂模型522的相应分层元素(例如,生产线、工业资产标识符、设备单元、工业装置等)来定义与相应工业资产相关联的BIDT数据项之间的关系。通过定义构成工业设施或企业的资产之间的关系,工厂模型522类似地定义与那些资产相关联的数据项之间的关系。由工厂模型522定义的分层关系可以由应用服务器系统502利用,以便以结构化方式向用户呈现关于资产的信息。
呈现部件508可以被配置成生成数据呈现——例如以图形显示布局、微件524的集合等的形式——该数据呈现根据工厂模型522中的一个或更多个来呈现从网关装置402接收的数据的所选子集。在一些实施方式中,呈现部件508可以被配置成使用从预定义的微件524的集合中选择的合适的BIDT特定微件(或其他图形显示元件)来呈现与基本信息数据类型标签相关联的数据。目的地接口部件510可以被配置成通过有线网络或无线网络(例如,私有工厂或办公网络、云平台、或诸如因特网等公共网络)与一个或更多个目的地客户端装置交换数据。这可以包括根据工厂模型522中的一个或更多个向客户端装置传送图形数据呈现。预测分析部件512可以被配置成对所存储的时间序列工业资产数据执行预测分析。
AI引擎部件514可以被配置成将AI分析应用于使用BIDT作为根本数据基础的数字孪生,以促进数字孪生变量之间的新关系的发现、数字孪生相对于其建模的工业资产的验证、以及数字孪生用于其他资产或在其他操作条件下使用的适配性。
一个或更多个处理器518可以执行本文中参照所公开的系统和/或方法所描述的功能中的一个或更多个。存储器520可以是存储用于执行本文中参照所公开的系统和/或方法所描述的功能的计算机可执行指令和/或信息的计算机可读存储介质。
图6是可以由工业装置302的一个或更多个实施方式支持的四个示例基本信息数据类型的图示。这些数据类型可以补充通常由工业控制器或其他工业装置支持的其他标准数据类型(例如,整数、实数、布尔、字符串、浮点等)。通常,数据标签是在工业装置内定义的数据结构,其引用装置内的存储器位置(例如,输入值、输出值或内部数据寄存器)并且对应于相应的数据项。数据标签可以被配置成具有指定的数据类型(或者可以是指定的数据类型的实例),例如,布尔、浮点、整数、双整型(double integer)、字符串等。开发期间,控制器标签可以被创建并保持在工业装置的标签数据库中。本文所描述的BIDT是迎合工业自动化应用并且补充传统数据类型的附加数据类型。
在所示的示例中,基本信息数据类型包括四个结构化信息数据类型——状态BIDT602、速率BIDT 604、里程表BIDT 606和事件BIDT 608——的有限集合。尽管本文所描述的示例假设支持的BIDT包括这四种数据类型,但是应当理解,在不脱离本公开内容的范围的情况下,一些实施方式可以包括其他BIDT数据类型。
每个BIDT包括用于存储BIDT的当前值(例如,状态值、速率值、里程表值和事件值)的字段以及被配置成存储用于该BIDT的用户定义的配置数据的一个或更多个元数据字段。每个BIDT的元数据值可以根据与BIDT相关联的特定工业资产或工业应用来定制相关联的BIDT数据值的管理和呈现。
包含在状态BIDT 602中的值可以表示工业资产或装置(例如,机器、生产线、马达驱动等)的当前状态。包含在状态BIDT 602中的状态数据可以表示一组预定义状态中的一个,该组预定义状态表示相关联的工业资产或装置的当前状态或状况。例如,状态BIDT可以传达S88状态、包装机语言状态、为资产定义的状态机的当前状态、阀的状态(例如,打开或关闭)、马达的状态(例如,运行、空闲、故障等)或其他类型的状态。
与状态BIDT 602相关联的用户可配置元数据(其可以由BIDT配置部件308根据经由用户接口部件314接收的用户输入来配置)可以定义表示相关联的资产的可用状态的状态机,其中每个定义的状态被配置成响应于检测到的条件而被调用。例如,每个定义的状态可以经由元数据被链接至工业装置302中定义的一个或更多个其他相关数据标签(例如,表示传感器或开关的指示定义的状态的状态的数据标签),使得由状态BIDT 602指示的当前状态是相关数据标签的当前值的函数。
速率BIDT 604中包含的值可以表示与工业资产或装置相关联的度量的所测量速率的整数值或实数值。速率值可以是瞬时速率或表示度量在一段时间内的变化率的值。例如,包含在速率BIDT 604中的速率值可以表示温度、压力、速度(例如,传送机或其他马达驱动的机器部件的速度)、总体设备效率(OEE)或其他这样的度量。
与速率BIDT 604相关联的用户可配置元数据可以定义对应的速率值的最大值和最小值,使得速率BIDT 604中包含的值将不会偏离到由最大值和最小值元数据定义的窗口之外。元数据还可以标识确定事件的一个或更多个数据源(例如,一个或更多个其他数据标签或输入地址)。例如,速率BIDT 604的元数据可以定义对应的速率值是否为包含在其他定义的数据标签中的多个其他值的聚合。在这点上,用户可以将速率值定义为两个或更多个标识的数据标签的平均值或总和,或者数据标签关于时间的积分。另一元数据字段可以用于指定要与速率相关联的工程单位。
里程表BIDT 606中包含的值可以表示与工业资产相关联的累积量。例如,里程表BIDT 606可以被配置成表示具有翻转值的累积量,例如与工业资产相关联的零件计数。在这样的情况下,与里程表BIDT 606相关联的元数据可以包括翻转值的定义。里程表BIDT606还可以被配置成表示定义的时间间隔期间的量,例如与资产相关联的能量消耗。在定义的时间间隔期间的量的情况下,与里程表BIDT 606相关联的元数据可以包括时间间隔的定义,其可以按照每天的开始时间和结束时间、按照时间间隔的开始时间和定义的持续时间、或作为另一时间定义格式来定义。与里程表BIDT 606相关联的元数据还可以定义驱动里程表值的一个或更多个数据源。例如,元数据可以定义与循环完成事件相关联的数据标签,使得当循环完成数据标签变高时里程表值将增加。里程表值还可以被定义为多个值的聚合。在这样的情况下,元数据可以标识其值将被聚合或求和以产生里程表值的两个或更多数据标签。元数据还可以定义与里程表值相关联的测量单位(例如,灌装瓶、操作循环、兆瓦-小时等)。
包含在事件BIDT 608中的值可以表示与工业资产相关联的瞬时或持续性事件。例如,事件BIDT 608可以表示瞬时事件,例如,按钮事件(例如,“服务按钮被按下”)、传感器事件(例如,“存在零件”、“检测到人”等)、安全装置事件(例如,“光幕被破坏”)或另一这样的瞬时事件。可以由事件BIDT 608表示的持续性事件可以包括但不限于与警报状态(例如,“警报未确认”、“警报已确认”等)相关联的事件。可以由事件BIDT608表示的持续性事件的其他示例可以包括具有标识符和状态的持续性事件。例如,与批量过程相关联的事件可以包括批号(标识符)和相关联的事件(例如,“开始”、“执行”、“完成”等)。与事件BIDT 610相关联的用户可配置元数据可以包括其状态聚合地确定要由事件BIDT 610表示的事件的其他数据标签的标识符。替选地,如果由事件BIDT 608表示的事件是仅单个输入(例如,按钮输入)的函数,则元数据可以标识工业装置的适当的输入地址。
除了上述用于每个基本信息数据类型的元数据之外,BIDT还可以包括定义用于相应BIDT的通信或发现参数的可配置元数据字段。例如,每个BIDT可以包括更新速率元数据参数,该参数允许用户设置BIDT向网关装置发送其数据以更新对应的数据呈现的速率或频率。这样的元数据字段可以允许用户设置BIDT的更新周期(例如,60秒周期,其使得BIDT每60秒发送更新的值),或者指定BIDT会基本上持续地发送其更新的值(例如,每5毫秒到每10秒)。
应该理解,上面结合图6所描述的BIDT旨在是示例性的,并且其他类型的BIDT也在本公开内容的一个或更多个实施方式的范围内。
在示例场景中,用户可以在控制程序开发期间配置工业控制器或其他工业装置中的BIDT,以及要由控制程序使用的其他数据标签。图7是示出支持BIDT的工业装置302的标签数据库702中的BIDT的配置的图。工业装置302可以是例如工业控制器(例如,可编程逻辑控制器或其他类型的可编程自动化控制器),其被配置成执行工业控制程序704以促进对工业机器或过程的监测和控制。工业装置302包括存储数据标签定义的标签数据库702。数据标签定义由用户与对控制程序704(例如,梯形逻辑程序、顺序功能图程序等)的开发协作来配置,并且定义用于存储和标识由控制程序704生成和消耗的模拟和数字数据值的各种数据类型的数据标签712。可以由数据标签712表示的示例标准数据类型可以包括例如整数数据类型、实数数据类型、布尔数据类型等。除了这些标准数据类型之外,数据标签712中的一个或更多个可以包括与本文所描述的基本信息数据类型相关联的BIDT(例如,BIDT 602、604、606和608)。这些BIDT也被称为智能标签。
在该示例场景中,用户可以使用在通信地接口到工业装置302的客户端装置710(例如,膝上型计算机、台式计算机、平板计算机等)上执行的装置配置应用708来配置控制程序704和数据标签定义两者。在各种实施方式中,客户端装置710可以通过由用户接口部件314支持的硬连线连接(例如,通用串行总线连接、以太网连接、串行连接等)或无线连接(例如,近场、WiFi等)与工业装置302进行接口。装置配置应用708可以执行程序开发环境,该程序开发环境可以用于开发控制程序704及其相关联的数据标签712,该相关联的数据标签包括与要使用控制程序704控制的一个或更多个工业资产相关联的任何BIDT。
在开发期间,工业装置302的BIDT配置部件308可以根据由客户端装置710下载到工业装置302的BIDT配置输入706创建与上述BIDT类型(状态、速率、里程表和事件,或其他支持的BIDT类型)中的任何类型对应的BIDT。使用装置配置应用708,用户还可以配置与每个BIDT相关联的元数据,以便为给定工业应用定制BIDT。例如,对于与要由工业装置302控制的瓶子灌装机相关联的状态BIDT 602,用户可以指定要由标签表示的各种状态(例如,运行、初始(home)、异常、空闲等)。在一些实施方式中,BIDT配置部件308可以支持可以由用户选择并与给定状态BIDT相关联的多个预定义状态。另外或替选地,用户可以定义状态中的一个或更多个的名称以与状态BIDT相关联。
对于表示将瓶子馈送到灌装机的传送机的速度的速率BIDT 604,用户可以指定速度值的最大值和最小值。因此,速率BIDT 604将不生成在由定义的最大值和最小值定义的范围之外的速度值,并且如果测量的速度值超过定义的最大或低于定义的最小,则可以生成错误或警报输出。表示平均温度的另一速率BIDT 604可以被配置成对由用户在元数据中指定的多个模拟温度输入值取平均。对于表示产品计数(例如,由灌装机输出的灌装瓶的数量)的里程表BIDT 606,用户可以配置相关联的元数据以定义触发里程表值的增加的数据标签(例如,表示“灌装循环完成”事件的输入标签或另一BIDT),以及日班开始事件和日班结束时间,在该日班开始时间与日班结束时间之间,里程表BIDT 606的值将在被重置为零之前增加。与灌装机的部件相关联的事件BIDT 608的元数据可以定义表示确定事件的装置(例如,按钮、光传感器等)的状态的输入地址或数据标签,或者与其状态(例如,异常、正常、确认、未确认等)确定事件的警报对应的警报数据标签。
一旦配置了数据标签(标准的和BIDT两者),标签数据库702就将所配置的数据标签712存储在工业装置302的存储器320上,其中数据标签712可以由控制程序704访问。图8是示出BIDT在标签数据库702中的存储的图,其示出了用于相应类型的BIDT的示例数据字段。在图8中所描绘的示例中,数据标签1 802是状态BIDT,该状态BIDT具有用于与标签相关联的工业资产的名称(例如,瓶子灌装机、压铸炉、冲压机等的名称)、由标签802表示的状态的名称、确定状态的一个或更多个装置输入或其他数据标签的标识、生产和非生产状态的标识等的元数据字段。
数据标签2 804是速率BIDT,该速率BIDT具有用于工业资产名称、由速率值表示的速率名称(例如,线3传送机速度)、基本速率值和/或瞬时速率的最大值和最小值、其值被聚合以获得速率值的相关数据标签、速率值的单位的元数据字段,或其他这样的元数据字段。数据标签3 806是里程表BIDT,该里程表BIDT具有用于资产名称、里程表值的名称(例如,灌装瓶、#4压铸能量消耗等)、表示里程表值的值(在该值处值将返回到零)的翻转值、里程表值将被增加的时间间隔(例如,与工作轮班对应的开始时间和结束时间)、触发里程表值的增加的一个或更多个相关数据标签、与里程表值相关联的单位的元数据字段,或其他这样的元数据字段。数据标签4 808是事件BIDT,该事件BIDT具有用于资产名称、由事件BIDT表示的一个或更多个事件的名称、确定事件的一个或更多个输入或数据标签的标识的元数据字段,或其他这样的元数据字段。
应当理解,上面结合图8所描述的元数据字段仅旨在是示例性的,并且BIDT的元数据可以具有允许用户将BIDT与由工业装置302执行的工业应用匹配的任何合适的数据字段集合。
在对工业装置302进行编程和配置(包括创建要由控制程序704使用的任何BIDT)之后,可以在工厂车间部署工业装置302,以促进对一个或更多个工业资产或过程的控制。图9是示出支持BIDT的示例工业装置302的运行时间操作的图。在该示例中,假设工业装置302是工业控制器(例如,PLC或其他类型的可编程自动化控制器)。受控资产或过程906可以表示在工业装置302的控制下的任何工业机器、生产线、过程或操作。受控资产或过程906可以具有多个相关联的输入和输出装置(例如,图2的工业装置204),其通过硬连线或联网连接的任何合适的组合从工业装置302接收命令信号或向其发送遥测数据,以调节受控操作。工业装置302还可以包括一个或更多个I/O接口904,其提供到与受控资产或过程906相关联的受控设备和工业装置的硬连线或联网连接。这些I/O接口904可以包括例如数字和/或模拟输入模块、数字和/或模拟输出模块、联网模块等。
工业装置的存储器320内的I/O表902可以保持从I/O接口904读取或向I/O接口904写入的各种输入和输出的当前模拟值和数字值。也就是说,由I/O接口904(例如,模拟输入模块或数字输入模块)从现场装置读取的数据信号可以写入输入/输出表902(例如,由I/O控制部件306)。这些输入值中的一些或全部可以被链接至在标签数据库702中保持的相应数据标签(标准或BIDT数据标签),标签数据库702可以由控制程序704或由外部应用读取。然后,这些输入值可以由控制程序704从适当的数据标签读取,该控制程序相应地更新其控制变量。类似地,由控制程序704生成的输出值可以被写入标签数据库702中定义的输出数据标签,使得I/O数据表902的对应输出寄存器被更新。然后,I/O控制部件306根据更新的输出值在I/O接口904的输出点处生成适当的模拟输出信号或数字输出信号。应当理解,工业控制器功能的该概述仅旨在是示例性的,并且本文所描述的BIDT可以在具有不同数据更新过程的其他类型的工业控制器上实现,或者在不同类的工业装置上实现。
标签数据库702中的BIDT可以由外部系统发现,使得BIDT数据——具有根据由工业装置302执行的工业应用定制的相关联的元数据——可以由那些外部系统根据用户定义的资产和/或工厂模型来检索和组织。在一个或更多个实施方式中,网关装置402可以用于收集、格式化和呈现来自一个或更多个具有BIDT能力的工业装置302的数据。图10是示出具有一个或更多个资产模型定义的网关装置402的配置的图。网关装置402可以使用在客户端装置1004(例如,膝上型计算机、台式计算机、平板计算机等)上执行的网关配置应用1006来配置。在一些实施方式中,网关配置应用1006可以是用于对工业装置302进行编程和配置的装置配置应用708的集成工具。
网关配置应用1006允许用户定义正由一个或更多个具有BIDT能力的工业装置302监测和控制的工业自动化应用的集合或工业自动化应用的资产结构或模型。这些资产模型定义了工业资产、相关联的工业装置、生产线或区域以及由与工业应用相关联的各种装置生成的数据之间的分层关系。使用网关配置应用1006,用户可以将这些资产模型定义为模型定义1002,其可以下载到网关装置402并且存储在其上作为资产模型422。
为了促进创建模型定义1002,网关配置应用1006可以被配置成在客户端装置1004上生成并且呈现合适的配置屏幕,该配置屏幕引导用户进行针对其自己的工业应用定义这些资产模型422的过程。模型定义1002可以被定义为引用在一个或更多个工业装置302上定义的BIDT数据标签。特别地,模型定义1002可以将工业资产或资产集合的分层元素定义为层级的节点,并且将所选BIDT数据标签组分配给与BIDT数据标签相关联的相应元素(例如,与工业资产相关联的节点、与资产相关联的设备单元或与资产相关联的工业装置)。因此,资产模型422由用户配置成将相应的BIDT与所选工业机器、装置、生产线和/或工厂设施相关联,以及定义这些元件之间的分层关系。
在网关配置应用1006为装置配置应用708的集成工具的实施方式中,网关配置应用1006的模型构建工具可以允许用户通过浏览在一个或更多个工业装置配置文件(例如,下载到工业装置302并且定义控制程序704和标签数据库702的配置文件)中定义的所选BIDT,来构建模型定义1002。用户可以创建表示工业设施、工业设施内的生产线或区域、每条生产线内的工业资产(例如,工业机器、工业机器人等)、与给定工业资产(例如,装载机、推动器、加工站等)相关联的设备单元和/或与每个工业资产相关联的工业装置(例如,控制器、驱动等)的节点。然后,在各个工业装置302a、302b和302c上定义的所选BIDT可以与模型定义1002中定义的相应节点相关联,以产生资产模型422,其可以被下载到网关装置402。资产模型422允许用户定义分层资产或工厂架构,并且将BIDT在与表示工厂生产区域或生产线、工业资产和/或与资产相关联的设备和装置的所选节点相关联的框架内进行分组。
在网关装置402上定义的资产模型422——结合在工业装置302上定义的BIDT一起工作——将由工业应用生成的数据情境化,并且促进情境化数据呈现的生成。对于给定的工业应用,可以在网关装置402上创建和保持多个资产模型422,其中每个资产模型422可以表示工业应用的不同视图。由资产模型422表示的不同视图可以根据特定用户角色的需要来定制。例如,用于给定工业应用的一个资产模型422可以表示工业应用的生产模型视图。图11是格式化为生产模型1102的示例资产模型的图形表示。示例生产模型1102具有单个工厂节点1104,在其下是多个线节点1106(线1、线2和线3),这些线节点是相对于工厂节点1104的子节点。线节点1106表示由工厂节点1104表示的工厂内的各种生产线。每个线节点1106具有若干子机器节点1108,其表示部署在由相关联的线节点1106表示的线上的机器(例如,装盒机、装箱机、流动包装、打包系统)。每个机器节点1108与若干监测值1110相关联,这些监测值是从配置在工业装置302上的对应BIDT获得的数据值。监测值1110可以对应于生产和操作统计,例如生产率(从速率BIDT获得)、操作和生产状态(从状态BIDT获得)或线事件(从事件BIDT获得)。如图11中可以看到的,各组BIDT数据标签——由监测值1110表示——分别被分配给工厂内的所选的机器和线,如资产模型定义所定义的。该示例生产模型1102产生可以适合于负责线的日常操作的操作者或轮班经理的工业设施(包括线1、2和3)的视图。
图12是格式化为设计模型1202的示例资产模型的图形表示。设计模型1202被配置成以适合于工厂工程师、原始设备制造商(OEM)或系统设计者的情境化方式呈现来自工业应用的数据的视图。类似于生产模型1102,设计模型包括具有若干子线节点1214的工厂节点1204。在该示例中,每个线节点1214的子节点可以包括表示由线节点1214表示的线的机器的机器节点1206(例如,打包系统),以及表示机器的各个平台(例如,成型器、进料装置、装载机等)的平台节点1210。每个机器节点1206可以与涉及机器的生产和操作的监测值1208(从配置在相关工业装置302上的BIDT获得)相关联。每个平台节点1210可以与表示机器的该平台的当前操作统计的监测值(也从相应的BIDT获得)相关联。一些平台节点1210还可以具有表示该平台的各个设备部件的子节点(例如,表示作为进料装置的一部分的查找轮(finding wheel)的设备节点1212)。如图11中描绘的生产模型1102,用户可以通过定义模型的各种分层节点并且将所选BIDT标签组(监测值)分配给模型的所选节点来配置设计模型1202。该系统允许用户根据任何用户定义的分层工厂或企业结构来定义模型的节点,其中该结构可以包括由用户定义的分层级别(例如,生产线、生产单元、生产站等)。
应当理解,上述生产模型1102和设计模型1202仅旨在是示例性的,并且本文所描述的资产模型不限于这两种类型的视图。通常,利用来自BIDT的数据来呈现工业资产数据的情境化视图的任何合适的用户定义资产模型422都在本公开内容的一个或更多个实施方式的范围内。
如在图11和图12的示例资产结构模型中可以看到的,BIDT是其相关联的父节点的属性。例如,装盒机的监测值1110——其从一个或更多个工业装置302上的相应BIDT数据标签获得——是装盒机产品节点1108的属性。在模型开发期间,用户可以定义各种工厂节点、线节点、产品节点、设备节点或整体上构成工业企业或者工业企业内的特定工业应用集合的其他类型的节点,并且定义这些节点之间的分层关系。然后,用户可以将所选的BIDT分配给它们的适当节点以产生资产模型,该资产模型可以被下载到网关装置402上并存储在其上。
每个工业装置302的BIDT发布部件310向在网关装置402上定义的资产模型422暴露工业装置302的BIDT。因此,当网关装置402被部署在具有对工业装置302的安全远程访问的云平台上或工厂网络时,资产模型422可以使得网关装置402从相应的BIDT检索数据以及与每个BIDT相关联的元数据参数,以便根据资产模型402生成工业应用数据的情境化的呈现。
图13是示出从工业装置302到应用服务器系统502的传送BIDT数据的情境化呈现的BIDT数据的流的图。在该示例中,多个工业装置302(例如,302a、302b和302c)已经被编程成控制相应工业资产1310(例如,工业机器、生产线等)。每个工业装置302已经被配置有如以上结合图6至图9所述的若干BIDT 322(或智能标签)。网关装置402已经被配置有如以上结合图10至图12所述的若干资产模型422。资产模型422定义BIDT数据的相应定制视图。
在操作期间,工业装置302a-302c监测和控制其相应工业资产1310(例如,经由与相应工业资产1310相关联的相应输入和输出装置)。网关装置402联网到相应工业装置302a-302c。例如,网关装置402可以是与工业装置302a-302c驻留在同一工厂网络上的预置装置。在另一实现方式中,网关装置402可以驻留在云平台上,并且能够从云平台安全地访问工厂网络(例如,通过防火墙装置)。
每个工业装置302的BIDT发布部件310将与每个配置的BIDT 322相关联的数据和元数据暴露给网关装置402,从而使网关装置402的发现部件406能够访问和检索BIDT数据和元数据。对于在网关装置402上定义的每个模型422,网关装置402的模型配置部件408检索由模型422(由用户定义的模型定义1002指定)引用的每个BIDT的数据和元数据,并且基于模型422以及BIDT数据和元数据创建数据的逻辑模型1302。逻辑模型1302根据用户定义的分层资产模型422组织来自BIDT的数据。
网关装置402包括将网关装置402通信地连接至应用服务器系统502的应用服务器接口部件410(见图4)。尽管在图13中将应用服务器系统502描绘为相对于网关装置402的分离系统,在一些实施方式中,应用服务器系统502可以是网关装置402的集成应用。应用服务器系统502被配置成从网关装置402接收逻辑模型1302,并且将数据显示呈现1304提供给经授权的客户端装置1308。例如,应用服务器系统502的呈现部件508可以基于逻辑模型以及从网关装置402接收的相关联的BIDT数据和元数据来生成BIDT数据的应用视图,并且应用服务器系统502的目的地接口部件510将该应用视图作为数据显示呈现1304发送给一个或更多个客户端装置1308。在一些场景下,应用服务器系统502还可以在与应用服务器系统502集成或通信地连接至应用服务器系统502的历史记录器装置(historian device)1306中存储情境化数据1312的所选子集。
数据显示呈现1304可以以大体上与资产模型422定义的工厂和资产层级匹配的格式来呈现来自BIDT的情境化数据。在图13中描绘的示例中,应用服务器系统502被描绘为从单个网关装置402接收逻辑模型1302以及BIDT数据和元数据,该网关装置402从多个工业装置302a-302c接收BIDT数据并使其情境化。如图14所示,在一些实施方式中,应用服务器系统502可以被配置成从多个网关装置(例如,网关装置402a-402c)收集逻辑模型1302以及BIDT数据和元数据,并且将逻辑模型1302集成到公共工厂模型522。在示例实施方式中,网关装置402a-402c可以驻留在给定工厂设施的不同区域处,并且应用服务器系统502可以是预置装置或基于云的系统,其从相应网关装置402a-402c接收定义的资产模型1406a-1406c以及来自每个网关装置402a-402c上定义的BIDT的数据和元数据。在另一示例实现方式中,网关装置402a-402c可以驻留在地理上不同的工业设施处,其中地理上不同的工业设施工厂和/或办公网络链接至应用服务器系统502在其上执行的云平台。
网关装置402a-402c如先前示例所述从相应工业装置(图14中未示出)收集BIDT数据1408a-1408c。网关装置402a-402c中的每个同上所讨论的配置有一个或更多个资产模型1406a-1406b。应用服务器系统502从相应网关装置402a-402c检索资产模型1406a-1406c,并且应用服务器系统502的工厂模型部件506将资产模型1406a-1406c集成到聚合工厂模型522,其用作用于经由数据呈现1402格式化和呈现BIDT数据的基础。
图15是由应用服务器系统502通过集成从相应多个网关装置402接收的多个资产模型而生成的示例工厂模型522。在该示例中,应用服务器系统502的网关接口部件504已经发现在相应两个网关装置402上驻留的两个新的资产模型1502和1504,并且已经将模型1502和1504集成到更大的工厂模型522中。资产模型1502对应于名为组01的资产组,该资产组驻留在由工厂节点1506(客户站点1)指示的工厂设施处。因此,应用服务器系统502的工厂模型部件506已经将资产模型1502插入到工厂节点1506下面的适当资产组节点1508(组01)下。工厂模型部件506可以基于与资产模型1502相关联的用户定义的情境信息(例如,对由资产模型1502表示的资产所驻留在的生产区域和工厂设施的明确定义)来确定在工厂模型522内连接资产模型1502的适当位置。如图15所示,资产模型1502定义构成资产的主装置(资产01)和若干从装置(资产0101、资产0102)。
资产模型1504表示位于同一工厂设施、客户站点和生产线(线02)中的第二资产。因此,资产模型1504被插入在同一工厂节点1506和生产线节点(线02)下。
图16是可以由应用服务器系统502的呈现部件508基于聚合工厂模型522生成的示例数据呈现1604的屏幕截图。示例数据呈现1604包括具有符合工厂模型522的分层结构的分层结构的导航菜单1602。例如,导航菜单包括分层树结构,该分层树结构具有表示如工厂模型522所定义的一个或更多个工厂设施以及相关联的生产区域、生产线、工业资产和/或工业装置的节点。对导航菜单的任何节点的选择调用数据呈现1604的数据显示区域1608上的对应的数据呈现。数据显示区域1608呈现与所选节点(例如,与生产区域或生产线、工业资产、工业装置等对应的节点)对应的,根据预定义可视化应用、图形微件或图形微件的集合格式化的BIDT数据的所选子集。可视化应用或微件(例如,微件524)可以被存储在应用服务器系统502上,并且响应于从导航菜单1602选择节点而由呈现部件508选择性地调用。
在一些实施方式中,应用服务器系统505的呈现部件508可以支持与相应BIDT类型对应的不同图形微件。例如,可以定义里程表微件以用于显示来自里程表BIDT的数据(例如,整数数值显示微件)。因此,当用户从导航菜单选择与具有一个或更多个相关联的里程表BIDT数据标签(如资产模型422所定义的)的工业装置、工业资产、生产线或工厂对应的节点时,呈现部件508可以调用里程表微件以在数据显示区域1608上显示对应的里程表数据。其他BIDT数据类型也可以与可以由呈现部件208调用以显示这些BIDT数据项的一个或更多个对应的图形微件相关联。应用服务器系统502可以支持以呈现BIDT数据的示例图形微件可以包括但不限于工业资产的整数或实数数值显示、状态或事件文本显示、条形图、线形图、动画状态机图形、其视觉状态依赖于由BIDT数据标签报告的当前状态、事件或值的工业资产的动画图形表示、或其他这样的微件。
在一些实施方式中,呈现部件508可以基于正被查看的工业资产的类型以及相关联的BIDT数据类型来自动设计用于在数据显示区域1608中显示的数据呈现。例如,如果用户选择与具有相关联的里程表、状态、速率和事件BIDT(如由工业机器所属的工厂模型522定义的)的工业机器对应的节点,则呈现部件508可以调用和布置呈现相关联的BIDT数据以及可能合适的任何辅助数据的图形呈现微件的集合。在示例实现方式中,呈现部件508可以调用适当数目的用于呈现状态、速率、里程表和事件数据的特定于BIDT的微件,并且将这些微件组织成适当的呈现,其中每个微件或数据项被适当地标记。呈现部件508可以基于资产模型定义(例如,分配给资产模型422的相应节点的名称)或BIDT元数据(例如,事件或状态名称、BIDT数据标签名称等)中的一个或两个,为每个数据项确定合适的标签。
呈现部件508还可以基于BIDT数据生成和显示辅助数据。例如,当选择导航菜单1602的具有相关联的速率BIDT的节点时,呈现部件508可以使用适当的图形微件以及示出速率BIDT随时间的值的基于时间的趋势图来显示当前速率值。类似地,当呈现事件BIDT时,呈现部件可以呈现由事件BIDT指定的当前事件以及与事件BIDT相关联的最新事件的时间戳列表。为了填充这样的辅助数据显示,应用系统服务器可以在操作期间在历史记录器装置1306中存储来自BIDT的历史情境化数据1312(见图13),其中历史记录器装置1306可以是应用服务器系统502的集成的存储区域或独立的历史数据存储装置。为了填充图形趋势或事件记录,呈现部件508可以利用该存储的历史(例如,由事件BIDT生成的时间戳事件、来自速率BIDT的历史趋势数据等)。
在一些实施方式中,应用服务器系统502可以允许用户针对导航菜单1602中呈现的任何可选节点定制数据呈现。例如,呈现部件508可以被配置成针对给定节点(例如,工业资产)基于与该节点相关联的BIDT的类型和数目动态地设计和生成默认呈现。这可以包括:选择适当的微件以显示BIDT的当前值,选择另外的微件以显示BIDT的辅助信息(例如,历史趋势、事件日志等),以及在数据显示区域1608上对这些微件进行定向。呈现部件508还可以允许用户通过将所选微件移动到优选位置、添加或移除图形微件、重新标记数据项等来修改或增强这些动态地生成的默认呈现。然后,可以保存这些经修改的呈现,使得每当选择节点时,呈现部件508将重新呈现这些定制的呈现。
由呈现部件508生成的呈现的格式将依赖于所调用的资产和/或工厂模型。在一些实施方式中,不同资产模型422和/或工厂模型522可以与不同用户角色相关联。例如,生产资产模型(例如,图11的生产模型1102)可以被定义为供工厂操作者使用,而设计资产模型(例如,图12的设计模型1202)可以针对工厂工程师或OEM被定义。当用户访问应用服务器系统502以调用系统的视图时,可以调用与用户相关联的资产和/或工厂模型,并且呈现部件508可以基于特定于用户或角色的模型来构造数据呈现。在示例实施方式中,可以基于用户的登录凭证来确定适当的资产模型。例如,在用户提供用户标识符和任何安全凭证(例如,密码、生物特征信息等)之后,可以将用户的身份与应用服务器系统上保持的角色数据库相互参照,并且与该用户角色(例如,操作者、工程师、工厂经理、OEM等)相关联的资产和/或工厂模型可以被调用和用作数据可视化的基础。
应当认识到,图16中描绘的示例可视化显示仅是示例性的,并且数据的任何合适的图形布置和呈现均在本公开内容的一个或更多个实施方式的范围内。
此外,尽管以上结合图14至图16描述的示例将图形呈现描绘为由应用服务器系统502生成和传送,但是网关装置402的一些实施方式也可以被配置成基于其存储的资产模型422(使用呈现部件412)来生成BIDT数据的图形呈现。
除了允许创建符合适合于不同类型的查看者(例如,操作者、OEM、工程师等)的BIDT数据的相应呈现的不同资产模型422之外,一些实施方式还可以允许在给定网关装置402上定义根据相应不同目的地平台定制的不同资产模型422。图17是描绘其上定义有用于传送给基于云的应用服务器系统502的第一资产模型422a以及用于将BIDT数据呈现给本地预置客户端装置1702的第二资产模型422b的网关装置402的图。
在该示例中,资产模型422a和422b均用于对来自工业装置302a-302c上定义的BIDT 322a-322c的数据进行分组和情境化。资产模型422a被配置成用于传送给基于云的应用服务器系统502a,基于云的应用服务器系统502a在具有到网关装置402的远程通信通道的云平台1704上执行。基于云的应用服务器系统502a执行与上述应用服务器系统类似的功能;例如,从网关装置402接收资产模型422a以及相关联的BIDT数据和元数据,将资产模型422a集成到更大的工厂或企业模型(其可以包括来自多个地理上不同的网关装置402的资产模型),并且将符合聚合工厂模型的数据呈现1706呈现给有权访问云系统服务器的经授权的远程客户端装置1702。
资产模型422b被配置成用于传送给本地装置1708(例如,具有用于生成BIDT数据呈现的集成的应用服务器系统的本地客户端装置,或执行向多个客户端装置提供BIDT数据呈现的应用服务器系统的本地服务器装置)。每个模型422a和422b可以具有相关联的目的地元数据,这些目的地元数据定义模型被暴露给的应用服务器系统(其可以包括远程和本地系统中之一或二者)。网关装置402将把每个模型422a和422b暴露和/或传送给由元数据定义的应用服务器系统(例如,应用服务器系统502a或502b)。
图18是示出包括工业装置302、网关装置402和基于云的应用服务器系统502的示例网络架构的图。在该示例中,工业装置302是各自执行控制程序1814的工业控制器,其中每个控制器上配置有若干BIDT 322。工业装置302连接至促进工厂车间的工业装置之间的数据交换的工厂网络116(例如,通用工业协议网络、以太网/IP网络等)。工厂网络116可以是有线或无线网络。在示出的示例中,网关装置402驻留在(例如,通过路由器1816或其他网络基础设施装置)连接至工厂网络116的分开的办公网络108上。然而,在其他实现方式中,网关装置402也可以直接安装在工厂网络116上,或者可以通过分开的有线或无线连接连接至每个工业装置302。
如先前示例中所述,网关装置402可以配置有一个或更多个资产模型422,这些资产模型422定义BIDT 322在工厂、生产区域和/或工业资产的用户定义分层表示内的分组。工业装置302的BIDT发布部件310通过遍历工厂网络116和办公网络108的通信通道将BIDT322暴露给网关装置402(即,BIDT发布部件310使BIDT 322能够由网关装置402的发现部件406通信地访问)。
在该示例中,应用服务器系统502是基于云的系统,其驻留在云平台1806上并且作为能够由经授权的远程客户端装置1804以及网关装置402访问的基于云的服务来执行。云平台1806可以是允许共享计算服务由具有云功能的装置访问和利用的任何基础设施。云平台1806可以是能够由具有因特网连接以及利用应用服务器系统502的适当授权的装置1804经由因特网来访问的公共云。在一些场景下,云平台1806可以被云提供商设置为平台即服务(PaaS),并且应用服务器系统502可以作为基于云的服务驻留在云平台1806上并且在云平台1806上执行。在一些这样的配置中,对云平台1806和相关联的应用服务器系统502的访问权限可以由应用服务器系统502的拥有者作为订阅服务提供给客户。替选地,云平台1906可以是由工业企业(工厂设施的拥有者)在内部运营的私有云。示例私有云平台可以包括托管应用服务器系统502并且驻留在由防火墙保护的公司网络上的一组服务器。
如果云平台1806是基于万维网(web)的云,则网关装置402的应用服务器接口部件410可以经由安全因特网连接与应用服务器系统502交互。在一些实施方式中,网关装置还可以被实施为网络基础设施装置的集成部件,例如网络交换机、路由器或集线器。在这样的实施方式中,网络基础设施装置执行网络交换机、集线器或路由器的网络连接功能以及如上所述的网关装置402的功能。
在其中应用服务器系统502在云平台1806上执行的一个或更多个实施方式中,可以通过在云平台上执行的网关装置注册表来管理云平台1806上的应用服务器系统502与网关装置402之间的通信通道。图19是利用网关装置注册表来管理与客户的云平台1806的代理通信的示例架构的框图。在该示例中,预置网关装置注册表1904驻留在与客户云平台1806相同的云空间上,但是是在独立的注册表云上。注册表云和网关装置注册表1904可以由将对客户云平台的客户使用作为PaaS(平台即服务)来提供的服务提供商来管理。网关装置注册表1904可以强制实行对客户云平台1806的安全访问,并且确保仅由经认证的装置和用户访问云平台1806中客户的收集数据。当作为PaaS协议的一部分建立新的客户云平台时,可以将新的客户云平台订阅到网关装置注册表1904,使得可以通过注册表来调节与新的云平台的网关装置通信。
网关装置402可以是遍及客户的工业企业分布的若干网关装置402中之一。在图19中示出的示例中,网关装置402被标识为网关装置1,以将网关装置402与其他预置网关装置区分。网关装置402可以具有唯一地识别网关装置402的物理地址(例如,MAC地址或其他物理地址)。网关装置注册表1904与物理地址(在本示例中为99-03-71-4B-LO-F 1)相关联地存储网关装置402的记录,使得网关装置1和网关装置402执行的物理硬件平台在逻辑上链接。网关装置1与网关装置402的硬件平台的物理地址之间的该关联可以由在与云服务提供商相关联的支持设施处的系统管理器1902输入到网关装置注册表1904中。系统管理器1902还可以输入将由网关装置注册表1904使用来管理到客户的云平台1806的安全连接的其他配置参数。可以在注册表云上的注册表存储装置1906中保持用于管理网关装置到云平台1806的连接性的配置信息。
当网关装置402具有可用于发送到应用服务器系统502的BIDT数据时,网关装置402的应用服务器接口部件410可以向网关装置注册表1904发送创建将用作网关装置402与云平台1806之间的通信通道的云连接器端口的许可的请求。请求可以包括,例如,网关装置1的标识、网关装置402的物理地址以及请求与其的连接的特定客户专用云平台1806的标识。网关装置注册表1904将基于请求中提供的信息向网关装置402授予或拒绝建立通道的证书。例如,网关装置注册表1904可以引用注册表存储装置1906来确认从其接收请求的网关装置402的物理地址与请求通道的特定网关装置(网关装置1)相关联。通过确认已经从先前注册的网关装置404接收了对网关装置1的连接请求,网关装置注册表确保在不正确地移动网关装置1的情况下,或者在网关装置安装被复制到另一物理硬件平台的情况下,不能使用网关装置1来建立与云平台1806的连接。如果在未向网关装置注册表1904注册新装置的情况下网关装置配置被从网关装置402移动到不同计算装置,则注册表将代表网关装置402拒绝源自新装置的任何通信请求。
当网关装置注册表1904确定连接请求有效时(基于请求中接收的信息以及注册表存储装置1906中针对网关装置1的先前注册信息),网关装置注册表1904向网关装置402授予允许网关装置打开到客户云平台1806的临时通信通道的证书。因此,由网关装置402的应用服务器接口部件410管理的云应用编程接口(API)建立到云平台1806的通信通道,并且如以上在先前示例中所述将BIDT数据和相关联的元数据发送到云平台1806上的应用服务器系统502。在一些实施方式中,云API在通道被创建时将到期时间分配给通信通道。到期时间可以由服务提供商经由云装置注册表1904来定义,或者可以由最终用户经由客户端上的用户接口部件414来定义。通常,到期时间将被设置成超过发送BIDT数据和元数据所需的预期持续时间。如果网关装置402在通道的到期时间过去之前已经完成了将BIDT数据传输到云平台,则通道可以在数据传输完成时或者当经过到期时间时自动关闭。如果网关装置402在经过到期时间时尚未完成将BIDT数据和元数据传输到云平台,则网关装置402可以执行与网关装置注册表1904的请求重新启用通道以允许完成数据传输的另外的信号交换。
以上结合图19描述的用于确保通过经授权的注册网关装置对云平台1806的访问和安全通信的示例序列仅是示例性的,并且应当认识到,用于建立网关装置402与基于云的应用服务器系统502之间的安全的通信以及BIDT数据传输的任何合适的协议或架构在本公开内容的一个或更多个实施方式的范围内。
本文中描述的基本信息数据类型和相关联的服务可以使用简练、可适应和可扩展的架构来简化定制工业数据可视化呈现的创建。给定工业资产、资产集合或工业应用可以按照控制器级处的定制BIDT进行描述。可以创建按照这些BIDT的用户定义的分组来定义工业资产的资产模型,其中可以定义针对相应不同用户角色或视图定制的多个不同资产模型。使用这些资产模型以及与该BIDT相关联的数据和元数据来生成根据模型构造的资产数据的图形呈现。应用服务器系统可以使用合适的图形微件或其他图形元素将BIDT数据呈现在这些呈现上,所述合适的图形微件或其他图形元素可以包括特定于给定类型的BIDT(例如,状态、速率、里程表、事件等)的微件。在添加、移除或修改工业资产时,相关联的资产模型可以被重新配置成添加、移除、修改或重新定位节点,并且数据呈现将相应地被更新。保持资产模型的网关装置能够发现BIDT,使得可以容易地将在工业控制器或其他工业装置上实例化的新添加的BIDT集成到资产模型和相关联的图形数据呈现。
图20至图22示出根据本申请的一个或更多个实施方式的各种方法。虽然出于简化说明的目的,本文中示出的一种或更多种方法被示出和描述为一系列动作,但是应当理解和认识到,本创新不受动作顺序的限制,因为一些动作可以据此以与本文中示出和描述的其他动作不同的顺序发生和/或同时发生。例如,本领域技术人员将理解和认识到,方法可以替选地被表示为例如状态图中的一系列相互关联的状态或事件。另外,并不需要所有示出的动作来实现根据本创新的方法。此外,当不同实体演示方法的不同部分时,交互图可以表示根据本公开内容的方法或方式。此外,可以彼此组合地实现两个或更多个所公开的示例方法,以实现本文中描述的一个或更多个特征或优点。
图20示出了用于配置和利用工业控制器中的BIDT数据标签以将工业数据传送到可视化系统的示例方法2000。最初,在2002处,在工业装置上定义一个或更多个数据标签,其中数据标签符合一种或更多种基本信息数据类型(BIDT),并且BIDT包括速率BIDT、状态BIDT、里程表BIDT或事件BIDT中的至少之一。速率BIDT数据标签可以表示与工业资产或装置相关联的度量的测量速率的整数或实数值。状态BIDT数据标签可以表示工业资产或装置(例如,机器、生产线、马达驱动等)的当前状态。里程表BIDT数据标签可以表示与工业资产相关联的累计量(例如,利用翻转值的累计数量,或在定义的时间间隔内的量)。事件BIDT数据类型可以表示与工业资产相关联的瞬时或持续性事件(例如,按钮事件、传感器事件、安全装置事件和警报事件等)。
在2004处,为在步骤2002处定义的相应BIDT标签配置元数据。元数据包括用于相应BIDT数据标签的用户定义的参数,其中用户定义的参数特定于每个BIDT数据标签的类型。例如,与速率BIDT数据标签相关联的用户可配置元数据可以包括但不限于:对应的速率值的最大值和最小值的定义,其值被聚合(例如,求和、平均、积分等)以产生速率值的一个或更多个其他数据标签或输入地址的身份(identity),与速率值相关联的测量单位,或其他这样的元数据。状态BIDT数据标签的元数据可以包括但不限于:数据标签被分配给的工业资产的可用状态的定义,其值确定状态的一个或更多个其他数据标签的身份,或其他这样的元数据。与里程表BIDT相关联的元数据可以包括但不限于:驱动里程表值的一个或更多个数据标签的身份,其值要被聚合或求和以产生里程表值的两个或更多个数据标签的身份,与里程表值相关联的测量的单位(例如,产品计数、消耗的兆瓦小时等),或其他这样的元数据。与事件BIDT数据标签相关联的元数据可以包括但不限于:其状态聚合确定要由事件BIDT数据标签表示的事件的装置输入地址或其他数据标签的身份,由事件BIDT数据标签表示的事件的名称,或其他这样的元数据。
在2006处,BIDT数据标签被暴露给联网到工业控制器的网关装置,其中网关装置存储引用BIDT数据标签的资产模型,并且资产模型定义BIDT数据标签的分层分组。在网关装置上定义的资产模型可以对应于可以用于生成资产数据的定制图形呈现的应用数据或者工业资产的期望分层组织。在2008处,将与BIDT数据标签相关联的数据以及针对BIDT数据标签定义的元数据发送到网关装置,在网关装置中,数据和元数据用于根据资产模型生成BIDT数据的图形呈现。
图21示出了用于根据资产模型发现BIDT数据标签和检索来自BIDT数据标签的数据的示例方法2100。最初,在2102处,在网关装置上定义资产模型,其中资产模型定义在一个或更多个工业装置上定义的BIDT数据标签的分层分组。资产模型可以定义工厂元素(例如,工厂设施、生产区域或生产线、工业资产、构成工业资产的工业设备或装置等)的分层布置,并且可以将所选BIDT数据标签映射到层级的相应元素。
在2104处,通过网关装置在一个或更多个工业装置上发现由在步骤2102处定义的资产模型所引用的BIDT标签。这可以涉及通过网络(例如,有线和/或无线工厂网络、诸如因特网的公共网络等)发现BIDT数据标签。在2106处,通过网关装置从一个或更多个工业装置检索来自BIDT数据标签的数据,以及与BIDT数据标签相关联的元数据。在2108处,基于资产模型和BIDT元数据生成步骤2106处检索的数据的图形表示。在一些实施方式中,呈现可以包括具有类似于资产模型所定义的分层结构的分层结构的可浏览导航菜单,其中从分层导航菜单选择元素(例如,生产线、资产、设备项、工业装置等)调用并且布置一个或更多个图形微件或其他图形元素,以显示与所选元素相关联的BIDT数据。
图22示出了用于聚合资产模型并且使用聚合的模型来生成工业数据的图形呈现的示例方法2200。最初,在2202处,从一个或更多个网关装置接收表示相应工业资产或资产组的多个资产模型。与先前示例一样,资产模型在工厂元素的分层组织中定义BIDT数据标签的分组。
在2204处,将资产模型集成(例如,在应用服务器系统处)以产生工厂模型,其定义包括多个工业资产的分层工厂或企业结构。在2206处,从在一个或更多个工业装置上定义的BIDT标签检索工业数据和相关联的元数据,其中从其检索数据的BIDT标签由构成工厂模型的资产模型引用。在一些实施方式中,可以从从其接收资产模型的网关装置接收BIDT数据和元数据。在2208处,基于工厂模型和元数据生成步骤2206处检索的数据的图形呈现。图形呈现可以根据由工厂模型定义的分层结构来组织数据。
以上描述的资产模型422和工厂模型522表示工业资产的静态和动态属性,这些属性按照资产的用户定义的分层表示内的BIDT 322的分组来定义。给定工业资产的资产模型422可以定义构成被定义的资产的子资产的分层布置,并且标识与每个子资产的静态和/或动态属性对应的BIDT标签。例如,成型机(depositor)可包括入口(inlet)、料斗和活塞。因此,表示成型机的资产模型422可以将入口、料斗和活塞定义为较大工业资产的子资产或子节点。资产模型422还可以标识在与子资产中的每个的动态或静态属性对应的一个或更多个工业装置上定义的BIDT标签。例如,成型机的入口可以具有从名为Depositor.Inlet.Speed_Rate(速率BIDT)的BIDT获得的相关联的速度速率(speed rate)。入口也可以具有从名为Depositor.Inlet.Execution_State和Depositor.Inlet.Production_State的相应BIDT获得的执行状态(execution state)和生产状态(production state)。可以从名为Depositor.Inlet.Batch_Event的BIDT获得入口的批处理事件值(batch event value)。
成型机资产的资产模型422可以定义这些子资产及其相关联的BIDT322的分层自动化组织。分层自动化组织可以包括描述工业资产所需的尽可能多的分层级别。例如,子资产还可以具有其自己的子资产,其在资产模型422中被定义为子资产的子节点。此外,包括资产模型422的集合的工厂模型522可以涵盖整个生产线或生产线的集合(如图11和图12中描绘的示例中),使得资产节点及其相关联的子节点被定义为资产所属的生产线节点的子节点。
通过定义工业资产及其子资产的组织,以及将资产的静态和动态属性链接至其对应的BIDT,资产模型422和工厂模型522可以用作工业机器、资产、生产区域或工厂的自动化模型。在一个或更多个实施方式中,使用BIDT来定义资产模型422还可以允许借助普通BIDT命名法容易地将资产模型422与工业资产的非自动化模型集成。将资产(自动化)模型422的属性链接至非自动化模型(例如,机械模型、业务模型、热模型或另一类型的非自动化模型)的对应的属性,可以产生可以用于各种目的的工业资产的复合模型,所述各种目的包括但不限于资产信息的整体实时或历史可视化、预测分析、模拟、训练、软件验证或其他这样的用途。
图23是示出将工业资产2302的资产模型422与工业资产2302的机械模型2304(一种非自动化模型)集成以产生资产2302的数字孪生2306的图。尽管本文中描述的示例描绘了通过将资产(自动化)模型422与机械模型链接来创建数字孪生,但是应当认识到,本文中描述的技术还可以用于将自动化模型与其他类型的非自动化模型链接,所述其他类型的非自动化模型包括但不限于定义构成工业资产的部件的热特性的热模型,定义与资产的操作相关联的财务信息(例如,根据操作特性或运行时间的材料或能量成本、与利润相关联的产品输出等)的业务或财务模型,或定义资产的非自动化特性的另一类型的模型。
如上所述,资产模型422可以定义构成工业资产2302的机器和/或工业装置的分层布置或组织,以及与监测的值、事件、状态、速率或与各种机器和装置相关联的其他动态属性对应的装置级BIDT。资产模型422可以将监测的遥测值(例如,温度、压力、速度、扭矩等)、机器和装置状态、控制事件、产品计数、能量消耗以及其他动态控制和操作属性情境化。因此,资产模型422可以被视为将工业资产2302的静态和动态属性描述为情境化和组织化的BIDT数据的自动化模型。
机械模型2304定义工业资产2302的机械属性。工业资产2302的示例机械模型2304可以定义:工业资产2302中使用的齿轮箱的齿轮比和/或齿轮直径,工业资产2302中使用的致动器的类型和尺寸,工业资产2302的机械部件或表面的惯性和和摩擦系数,机械部件的相对位置或取向,或其他这样的机械属性。机械模型2304还可以定义表示由工业资产的部件应用的机械转换的机械公式(例如,表示跨工业资产2302的扭矩、速度或力转换的公式)。
如果自动化模型(由资产模型422实施)可以链接至机械模型2304,使得可以在两个模型之间共享情境化数据,则所得的复合模型可以用作工业资产2302的数字孪生2306,当被提供了由正被建模的工业资产2302生成的实时或历史BIDT数据时,数字孪生2306整体上描述工业资产2302的实时或历史行为。图24是示出基于工业资产2302的资产(自动化)模型422与机械模型2304的集成来生成补充的资产行为数据2402的图。资产模型422可以将在工业资产2302的控制和操作期间从工业装置(例如,传感器、遥测装置、控制器、驱动等)读取的测量的控制数据2404情境化。如先前示例中所述,可以从工业装置上配置的BIDT获得该数据。测量的资产数据可以包括机器部件或制品的位置、速度(例如,传送机或其他马达驱动的资产的速度、机器人操作速度等)、流量、压力、电流、零件存在或人类存在指示器、或其他这样的测量值。通过将这些控制域值中的一些链接至机械模型2304,可以通过将由机械模型2304定义的机械属性和公式应用于测量的控制域数据来生成用于工业资产2302的附加计算数据2402。
在示例场景下,工业资产2302可以包括在两个工作站之间传送部件的传送机。测量的控制数据2404可以包括驱动传送机的马达的扭矩、加速度和速度值(从马达驱动读取)。这些控制值(由资产模型422情境化)可以与机械模型属性(例如,传送机的摩擦系数、辊直径或惯性)结合,以计算附加数据2402(例如,作用在正由传送机传送的产品上的力、产品在定义时间段内的速度或位移、产品滞后或其他这样的信息)。由于机械模型2304中定义的许多机械属性是变换性的(例如,在资产齿轮、曲柄、表面等中存在的比率或机械系数),因此可以将这些机械属性以及由机械模型2304定义的相关联的机械公式应用于由资产模型422提供的情境化的测量自动化值(例如,扭矩、马达速度、压力等),以计算工业资产的机器部件或制品的力、速度、位置或其他动态属性。因此,可以利用组合的资产模型422和机械模型2304来产生工业资产2302的更整体和更全面的表示,从而描述资产的静态控制和机械属性以及基于测量和情境化的自动化数据计算的动态资产和产品行为。
对于已经针对其开发了自动化模型和机械模型的给定工业资产2304,在自动化模型与机械模型之间可能存在数千个潜在连接点;即,由资产模型422提供的情境化自动化值与这些值在机械域中所应用于的机械模型2304中的点之间的连接。例如,为了计算由马达施加的扭矩如何转换为施加给依靠在由马达驱动的传送机上的产品的速度或力,必须在资产模型422中的相关测量扭矩值与扭矩被施加至的机械域中的位置(在机械模型2304中定义的点)之间定义连接。通常,即使对于给定工业资产存在自动化模型和机械模型,也必须手动定义自动化模型的属性与机械模型的属性之间的这些链接,这可能是耗时、费力且易于出错的过程。在自动化和机械模型由针对相应模型使用不同协议和命名约定的两个不同工程实体开发的情况下,将自动化模型与机械模型集成的复杂性甚至更大。
基于BIDT的模型开发可以减轻与将自动化模型和机械模型互连相关联的这些问题。例如,模型配置部件408的一些实施方式可以允许使用公共开发平台和公共的基于BIDT的命名法来开发资产模型422和机械模型2304。图25是示出工业资产的资产模型422和机械模型2304的并行开发的图。在示出的示例中,模型配置应用2502在客户端装置2504(例如,膝上型计算机、台式计算机、平板计算机等)上执行。在一些实现方式中,网关配置应用1006可以用作模型配置应用2502(例如,对于其中网关配置应用1006除了资产模型422之外还支持资产的机械模型的定义的实施方式)。模型配置应用2502也可以是用于对工业装置302进行编程和配置的装置配置应用708的集成工具。在其他实现方式中,模型配置应用2502可以是支持工业资产或工业资产的集合的资产(自动化)模型422和机械模型2304的并行开发的另一类型的工业设计应用。
类似于网关配置应用1006,模型配置应用2502可以在客户端装置2504上呈现合适的模型配置接口。这些模型配置接口可以包括交互式特征,这些交互式特征引导用户完成定义给定工业资产的资产模型422以及机械模型的过程。也类似于网关配置应用1006,由模型配置应用2502生成的配置接口可以包括以下交互式特征,该交互式特征引用针对与正被建模的工业资产相关联的一个或更多个工业装置302定义的BIDT数据标签。在模型配置应用2502是用于定义工业装置的BIDT的装置配置应用708的集成工具的实施方式中,开发接口可以允许用户浏览或引用将用于配置一个或更多个工业装置的标签数据库702的BIDT定义,并且分配根据BIDT定义选择的BIDT以用于包括在资产模型422或机械模型2304中的一个或二者中,这类似于以上描述的网关配置应用1006的资产模型配置工作流。
在资产模型422的情况下,模型配置应用2502允许用户创建表示以下的节点:工业装置,工业设施内的生产线或区域,每个生产线内的工业资产(例如,工业机器、工业机器人等),与给定工业资产(例如,装载机、推动器、加工站等)相关联的设备单元,和/或与正被建模的工业资产相关联的工业装置(例如,控制器、驱动等)。然后,用户可以如以上结合图10所述将所选BIDT 322(表示测量的控制值、事件、状态、里程表计数等)分配给资产模型422的相应节点。
也可以使用相同模型配置应用2502来开发工业资产(或资产组)的机械模型2304。模型配置应用2502允许用户经由对相关BIDT 322的引用将机械模型2304的属性(例如,扭矩、加速度、流速、电流等)映射或链接至资产模型422的对应的属性。在这方面,BIDT表示由资产模型422(用作资产的自动化模型)和机械模型2304共享的允许容易地在两个模型之间映射或链接工业资产的属性(测量和情境化的自动化值)的公共命名法。例如,为了将资产模型422的扭矩值映射到机械模型2304(例如,扭矩被施加至的机械部件的表示)的对应的机械域属性,资产模型422和机械模型2304两者可以被配置成引用与扭矩值对应的适当的BIDT(例如,图25中的BIDT 322a)。以此方式,借助对表示属性的BIDT的共同引用(BIDT也见图25中的BIDT 322b,其由资产模型422和机械模型2304两者引用,从而在引用该BIDT 322b的模型属性之间创建链接),可以容易地在资产模型422与机械模型2304之间映射属性。这允许资产(自动化)模型422和机械模型2304基于对BIDT的共同引用来相互理解。
使用模型配置应用2502对资产模型422和机械模型2304的并行开发允许两个模型共享公共组织和定义的属性结构。由资产模型422和机械模型2304共享的基于BIDT的类型的系统在两个模型之间创建属性映射,从而允许将由机械模型2304定义的机械公式或转换应用于测量的情境化的自动化数据以产生用于工业资产的另外的实时或历史行为或响应数据(包括但不限于机械部件的力、位置、取向、形状或温度)。组合的资产模型422和机械模型2304——具有经由公共BIDT引用来链接的属性——可以用作工业资产的机械电子模型或数字孪生2306,相比于两个模型中的任何一个单独能够产生的关于工业资产的信息,该机械电子模型或数字孪生2306能够生成更全面的关于工业资产的信息。通常,数字孪生2306包括相互作用以模拟工业资产的行为的工业资产的多个不同模型(资产模型422和机械模型2304)。
表示工业资产的虚拟化的该组合模型可以用在各种应用中。例如,数字孪生2306可以用于:结合对要在工业环境中部署的控制软件的测试来驱动资产的虚拟模拟,用作模拟资产对人的交互的响应的训练工具,基于对历史自动化数据的分析来预测未来的资产行为或回放过去的资产行为,执行实时或历史操作分析,或其他这样的应用。依赖于由数字孪生2306执行的应用的类型,数字孪生2306可以在工业资产操作期间被馈送来自BIDT的实况(实时)数据,或者可以被馈送在资产的先前操作期间生成和存储的历史时间序列BIDT数据。
图26是使用互相链接的资产模型422和机械模型2304来生成过去工业资产操作的回放模拟的示例架构的图。在该示例中,假设在其上存储有一个或更多个工业资产的资产模型422和机械模型2304的应用服务器系统502上实现行为回放功能。然而,在一些实施方式中,以下描述的回放功能可以在其他类型的主机装置或平台上实现,包括但不限于网关装置(例如,网关装置402)、预置服务器装置、基于云的系统或其他这样的平台。
如先前示例中所述,在工厂设施处部署的工业装置302被编程为监测和/或控制一个或更多个工业资产1310(例如,机器、生产线、工作站、基于机器人的系统等)。相应工业装置302的装置配置包括BIDT定义,BIDT定义定义了用于存储和情境化由工业装置302测量或生成的数据的BIDT 322。
在工业资产的操作期间,工业装置302监测和控制其相应工业资产1310,并且BIDT322存储由工业装置302测量和/或生成的数据值、状态、事件或其他属性。在该示例中,情境化BIDT数据2608被从BIDT 322读取并且被存储在历史数据存储装置2606中作为时间序列的历史化数据。可以使用任何合适的架构来将情境化数据2608传送到历史数据存储装置2606。例如,如在图13中描绘的示例架构中,可以将预置或基于云的网关装置402(图26中未示出)联网到相应工业装置302,并且每个工业装置302的BIDT发布部件310可以向网关装置402暴露与每个配置的BIDT322相关联的数据和元数据,从而使BIDT数据和元数据能够由发现部件406访问和检索。网关装置402可以周期性地或在事件驱动的基础上检索情境化数据2608,并且在历史数据存储装置2606中记录情境化数据2608。在一些实施方式中,工业装置302可以根据以下要结合图31至图35更详细地描述的同步的、互相链接的数据记录方案来记录其相应BIDT数据值。历史数据存储装置2606可以包括基于云的数据存储装置,或者可以驻留在工厂设施上。其他架构也在一个或更多个实施方式的范围内。
被记录到历史数据存储装置2606的BIDT数据与时间戳一起被记录,使得来自不同装置和系统的数据值被同步以用于集体分析和回放。如以下将更详细地描述的,工业装置302的一些实施方式可以包括编程特征,其允许用户配置其数据必须被准确地同步以用于分析或回放的目的的所选BIDT之间的链接。
可以通过链接的资产模型422和机械模型2304(共同充当工业资产1310的数字孪生2306)来对历史化数据进行进一步情境化。如上所述,每个模型422和2304被配置成引用表示工业资产1310的历史操作(例如,速度、扭矩、位置、定位、压力、流量、电压等)的历史化BIDT数据的所选项。类似于以上结合图13描述的系统,应用服务器系统502的呈现部件508被配置成向与系统502接口的授权客户端装置提供数据显示呈现2610。这些呈现2610基于如由数字孪生2306所情境化的历史化BIDT数据生成,并且可以基本上符合任何呈现格式。例如,呈现2610可以包括在客户端装置上呈现的工业资产的动画图形表示,其中工业资产的呈现的部件的动画由如从历史数据存储装置2606读取的其对应的时间序列BIDT值、状态、事件等来控制。呈现2610还可以在表示情境化BIDT数据值(例如,温度、操作模式等)的工业资产表示上叠加字母数字数据显示。在另一示例格式中,呈现2610可以包括传送到合适的虚拟现实(VR)客户端装置(例如,VR头戴式耳机或其他类型的可穿戴计算机)的三维VR呈现,VR客户端装置基于数字孪生2306呈现工业资产1310的虚拟呈现,其中基于时间序列的历史化BIDT数据对工业资产的VR呈现进行动画化处理。
由于当情境化BIDT数据2608被存储在历史数据存储装置2606中时其是带时间戳并且同步的,因此该历史化数据的时间序列子集可以被呈现部件508选择并呈现为虚拟话工业资产的相继时间序列动画。以此方式,呈现部件508可以利用数字孪生2306和历史化数据经由呈现2610来生成工业资产的过去操作的虚拟“回放”。在示例实现方式中,呈现部件508可以在客户端装置(例如,可穿戴计算机或另一类型的客户端装置)上呈现允许用户生成回放指令2602并且将其发送到系统502的回放控件。例如,回放指令2602可以包括:要查看的过去时间范围的指定,要查看的工业资产的选择,在时间上向前或向后滚动资产操作回放的指令,或其他这样的指令。响应于回放指令2602,呈现部件508可以从历史数据存储装置2606检索与所选工业资产和所选时间范围对应的时间序列的历史化BIDT数据2608的子集,并且基于检索到的时间序列数据生成所选资产的操作的动画虚拟回放。
呈现部件508可以部分地基于由资产的资产模型422和机械模型2304定义的组织来生成工业资产的虚拟化呈现2610。在呈现2610是VR呈现的示例实施方式中,呈现部件508可以部分地基于由资产模型422和/或机械模型2304定义的生产线、机器和/或装置的组织在客户端装置上呈现工业资产或生产区域的三维图形表示。然后,呈现部件508可以基于跨由用户选择的时间范围的可视化数据2604的时间序列流送对该表示进行动画化处理,其中可视化数据2604包括与所选时间范围对应并且由资产模型422情境化的历史化BIDT数据的子集。例如,该动画可以包括基于指示在相应时间实例处的部件位置的历史BIDT数据的相关子集对致动器、机器人、传送机、马达驱动的机器轴或工业资产的另一可移动部件的运动的动画。动画还可以包括由BIDT数据的相关子集进行动画化处理的其他图形对象,例如,温度或压力表、表示性能度量或警报的字母数字覆盖层或其他这样的对象。
通常,虚拟化的呈现2610在给定时刻处的动画状态是与同一历史时刻或时间戳对应的一组历史可视化数据2604的函数。跨所选感兴趣的历史时间范围按时间上或时间序列的方式流送可视化数据2604可以使虚拟化呈现2610将跨所选时间范围的工业资产的操作重新创建为动画。
另外,呈现部件508可以利用资产模型422与机械模型2304之间的基于BIDT的属性映射来生成另外的时间序列机械信息以用包括在呈现2610上。图27是示出基于工业资产2302的资产(自动化)模型422与机械模型2304的集成来生成补充的计算的资产行为数据的图。类似于图24中描绘的示例,如上所述,经由对BIDT数据源的共同引用进行的资产模型422与机械模型2304的集成允许应用服务器系统502(或另一可视化或分析系统)基于测量的自动化值来计算另外的资产行为数据2402。在图27中描绘的示例中,获得自动化值(例如,扭矩、加速度、速度等)作为从历史数据存储装置2606读取的情境化BIDT数据2608。计算的资产行为数据2402可以补充已经存储在历史数据存储装置2606中的自动化值,以用于报告、分析或可视化应用。可以将资产行为数据2402生成为与用于计算行为数据2402的情境化BIDT数据2608具有相同的时基(time base)的时间序列值。
在一些实施方式中,在已经生成计算的行为数据2402之后,系统502(或利用模型422和2304的另一系统)可以对计算的数据2402加时间戳并且在历史数据存储装置2606中记录计算的数据2402。每个时间戳标识引起计算的数据2402的对应项的历史时刻,并且与用于计算的数据2402的情境化BIDT数据值的时刻对应。以此方式对计算的数据2402加时间戳允许系统502(或其他系统)将计算的数据2402参照与引起计算的数据2402的BIDT数据值相同的时间点记录在历史数据存储装置2606中,从而使用计算的动态资产行为、属性和机械状态补充测量的自动化值。
除了流送工业资产的过去行为和操作的时间序列可视化之外,一些实施方式还可以基于数字孪生2306和历史数据上执行的预测分析将可视化扩展到资产的预测的未来行为。返回到图26,一些这样的实施方式可以包括预测分析部件512,其被配置成基于对历史BIDT数据2608的分析来生成测量的BIDT数据2608和计算的行为数据2402的预测的未来值。预测分析部件512可以基于根据基于对历史BIDT数据2608的挖掘以及数字孪生2306的应用识别的各种资产状况或状态而学到的资产行为的趋势来预测该未来资产行为。对于这样的实施方式,回放指令2602可以包括将可视化推进到未来时间范围的指令。响应于这样的指令,呈现部部件508可以利用由预测分析部件512生成的预测的行为信息来呈现该预测的未来资产性能的动画可视化。
如上所述,一些示例系统可以基于历史BIDT数据以及基于数字孪生2306情境化和/或计算的补充数据来生成虚拟现实(VR)呈现。图28是示出利用数字孪生2306生成回放过去资产行为的VR呈现的示例VR系统2802的框图。在一些实施方式中,VR系统2802可以与应用服务器系统502集成,并且可以驻留在云平台或者对工厂网络116有通信访问权的其他私有或公共网络上。替选地,VR系统2802可以驻留在网关装置(例如,网关装置402)上或者通信地连接至工厂网络116并且驻留在工厂设施内的本地服务器上。
VR系统2802可以包括从跨工业环境分布的工业装置和系统2816收集BIDT数据2808的装置接口部件2814。在一些实施方式中,装置接口部件2814可以被配置成根据资产模型422经由网络116从工业装置和系统2816检索所选数据项,资产模型422指定要从其收集数据的BIDT标签。装置接口部件2814对该收集的BIDT数据2808加时间戳并且将该收集的BIDT数据2808与时间戳一起存储在历史数据存储装置2606上,并且呈现部件508使用该历史时间序列数据以及使用数字孪生2306计算的资产的补充机械信息,以使用该情境化历史数据来对一个或更多个工业资产的VR呈现2086进行填充和动画化处理。呈现部件508将这些VR呈现传送到合适的可穿戴器具2812以用于呈现。
可穿戴器具2812可以经由有线或无线网络接口、近场通信接口或适合于其上实现VR系统2802的特定平台的其他这样的装置接口与VR系统2802进行接口。在一些实施方式中,呈现部件508可以被配置成:在允许VR呈现数据2806被传送到可穿戴器具2812之前,验证对可穿戴器具2812访问VR系统2802的授权。呈现部件508可以通过以下来认证可穿戴器具或其所有者:使用密码验证、生物特征(biometric)识别(例如,由可穿戴器具2812从用户收集并提交至呈现部件508的视网膜扫描信息),将可穿戴器具2812的标识符与已知的授权装置的集合相互对照,或其他这样的验证技术。
当由可穿戴器具206接收并执行VR呈现数据2806时,VR呈现数据2806在可穿戴器具的显示器上呈现一个或更多个表示的工业资产的交互式三维VR呈现。呈现部件508可以基于由数字孪生2306定义的资产组织来设计VR呈现的视觉布局。例如,部分地基于由数字孪生2306定义的标识的生产线、机器、装置和其他实体以及同样由数字孪生2306定义的这些实体之间的关系,呈现部件508可以呈现这些实体的三维图形VR表示,并且使用所选历史BIDT数据子集以及通过将机械模型2304应用于BIDT数据生成的补充数据(例如,计算的数据2402)对呈现进行动画化处理。在一些实施方式中,VR系统2805还可以保持定义由VR呈现表示的区域的物理布局的视觉表示的一个或更多个工厂模型2818。例如,给定工业区域(例如,生产区域、工作单元、装配线等)的工厂模型2818可以定义位于该区域内的工业资产(包括机器、传送机、控制柜和/或工业装置)的图形表示以及这些工业资产之间的物理关系。对于每个工业资产,工厂模型2818可以定义资产的物理尺寸和颜色以及由图形表示支持的任何动画(例如,颜色变化动画、反映资产的移动的位置动画等)。工厂模型2818还定义资产模型422可能未定义的工业资产之间的其他物理关系,其包括工厂车间的资产的相对位置和取向、在资产之间延伸的导管或管道以及其他物理定义。
由呈现部件508支持的呈现引擎被配置成基于数字孪生2306(以及实施方式的一个或更多个工厂模型2818,其中实施方式使用这样的模型)中指定的工业资产呈现定义来生成工业区域的交互式VR呈现。呈现部件508用所选历史BIDT数据2808子集(以及由呈现部件508通过将机械模型2304应用于BIDT数据2808计算的另外的动态统计例如计算的数据2402)来填充该VR呈现,并且将所得到的聚合VR呈现传送给可穿戴器具2812作为VR呈现数据2806。呈现部件508可以生成VR呈现,使得BIDT数据的字母数字项(例如,速度、压力、流量、电压等)覆盖在与数据项相关的工业资产的图形表示上或附近。
呈现部件508还可以基于从可穿戴器具2812接收的交互输入2804来控制由VR呈现所呈现的视图。交互输入2804可以指定可穿戴器具2812的穿戴者的当前查看方向,当前查看方向由呈现部件508使用以控制VR呈现的查看视角。在资产行为的历史回放的情况下,交互输入2804还可以包括控制回放的时间范围以及在回放中向前和向后滚动的回放指令(类似于回放指令2602)。
由于数字孪生2306对工业资产的自动化和机械特性两者进行建模,因此数字孪生2306可以用于与测试控制程序或装置配置相关来模拟工业资产的预期行为(例如,对控制输入在移动、速度、温度、流量、填充物位、流体力学、产品位移等方向的响应)。图29是使用数字孪生2306来验证控制程序2908的软件测试系统2906的一般性框图。在该示例中,软件测试系统2906的控制器仿真部件2910用作针对数字孪生2306执行控制程序2908的工业控制器仿真器。
模拟部件2912可以利用由数字孪生2306建模的自动化和机械特性来模拟要通过控制程序2908进行监测和调节的物理工业系统的各个方面。模拟部件2912可以虚拟地将控制程序2908与数字孪生2306进行接口,以促进程序2908与数字孪生2306之间的模拟I/O数据的交换,从而模拟真实世界的控制。控制程序2908可以包括用于处理读入到控制器中的输入信号并且控制来自控制器的输出信号的任何可想到的类型的码,包括但不限于梯形逻辑、顺序功能图表、功能框图或结构化文本。控制程序2908被设计成调节正由数字孪生2306建模的自动化系统。模拟部件2912基于由数字孪生2306建模的物理系统的静态和动态特性来生成数字和模拟I/O值,这些数字和模拟I/O值表示与预期由物理系统生成的数据类似的例如传感器输出、计量输出或其他工厂数据。该模拟输出数据2904被提供给执行控制程序2908的仿真部件2910,仿真部件2910接收该数据作为一个或更多个虚拟物理输入。控制程序2908根据用户定义的算法处理这些输入,并且基于该处理生成数字和/或模拟控制器输出数据2902。该输出数据2902表示将由执行控制程序2908的控制器生成并且被发送到包括自动化系统的硬连线现场装置的物理输出(例如,PID环路控制输出、螺线管激励输出、马达控制输出、致动器控制输出、机器人控制输出等)。控制器输出数据2902被提供给数字孪生2306的适当的输入点,数字孪生2306相应地更新模拟输出数据2904。
除了生成模拟输出数据2904之外,模拟部件2912还可以基于响应于模拟控制器输出数据2902的建模的工业资产的预期行为以及模拟的数据交换的分析来生成资产响应数据2918。例如,基于在数字孪生2306中建模的工业资产的自动化和机械特性,模拟部件2912可以响应于控制器输出数据2902来预测建模的工业资产的预期行为以及通过资产正在制造的产品的行为,并且将该预测的行为作为资产响应数据2918进行传送。由资产响应数据2918表示的示例行为可以包括但不限于:产品经过工业资产的移动(包括速度、加速度、位置、滞后等),流体通过资产的流速,资产的预期能源消耗,资产的机械部件的预期劣化率(部分地基于机械模型2304中定义的摩擦系数信息),操作期间施加到资产相应部件的预期力或其他这样的行为。
用户接口2916可以生成在客户端装置上呈现模拟结果的可视化2914。可视化2914可以以任何合适的格式呈现资产响应数据2918以及与模拟会话有关的其他统计。例如,可视化2914可以包括正被模拟的工业系统的动画表示,其类似于上述的呈现2610。资产行为和模拟数据的一些集也可以被呈现为可视化2914上的字母数字叠加。
该模拟技术可以用于在不将现场设备和机器置于危险中的情况下来测试和调试控制程序,来模拟对工厂或机器操作的修改并且估计这样的修改如何影响某些关键性能指标或财务度量,或者执行其他类型的分析。
根据另一类型的应用,可以对数字孪生2306及其对应的真实世界工业资产进行并行分析,并且可以使用该分析的结果来对资产执行补充监督控制或用于报告目的。图30是示出结合执行工业资产的集体监督控来制使用数字孪生2306的图。在该示例中,自动化系统3008包括工业控制器3014,该工业控制器3014与若干工业I/O装置3020交换监测和控制信令以促进根据由控制器3014执行的本地控制程序3012(例如,梯形逻辑程序、顺序功能图表等)对工业机器或过程进行本地控制。
在该示例中,操作分析和控制系统3002在云平台上执行,并且经由与工业控制器3014共享网络的网关装置3010与自动化系统3008进行接口。作为基于云的分析和控制的替选方案,系统3002的一些实施方式可以驻留服务器装置上,其中服务器装置驻留在工厂设施内。在操作期间,操作分析和控制系统的装置接口部件2814收集在自动化系统3008的工业控制器和/或其他工业装置上配置的相应BIDT标签的值。为了促进基本上实时分析和补充控制,装置接口部件2814基本上连续地或以高的更新频率收集这些BIDT数据值。
类似于先前示例,收集的BIDT数据3016被存储在历史数据存储装置2606中,并且可以被使用数字孪生2306进行情境化、增强(例如,通过生成计算的数据2402)和进行分析。在该示例中,预测分析部件512被配置成对历史BIDT数据3016和历史补充数据(例如,计算的数据2402)执行预测分析,以识别可能使得需要对当前控制进行修改的潜在的未来操作问题。在示例实现方式中,操作分析和控制系统3002的控制部件3004可以执行监督程序3006,监督程序3006基于预测分析的结果生成指向控制器3014的补充控制数据3018。通常,监督程序3006可以被设计成改变自动化系统3008的控制,以减轻鉴于数字孪生2306基于BIDT数据3016的预测分析而识别的预测的未来的性能问题。可以由预测分析部件512识别的示例预测性能问题可以包括但不限于:自动化系统3008的关键性能参数与定义的可接受范围的偏差,在要求的时间表内未能满足定义的生产目标,自动化系统3008的过度能耗,或其他这样的问题。
控制部件3004可以链接至预测分析部件512,使得在预测到性能问题时通知监督程序3006,并且监督程序3006可以被配置成响应于所预测性能问题而生成控制数据3018,该控制数据3018被设计成以减轻所预测性能问题的方式来改变自动化系统3008的控制。例如,控制数据3018可以包括:修改本地工业控制器3014中定义的一个或更多个控制设定点的指令,给本地工业控制器3014的开始执行替选控制例程的指令,改变自动化系统3008的操作模式的指令,或其他这样的指令。在示出的示例架构中,装置接口部件2814经由网关装置3010将控制数据3018发送到工业控制器3014。
除了基于所预测操作问题执行自动化系统3008的监督控制之外或作为其替选方案,操作分析和控制系统3002的一些实施方式还可以被配置成响应于与自动化系统3008有关的性能问题的预测来生成报告或通知数据。例如,基于对由数字孪生2306进行情境化的历史BIDT数据3016的预测分析,预测分析部件512可以识别自动化系统3008的部件(例如,轴承、泵或马达)的即将发生的故障、供应给自动化系统3008的材料的即将耗尽或其他这样的关注点。响应于识别出这样的问题,装置接口部件2814可以生成问题的通知并且将其发送给与相关工厂人员相关联的一个或更多个客户端装置。
装置接口部件2814可以基于数字孪生2306的资产模型422来确定收集哪个工厂侧BIDT数据项以进行存储和处理。例如,装置接口部件2814可以确定由资产模型422引用哪个工厂侧BIDT标签,并且从构成自动化系统3008的适当本地装置收集与这些引用的标签相关联的数据。对于控制数据3018,装置接口部件2814可以确定哪个数据标签与由监督程序3006定义的数字和模拟输出值中的每个对应,并且将这些输出的值发送到其在工厂侧工业装置(例如,控制器3014)中的适当的数据标签或寄存器。依赖于配置,装置接口部件304可以将这些值直接发送到相应工厂车间装置,或者经由网关装置3010发送。
该配置产生两层控制架构,由此自动化系统3008的即时控制功能由在本地工业控制器3014上执行的控制程序3012本地地控制,而自动化系统3008的更高级别控制则由操作分析和控制系统3002基于监督程序3006以及对由数字孪生2306情境化的历史BIDT数据3016执行的预测分析来执行。用户可以设计监督程序3006以基本上管理工业企业的任何高级别目标。例如,基于云的监督程序3006可以被配置成基于在将零件或材料供应给自动化系统3008的上游系统处测量的零件生产率或者在下游系统或设施处测量的需求来调节自动化系统3008的生产率。例如,这样的生产率的改变可以通过将新的设定点值写入设置自动化系统3008的速度的控制器3014中的数据标签来执行。
在基于云的监督控制的另一示例中,工厂车间的控制器3014或另一装置可以执行自动化系统3008的自主控制,例如运动系统的比例积分微分(PID)环路控制。在执行该本地控制时,装置接口部件2814可以读取与本地自动化系统3008的控制有关的操作值(例如,环路调节参数值、运动系统的当前速度和位置、由本地控制器生成的当前或预测的控制输出信号等)和含时间戳状态,其中,这些状态和操作值由资产模型422基于对这些数据项的引用来收集。基于这些值以及基于将数字孪生2306应用于历史BIDT数据3016而生成的补充数据(例如,计算的资产行为数据2402),预测分析部件512可以预测运动系统的未来状态(例如,位置、速度等)或轨迹,并且在对运动系统在未来时间将处于何处的预期下基于这些预测状态生成本地控制器的新的控制设定点值或其他控制参数。然后,基于云的系统可以将这些新的设定点或控制值发送到本地控制器3014。
为了促进使用互连资产(自动化)模型422和机械模型2304的时间序列可视化和分析,如在上述示例中,两个模型均应当被提供有同步的时间序列数据。然而,在许多数据收集应用中,由多个不同源生成的时间序列数据项可能无法根据公共时间基准或时域被严格同步。这在试图关联表面上在同一时间点发生的事件时可能会引入不准确性,原因是为了估计一个事件相对于另一事件何时发生,时间戳之间的插值会是必要的。
图31是示出与非同步数据记录相关联的缺点的示例时间序列数据记录。在此示例中,与饼干(cookie)制造过程中使用的成型机(depositor)相关联的三个数据标签属性——Depositor.BatchEvent、Depositor.BatchEvent.Energy、Depositor.BatchEvent.CookieCount——被记录为历史化数据。指示生产过程的状态的标签属性Depositor.BatchEvent仅当状态改变时才被记录。其它标签属性——Depositor.BatchEvent.Energy和Depositor.BatchEvent.CookieCount——是定期记录的数值。最初,Depositor.BatchEvent的状态是“生产-空闲”(“Production-Idle”),并且向这个状态的转换被记录为第一数据记录(由箭头1指示)。由于Energy(能量)值和CookieCount(饼干计数)值被定期记录,所以Depositor.BatchEvent“生产-空闲”数据记录之后是许多记录的能量值和饼干计数值的记录。当批处理模式改变为“Production Choc.ChipStarted”时,记录Depositor.BatchEvent的值(由箭头2指示),并且继续记录能量值和饼干计数值的周期性记录。
为了使分析应用能够确定过程切换到“Production Choc.Chip Started”状态(在时间9:00:30.600)时的Energy值,应用必须在BatchEvent记录紧之前和紧之后的两个最接近的记录的能量值(记录A和记录B)之间插值。这是因为BatchEvent状态和Energy值没有以同步方式被记录,并且因此没有时间戳与BatchEvent记录的时间戳精确匹配的Energy记录被记录。尽管对应于BatchEvent记录的内插Energy值可以是在感兴趣事件发生时的实际能量值的接近的近似,但是该内插值仍然是可能不如事件发生时的实际能量值准确的估计值。此外,因为能量值和饼干计数值被定期记录,所以历史化数据记录可以包括大量的对于分析目的可能不是必需的的能量值和饼干计数值。
为了解决这些问题和其它问题,采用BIDT数据标签的工业装置的一些实施方式可以支持以互连方式同步记录它们的相关联数据。在这样的实施方式中,装置配置应用708可以包括编程工具,该编程工具允许用户根据定义的父子关系将BIDT标签属性互相链接,以用于BIDT数据值的同步记录的目的。图32示出了可以由装置配置应用708支持的用于对BIDT数据的同步数据记录进行编程的示例数据记录指令3202。尽管指令3202被描述为功能块,但是应当理解,数据记录指令基本上可以在任何编程平台上实现。
可以使用装置配置应用708将数据记录指令3202添加到控制程序(例如,图7的控制程序704)作为BIDT配置706的一部分。每个数据记录指令可以包括标识将基于指令被记录的BIDT属性的BIDT属性引用3210。作为数据记录指令配置的一部分,用户还可以指定是否将根据速率、变量改变或相互链接的时域来记录由引用3210标识的BIDT属性。
当指令3202被设置为按照速率进行记录时,指令3202使得所标识的BIDT属性以由用户指定为指令配置的一部分的频率被定期记录。当指令3202被设置为根据变量改变来记录时,指令3202使得所标识的BIDT属性在每次链接的过程变量改变值或状态时被记录。过程变量可以是所引用的BIDT属性本身的值或者是经由过程变量输入3208链接到记录指令3202的另一过程变量。对于数值属性,变量改变配置还可以允许用户指定在属性被记录之前属性值必须改变的程度(例如,2%或更大)。当指令3202被设置为根据互相链接的时域进行记录时,指令3202将使得当在指令的时域输入3206处接收到记录信号时所标识的BIDT属性被记录。该设置允许BIDT属性在提供时域输入信号的父节点的控制下被记录为子节点。指令的时域输出3204可以被链接到与其他BIDT属性相关联的其他数据记录指令以促进链接的属性之间的协调的数据记录。
图33是用于促进一个或更多个工业装置中定义的BIDT属性的协调的数据记录的数据记录指令3202的示例互连的图。在所示示例中,记录指令3202a被配置为引用批处理事件(Batch event)BIDT属性(对应于图31中的Depositor.BatchEvent批处理事件属性)的父节点。指令3202a被配置成按照变量改变进行记录,使得当属性改变状态时,批处理事件属性(Batch Event property)的值将被记录。
指令3202b引用饼干计数(Cookie Count)BIDT属性(对应于图31中的Depositor.BatchEvent.CookieCount属性),而指令3202c引用Energy(能量)BIDT属性(对应于图31中的Depositor.BatchEvent.Energy属性)。记录指令3202的时域输出(time-domain output)3204连接到被设置成根据时域进行记录的两个其它数据记录指令3202b和3202c的时域输入(time-domain input)3206a和3206b。这种互相链接的配置呈现批处理事件属性的饼干计数属性子节点和能量属性子节点以用于数据记录目的。因此,饼干计数属性和能量属性的值将仅在批处理事件属性的值被记录时——这在批处理事件属性的值改变状态时发生——才被记录。因此,根据图33中描述的配置,当批处理事件属性改变状态时,三个BIDT属性——批处理事件、饼干计数和能量——将被同时记录。
图34是由图33中描绘的配置产生的示例时间序列数据记录。如该数据记录所示,在批处理事件改变状态时,批处理事件改变(由箭头指示)的每个数据记录与能量值和饼干计数值的并发记录一起被记录。如在时间戳列中可以看到的,对于批处理事件状态改变的每个实例,批处理事件、能量值和饼干计数值的时间戳是相等的。因此,不必如在图31中描绘的能量和饼干计数被周期性地且与批处理事件状态非同步地被记录的场景下那样,插入对应于批处理事件改变的时间的能量或饼干计数的值。此外,由于能量值和饼干计数值只是响应于批处理事件状态的记录而被记录,而不是周期性地记录,所以减少或消除了不必要的能量数据记录和饼干计数数据记录的数量,从而节省了数据存储的利用。
在工业装置上执行数据记录指令3202可以使得工业装置将相互链接的BIDT属性记录到任何适当的目的地数据存储区域,包括工业装置上的本地存储装置、远程联网存储装置、或基于云或基于因特网的存储装置。
数据记录指令3202可以被布置和配置成创建要以同步的方式被记录的相关BIDT属性的逻辑级联。图35是链接的数据记录指令3202的另一示例互连的图。在该示例中,记录指令3202a被配置成以每500ms一次的速率定期记录其相应的BIDT属性(BIDT属性1)。记录指令3202b、3202c和3202d被配置成为指令3202a的时域子节点,使得这些BIDT属性(属性2、属性3和属性4)也将与BIDT属性1同步地以500ms速率被记录。第五记录指令3202e链接到记录指令3202b。该逻辑级联可以被设计成符合工业资产的层级——例如,线路级属性、机器级属性、设备级属性和装置级属性。
上述用于配置互相链接的同步数据记录的技术可以允许用户容易地对其值应该被关联以用于分析或报告目的的BIDT属性进行分组。所产生的数据记录将包括具有同步时间戳的相关数据值的集合,从而促进工业资产行为、状态、事件、性能变量、位置等的更准确相关。此外,通过配置历史数据记录,使得所选择的数据值仅在这些值需要与其他资产属性相关时才被记录而不是定期被记录,减少了与不必要的数据值的传送相关联的数据流量。
由记录指令3202产生的同步的历史BIDT数据值可以提高利用数字孪生2306的可视化、分析和报告应用的保真度(fidelity)。例如,由于资产(自动化)模型422和机械模型2304引用使用公共时域以用于数据记录的公共BIDT标签,所以确保通过将数字孪生2306应用于历史BIDT数据(例如,通过将机械模型2304应用于自动化数据而产生的计算的数据2402)而产生的分析值更准确地表示在给定时间点的资产属性的状态。
图36至图37示出了根据本申请的一个或更多个实施方式的各种方法。尽管为了简化说明,本文所示的一个或更多个方法被示出和描述为一系列动作,但是应该理解和认识到的是,主题创新不受动作的次序所限制,因为根据本主题创新,某些动作可以按与本文所示出和描述的不同的次序发生和/或与其它动作同时发生。例如,本领域技术人员将理解和认识到的是,方法可以替选地被表示为例如状态图中的一系列相互关联的状态或事件。此外,并非所有示出的动作都是实现根据本创新的方法所必需的。此外,当不同实体演示方法的不同部分时,交互图可以表示根据本公开内容的方法或方式。进一步地,所公开的示例方法中的两个或更多个可以彼此组合地实现,以完成本文所述的一个或更多个特征或优点。
图36示出了用于使用对BIDT数据标签的共同引用来链接工业资产的自动化模型和非自动化模型的点的示例方法3600。最初,在3602处,在工业装置上定义一个或更多个数据标签,其中数据标签符合一个或更多个基本信息数据类型(BIDT),并且BIDT包括速率BIDT、状态BIDT、里程表BIDT或事件BIDT中的至少一个。速率BIDT数据标签可以表示与工业资产或装置相关联的度量的测量速率的整数值或实数值。状态BIDT数据标签可以表示工业资产或装置(例如,机器、生产线、马达驱动,等等)的当前状态。里程表BIDT数据标签可以表示与工业资产相关联的累积量(例如,具有翻转值的累积量,或在定义的时间间隔期间的量)。事件BIDT数据类型可以表示与工业资产相关联的瞬时或持续性事件(例如,按钮事件、传感器事件、安全装置事件和警报事件,等等)。
在3604处,为在步骤3602处定义的相应BIDT标签配置元数据。元数据包括用于相应BIDT数据标签的用户定义的参数,其中用户定义的参数特定于每个BIDT数据标签的类型。例如,与速率BIDT数据标签相关联的用户可配置元数据可以包括但不限于:对应速率值的最大值和最小值的定义,其值被聚合(例如,求和、平均、积分,等等)以产生速率值的一个或更多个其他数据标签或输入地址的身份,与速率值相关联的测量单位,或其他这样的元数据。状态BIDT数据标签的元数据可以包括但不限于:数据标签被分配被的工业资产的可用状态的定义,其值确定状态的一个或更多个其他数据标签的身份,或其他这样的元数据。与里程表BIDT相关联的元数据可以包括但不限于:驱动里程表值的一个或更多个数据源的身份,其值要被聚合或求和以产生里程表值的两个或更多个数据标签的身份,与里程表值相关联的测量单位(例如,产品计数、消耗的兆瓦小时,等等),或其他这样的元数据。与事件BIDT数据标签相关联的元数据可以包括但不限于:其状态聚合确定要由事件BIDT数据标签表示的事件的装置输入地址或其他数据标签的身份,由事件BIDT数据标签表示的事件的名称,或其他这样的元数据。
在3606处,配置工业资产的自动化模型。该自动化模型被配置成引用BIDT数据标签并定义引用的BIDT数据标签的分成分组。自动化模型可以对应于可以用于生成资产数据的定制的图形表示的应用数据或工业资产的期望分层组织。在3608处,配置工业资产的非自动化模型。该非自动化模型可以是例如定义工业资产的机械特性(例如,齿轮比和/或直径、摩擦信息、惯性信息等)的机械模型,定义构成工业资产的部件的热特性的热模型,定义与资产的操作相关联的财务信息(例如,根据操作特性或运行时间的材料或能量成本、与利润相关联的产品输出,等等)的业务或财务模型,或定义资产的非自动化特性的另一类型的模型。
在3610处,基于由自动化模型定义的分层分组和补充属性数据生成BIDT数据标签的历史数据值的视觉呈现,其中补充属性数据是基于非自动化模型向历史数据值的应用而为工业资产生成的。视觉呈现可以是例如动画虚拟现实呈现或其他类型的图形呈现,其呈现资产的历史性能跨所选时间范围的动画重现、历史资产性能的报告或另一类型的视觉呈现。
图37示出了用于配置工业数据的同步记录的示例方法3700。最初,在3702处,在工业装置上定义符合一个或更多个基本信息数据类型的一个或更多个数据标签(类似于方法3600的步骤3602)。在3704处,配置用于在步骤3702处定义的相应BIDT数据标签的元数据(类似于方法3600的步骤3604)。在3706处,在第一BIDT数据标签与一个或更多个第二BIDT数据标签之间定义链接。该链接配置第一BIDT数据标签与第一数据标签所链接至的一个或更多个第二BIDT数据标签的同步数据记录。该链接将第一BIDT数据标签设置成作为子节点的一个或更多个第二BIDT数据标签的父节点以用于数据记录目的。
在3708处,定义用于记录第一BIDT数据标签的值的条件。该条件指定:当第一BIDT数据标签的值改变状态(或从当前值改变超过限定的容限)时该值将被记录;该值将根据定义的数据记录速率被定期记录;或者该值将响应于被定义为另一数据标签或实体的函数的触发条件被记录。
在3710处,确定是否已经满足在步骤3707处定义的条件。如果条件没有满足(步骤3710处的否),则该方法继续监视在步骤3708处定义的条件。如果条件已经满足(步骤3710处的是),该方法前进到步骤3712,其中在满足条件时记录第一BIDT数据标签和一个或更多个第二BIDT数据标签的值。在步骤3706处定义的链接确保以同步的方式记录第一BIDT数据标签和一个或更多个相互链接的第二BIDT数据标签,从而确保所有相互链接的值具有共同时间戳。这可以通过消除对插入与事件的时间戳对应的BIDT标签的估计值的需要来提高历史BIDT数据的基于时间的分析的准确性。
前述公开内容描述了示例BIDTs322——又被称为智能标签——的结构以及这些BIDT 322作为用于为工业系统创建数字孪生2306的基础的用途。也描述了这些数字孪生2306的示例应用——包括可视化、分析、数据增强、模拟和控制应用。BIDT 322的情境化数据基础设施还可以允许数字孪生2306容易地与人工智能(AI)工具和系统集成。例如,可以通过由构成数字孪生2306的BIDT 322定义的元数据和情境关系以及由资产模型422(数字孪生2306的部件)定义的装置和部件之间的关系来辅助和简化数字孪生2306的基于AI的开发或分析。也通过由数字孪生2306生成的不能直接从工厂数据获得的补充数据来辅助基于AI的开发和分析,其中补充数据例如为以上结合图24和图27讨论的计算的资产行为数据2402。该补充数据可以填补可直接从工厂车间装置、机器和过程获得的数据的空白,从而产生更全面的AI分析解决方案。
在一些实施方式中,AI分析也可以被用于验证数字孪生2306本身相对于正被建模的工业资产的保真度,或者用于增强数字孪生2306的质量以产生工业资产的更准确的模型。图38是示出包括能够对数字孪生2306应用AI分析的AI引擎部件514以用于情境化、验证和适配目的的示例架构的示图。在图38(和图5)所描述的示例中,AI引擎部件514是应用服务器系统502的集成部件。然而,在一些实施方式中,AI引擎部件514可以是能够访问数字孪生2306以对数字孪生2306进行情境化、验证和/或适配的分离的系统或工具的部件。
通常,如果变量(例如,资产特性和响应、过程测量等)之间的重要关系可以被编码为BIDT 322本身的属性,则可以将数字孪生2306的基于AI的验证——即,确认数字孪生2306准确地对给定的工业资产或过程进行建模——简化并且基本自动化。这不仅将有用的约束应用于数字孪生2306的AI分析——减少分析开销并且引导AI更快地搜索到有用的发现——而且允许这些关系与数字孪生2306一起迁移以用于被建模的工业资产的其他安装。
为此,AI引擎部件514可以被配置成发现在数字孪生2306中定义的关键变量,以及这些关键变量与在数字孪生2306中定义的其它变量的关系。一旦发现,则AI引擎部件514可以将这些关系编码在相关的BIDT 322本身中,作为附加至BIDT的附加属性或字段。
利用编码在数字孪生的BIDT 322(智能标签)中的这些验证属性,AI引擎部件514可以将AI分析与来自建模的工业资产的实时或历史过程数据一起应用于数字孪生2306,以验证数字孪生相对于工业资产的保真度。该AI驱动的验证由内建在BIDT 322本身中的关系以及在数字孪生2306中定义的更高级关系(例如,由资产模型422定义的分层关系、资产模型422与机械模型2304之间的关系,等等)来辅助。
在一些场景中,数字孪生2306可以被设计成对在另一工厂位置处基本上被复制的特定工业资产或自动化系统进行建模。在这样的场景中,AI引擎部件514可以针对资产的新安装来验证数字孪生2306的重复实例。如果AI引擎部件514识别到数字孪生2306的未准确地对新安装的工业资产的对应物理特性或行为特性进行建模的元素,则AI引擎部件514还可以执行数字孪生适配过程,该过程根据需要修改数字孪生2306的新实例以使数字孪生2306与物理工业系统一致。
修改构成数字孪生2306的智能标签(BIDT 322)以包括AI就绪(AI-ready)的情境化元数据可以允许其他分析系统的——例如,其他AI系统或其他类型的分析系统3802、预测分析部件512、其他数字模型3804等——以容易地与数字孪生2306进行接口,并且可以辅助这些其他分析系统以更快且有效地收敛于期望的分析结果。在智能标签自身中编码的附加情境化可以被这些其它的分析系统利用以减小关于预测未来结果或生成对过去和当前资产性能的洞察所要检查的搜索空间。
图39是示出AI引擎部件514对数字孪生的BIDT 322的情境化的图。在该示例中,数字孪生2306具有与以上讨论的示例中描述的格式类似的格式,包括按照工业设施或设施集合的分层元素表示工业资产或工业资产集合的资产模型422。资产模型422还将选择的BIDT322与分层模型的相应元素相关联。数字孪生2306还包括借助共同的BIDT引用链接到资产模型322的机械模型2304(或另一类型的非自动化模型)。
为了促进对数字孪生2306的验证,以及为了简化使用数字孪生2306的随后的AI分析,AI引擎部件514可以修改构成数字孪生2306的BIDT 322中的一些或全部,以便以附加字段或属性的形式添加AI情境化元数据。这些附加字段或属性可以编码尚未在数字孪生2306中定义的习得的建模变量(例如,过程测量、装置输出或状态,等等)间关系,以及定义要由利用数字孪生2306的分析引擎解决的分析问题的类型的参数。
为此,AI引擎部件514可以对数字孪生2306应用相关分析和/或因果分析以识别表示正由数字孪生2306建模的工业资产或过程的重要变量或关键变量的一个或更多个BIDT322。关键变量可以表示建模的资产或过程的关键性能指标(KPI),或者建模型的系统的关键重要的其它方面。通常,关键变量表示工业资产的总体性能质量。
在一些场景中,AI引擎部件514可以部分地基于由数字孪生2306建模的工业资产或过程的类型的行业知识来识别关键变量。例如,可能已知的是,产品产量是某种类型的工业生产线的主要关注点。因此,如果AI引擎部件514确定或推断数字孪生2306对与这种类别的生产线相对应的工业系统进行建模,则表示产品产量的BIDT 322可以被选择为关键变量。在使用这种方法来识别关键变量的一些实施方式中,AI引擎部件514可以引用定义相应不同类型的工业系统(例如,机器、生产线、过程、垂直的等)的关键变量的行业知识库,并且通过将正在被建模的工业系统的类型与行业知识库相关来识别关键变量。在其他场景中,可以由用户明确地标识或定义一个或更多个关键变量。通常,对于给定的数字孪生2306,可以有多于一个的关键变量或KPI。其它类型的关键变量可以包括但不限于能耗、能效、循环时间、资产可用性、容量利用率或者由构成数字孪生2306的BIDT 322建模的其它这样的变量。
如果用于被建模的工业系统的行业领域知识不可用,则AI引擎部件514可以将数据科学方法应用于数字孪生2306,以识别哪些变量最能指示正在被建模的工业资产或过程的总体性能质量。例如,AI引擎部件514可以定义并求解用于识别由数字孪生2306建模的关键变量或重要变量(即,最能指示建模的资产的总体性能或操作质量的那些变量)的优化问题。在这点上,预定义的BIDT数据结构与由数字孪生2306定义的分层关系(例如,由资产模型422和机械模型2304定义的结构和关系)一起可以通过减小用于优化问题的搜索空间来简化该关键变量识别分析。例如,如果数字孪生2306的资产模型422定义具有共享资源(例如,公共主电源、输入材料或零件的公共源,等等)和隔离特性(例如,不同的设备集合、隔离电源、独立操作特性,等等)两者的一组生产线,则AI引擎部件514可以使用这些资产模型定义作为对由数字孪生2306建模的变量之间的关系的搜索的有用约束。即,AI引擎部件514可以将相关(和/或因果关系)搜索空间限制到按照资产模型定义在其间可能具有潜在关系的那些变量集合,并且省略对基于资产模型定义已知为独立或不相关的不同生产线上的变量之间的相关的搜索。在一个或更多个实施方式中,BIDT数据结构可以用于分配增强BIDT数据结构并且指示两个变量之间的因果关系是否可能的整数变量的值。由于因果关系确定在计算上是昂贵的,因此限制搜索空间的整数变量的定义是在几乎所有合理大小的现实问题中的关键使能步骤。
一旦识别出由数字孪生2306建模的一个或更多个关键变量,AI引擎部件514就可以对模型执行进一步分析以识别关键变量与数字孪生2306中存在的其它变量之间的关系。即,针对每个关键变量,AI引擎部件514可以确定由数字孪生2306建模的哪些其它变量可以用于预测关键变量的值。在数字孪生是物理过程的完整且准确表示的情况下,由AI引擎为关键变量建立的模型可能不提供尚未存在的新洞察。然而,在真实世界场景中,这样的完整且完全准确的模型并不存在,因此由AI引擎构建的模型在数字孪生的监测和验证中提供了重要价值。这可以包括例如对数字孪生2306执行相关分析或因果分析以识别对其他变量具有最显著影响的变量。在示例场景中,数字孪生2306可以对包括产生水流以用于其他过程的一组电动水泵的水泵送系统进行建模。基于对数字孪生2306执行的相关分析或因果分析,AI引擎部件514可以识别并量化由每个泵产生的水流与泵的功率消耗之间的相关性。在一个这样的场景中,表示流量的变量可以被识别为每个泵的关键变量,并且被识别为对流量值有贡献的变量可以包括泵消耗的功率量(以千瓦计)和水压量。将这些关系编码在数字孪生2306的BIDT 322中可以改进随后由其他分析系统(例如,分析数字孪生2306以识别能够满足总流量需求同时消耗最少功率的泵的子集的优化器)对数字孪生2306执行的工厂分析或模拟。
与所执行以识别关键变量的分析一样,该相关分析或因果分析可以部分地通过由数字孪生2306(例如,由资产模型422和机械模型2304)定义的关系拓扑和通过BIDT 322本身的数据结构来引导。即,已经由数字孪生2306定义的装置、测量、设备和设备属性之间的关系可以对AI引擎部件针对关键变量和其它变量之间的关系的搜索设置约束,从而减少识别这些关键关系所需的开销和时间。
在一些情况下,例如,使用与图30所示的架构类似的架构,AI引擎部件514可以基于数字孪生2306本身的数据拓扑以及从建模的工业资产收集的实际过程数据两者来发现识别的关键变量和其它建模的变量之间的关系。图40是示出以下示例架构的示图,在该示例架构中AI引擎部件514基于对数字孪生2306的数据拓扑和从正被建模的自动化系统3008的装置收集的——以BIDT数据3016的形式的——实时或历史过程数据(例如,从在自动化系统3008的装置上定义的BIDT 322检索的过程数据)的分析来对数字孪生2306的智能标签进行情境化。如上结合图30所述,可以通过装置接口部件2814从自动化系统3008的装置获得BIDT数据3016(实时过程数据),并且该BIDT数据3016作为时间序列历史化过程数据4002存储在历史数据存储装置2606中。该历史化过程数据4002表示由数字孪生2306定义的相应智能标签(BIDT 322)的时间序列值(例如,流量测量、速度测量、功率统计,等等)。因此,AI引擎部件514可以基于对该历史化过程数据4002以及已经由数字孪生2306定义的这些数据值之间的关系的分析来发现数字孪生2306的关键变量和其它变量之间的新关系。
AI引擎部件514还可以识别关键变量和从工厂装置本身不可获得的计算的值之间的关系,例如上面结合图24和图27讨论的计算的资产行为数据2402。
一般而言,从BIDT 322的结构提取的搜索拓扑以及数字孪生2306的资产和机械模型定义可以显著地约束由AI引擎部件514求解的优化问题的参数,从而显著地减少分析数字孪生2306以识别关键变量及其与其他变量的相关性所需的时间和专门知识。这减轻了使数据科学专家参与到分析和验证工业资产的数字模型的过程中的需要。
一旦已经识别了关键变量(由相应的关键BIDT 322或其相关联的属性表示)及它们与其他建模的变量的关系,则AI引擎部件514可以通过添加AI情境化元数据来增强相关的BIDT智能标签。这可以涉及将新的AI字段添加到表示关键变量的BIDT 322以及添加到被确定为对关键变量有影响的相关BIDT 322。图41是示出已经由AI引擎部件514增强以包括定义各种AI属性的AI字段4104的BIDT智能标签4102的示例数据模式。智能标签4102具有与它们的原始BIDT 322类似、但是通过添加AI字段4104而被修改的格式。新AI字段4104的值可以编码在关键变量与其相关变量(直接影响关键变量的值的那些变量)之间发现的关系,以及可以辅助模型验证和适配的其它信息。
例如,可以将新的AI字段4104添加到关键变量智能标签4102,其将智能标签4102标识为表示关键变量。附加AI字段4104可以标识影响关键变量的值的其它智能标签4102。如果AI引擎部件514能够学习作为其它相关变量的函数的关键变量的数学模型(例如,基于数字孪生2306的数据拓扑和可用的历史化过程数据4002),则该模型也可以被包括在AI字段4104中的一个或更多个中(例如,作为限定泵的流量输出、泵消耗的功率和水压之间的关系的数学函数)。在一些场景中,AI引擎部件514可以基于对数字模型2306以及从正被建模的工业资产收集的实际过程数据的分析来发现这样的数学关系或模型。
在一些实施方式中,AI字段4104还可以定义相对于关键变量要解决的分析问题的类型或类别(例如,建模、聚类、优化、最小化,等等)。AI引擎部件514可以基于若干因素确定分析问题的类型,所述若干因素包括但不限于由数字孪生2306建模的工业资产或过程的类型以及关键变量的身份。将这些问题陈述封装在BIDT 322本身的结构中可以使得能够进行对要由分析引擎(例如,AI引擎)对数字孪生2306执行的数据分析的性质的编程访问。由于该分析问题陈述被嵌入数字孪生2306本身的数据结构内,因此与数字孪生2306接口的实时分析系统可以识别由AI字段4104定义的规定类型的分析,并且即使数字孪生2306被转移到不同的平台(例如,边缘装置、云平台、服务器、嵌入式平台,等等),也以最小的用户干预来执行所定义的分析。以这种方式,智能标签4102可以用作到数字孪生2306的标准化接口,通过该接口,其他分析系统可以学习要对数字孪生2306执行的期望或有益类型的分析(例如,能耗的最小化、产品产量的最大化、效率的最大化、为了在给定的限定约束的情况下实现期望的结果的而要部署的可用工业资产的子集的选择,等等)。
如果用户的分析目标改变,也可以实时地以编程方式修改BIDT 322的这种分析问题属性。例如,数字孪生2306最初可能用于通过其建模的工业资产来求解使燃料使用最小化的问题(例如,在如图30所示的监督控制系统的情境下)。如果决定优先考虑排放的最小化而不是燃料使用,则定义问题陈述的AI字段4104可以被以编程方式修改以反映该新的分析问题,从而将新的操作目标传达给分析系统。
增强BIDT 322以附加记录建模的工业系统的变量之间的关系的AI字段4104使得这些关系成为产生的智能标签4102的可见属性,其可以由与数字孪生2306接口的分析和模拟系统(例如,分析系统3802)以及由其它数字模型3804(见图38)访问和利用。在一些实施方式中,智能标签4102还可以经由通过呈现部件508生成的模型接口在客户端装置上被查看。在示例格式中,智能标签4102可以被呈现为标签阵列,使得选择表示测量或计算的过程变量(例如,线效率、水泵流量,等等)的特定智能标签4102使得影响所选择的变量的其他变量的列表被展示(例如,功耗、压力,等等)。
将描述关键变量对其他变量的相依性的模型细节包括在BIDT中可以允许各种类型的验证分析能够被更容易地应用于数字孪生2306。例如,AI引擎部件514可以系统地使用实时操作数据来确定关键变量预测对影响关键变量的变量中的每个的敏感性。如果用作对数字孪生有效性的量度的变量之间的关系对差的数据质量不敏感,则可以将可靠的预测模型用于数字孪生2306的验证。如果模型信息是透明的并且可经由智能标签4102以编程方式访问,则可以使持续评估模型的敏感性(并且如果需要则触发动作以修改数字孪生2306)自动化。
除了产生工业资产的一个更加AI就绪(AI-ready)的模型之外,以这种方式增强数字孪生2306的智能标签为当数字孪生2306用于不同的操作场景中时或被转移到其他工厂位置时来验证数字孪生2306的保真度提供更鲁棒的基础。图42是示出使用基于AI的模拟来针对正在被建模的物理工业资产或系统验证数字孪生2306的图。由于模型的复杂性,在数字模型针对其建模的资产的准确性和保真度方面,数字模型的验证会对工业系统的设计者提出挑战,这通常需要使数据科学专家参与开发、验证和部署这样的模型。直接构建到数字孪生2306的智能标签4102中的数据情境化和变量关系可以将针对与对应的物理工业资产或系统一起操作而验证数字孪生2306的过程极大地简化和基本上自动化。AI引擎部件514与模拟部件2912一起可以作为设计和建模过程的一部分将AI智能应用于粒状智能标签数据结构以验证数字孪生2306相对于的工业资产的一致性、完整性和有效性,使数据科学家的参与变得不必要。
在示例场景中,数字孪生2306可以被开发为对工业资产在特定操作条件下建模。为了验证模型,可以通过模拟部件2912将来自物理工业资产的实时或历史过程数据4202(例如,如由装置接口部件2814收集和存储的)应用于数字孪生2306。过程数据4202表示由构成正被建模的工业资产的装置生成的实际测量和状态数据(例如,流量、能耗、温度、压力、速度,等等),并且通常被加时间戳,使得模拟部件2912可以以时间序列方式将数据4202应用于数字孪生2306,从而模拟工业资产在一定时间范围内的操作。模拟部件2912生成表示对过程数据4202的模拟资产响应的模拟结果数据4204,其中模拟资产响应基于由数字孪生2306(例如,由资产和机械模型)定义的关系以及记录在智能标签4102的AI字段4104中的数据关系。模拟结果数据4204还可以包括基于通过数字孪生2306及其智能标签4102建模的数据关系的资产性能的其它计算指标(例如,KPI、效率、循环时间,等等)。
AI引擎部件514可以将验证算法应用于数字孪生2306、模拟结果4204和实际过程数据4202,以验证数字孪生2306的特定建模属性和质量是否与物理系统的对应属性和质量准确地一致。例如,AI引擎部件514可以将选择的模拟结果与由物理工业资产生成的它们的对应的真实值进行比较,并且确定基于在数字孪生2306及其智能标签4102中建模的关系生成的模拟结果是否在它们的对应的实际资产输出的限定的容限内。该比较可以针对建模的资产的各个方面和关系来执行,使得可以以高粒度级别识别模型与其对应物理资产之间的偏差,并且对数字孪生2306进行适当修改。
在一些实施方式中,工业资产的建模的方面(例如,泵效率、在给定的操作模式下的功耗,等等)与该方面的对应实际值之间的检测到的偏差可以由呈现部件508在建模的工业资产的图形表示上可视地呈现;例如,通过突出显示具有未被数字孪生2306准确建模的特性或属性的工业资产的装置、设备或部件。对于数字孪生2306的这些有偏差的方面,AI引擎部件514的一些实施方式还可以对数字孪生2306执行修改4206以使模型的这些标记的方面与物理工业资产一致。这可以包括例如更新在智能标签4102的AI字段4104中定义的变量之间的关系。
当数字孪生2306或其复制品被迁移以用于与开发数字孪生2306所针对的工业资产类似但不相同的工业资产时,验证并且必要时更新数字孪生2306以确保高水平的保真度的这种方法是有用的。例如,数字孪生2306可以被开发成对特定工业系统(例如泵送系统)建模。如上所述,数字孪生2306的开发可以涉及通过AI引擎部件514对智能标签4102的AI情境化,以对工业系统的建模的变量(例如,测量的遥测值、KPI、装置状态、功率统计,等等)之间的发现的关系进行整理,并且指定要针对选择的变量解决的分析问题或者要执行的分析的类型(例如,优化、最小化、聚类,等等)。然后,可以决定将在另一工厂设施处关于对类似的工业系统执行分析或执行监督控制来使用所得到的数字孪生2306的副本。在其他工厂设施处的操作期间,AI引擎部件514可以在来自新工业系统的过程数据4202(例如,效率、功耗,等等)被应用时监测由模拟部件2912生成的模拟结果数据4204。特别地,AI引擎部件514可以监控由数字孪生2306生成的模拟属性或响应与利用原始工业系统的数字孪生2306的操作期间学习的那些属性或响应的预期值之间的偏差。这样的偏差指示数字孪生2306的可以被修改以提高数字孪生2306相对于新的工业系统的保真度的方面。
为了促进识别和标记这些偏差,由AI引擎部件514添加到智能标签4102的AI字段4104中的一些可以包括用于由相应智能标签4102表示的变量的正常操作统计。这些正常操作统计可以由AI引擎部件514基于在原始工业系统的操作期间对数字孪生的输出的扩展监测来学习。这些正常或预期统计可以包括预期效率、预期功耗、预期流量或温度、或建模的系统的其它此类特性。一旦学习了这些预期统计,AI引擎部件514可以将这些预期值添加到其对应的智能标签4102的新AI字段4104中。以该方式,原始工业系统的重要属性和特性的基线操作可以被编码在数字孪生本身内。当数字孪生2306被部署在新设施处时,AI引擎部件514可以将这些记录的预期统计与通过将来自新工厂的实时或历史过程数据4202应用于数字孪生2306而产生的这些统计的对应新值进行比较。如果发现计算的属性偏离其相应的预期值超过限定的容限,则AI引擎部件514可以将该属性标记为可能需要检查或修改的属性。AI引擎部件514还可以根据需要修改数字孪生2306以使模型与物理资产一致。在一些情况下,这可能涉及修改智能标签4102的AI字段中编码的定义的关系中的一个或更多个。
当对数字孪生2306执行修改4206以解决数字孪生2306与建模的资产之间的所发现的不一致时,AI引擎部件514可以应用与上述用于发现数字孪生2306的关键变量与其它建模变量之间的更新关系的技术类似的技术。当应用来自新工业系统的时间序列过程数据4202时,可以基于对数字孪生的输出的分析来识别这些更新的关系。由于数字孪生2306的一些特性可以通过由AI引擎部件514所进行的验证——意味着先前为这些特性定义的关系依然适用于新的工业系统——AI引擎部件514仅需要重新评估未通过验证的那些特性的建模的关系,从而最小化产生可部署的数字孪生2306以供新系统使用所需的时间。
在一些实施方式中,呈现部件508可以被配置成呈现正由数字孪生2306建模的工业资产的图形表示(例如,作为资产的三维或VR表示),并且图形化地指示数字模型的尚未被验证的部分,或者基于AI引擎部件514的分析已被确定为可能无效的部分。例如,呈现部件508可以以绿色呈现已被验证的数字模型的部件、设备或装置,同时以红色呈现模型的可能无效的属性。
用于验证和更新数字孪生2306的类似过程可以应用于原始数字孪生2306可能不能跨不同的操作场景准确地对工业资产建模的场景。例如,被设计成用补充值(例如,效率值、产品位移或机器位移、功耗估计,等等)增强来自工业过程的可用的测量的数字孪生2306可以准确地对在秋季操作期间的资产的响应进行建模,但是对于夏季操作条件可能不准确。因此,AI引擎部件514可以响应于在夏季操作期间生成的过程数据4202来评估数字孪生的计算或模拟输出,并且根据需要应用模型修改4206以使数字孪生2306适于夏季操作。
也可以将模拟和AI分析应用于数字孪生2306,以在部署经适配的数字孪生之前,使模型适于与另一工业系统结合使用或在不同的操作内使用,作为在部署之后验证和适配数字孪生2306的替代方案。图43是示出可以用于在部署之前使数字孪生2306适于其它系统或情境的示例架构的图。在该开发场景中,原始数字孪生2306a对自动化系统3008进行建模,并且用于利用通过将测量过程数据4002应用于数字孪生2306a而生成的附加信息(例如,效率、滞后、位移,等等)来增强来自系统3008的测量过程数据4002。控制部件3004还可以根据监督程序3006基于由数字孪生2306a生成的信息(或基于对数字孪生和过程数据4002执行的预测分析)来执行自动化系统3008的补充控制,如以上在先前的示例中所描述的(参见,例如,图30)。
此外,数字孪生2306b的复制品可以由AI引擎部件514评估,以用于在原始数字孪生2306a可能不适合的不同操作条件下与工业自动化系统3008一起使用。例如,自动化系统3008可以是当前在秋天操作的制冷机。然而,制冷机在夏季可能以不同方式操作,并且因此原始数字孪生2306a在夏季月份期间可能未准确地对系统3008建模。因此,在系统3008的秋季操作期间,对第二数字孪生2306b进行验证并且在夏季操作之前使其适于夏季使用。模拟部件2912和AI引擎部件514可以使用第二数字孪生2306b来模拟在夏季条件期间自动化系统3008的操作。在这点上,可以对第二数字孪生2306b的所选的变量或参数进行修改以模拟在夏季条件期间系统的操作的预期变化,并且模拟部件2912可以通过将来自系统3008的在其当前秋季操作条件下的过程数据4002应用于经修改的数字孪生2306b来模拟夏季操作。AI引擎部件514可以将基于AI的学习算法应用于模拟结果,并且基于该分析的结果,根据需要修改数字孪生2306b以使模型与预期的夏季操作特性一致。这种对夏季操作的初步模拟可以加速模型开发,并且确保在需要模型之前准备好部署鲁棒的数字孪生2306b。
通过使用本文所述的AI属性增强其上构建了数字孪生2306的智能标签4102,模型验证结构成为数字孪生的智能标签基础设施的固有属性,并且可以在数字孪生安装之间转移。AI引擎部件514可以与这些增强的智能标签4102接口,以通过验证建模的属性和测量之间的关系并且根据需要对这些关系进行适配来验证数字孪生2306的保真度。以此方式,AI分析除了成为数字孪生2306的客户之外,还成为模型开发本身的一部分。增强的智能标签还使数字孪生2306AI就绪,从而通过在智能标签4102本身内编码关键变量相依性和分析目标来简化将数字孪生2306与AI分析系统或其它类型的分析系统接口的过程。
在上述示例场景中的任一个中,AI引擎部件514可以将人工智能分析应用于数字孪生2306和从建模的资产获得的装置数据,以识别关键变量、识别影响关键变量的相关变量、学习关键变量与影响关键变量的那些变量之间的关系以及验证数字孪生。在一些实施方式中,AI引擎部件514可以根据经由事件或数据捕获的一组观察结果推出或推断数字孪生或其建模的资产的状态。例如,可以采用推断来识别特定情境或动作,或者可以生成状态的概率分布。这种推断可以是概率性的——即,基于对数据和事件的考虑来计算感兴趣的状态的概率分布。推断也可以涉及用于利用一组事件或数据组成更高级事件的技术。这种推断导致利用一组观察到的事件或存储的事件数据构造新的事件或动作,而不管事件是否在时间上紧密相关,以及事件和数据是否来自一个或几个事件和数据源。可以关于执行与要求保护的主题相关的自动或推断动作来采用各种显式或隐式训练分类方案或系统(例如,支持向量机、神经网络、专家系统、贝叶斯置信网络、模糊逻辑、数据融合引擎,等等)。
AI引擎部件514的一些实施方式可以关于学习、推断或验证在数字孪生2306中定义的关系来使用分类器。分类器是将输入属性向量x=(x1,x2,x3,x4,xn)映射到输入属于类别(class)的置信度(confidence)的函数;即,f(x)=confidence(class)。该分类可以采用基于概率或基于统计的分析(例如,考虑到分析效用和成本)来预测或推断用户期望自动执行的动作。支持向量机(SVM)是可以在一些实施方式中采用的示例分类器。SVM通过在可能输入的空间中寻找超曲面来操作。超曲面试图将触发标准与非触发事件分离。直观地,这使得分类对于接近但不等同于训练数据的测试数据是正确的。AI引擎部件514的实施方式可以采用的其它定向和非定向模型分类方法可以包括但不限于朴素贝叶斯、贝叶斯网络、决策树、神经网络、模糊逻辑模型、智能代理,以及提供不同相依性模式的概率分类模型可以被采用。本文所使用的分类还包括可以用于开发优先级模型的统计回归。
图44a至图44b示出了根据主题申请的一个或更多个实施方式的各种方法。尽管为了简化说明,此处所示的方法被示出并描述为一系列动作,但是应该理解和认识到的是,本主题创新不受动作的次序所限制,因为根据本主题创新,某些动作可以按与此处所示和所述的不同的次序发生和/或与其它动作同时发生。例如,本领域技术人员将理解和认识到,方法可以替选地被表示为例如状态图中的一系列相互关联的状态或事件。此外,并非所有示出的动作都是实现根据本发明的方法所必需的。此外,当不同的实体演示方法的不同部分时,交互图可以表示根据主题公开内容的方法或方式。此外,所公开的示例方法中的两个或更多个可以彼此组合地实现,以完成本文所述的一个或更多个特征或优点。
图44a示出了用于增强工业资产的数字孪生以包括元数据的示例方法4400a的第一部分,该元数据通常促进数字孪生的基于AI的验证以及与外部AI分析系统的交互。最初,在4402处,配置工业资产的数字孪生。数字孪生定义在一个或更多个工业装置上定义的智能数据标签的分层分组,其中智能标签符合一个或更多个基本信息数据类型(BIDT)。BIDT可以包括速率BIDT、状态BIDT、里程表BIDT或事件BIDT中的至少一个。
在4404处,将AI分析应用于数字孪生以识别数字孪生中定义的指示工业资产的总体性能的关键变量。关键变量可以是例如效率值、流量、生产产出率、能耗、或工业资产的另一关键变量或KPI。在4406处,将AI分析应用于数字孪生以及从工业资产收集的历史化时间序列过程数据,该分析识别在数字孪生中定义的影响在步骤4404处识别的关键变量的值的其它变量。
在4408处,识别在步骤4404处识别的关键变量与在步骤4406处识别的影响关键变量的值的其它变量之间的函数关系。在4410处,向与在步骤4404处识别的关键变量对应的智能标签添加AI字段,AI字段标识在步骤4406处识别的其它变量以及在步骤4408处识别的它们与关键变量的函数关系。以这种方式增强智能标签可以产生其中编码了关键变量与影响关键变量的其它变量之间的函数关系的增强的数字孪生,其可以使用基于AI的模型验证方法来验证。在一些实施方式中,可以向智能标签添加标识相对于关键变量要解决的问题或分析算法的类型(例如,优化、最小化、聚类、建模,等等)的一个或更多个附加AI字段。该AI字段可以由外部分析系统引用,以传达要应用于数字孪生以及特别是要应用于在数字孪生中定义的具体标识的变量的分析的类型。
该方法通过图44b所示的第二部分4400b继续。在4412处,将人工智能应用于增强的数字孪生以及从工业资产或另一工业资产收集的后续过程数据,以验证数字孪生的保真度(fidelity)。数字孪生的验证涉及验证数字孪生准确地对工业资产或其他工业资产的行为、响应和特性建模。在一些场景中,可以针对同一工业资产在不同的操作场景或情境下来验证数字孪生。在其他场景中,数字孪生可以部署在另一工厂设施处以与另一类似工业资产一起使用,并且针对其他工业资产被验证。
在4414处,基于在4412处执行的分析,确定是否由数字孪生定义的所有关系是有效的。这可以涉及验证在构成数字孪生的智能标签中编码的关系,例如在步骤4410处记录的关键变量与相关变量之间的关系。如果基于在步骤4412处执行的AI分析发现一个或更多个关系无效(步骤4414处为否),则方法前进至步骤4416,在步骤4416基于AI分析的结果修改由数字孪生定义的一个或更多个关系以使数字孪生与实物工业资产一致。在一些实施方式中,甚至在发现关系有效(步骤4414处为是)之后,仍可以将AI分析周期性地或连续地应用于相对于建模的资产的数字孪生,使得可以识别由于部件退化或操作条件的改变而引起的资产的性能或行为的改变并将其反映在数字孪生中。
本文描述的实施方式、系统和部件,以及其中可以执行主题说明书中阐述的各个方面的工业控制系统和工业自动化环境,可以包括能够跨网络进行交互的计算机或网络部件,例如服务器、客户端、可编程逻辑控制器(PLC)、自动化控制器、通信模块、移动计算机、无线部件、控制部件,等等。计算机和服务器包括被配置成执行存储在介质中的指令的一个或更多个处理器,处理器为采用电信号执行逻辑操作的电子集成电路,介质例如为随机存取存储器(RAM)、只读存储器(ROM)、硬盘驱动以及可移除存储器装置,可移除存储器装置可以包括记忆棒、存储卡、闪存驱动、外部硬盘驱动,等等。
类似地,本文使用的术语PLC或自动化控制器可以包括可以跨多个部件、系统和/或网络共享的功能。作为示例,一个或更多个PLC或自动化控制器可以跨网络与各种网络装置进行通信和协作。这可以包括经由网络通信的基本上任何类型的控制装置、通信模块、计算机、输入/输出(I/O)装置、传感器、致动器、仪器和人机接口(HMI),其中所述网络包括控制、自动化和/或公共网络。PLC或自动化控制器还可以与各种其它装置通信以及控制各种其他装置,所述其他装置例如标准或安全额定I/O模块,包括模拟、数字、编程/智能I/O模块、其它可编程控制器、通信模块、传感器、致动器、输出装置,等等。
网络可以包括公共网络,例如因特网、内联网和自动化网络,自动化网络例如控制和信息协议(CIP)网络,包括装置网(DeviceNet)、控制网(ControlNet)和以太网/IP。其它网络包括以太网、数据高速公路和数据高速公路加(DH/DH+)、远程I/O、现场总线(Fieldbus)、通讯协议(Modbus)、过程现场总线(Profibus)、CAN、无线网络、串行协议、近场通信(NFC)、蓝牙,等等。此外,网络装置可以包括各种发展可能(硬件和/或软件部件)。这些包括例如具有虚拟局域网(VLAN)能力的交换机、局域网(LAN)、广域网(WAN)、代理、网关、路由器、防火墙、虚拟专用网(VPN)装置、服务器、客户端、计算机、配置工具、检测工具和/或其他装置之类的部件。
为了为所公开的主题的各个方面提供情境,图45和图46以及以下讨论旨在提供对其中可以实现所公开的主题的各个方面的合适环境的简要、概括描述。
参照图45,用于实现前述主题的各方面的示例环境4510包括计算机4512。计算机4512包括处理单元4514、系统存储器4516、以及系统总线4518。系统总线4518将包括但不限于系统存储器4516的系统部件耦接至处理单元4514。处理单元4514可以是各种可用处理器中的任一种。多核微处理器和其它多处理器架构也可以用作处理单元4514。
系统总线4518可以是若干类型的总线结构中的任一种,包括存储器总线或存储器控制器、外围总线或外部总线、和/或使用任何各种可用总线架构的局部总线,这些总线架构包括但不限于8位总线、工业标准架构(ISA)、微通道架构(MSA)、扩展型工业标准架构(EISA)、智能化驱动电子(IDE)、VESA局部总线(VLB)、外围部件互连(PCI)、通用串行总线(USB)、高级图形端口(AGP)、个人计算机存储卡国际协会总线(PCMCIA)以及小型计算机系统接口(SCSI)。
系统存储器4516包括易失性存储器4520和非易失性存储器4522。包含例如在启动期间在计算机4512内的元件之间传递信息的基本例程的基本输入/输出系统(BIOS)被存储在非易失性存储器4522中。作为说明而非限制,非易失性存储器4522可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除PROM(EEPROM)或闪存。易失性存储器4520包括随机存取存储器(RAM),其充当外部高速缓冲存储器。作为说明而非限制,RAM可以以许多形式获得,例如同步RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)以及直接Rambus RAM(DRRAM)。
计算机4512还包括可移除/不可移除、易失性/非易失性计算机存储介质。图45示出了例如磁盘存储装置4524。磁盘存储装置4524包括但不限于像磁盘驱动、软盘驱动、磁带驱动、Jaz驱动、Zip驱动、LS-100驱动、闪存卡、或记忆棒的装置。此外,磁盘存储装置4524可以包括单独的存储介质或与其他存储介质结合的存储介质,其他存储介质包括但不限于光盘驱动,例如光盘只读存储器装置(CD-ROM)、CD可记录驱动(CD-R驱动)、CD可重写驱动(CD-RW驱动)或数字通用光盘ROM驱动(DVD-ROM)。为了促进磁盘存储装置4524连接至系统总线4518,通常使用例如接口4526的可移除或不可移除接口。
要认识到的是,图45描述了在用户和在合适的操作环境4510中描述的基本计算机资源之间充当中介的软件。这种软件包括操作系统4528。操作系统4528可以存储在磁盘存储装置4524上,用于控制和分配计算机4512的资源。系统应用4530利用操作系统4528通过存储在系统存储器4516中或磁盘存储装置4524上的程序模块4532和程序数据4534进行的对资源的管理。应当理解,主题公开内容的一个或更多个实施方式可以用各种操作系统或操作系统的组合来实现。
用户通过输入装置4536向计算机4512输入命令或信息。输入装置4536包括但不限于例如鼠标、跟踪球、指示笔、触摸板、键盘、麦克风、操纵杆、游戏垫、圆盘式卫星天线、扫描仪、TV调谐卡、数码相机、数码摄像机、网络相机等的定点装置。这些输入装置和其它输入装置通过系统总线4518经由接口端口4538连接至处理单元4514。接口端口4538包括例如串行端口、并行端口、游戏端口和通用串行总线(USB)。输出装置4540使用与输入装置4536相同类型的端口中的一些端口。因此,例如,USB端口可以用于向计算机4512提供输入,并且用于从计算机4512向输出装置4540输出信息。提供输出适配器4542以示出存在一些输出装置4540,如监测器、扬声器和打印机,以及需要特殊的适配器的其它输出装置4540。作为示例而非限制,输出适配器4542包括提供输出装置4540与系统总线4518之间的连接手段的显卡和声卡。应当注意的是,其它装置和/或装置的系统提供输入能力和输出能力两者,例如远程计算机4544。
计算机4512可以在使用到一个或更多个远程计算机例如远程计算机4544的逻辑连接的联网环境中操作。远程计算机4544可以是个人计算机、服务器、路由器、网络PC、工作站、基于微处理器的器具、对等装置或其它公共网络节点等,并且通常包括相对于计算机4512所描述的许多或所有元件。为了简洁起见,仅存储器存储装置4546与远程计算机4544一起示出。远程计算机4544通过网络接口4548逻辑地连接至计算机4512,并且然后经由通信连接4550物理地连接。网络接口4548包含例如局域网(LAN)和广域网(WAN)的通信网络。LAN技术包括光纤分布式数据接口(FDDI)、铜线分布式数据接口(CDDI)、以太网/IEEE802.3、令牌环/IEEE 802.5,等等。WAN技术包括但不限于点对点链路、像综合业务数字网(ISDN)及其变体那样的电路交换网络、分组交换网络、以及数字用户线(DSL)。网络接口4548还可以包含近场通信(NFC)或蓝牙通信。
通信连接4550指用于将网络接口4548连接到系统总线4518的硬件/软件。虽然为了清楚说明,通信连接4550被示为在计算机4512内部,但是它也可以在计算机4512外部。仅为示例性目的,连接到网络接口4548所必需的硬件/软件包括内部和外部技术,例如包括常规电话级调制解调器、电缆调制解调器和DSL调制解调器的调制解调器,ISDN适配器和以太网卡。
图46是所公开的主题可以与之交互的样本计算环境4600的示意框图。样本计算环境4600包括一个或更多个客户端4602。客户端4602可以是硬件和/或软件(例如,线程、进程、计算装置)。样本计算环境4600还包括一个或更多个服务器4604。服务器4604还可以是硬件和/或软件(例如,线程、进程、计算装置)。服务器4604可以容纳线程以通过采用例如如本文所述的一个或更多个实施方式来执行变换。客户端4602与服务器4604之间的一种可能的通信可以是适于在两个或更多个计算机进程之间传输的数据分组的形式。样本计算环境4600包括可以用来促进客户端4602与服务器4604之间的通信的通信框架4606。客户端4602可操作地连接至可以用于将信息本地存储至客户端4602的一个或更多个客户端数据存储装置4608。类似地,服务器4604可操作地连接至可以用于将信息本地存储至服务器4604的一个或更多个服务器数据存储装置4610。
以上所描述的包括主题创新的示例。当然,不可能为了描述所公开的主题而描述部件或方法的每个可想到的组合,但是本领域的普通技术人员可以认识到主题创新的许多进一步的组合和置换是可能的。因此,所公开的主题旨在涵盖落入所附权利要求书的精神和范围内的所有此类变更、修改和变型。
特别地,关于由上述部件、装置、电路、系统等执行的各种功能,除非另外指出,否则用于描述这样的部件的术语(包括对“手段”的引用)旨在对应于执行所描述的部件的指定功能的任何部件(例如,功能等效),即使该部件结构上不等效于执行所公开的主题的本文中示出的示例性方面中的功能的所公开的结构也如此。在这点上,还将认识到,所公开的主题包括系统以及具有用于执行所公开的主题的各种方法的动作和/或事件的计算机可执行指令的计算机可读介质。
另外,虽然可能仅关于若干实现方式中的一个实现方式公开了所公开的主题的特定特征,但是这样的特征可以与其他实现方式的对于任何给定或特定应用可能是期望和有利的一个或更多个其他特征组合。此外,就在具体实施方式或权利要求书中使用了术语“含有”和“包含”及其变体而言,这些术语旨在以类似于术语“包括”的方式为包含性的。
在本申请中,词语“示例性”用于表示用作示例、实例或说明。本文描述为“示例性”的任何方面或设计不一定被解释为比其它方面或设计优选或有利。相反,使用词语“示例性”旨在以具体的方式呈现构思。
本文描述的各个方面或特征可以使用标准编程和/或工程技术实现为方法、设备或制品。如本文所使用的术语“制品”旨在包含可以从任何计算机可读装置、载体或介质访问的计算机程序。例如,计算机可读介质可以包括但不限于磁存储装置(例如,硬盘、软盘、磁条……)、光盘[例如,高密度磁盘(CD)、数字通用光盘(DVD)……]、智能卡和闪存装置(例如,卡、棒、键驱动……)。
Claims (20)
1.一种系统,包括:
存储器,其存储可执行部件;
操作地耦接至所述存储器的处理器,其执行所述可执行部件,所述可执行部件包括:
模型配置部件,其被配置成:
基于模型配置输入数据来定义工业资产的数字孪生,所述数字孪生按照分层元素来定义所述工业资产,其中,所述数字孪生包括与由所述工业资产生成的数据项对应的数据标签,并且所述数据标签分别符合基本信息数据类型集合中的一个,所述基本信息数据类型集合至少包括状态数据类型、速率数据类型、里程表数据类型和事件数据类型;以及
人工智能AI引擎部件,其被配置成:
基于AI分析向所述数字孪生的应用来识别指示所述工业资产的总体性能的关键变量、影响所述关键变量的值的相关变量以及所述关键变量与所述相关变量之间的函数关系,以及
将AI字段附加至所述数据标签中的与所述关键变量对应的数据标签,所述AI字段标识所述相关变量以及所述关键变量与所述相关变量之间的所述函数关系。
2.根据权利要求1所述的系统,其中,
所述AI引擎部件还被配置成将另外的AI字段附加至所述数据标签,所述另外的AI字段标识要由分析系统相对于所述关键变量对所述数字孪生执行的AI分析的类型,并且
所述AI分析的类型是优化、最小化、聚类或建模中的至少一个。
3.根据权利要求1所述的系统,其中,
所述数字孪生包括按照所述分层元素定义所述工业资产的资产模型和定义所述工业资产的机械属性的机械模型,并且
所述资产模型和所述机械模型引用所述数据标签。
4.根据权利要求1所述的系统,还包括装置接口部件,其被配置成接收来自所述工业资产的所述数据项的过程数据,
其中,所述AI引擎部件还被配置成基于对所述数字孪生和所述过程数据执行的AI验证分析,来确定所述数字孪生是否对所述工业资产的方面在定义的准确度内建模。
5.根据权利要求4所述的系统,还包括呈现部件,所述呈现部件被配置成:
在客户端装置上基于所述数字孪生来呈现所述工业资产的图形表示,以及
响应于所述AI引擎部件确定所述工业资产的方面未由所述数字孪生在所述定义的准确度内建模,在所述图形表示上以图形方式标识所述工业资产的方面。
6.根据权利要求4所述的系统,其中,所述AI引擎部件还被配置成:响应于基于所述AI验证分析的结果确定所述关键变量与所述相关变量之间的所述函数关系是无效的,
基于对所述数字孪生和所述过程数据执行的进一步AI验证分析,学习所述关键变量与所述相关变量之间的校正的函数关系,以及
修改所述数据标签的AI字段中的一个或更多个,以用所述校正的函数关系替换所述函数关系。
7.根据权利要求4所述的系统,还包括模拟部件,所述模拟部件被配置成基于所述数字孪生和所述过程数据来执行所述工业资产的在与所述工业资产的当前操作条件不同的操作条件下的模拟,
其中,所述AI引擎部件还被配置成:响应于基于对所述模拟的结果的分析确定所述数字孪生未对所述工业资产在所述不同的操作条件下的特性在定义的准确度内进行建模,修改所述数字孪生以使所述特性符合所述定义的准确度。
8.根据权利要求4所述的系统,其中,所述AI引擎部件还被配置成:利用基于所述过程数据向所述数字孪生的应用而生成的计算的资产行为数据来增强所述过程数据,以及对所述数字孪生、所述过程数据和所述计算的资产行为数据执行所述AI验证分析。
9.根据权利要求8所述的系统,其中,所述计算的资产行为数据包括以下中的至少一个:由所述工业资产制造的产品的位移、所述工业资产的部件的位移、所述产品的滞后、所述产品的速度或施加至所述产品的力。
10.一种方法,包括:
在包括处理器的系统上基于配置输入数据来定义数字孪生,所述数字孪生按照分层元素来定义工业资产,其中,所述数字孪生包括与在所述工业资产的装置上保持的数据项对应的数据标签,所述数据标签分别符合基本信息数据类型集合中的基本信息数据类型,并且所述基本信息数据类型集合至少包括状态数据类型、速率数据类型、里程表数据类型和事件数据类型;
由所述系统对所述数字孪生执行AI分析;
由所述系统基于所述AI分析的结果来识别指示所述工业资产的操作的质量的关键变量、确定所述关键变量的值的相关变量以及所述关键变量与所述相关变量之间的函数关系;以及
由所述系统将AI字段添加至所述数据标签中的与所述关键变量对应的数据标签,其中,所述AI字段标识所述相关变量以及所述关键变量与所述相关变量之间的函数关系。
11.根据权利要求10所述的方法,还包括:由所述系统将另外的AI字段添加至所述数据标签,所述另外的AI字段标识要由分析系统相对于所述关键变量对所述数字孪生执行的AI分析的类型,其中,所述AI分析的类型是优化、最小化、聚类或建模中的至少一个。
12.根据权利要求10所述的方法,其中,
定义所述数字孪生包括将所述数字孪生定义为包括所述工业资产的资产模型和所述工业资产的机械模型,
所述资产模型按照所述分层元素来定义所述工业资产,
所述机械模型定义所述工业资产的机械属性,以及
所述资产模型和所述机械模型引用所述数据标签。
13.根据权利要求10所述的方法,还包括:
由所述系统收集来自所述工业资产的所述数据项的过程数据;
由所述系统对所述数字孪生和所述过程数据应用AI验证分析;以及
由所述系统基于所述AI验证分析的结果来确定所述数字孪生是否对所述工业资产的方面在定义的准确度内建模。
14.根据权利要求13所述的方法,还包括:
由所述系统在客户端装置上呈现所述工业资产的图形表示;以及
响应于基于所述AI验证分析的结果确定所述数字孪生未对所述工业资产的方面在所述定义的准确度内建模,在所述图形表示上以图形方式标识所述工业资产的方面。
15.根据权利要求13所述的方法,还包括:
响应于基于所述AI验证分析的结果确定所述关键变量与所述相关变量之间的函数关系是无效的:
由所述系统基于对所述数字孪生和所述过程数据执行的进一步AI验证分析来学习所述关键变量与所述相关变量之间的校正的函数关系,以及
由所述系统修改所述数据标签的AI字段中的一个或更多个,以用所述校正的函数关系替换所述函数关系。
16.根据权利要求13所述的方法,还包括:
由所述系统基于所述数字孪生和所述过程数据来执行所述工业资产的在与所述工业资产的当前操作条件不同的操作条件下的模拟;
响应于基于对所述模拟的结果的分析确定所述数字孪生未对所述工业资产在所述不同的操作条件下的特性在定义的准确度内进行建模,由所述系统修改所述数字孪生以使所述特性符合所述定义的准确度。
17.根据权利要求13所述的方法,还包括:
由所述系统通过将所述过程数据应用于所述数字孪生来生成计算的资产行为数据;以及
由所述系统对所述数字孪生、所述过程数据和所述计算的资产行为数据执行所述AI验证分析。
18.根据权利要求17所述的方法,其中,所述计算的资产行为数据包括以下中的至少一个:由所述工业资产制造的产品的位移、所述工业资产的部件的位移、所述产品的滞后、所述产品的速度或施加至所述产品的力。
19.一种存储有指令的非暂态计算机可读介质,所述指令响应于被执行而使包括处理器的系统执行操作,所述操作包括:
基于配置输入数据来定义按照分层元素定义工业资产的数字孪生,其中,所述数字孪生包括与在所述工业资产的装置上保持的数据项对应的数据标签,所述数据标签分别符合基本信息数据类型集合中的基本信息数据类型,并且所述基本信息数据类型集合至少包括状态数据类型、速率数据类型、里程表数据类型和事件数据类型;
对数字孪生执行AI分析;
基于所述AI分析的结果来识别指示所述工业资产的性能质量的关键变量、确定所述关键变量的值的相关变量以及所述关键变量与所述相关变量之间的函数关系;以及
将AI字段附加至所述数据标签中的与所述关键变量对应的数据标签,其中,所述AI字段标识所述相关变量以及所述关键变量与所述相关变量之间的所述函数关系。
20.根据权利要求19所述的非暂态计算机可读介质,还包括将另外的AI字段附加至所述数据标签,所述另外的AI字段标识要由分析系统相对于所述关键变量对所述数字孪生执行的AI分析的类型,其中,所述AI分析的类型是优化、最小化、聚类或建模中的至少一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310015242.7A CN116414089A (zh) | 2019-02-14 | 2020-02-14 | 用于工业数字孪生的ai扩展和智能模型验证 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/276,108 US11403541B2 (en) | 2019-02-14 | 2019-02-14 | AI extensions and intelligent model validation for an industrial digital twin |
US16/276,108 | 2019-02-14 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310015242.7A Division CN116414089A (zh) | 2019-02-14 | 2020-02-14 | 用于工业数字孪生的ai扩展和智能模型验证 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111562769A CN111562769A (zh) | 2020-08-21 |
CN111562769B true CN111562769B (zh) | 2023-02-28 |
Family
ID=69582022
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310015242.7A Pending CN116414089A (zh) | 2019-02-14 | 2020-02-14 | 用于工业数字孪生的ai扩展和智能模型验证 |
CN202010092995.4A Active CN111562769B (zh) | 2019-02-14 | 2020-02-14 | 用于工业数字孪生的ai扩展和智能模型验证 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310015242.7A Pending CN116414089A (zh) | 2019-02-14 | 2020-02-14 | 用于工业数字孪生的ai扩展和智能模型验证 |
Country Status (3)
Country | Link |
---|---|
US (2) | US11403541B2 (zh) |
EP (1) | EP3696622A1 (zh) |
CN (2) | CN116414089A (zh) |
Families Citing this family (105)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220108262A1 (en) * | 2020-10-04 | 2022-04-07 | Strong Force Iot Portfolio 2016, Llc | Industrial digital twin systems and methods with echelons of executive, advisory and operations messaging and visualization |
DE102018205872A1 (de) * | 2018-04-18 | 2019-10-24 | Robert Bosch Gmbh | Verfahren zur Erzeugung eines digitalen Zwillings eines physikalischen Objekts |
EP3847548A4 (en) * | 2018-09-10 | 2022-06-01 | AVEVA Software, LLC | EDGE HMI MODULE SERVER SYSTEM AND PROCEDURES |
US11403541B2 (en) * | 2019-02-14 | 2022-08-02 | Rockwell Automation Technologies, Inc. | AI extensions and intelligent model validation for an industrial digital twin |
EP3715984B1 (en) * | 2019-03-28 | 2024-03-20 | ABB Schweiz AG | Automatic process graphic generation |
US11086298B2 (en) | 2019-04-15 | 2021-08-10 | Rockwell Automation Technologies, Inc. | Smart gateway platform for industrial internet of things |
US10798175B1 (en) | 2019-06-28 | 2020-10-06 | CohesionIB | IoT contextually-aware digital twin with enhanced discovery |
US10951713B2 (en) | 2019-06-28 | 2021-03-16 | CohesionIB | IoT analytics edge application on IoT gateway |
US10904100B1 (en) * | 2019-07-19 | 2021-01-26 | Juniper Networks, Inc | Systems and method for replaying and debugging live states of network devices |
CN115315715A (zh) * | 2019-09-23 | 2022-11-08 | 艾利丹尼森零售信息服务有限公司 | 数字触发器和数字孪生体的系统及方法 |
US11841699B2 (en) | 2019-09-30 | 2023-12-12 | Rockwell Automation Technologies, Inc. | Artificial intelligence channel for industrial automation |
US11687642B2 (en) * | 2019-10-23 | 2023-06-27 | Blue Cromos Management AB | System and method for identifying and authenticating counterfeiting articles |
WO2021097487A1 (en) * | 2019-11-12 | 2021-05-20 | Bright Machines, Inc. | A software defined manufacturing/assembly system |
US20230009093A1 (en) * | 2019-12-13 | 2023-01-12 | Basf Se | Manufacturing system for monitoring and/or controlling one or more chemical plant(s) |
US11393175B2 (en) | 2020-02-06 | 2022-07-19 | Network Documentation & Implementation Inc. | Methods and systems for digital twin augmented reality replication of non-homogeneous elements in integrated environments |
US20220058497A1 (en) * | 2020-08-21 | 2022-02-24 | Siemens Industry, Inc. | Systems and methods for fault diagnostics in building automation systems |
CN112131782A (zh) * | 2020-08-27 | 2020-12-25 | 浙江大学 | 一种多回路智能工厂边缘侧数字孪生场景耦合装置 |
US11449028B2 (en) | 2020-09-03 | 2022-09-20 | Rockwell Automation Technologies, Inc. | Industrial automation asset and control project analysis |
CN112084385B (zh) * | 2020-09-03 | 2024-04-09 | 江西农业大学 | 一种基于数字孪生的零件-工艺-设备关联关系拓扑视图生成方法 |
US20220067229A1 (en) * | 2020-09-03 | 2022-03-03 | International Business Machines Corporation | Digital twin multi-dimensional model record using photogrammetry |
US11874200B2 (en) * | 2020-09-08 | 2024-01-16 | International Business Machines Corporation | Digital twin enabled equipment diagnostics based on acoustic modeling |
US11561517B2 (en) | 2020-09-09 | 2023-01-24 | Rockwell Automation Technologies, Inc. | Industrial development hub vault and design tools |
US11294360B2 (en) | 2020-09-09 | 2022-04-05 | Rockwell Automation Technologies, Inc. | Industrial automation project code development guidance and analysis |
US20220083926A1 (en) * | 2020-09-11 | 2022-03-17 | Rockwell Automation Technologies, Inc. | Digital engineering on an industrial development hub |
US11487918B2 (en) * | 2020-09-11 | 2022-11-01 | International Business Machines Corporation | Resultant digital replica |
CN116018567A (zh) * | 2020-09-18 | 2023-04-25 | 巴斯夫欧洲公司 | 化工生产 |
EP4214586A1 (en) * | 2020-09-18 | 2023-07-26 | Basf Se | Chemical production control |
CN112130534B (zh) * | 2020-09-18 | 2021-11-16 | 北京理工大学 | 一种构建车间数字孪生体的处理方法及控制器 |
US11415969B2 (en) * | 2020-09-21 | 2022-08-16 | Rockwell Automation Technologies, Inc. | Connectivity to an industrial information hub |
US11796983B2 (en) | 2020-09-25 | 2023-10-24 | Rockwell Automation Technologies, Inc. | Data modeling and asset management using an industrial information hub |
US11561535B2 (en) * | 2020-09-30 | 2023-01-24 | Rockwell Automation Technologies, Inc. | Systems and methods for data lifecycle management with code content optimization and servicing |
US11625821B2 (en) * | 2020-10-14 | 2023-04-11 | Baker Hughes Oilfield Operations Llc | Automated inspection-plan based detection |
CN112528569A (zh) * | 2020-10-17 | 2021-03-19 | 中国石油化工股份有限公司 | 基于数字孪生的工业加热炉温度场预测方法 |
CN112231917A (zh) * | 2020-10-20 | 2021-01-15 | 深圳市万物云科技有限公司 | 空间数字孪生建模方法、装置、计算机设备及存储介质 |
CN112381412B (zh) * | 2020-11-16 | 2023-04-07 | 北京航空航天大学 | 一种数字孪生卫星脉动式总装分布式管控系统 |
CN112528533B (zh) * | 2020-11-19 | 2022-02-25 | 中国矿业大学 | 一种千米深井提升机制动器可靠性智能评估与寿命预测方法 |
CN112491468B (zh) * | 2020-11-20 | 2022-04-01 | 福州大学 | 基于孪生节点辅助传感的fbg传感网络节点故障定位方法 |
CN112363478A (zh) * | 2020-11-20 | 2021-02-12 | 上海电气集团股份有限公司 | 基于工业互联网平台的Cloud VR数字孪生制造产线架构及其构建方法 |
EP4002033A1 (en) * | 2020-11-20 | 2022-05-25 | Siemens Industry Software NV | Generating a digital twin, method, system, computer program product |
CN112417619B (zh) * | 2020-11-23 | 2021-10-08 | 江苏大学 | 一种基于数字孪生的泵机组优化运行调节系统及方法 |
US11290343B1 (en) * | 2020-12-10 | 2022-03-29 | Hitachi, Ltd. | System and method for asset and data management |
WO2022128764A1 (en) * | 2020-12-14 | 2022-06-23 | Basf Se | Chemical production |
DE102020133618A1 (de) * | 2020-12-15 | 2022-06-15 | Endress+Hauser Process Solutions Ag | Verfahren zum Erstellen einer digitalen Repräsentation einer Anlage der Prozessautomatisierung in einer cloudbasierten Serviceplattform |
CN112859768A (zh) * | 2020-12-31 | 2021-05-28 | 合肥科博软件技术有限公司 | 生产线的三维动态状态监测方法及系统 |
CN112800106B (zh) * | 2021-01-15 | 2022-04-01 | 上海大学 | 一种基于数字孪生技术采用历史数据驱动虚拟模型仿真的方法 |
CN112859739B (zh) * | 2021-01-15 | 2022-07-01 | 天津商业大学 | 一种数字孪生驱动的多轴数控机床轮廓误差抑制方法 |
US11777808B2 (en) * | 2021-01-16 | 2023-10-03 | Jpmorgan Chase Bank, N.A. | Method and system for providing an end-to-end asset hierarchy |
US11314493B1 (en) * | 2021-02-19 | 2022-04-26 | Rockwell Automation Technologies, Inc. | Industrial automation smart object inheritance |
US11316955B1 (en) * | 2021-03-05 | 2022-04-26 | Improbable Worlds Ltd | Scalable replication of object positions in virtual simulations |
US11586186B2 (en) | 2021-03-17 | 2023-02-21 | Rockwell Automation Technologies, Inc. | System model smart object configuration |
CN115134257A (zh) * | 2021-03-26 | 2022-09-30 | 中兴通讯股份有限公司 | 网络管控方法及其系统、网络系统、存储介质 |
CN113139659A (zh) * | 2021-04-09 | 2021-07-20 | 智科云创(北京)科技有限公司 | 基于数字孪生的水利监测方法及系统 |
US11619932B2 (en) | 2021-04-13 | 2023-04-04 | Accenture Global Solutions Limited | Prediction method and system for multivariate time series data in manufacturing systems |
KR20240010457A (ko) * | 2021-04-16 | 2024-01-23 | 스트롱 포스 브이씨엔 포트폴리오 2019, 엘엘씨 | 디지털 제품 네트워크 시스템 및 생물학 기반 가치 사슬 네트워크를 위한 시스템, 방법, 키트 및 장치 |
CN113110283A (zh) * | 2021-04-29 | 2021-07-13 | 武汉纺织大学 | 一种基于数字孪生的mps系统智能控制方法及系统 |
CN115365779A (zh) * | 2021-05-18 | 2022-11-22 | 中移(上海)信息通信科技有限公司 | 燃料电池的装配方法、装配装置及装配设备 |
JP7416015B2 (ja) * | 2021-05-28 | 2024-01-17 | 横河電機株式会社 | 情報処理装置、アラーム予測方法およびアラーム予測プログラム |
CN113255220B (zh) * | 2021-05-31 | 2022-12-06 | 西安交通大学 | 一种基于数字孪生的齿轮泵维护方法 |
EP4314967A1 (en) * | 2021-05-31 | 2024-02-07 | Siemens Industry Software Inc. | Method and system for digital plant system model creation and simulation and storage medium |
CN113378011B (zh) * | 2021-06-17 | 2024-03-01 | 北京卫星环境工程研究所 | 一种复杂产品总装数字孪生体的构建方法及系统 |
CN113419857B (zh) * | 2021-06-24 | 2023-03-24 | 广东工业大学 | 一种基于边缘数字孪生关联的联邦学习方法及系统 |
CN113420448B (zh) * | 2021-06-25 | 2023-05-23 | 中国兵器装备集团自动化研究所有限公司 | 一种弹药熔铸装药成型过程的数字孪生系统及方法 |
CN113433909B (zh) * | 2021-06-28 | 2023-06-09 | 成都飞机工业(集团)有限责任公司 | 一种面向航空产业集群的制造过程管控系统架构 |
EP4113237A1 (en) * | 2021-06-30 | 2023-01-04 | ATS Automation Tooling Systems Inc. | System and method for conveyor system configuration, testing and diagnostics |
DE102021120324A1 (de) * | 2021-08-04 | 2023-02-09 | Krones Aktiengesellschaft | System und Verfahren zum automatisierten Generieren von Bewegungs- und Positionsparametern einer Pack- oder Palettiermaschine für Gebindeanordnungen |
CN113592332B (zh) * | 2021-08-06 | 2024-03-05 | 时代云英(深圳)科技有限公司 | 基于自定义配置的低代码业务系统及方法 |
US11835941B2 (en) | 2021-08-10 | 2023-12-05 | Rockwell Automation Technologies, Inc. | Industrial automation smart object parent/child data collection propagation |
US11899432B2 (en) | 2021-08-19 | 2024-02-13 | Rockwell Automation Technologies, Inc. | Industrial automation project library cross sharing |
CN113705095B (zh) * | 2021-08-27 | 2024-03-19 | 西安科技大学 | 一种循环水泵数字孪生建模方法 |
CN114063576A (zh) * | 2021-09-26 | 2022-02-18 | 苏州宏软信息技术有限公司 | 一种应用于工业生产线的数字孪生系统及方法 |
WO2023052821A1 (en) * | 2021-09-30 | 2023-04-06 | Innovation Technical Solution S.A.O.C (Innovateq) | Methods and systems for optimizing scattered databases and accessing complex data structures for end-user integrated platforms |
CN113890831B (zh) * | 2021-10-20 | 2024-02-13 | 中国联合网络通信集团有限公司 | 一种模拟网络设备的方法、装置及存储介质 |
CN113743024B (zh) * | 2021-11-03 | 2022-02-18 | 深圳市华阳国际工程设计股份有限公司 | 一种基于建筑信息模型的人工智能孪生式训练方法 |
CN113784349A (zh) * | 2021-11-09 | 2021-12-10 | 电子科技大学 | 5g边缘计算下基于深度学习的提高安全认证的方法 |
US20230153734A1 (en) * | 2021-11-12 | 2023-05-18 | Starbucks Corporation | System for configuring an environment based on modifications to simulated virtual environments |
CN114253228B (zh) * | 2021-11-22 | 2023-09-12 | 中国科学院软件研究所 | 一种基于数字孪生的工业设备对象建模方法及装置 |
CN114169108B (zh) * | 2021-12-29 | 2022-07-08 | 广东工业大学 | 一种基于数字孪生的减材加工实时仿真方法 |
US11687493B1 (en) * | 2022-02-28 | 2023-06-27 | Rockwell Automation Technologies, Inc. | Process recipe digital twin structuring |
CN114565849B (zh) * | 2022-02-28 | 2022-12-20 | 深圳前海贾维斯数据咨询有限公司 | 一种基于数字孪生的资产ai识别与定位方法和系统 |
US11853311B2 (en) | 2022-02-28 | 2023-12-26 | Rockwell Automation Technologies, Inc. | Manufacturing process data orchestration |
CN114827265B (zh) * | 2022-03-17 | 2024-01-23 | 元能星泰(天津)数字科技有限公司 | 针对数字孪生仿真算法大量瞬时信息流的降本增速方法 |
US20230297061A1 (en) * | 2022-03-18 | 2023-09-21 | Rockwell Automation Technologies, Inc. | Insight driven programming tags in an industrial automation environment |
CN114638938A (zh) * | 2022-04-11 | 2022-06-17 | 北京信义恒科技有限公司 | 光缆监测方法、装置、系统、电子设备及存储介质 |
CN114860833B (zh) * | 2022-05-30 | 2023-08-11 | 江苏顺骁工程科技有限公司 | 应用于数字孪生水利工程的数据中台和数据处理方法 |
CN115051926B (zh) * | 2022-06-22 | 2023-06-09 | 烽火通信科技股份有限公司 | 一种数字孪生装置、模型评价系统以及模型运行方法 |
CN115019907B (zh) * | 2022-06-28 | 2024-03-01 | 重庆大学 | 天然气三甘醇脱水装置数字孪生系统 |
CN115270213B (zh) * | 2022-06-30 | 2024-03-01 | 北京亚控科技发展有限公司 | 一种实体物当前状态的孪生方法、订阅方法及系统 |
CN115114268B (zh) * | 2022-06-30 | 2023-08-11 | 北京亚控科技发展有限公司 | 一种组织未来状态孪生方法、装置及设备 |
US11921572B1 (en) * | 2022-09-30 | 2024-03-05 | Dell Products L.P. | Degradation assessment for a 5-dimensional twin framework |
CN115314499B (zh) * | 2022-10-10 | 2023-01-24 | 国网浙江省电力有限公司嵊州市供电公司 | 适用于电力领域的多终端协同工作方法及系统 |
CN115423951B (zh) * | 2022-11-07 | 2023-09-26 | 南京朝鹿鸣科技有限公司 | 基于数字孪生的给排水可视化方法 |
CN115687623B (zh) * | 2022-11-11 | 2023-04-28 | 北京航空航天大学 | 一种工业数字孪生数据空间构建方法及系统 |
CN115718744B (zh) * | 2022-11-28 | 2023-07-21 | 北京中航路通科技有限公司 | 一种基于大数据的数据质量度量方法 |
CN115828463B (zh) * | 2022-12-09 | 2023-11-10 | 中国矿业大学(北京) | 基于数字孪生六维模型的掘进机位姿估计方法、系统 |
CN116382197B (zh) * | 2023-01-18 | 2023-09-15 | 北京图安世纪科技股份有限公司 | 一种基于数字孪生的智慧工厂管理平台及管理方法 |
CN116227361B (zh) * | 2023-03-06 | 2023-08-15 | 中国人民解放军32370部队 | 一种智能体决策方法及装置 |
CN116503042B (zh) * | 2023-03-15 | 2023-12-19 | 上海天方夜谭网络科技有限公司 | 适用于检维修人员培训数据处理方法及系统 |
CN116050190B (zh) * | 2023-03-31 | 2023-06-23 | 中国海洋大学 | 一种基于数字孪生的产品性能和退化状态分析方法 |
CN116577190B (zh) * | 2023-07-13 | 2023-11-28 | 南京华建检测技术有限公司 | 一种t型实验试块的智能化检测方法 |
CN116619394B (zh) * | 2023-07-26 | 2023-09-26 | 佛山智能装备技术研究院 | 工业机器人仿真方法、装置、设备及存储介质 |
CN116882708B (zh) * | 2023-09-05 | 2024-01-09 | 湘江实验室 | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 |
CN116861204B (zh) * | 2023-09-05 | 2023-12-08 | 山东山森数控技术有限公司 | 基于数字孪生的智能制造设备数据管理系统 |
CN117095135B (zh) * | 2023-10-19 | 2024-01-02 | 云南三耳科技有限公司 | 可在线编辑的工业三维场景建模布置方法、装置 |
CN117148806B (zh) * | 2023-10-30 | 2024-01-30 | 湘江实验室 | 基于数字孪生的自动装配混流生产线布局优化方法及装置 |
CN117436444B (zh) * | 2023-12-20 | 2024-04-02 | 深圳市智慧城市科技发展集团有限公司 | 基于标签的数据处理方法、设备及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491045A (zh) * | 2016-06-09 | 2017-12-19 | 罗克韦尔自动化技术公司 | 用于自动控制系统的可扩展分析架构 |
CN108983710A (zh) * | 2017-06-02 | 2018-12-11 | 欧姆龙株式会社 | 工序分析装置、工序分析方法以及存储介质 |
CN109284854A (zh) * | 2017-07-20 | 2019-01-29 | 通用电气公司 | 用于根据遇险模型预测资产维护成本的累积成本模型 |
Family Cites Families (163)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5987399A (en) | 1998-01-14 | 1999-11-16 | Arch Development Corporation | Ultrasensitive surveillance of sensors and processes |
US6338038B1 (en) * | 1998-09-02 | 2002-01-08 | International Business Machines Corp. | Variable speed audio playback in speech recognition proofreader |
US7206646B2 (en) | 1999-02-22 | 2007-04-17 | Fisher-Rosemount Systems, Inc. | Method and apparatus for performing a function in a plant using process performance monitoring with process equipment monitoring and control |
US6421571B1 (en) | 2000-02-29 | 2002-07-16 | Bently Nevada Corporation | Industrial plant asset management system: apparatus and method |
US6865509B1 (en) | 2000-03-10 | 2005-03-08 | Smiths Detection - Pasadena, Inc. | System for providing control to an industrial process using one or more multidimensional variables |
US20020029205A1 (en) | 2000-04-26 | 2002-03-07 | Alfonso Pedraza | Industry and/or other specific educatable/reasoning artificial intelligence analyzation control system(s), process(es)and/or method(s) to increase accuracy, reduce human error faults in new or existent system(s), process(es) and/or method(s) |
US7113932B2 (en) | 2001-02-07 | 2006-09-26 | Mci, Llc | Artificial intelligence trending system |
SG109956A1 (en) | 2001-06-19 | 2005-04-28 | Eutech Cybernetics Pte Ltd | Method and apparatus for automatically generating a scada system |
US9565275B2 (en) | 2012-02-09 | 2017-02-07 | Rockwell Automation Technologies, Inc. | Transformation of industrial data into useful cloud information |
DE10242784B4 (de) | 2002-09-14 | 2005-08-18 | Roche Diagnostics Gmbh | Modulares Analysesystem und Verfahren zur Bestimmung der Topologie eines modularen Analysesystems |
US9983559B2 (en) | 2002-10-22 | 2018-05-29 | Fisher-Rosemount Systems, Inc. | Updating and utilizing dynamic process simulation in an operating process environment |
US7711670B2 (en) | 2002-11-13 | 2010-05-04 | Sap Ag | Agent engine |
US20050187643A1 (en) | 2004-02-19 | 2005-08-25 | Pavilion Technologies, Inc. | Parametric universal nonlinear dynamics approximator and use |
US7644360B2 (en) * | 2003-11-07 | 2010-01-05 | Spore, Inc. | Patent claims analysis system and method |
US9104648B2 (en) * | 2004-11-08 | 2015-08-11 | Jinan Glasgow | Patent claims analysis system and method |
US20050155043A1 (en) | 2004-01-08 | 2005-07-14 | Schulz Kurt S. | Human-machine interface system and method for remotely monitoring and controlling a machine |
DE102004040976A1 (de) | 2004-08-24 | 2006-03-09 | Siemens Ag | Rechnergestützte Erzeugung und Änderungsmanagement für Bedienoberflächen |
US20060095855A1 (en) | 2004-11-03 | 2006-05-04 | Britt Clinton D | HMI reconfiguration method and system |
US8442938B2 (en) | 2005-01-14 | 2013-05-14 | Siemens Aktiengesellschaft | Child data structure update in data management system |
US7397369B2 (en) | 2005-02-08 | 2008-07-08 | Ftc - Forward Threat Control Llc | Sensor and transmission control circuit in adaptive interface package |
US8392602B2 (en) | 2005-09-30 | 2013-03-05 | Rockwell Automation Technologies, Inc. | Embedding controllers and devices with data to facilitate up-to-date control and configuration information |
US20080015968A1 (en) * | 2005-10-14 | 2008-01-17 | Leviathan Entertainment, Llc | Fee-Based Priority Queuing for Insurance Claim Processing |
US20070288256A1 (en) * | 2006-06-07 | 2007-12-13 | Speier Gary J | Patent claim reference generation |
AU2007282234B8 (en) | 2006-08-09 | 2011-11-24 | Auckland Uniservices Limited | Process control of an industrial plant |
US9712486B2 (en) | 2006-09-25 | 2017-07-18 | Weaved, Inc. | Techniques for the deployment and management of network connected devices |
US8370224B2 (en) | 2006-09-27 | 2013-02-05 | Rockwell Automation Technologies, Inc. | Graphical interface for display of assets in an asset management system |
US8812684B1 (en) | 2006-09-28 | 2014-08-19 | Rockwell Automation Technologies, Inc. | Messaging configuration system |
US8489360B2 (en) | 2006-09-29 | 2013-07-16 | Fisher-Rosemount Systems, Inc. | Multivariate monitoring and diagnostics of process variable data |
US9217998B2 (en) | 2006-09-29 | 2015-12-22 | Rockwell Automation Technologies, Inc. | Management and development of an industrial environment |
US7912560B2 (en) | 2006-09-29 | 2011-03-22 | Rockwell Automation Technologies, Inc. | Module and controller operation for industrial control systems |
US8732658B2 (en) | 2006-09-29 | 2014-05-20 | Rockwell Automation Technologies, Inc. | Layered interface in an industrial environment |
US20080114474A1 (en) | 2006-11-10 | 2008-05-15 | Rockwell Automation Technologies, Inc. | Event triggered data capture via embedded historians |
US8065307B2 (en) * | 2006-12-20 | 2011-11-22 | Microsoft Corporation | Parsing, analysis and scoring of document content |
US20080195604A1 (en) * | 2007-02-08 | 2008-08-14 | Christopher Nordby Sears | Synthesis-based approach to draft an invention disclosure using improved prior art search technique |
US20090012827A1 (en) * | 2007-07-05 | 2009-01-08 | Adam Avrunin | Methods and Systems for Analyzing Patent Applications to Identify Undervalued Stocks |
GB2453318A (en) * | 2007-09-03 | 2009-04-08 | Idan Zuta | Method and system for authoring a patent application |
US20090088883A1 (en) | 2007-09-27 | 2009-04-02 | Rockwell Automation Technologies, Inc. | Surface-based computing in an industrial automation environment |
US7899777B2 (en) | 2007-09-27 | 2011-03-01 | Rockwell Automation Technologies, Inc. | Web-based visualization mash-ups for industrial automation |
US7809534B2 (en) | 2007-09-28 | 2010-10-05 | Rockwell Automation Technologies, Inc. | Enhanced simulation models for automation |
CN102356370A (zh) | 2008-02-25 | 2012-02-15 | 因文西斯系统公司 | 用于从基于模式的中间描述来生成控制系统数据库和图形的系统和方法 |
US8185290B2 (en) | 2008-03-07 | 2012-05-22 | Caterpillar Inc. | Data acquisition system indexed by cycle segmentation |
ATE538442T1 (de) | 2008-04-24 | 2012-01-15 | Siemens Ag | Verfahren und system zur erkennung von gruppierungseigenschaften |
US9870629B2 (en) | 2008-06-20 | 2018-01-16 | New Bis Safe Luxco S.À R.L | Methods, apparatus and systems for data visualization and related applications |
EP2149825B1 (de) | 2008-07-31 | 2012-11-28 | Siemens Aktiengesellschaft | Projektnavigator zur hierarchischen Darstellung von Technologieobjekten, Verwendung eines derartigen Projektnavigators, Speichermedium und Engineering-System |
US8473854B2 (en) | 2008-08-19 | 2013-06-25 | Rockwell Automation Technologies, Inc. | Visualization profiles and templates for auto-configuration of industrial automation systems |
US9411864B2 (en) | 2008-08-26 | 2016-08-09 | Zeewise, Inc. | Systems and methods for collection and consolidation of heterogeneous remote business data using dynamic data handling |
US8126899B2 (en) | 2008-08-27 | 2012-02-28 | Cambridgesoft Corporation | Information management system |
US20100082292A1 (en) | 2008-09-30 | 2010-04-01 | Rockwell Automation Technologies, Inc. | Analytical generator of key performance indicators for pivoting on metrics for comprehensive visualizations |
US9032880B2 (en) | 2009-01-23 | 2015-05-19 | Magnemotion, Inc. | Transport system powered by short block linear synchronous motors and switching mechanism |
US8967051B2 (en) | 2009-01-23 | 2015-03-03 | Magnemotion, Inc. | Transport system powered by short block linear synchronous motors and switching mechanism |
US8616134B2 (en) | 2009-01-23 | 2013-12-31 | Magnemotion, Inc. | Transport system powered by short block linear synchronous motors |
KR100981330B1 (ko) | 2009-03-25 | 2010-09-10 | 주식회사 유디엠텍 | 입출력 모델을 자동으로 생성하기 위한 피엘씨 코드의 피엘씨 심벌 구조를 이용하여 피엘씨 코드를 테스트하기 위한 시뮬레이션 장치 및 방법 |
US8674993B1 (en) | 2009-10-14 | 2014-03-18 | John Fleming | Graph database system and method for facilitating financial and corporate relationship analysis |
US9182755B2 (en) | 2010-08-26 | 2015-11-10 | Rockwell Automation Technologies, Inc. | Automated operator interface generation in a control system |
US8831789B2 (en) | 2010-09-29 | 2014-09-09 | Rockwell Automation Technologies, Inc. | Goal-based load management |
US9679029B2 (en) | 2010-11-08 | 2017-06-13 | Globalfoundries Inc. | Optimizing storage cloud environments through adaptive statistical modeling |
US8756041B2 (en) | 2011-03-07 | 2014-06-17 | Rockwell Automation Technologies, Inc. | Industrial simulation using redirected I/O module configurations |
US8769158B2 (en) | 2011-07-08 | 2014-07-01 | Rockwell Automation Technologies, Inc. | High availability device level ring backplane |
GB201115418D0 (en) | 2011-09-06 | 2011-10-19 | Shl Group Ltd | Analytics |
US9329751B2 (en) | 2011-10-07 | 2016-05-03 | Predictive Analystics Solutions Pvt. Ltd. | Method and a system to generate a user interface for analytical models |
US9143563B2 (en) | 2011-11-11 | 2015-09-22 | Rockwell Automation Technologies, Inc. | Integrated and scalable architecture for accessing and delivering data |
US9551983B2 (en) | 2011-11-15 | 2017-01-24 | Rockwell Automation Technologies, Inc. | Activity set management in a Manufacturing Execution System |
US20140006244A1 (en) | 2011-12-19 | 2014-01-02 | Ften Inc. | Method and System for Aggregating and Managing Data from Disparate Sources in Consolidated Storage |
US9477936B2 (en) | 2012-02-09 | 2016-10-25 | Rockwell Automation Technologies, Inc. | Cloud-based operator interface for industrial automation |
US9927451B2 (en) | 2012-03-29 | 2018-03-27 | Siemens Healthcare Diagnostics Inc. | Module transport system that can be combined into an automation system |
JPWO2013186874A1 (ja) | 2012-06-13 | 2016-02-01 | 株式会社日立製作所 | 保守部品在庫計画システム、保守部品在庫計画システムサーバ、及び保守部品在庫計画システムクライアント端末 |
US9253054B2 (en) | 2012-08-09 | 2016-02-02 | Rockwell Automation Technologies, Inc. | Remote industrial monitoring and analytics using a cloud infrastructure |
US9467500B2 (en) | 2012-08-09 | 2016-10-11 | Rockwell Automation Technologies, Inc. | Remote industrial monitoring using a cloud infrastructure |
US20160179599A1 (en) | 2012-10-11 | 2016-06-23 | University Of Southern California | Data processing framework for data cleansing |
US20140121789A1 (en) | 2012-10-30 | 2014-05-01 | Rockwell Automation Technologies, Inc. | Advisable state of controlled objects in factory automation systems |
US9244452B2 (en) | 2012-11-02 | 2016-01-26 | Rockwell Automation Technologies, Inc. | Configuration and monitoring via design diagram representation |
US10360316B2 (en) | 2012-12-21 | 2019-07-23 | Rockwell Automation Technologies, Inc. | Integration of simulation of a machine for industrial automation |
US20140222522A1 (en) | 2013-02-07 | 2014-08-07 | Ibms, Llc | Intelligent management and compliance verification in distributed work flow environments |
US10678225B2 (en) | 2013-03-04 | 2020-06-09 | Fisher-Rosemount Systems, Inc. | Data analytic services for distributed industrial performance monitoring |
US10386827B2 (en) | 2013-03-04 | 2019-08-20 | Fisher-Rosemount Systems, Inc. | Distributed industrial performance monitoring and analytics platform |
US10649424B2 (en) | 2013-03-04 | 2020-05-12 | Fisher-Rosemount Systems, Inc. | Distributed industrial performance monitoring and analytics |
CN107885494B (zh) | 2013-03-15 | 2021-09-10 | 费希尔-罗斯蒙特系统公司 | 用于分析过程控制数据的方法和计算机系统 |
US9588834B1 (en) | 2013-03-28 | 2017-03-07 | Juniper Networks, Inc. | Methods and apparatus for improved fault analysis |
US9709978B2 (en) | 2013-05-09 | 2017-07-18 | Rockwell Automation Technologies, Inc. | Using cloud-based data for virtualization of an industrial automation environment with information overlays |
US9989958B2 (en) | 2013-05-09 | 2018-06-05 | Rockwell Automation Technologies, Inc. | Using cloud-based data for virtualization of an industrial automation environment |
US9703902B2 (en) | 2013-05-09 | 2017-07-11 | Rockwell Automation Technologies, Inc. | Using cloud-based data for industrial simulation |
US10026049B2 (en) | 2013-05-09 | 2018-07-17 | Rockwell Automation Technologies, Inc. | Risk assessment for industrial systems using big data |
US9786197B2 (en) | 2013-05-09 | 2017-10-10 | Rockwell Automation Technologies, Inc. | Using cloud-based data to facilitate enhancing performance in connection with an industrial automation system |
US9438648B2 (en) | 2013-05-09 | 2016-09-06 | Rockwell Automation Technologies, Inc. | Industrial data analytics in a cloud platform |
US10375047B2 (en) | 2013-09-30 | 2019-08-06 | Schneider Electric Industries Sas | Cloud-authenticated site resource management devices, apparatuses, methods and systems |
US9645979B2 (en) | 2013-09-30 | 2017-05-09 | Rakuten, Inc. | Device, method and program for generating accurate corpus data for presentation target for searching |
US20150120009A1 (en) | 2013-10-31 | 2015-04-30 | Rockwell Automation Technologies, Inc. | Independent Operation of Control Hardware and a Monitoring System in an Automation Controller |
US10348581B2 (en) | 2013-11-08 | 2019-07-09 | Rockwell Automation Technologies, Inc. | Industrial monitoring using cloud computing |
US11028449B2 (en) | 2013-12-31 | 2021-06-08 | Biota Technology, Inc. | Microbiome based systems, apparatus and methods for monitoring and controlling industrial processes and systems |
US9379951B2 (en) | 2014-01-10 | 2016-06-28 | Instep Software, Llc | Method and apparatus for detection of anomalies in integrated parameter systems |
US9843617B2 (en) | 2014-03-26 | 2017-12-12 | Rockwell Automation Technologies, Inc. | Cloud manifest configuration management system |
US10095202B2 (en) | 2014-03-26 | 2018-10-09 | Rockwell Automation Technologies, Inc. | Multiple controllers configuration management interface for system connectivity |
US9838476B2 (en) | 2014-03-26 | 2017-12-05 | Rockwell Automation Technologies, Inc. | On-premise data collection and ingestion using industrial cloud agents |
US9614963B2 (en) | 2014-03-26 | 2017-04-04 | Rockwell Automation Technologies, Inc. | Cloud-based global alarm annunciation system for industrial systems |
US9866635B2 (en) | 2014-03-26 | 2018-01-09 | Rockwell Automation Technologies, Inc. | Unified data ingestion adapter for migration of industrial data to a cloud platform |
US9886012B2 (en) | 2014-03-26 | 2018-02-06 | Rockwell Automation Technologies, Inc. | Component factory for human-machine interface migration to a cloud platform |
US20150316904A1 (en) | 2014-05-01 | 2015-11-05 | Rockwell Automation Technologies, Inc. | Systems and methods for adjusting operations of an industrial automation system based on multiple data sources |
US9958860B2 (en) | 2014-05-01 | 2018-05-01 | Rockwell Automation Technologies, Inc. | Systems and methods for broadcasting data and data tags associated with an industrial automation system |
US20150365492A1 (en) | 2014-06-13 | 2015-12-17 | Rockwell Automation Technologies, Inc. | Systems and methods for adapting a user interface based on a profile |
US20160094491A1 (en) | 2014-09-30 | 2016-03-31 | Genesys Telecommunications Laboratories, Inc. | Pattern-controlled automated messaging system |
WO2016054605A2 (en) | 2014-10-02 | 2016-04-07 | Reylabs Inc. | Systems and methods involving diagnostic monitoring, aggregation, classification, analysis and visual insights |
EP3201702B1 (en) | 2014-10-02 | 2023-06-07 | Siemens Aktiengesellschaft | Programming automation in a 3d graphical editor with tightly coupled logic and physical simulation |
US9760635B2 (en) | 2014-11-07 | 2017-09-12 | Rockwell Automation Technologies, Inc. | Dynamic search engine for an industrial environment |
US20160132538A1 (en) | 2014-11-07 | 2016-05-12 | Rockwell Automation Technologies, Inc. | Crawler for discovering control system data in an industrial automation environment |
US20170017903A1 (en) | 2015-02-11 | 2017-01-19 | Skytree, Inc. | User Interface for a Unified Data Science Platform Including Management of Models, Experiments, Data Sets, Projects, Actions, Reports and Features |
US10496061B2 (en) | 2015-03-16 | 2019-12-03 | Rockwell Automation Technologies, Inc. | Modeling of an industrial automation environment in the cloud |
US11243505B2 (en) | 2015-03-16 | 2022-02-08 | Rockwell Automation Technologies, Inc. | Cloud-based analytics for industrial automation |
US20160299999A1 (en) | 2015-04-09 | 2016-10-13 | General Electric Company | Systems and methods for power plant model optimization |
US10459832B2 (en) | 2015-05-20 | 2019-10-29 | International Business Machines Corporation | How to track operator behavior via metadata |
US10809692B2 (en) | 2015-06-24 | 2020-10-20 | Siemens Aktiengesellschaft | Control contextualization and reasoning about control |
US9923993B2 (en) | 2015-11-02 | 2018-03-20 | Rockwell Automation Technologies, Inc. | Self-describing diagnostic data for presentation on mobile devices |
US10156841B2 (en) | 2015-12-31 | 2018-12-18 | General Electric Company | Identity management and device enrollment in a cloud service |
US10503483B2 (en) | 2016-02-12 | 2019-12-10 | Fisher-Rosemount Systems, Inc. | Rule builder in a process control network |
US10175682B2 (en) | 2016-03-10 | 2019-01-08 | Honeywell International Inc. | Automation control system point configuration from controller program files |
CN105893509B (zh) | 2016-03-30 | 2019-04-26 | 电子科技大学 | 一种大数据分析模型的标记与解释系统及方法 |
DE102016107560A1 (de) | 2016-04-22 | 2017-10-26 | Festo Ag & Co. Kg | Lebenszyklus-Managementsystem für Anlagenkomponenten |
US10318903B2 (en) * | 2016-05-06 | 2019-06-11 | General Electric Company | Constrained cash computing system to optimally schedule aircraft repair capacity with closed loop dynamic physical state and asset utilization attainment control |
US10417614B2 (en) * | 2016-05-06 | 2019-09-17 | General Electric Company | Controlling aircraft operations and aircraft engine components assignment |
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
US20180284758A1 (en) | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for industrial internet of things data collection for equipment analysis in an upstream oil and gas environment |
JP7454160B2 (ja) | 2016-05-09 | 2024-03-22 | ストロング フォース アイオーティ ポートフォリオ 2016,エルエルシー | 産業用のモノのインターネットのための方法およびシステム |
US10387392B2 (en) | 2016-05-17 | 2019-08-20 | Rockwell Automation Technologies, Inc. | Method to automate historian configuration using controller based tag meta attribute |
US20170343996A1 (en) | 2016-05-24 | 2017-11-30 | Rockwell Automation Technologies, Inc. | Industrial automation asset modeling and synchronization |
US10795337B2 (en) | 2016-06-01 | 2020-10-06 | Incucomm, Inc. | Predictive and prescriptive analytics for systems under variable operations |
US20170351226A1 (en) | 2016-06-01 | 2017-12-07 | Rockwell Automation Technologies, Inc. | Industrial machine diagnosis and maintenance using a cloud platform |
US20180039249A1 (en) * | 2016-08-02 | 2018-02-08 | General Electric Company | Automated dynamical control of operations and design of physical systems through time |
JP2019530061A (ja) | 2016-08-10 | 2019-10-17 | ジーボ インコーポレーテッドXevo Inc. | 推測注意モデルを用いて収集され格納されたメタデータを通して情報を提供する方法及び装置 |
US10404569B2 (en) | 2016-08-22 | 2019-09-03 | General Electric Company | Internet of things associate |
EP3475887B1 (en) | 2016-08-22 | 2023-07-19 | Oracle International Corporation | System and method for dynamic lineage tracking, reconstruction, and lifecycle management |
US10643875B2 (en) | 2016-09-09 | 2020-05-05 | The Procter & Gamble Company | System and method for simultaneously filling containers with different fluent compositions |
CN109661623A (zh) | 2016-09-09 | 2019-04-19 | 宝洁公司 | 用于在单条生产线上同时生产不同产品的方法 |
US10558201B2 (en) | 2016-09-09 | 2020-02-11 | The Procter & Gamble Company | System and method for producing products based upon demand |
US10740298B2 (en) | 2016-10-12 | 2020-08-11 | Microsoft Technology Licensing, Llc | File synchronization with reduced conflicts in computing systems |
US20180137424A1 (en) * | 2016-11-17 | 2018-05-17 | General Electric Company | Methods and systems for identifying gaps in predictive model ontology |
US10877470B2 (en) | 2017-01-26 | 2020-12-29 | Honeywell International Inc. | Integrated digital twin for an industrial facility |
US10878020B2 (en) | 2017-01-27 | 2020-12-29 | Hootsuite Media Inc. | Automated extraction tools and their use in social content tagging systems |
WO2018144897A1 (en) | 2017-02-02 | 2018-08-09 | The Strategy Collective Dba Blkbox | Method, apparatus, and system for data analytics model selection for real-time data visualization |
CN110312974B (zh) | 2017-02-20 | 2023-08-22 | 西门子股份公司 | 用于过程工业的模拟中的编程 |
IL269606B2 (en) | 2017-03-27 | 2024-01-01 | Siemens Ag | A system for the synthesis of automatic general design using data from design tools and knowledge from a digital twin graph |
US10552294B2 (en) | 2017-03-31 | 2020-02-04 | Commvault Systems, Inc. | Management of internet of things devices |
US10528700B2 (en) * | 2017-04-17 | 2020-01-07 | Rockwell Automation Technologies, Inc. | Industrial automation information contextualization method and system |
EP3404593A1 (en) | 2017-05-15 | 2018-11-21 | Tata Consultancy Services Limited | Method and system for data based optimization of performance indicators in process and manufacturing industries |
US11169507B2 (en) | 2017-06-08 | 2021-11-09 | Rockwell Automation Technologies, Inc. | Scalable industrial analytics platform |
US20180357922A1 (en) | 2017-06-08 | 2018-12-13 | Honeywell International Inc. | Apparatus and method for assessing and tracking user competency in augmented/virtual reality-based training in industrial automation systems and other systems |
US11165372B2 (en) | 2017-09-13 | 2021-11-02 | Rockwell Automation Technologies, Inc. | Method and apparatus to characterize loads in a linear synchronous motor system |
EP3457240A1 (en) | 2017-09-19 | 2019-03-20 | Siemens Aktiengesellschaft | Method and system for automatically generating interactive wiring diagram in an industrial automation environment |
US10442637B2 (en) | 2017-09-21 | 2019-10-15 | Magnemotion, Inc. | Linear drive system having central, distributed and group control |
US11741114B2 (en) | 2017-12-19 | 2023-08-29 | ExxonMobil Technology and Engineering Company | Data analysis platform |
US20190295011A1 (en) | 2018-03-20 | 2019-09-26 | Xingjian Duan | Distributed computer framework for data analysis, risk management, and automated compliance |
US20210248514A1 (en) * | 2018-05-06 | 2021-08-12 | Strong Force TX Portfolio 2018, LLC | Artificial intelligence selection and configuration |
US20210342836A1 (en) * | 2018-05-06 | 2021-11-04 | Strong Force TX Portfolio 2018, LLC | Systems and methods for controlling rights related to digital knowledge |
US10432117B1 (en) | 2018-06-22 | 2019-10-01 | Rockwell Automation Technologies, Inc. | System and method for monitoring mover status in an independent cart system |
US10635945B2 (en) | 2018-06-28 | 2020-04-28 | Schneider Electric Systems Usa, Inc. | Machine learning analysis of piping and instrumentation diagrams |
US11144042B2 (en) * | 2018-07-09 | 2021-10-12 | Rockwell Automation Technologies, Inc. | Industrial automation information contextualization method and system |
CN109410650B (zh) | 2018-10-10 | 2020-05-19 | 中国电子科技集团公司第二十八研究所 | 面向全系统信息管理的基于情景与语义的信息聚合方法 |
US11403541B2 (en) * | 2019-02-14 | 2022-08-02 | Rockwell Automation Technologies, Inc. | AI extensions and intelligent model validation for an industrial digital twin |
CN109918632B (zh) | 2019-02-26 | 2022-12-06 | 维正科技服务有限公司 | 基于场景模板的文献撰写辅助方法 |
US11086298B2 (en) | 2019-04-15 | 2021-08-10 | Rockwell Automation Technologies, Inc. | Smart gateway platform for industrial internet of things |
CN110058846B (zh) | 2019-04-19 | 2023-05-05 | 南方电网数字平台科技(广东)有限公司 | 一种业务应用软件开发系统和方法 |
US20210133650A1 (en) * | 2019-11-05 | 2021-05-06 | Strong Force Vcn Portfolio 2019, Llc | Control tower and enterprise management platform with unified set of robotic process automation systems for coordinated automation among value chain applications |
US11249462B2 (en) | 2020-01-06 | 2022-02-15 | Rockwell Automation Technologies, Inc. | Industrial data services platform |
US20210397171A1 (en) | 2020-06-22 | 2021-12-23 | Rockwell Automation Technologies, Inc. | Industrial automation hmi program file generation from computer-aided design |
US20220027529A1 (en) * | 2020-07-21 | 2022-01-27 | Rockwell Automation Technologies, Inc. | Controls system based digital twin for supervisory control of independent cart technology tracks and lines |
-
2019
- 2019-02-14 US US16/276,108 patent/US11403541B2/en active Active
-
2020
- 2020-02-13 EP EP20157116.3A patent/EP3696622A1/en active Pending
- 2020-02-14 CN CN202310015242.7A patent/CN116414089A/zh active Pending
- 2020-02-14 CN CN202010092995.4A patent/CN111562769B/zh active Active
-
2022
- 2022-05-16 US US17/744,980 patent/US11900277B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107491045A (zh) * | 2016-06-09 | 2017-12-19 | 罗克韦尔自动化技术公司 | 用于自动控制系统的可扩展分析架构 |
CN108983710A (zh) * | 2017-06-02 | 2018-12-11 | 欧姆龙株式会社 | 工序分析装置、工序分析方法以及存储介质 |
CN109284854A (zh) * | 2017-07-20 | 2019-01-29 | 通用电气公司 | 用于根据遇险模型预测资产维护成本的累积成本模型 |
Also Published As
Publication number | Publication date |
---|---|
US11403541B2 (en) | 2022-08-02 |
EP3696622A1 (en) | 2020-08-19 |
US20220277212A1 (en) | 2022-09-01 |
CN111562769A (zh) | 2020-08-21 |
CN116414089A (zh) | 2023-07-11 |
US11900277B2 (en) | 2024-02-13 |
US20200265329A1 (en) | 2020-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111562769B (zh) | 用于工业数字孪生的ai扩展和智能模型验证 | |
US20210397174A1 (en) | Industrial automation information contextualization method and system | |
EP3944034A1 (en) | Model-based design of linear synchronous motor transport systems | |
US11783725B2 (en) | Snapshot management architecture for process control operator training system lifecycle | |
EP3037901B1 (en) | Cloud-based emulation and modeling for automation systems | |
EP3929685A1 (en) | Industrial automation hmi program file generation from computer-aided design | |
EP2924562B1 (en) | Multiple controllers configuration management interface for system connectivity | |
CN112579653B (zh) | 工业数据的逐步情境化和分析 | |
CN113820993B (zh) | 生成工业控制编程的方法、系统和非暂态计算机可读介质 | |
CN108491626B (zh) | 进行工业自动化系统的模拟的系统、方法和存储介质 | |
CN112581303A (zh) | 用于工业自动化的人工智能通道 | |
CN112580813B (zh) | 工业数据在装置级处的情境化 | |
EP3951677A1 (en) | Industrial automation control program utilization in analytics model engine | |
US20220308737A1 (en) | Defining an action on an external application based on a machine learning model prediction from within a data pipeline | |
US11762375B2 (en) | Connectivity to an industrial information hub | |
EP4332705A1 (en) | Industrial automation system topology with point to point representation paths | |
EP4325795A1 (en) | Background discovery agent orchestration | |
EP4287573A1 (en) | Industrial automation edge as a service | |
Leppälä | Manufacturing Execution System Interface for Process Industry Control Systems Implemented With Edge Computing | |
CN117113466A (zh) | 一种基于产品全生命周期的数字孪生建造系统工程方法 | |
CN116719253A (zh) | 边缘设备特征工程应用 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |