CN111835628A - 智能网关平台、方法和非暂态计算机可读介质 - Google Patents

Abstract

本发明涉及智能网关平台、方法和非暂态计算机可读介质。智能网关平台利用预定义的行业专业知识来识别被认为与期望的业务目标相关的可用工业数据的有限子集，并且收集该相关数据并且对该相关数据建模以对随后应用于数据的人工智能或机器学习分析施加有用的约束。该方法可以减小应用AI分析的数据空间，并且辅助数据分析系统更快速地得出有价值的见解和业务结果。在一些实施方式中，智能网关平台可以在多级工业分析系统的上下文中运行，将预先建模的数据馈送到在工业企业的一个或更多个不同级上执行的一个或更多个AI或机器学习系统。

Description

智能网关平台、方法和非暂态计算机可读介质

技术领域

本文中公开的主题一般地涉及工业自动化系统，并且涉及例如应用分析以从工业数据中提取业务值。

背景技术

工业控制器、其相关I/O设备、电机驱动器和其他这样的工业设备对现代自动化系统的操作及其重要。工业控制器与车间的现场设备进行交互，以控制与诸如产品制造、材料处理、批处理、监督控制和其他这样的应用的目的相关的自动化处理。工业控制器存储和执行用户定义的控制程序，以实现与受控处理相关的决策。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。

发明内容

下文中给出了简要的概述，以提供对本文中所描述的一些方面的基本理解。该概述既不是广泛的综述也不旨在确定关键的/决定性的要素或旨在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给出一些构思，以作为后面要给出的更详细的描述的序言。

在一个或更多个实施方式中，提供了一种智能网关平台，包括：存储器，其存储与相应的工业业务目标相关联的模型模板和可执行组件；处理器，其操作上耦接至存储器，处理器执行可执行组件，可执行组件包括：用户接口组件，其被配置成接收选择数据，该选择数据选择模型模板中的与业务目标中的业务目标相关联的模型模板，其中，模型模板定义与业务目标相关的数据输入以及数据输入之间的关系，并且其中，用户接口组件还被配置成接收映射数据，该映射数据定义数据输入与工业设备的数据标签之间的数据映射；模型配置组件，其被配置成根据映射数据来定制模型模板以产生定制模型；设备接口组件，其被配置成从由定制模型定义的数据标签收集数据值；数据建模组件，其被配置成基于由模型模板定义的数据输入之间的关系来对数据值进行规范化并且将建模元数据添加到数据值，以产生结构化数据；以及分析接口组件，其被配置成将结构化数据发送到人工智能分析系统。

此外，一个或更多个实施方式提供了一种方法，包括：由包括处理器的智能网关平台接收选择数据，选择数据从与相应的业务目标相关联的一组存储的模型模板中识别模型模板，其中，模型模板定义与同模型模板相关联的业务目标相关的数据输入以及数据输入之间的关系；由智能网关平台接收映射数据，映射数据定义数据输入与工业设备的数据标签之间的数据映射；由智能网关平台基于映射数据来定制模型模板以产生定制模型；由智能网关平台从由定制模型定义的数据标签收集数据项；由智能网关平台对数据项进行规范化；由智能网关平台基于由模型模板定义的数据输入之间的关系将元数据添加到数据项以产生结构化数据；以及由智能网关平台将结构化数据发送到人工智能分析系统。

此外，根据一个或更多个实施方式，提供了一种非暂态计算机可读介质，该非暂态计算机可读介质上存储有指令，指令响应于执行使系统执行操作，操作包括：接收选择输入，该选择输入从一组存储的模型模板中指定模型模板，其中，一组存储的模型模板与相应的工业业务目标相关联，并且模型模板定义与同模型模板相关联的业务目标相关的数据输入以及数据输入之间的关系；接收映射输入，映射输入定义数据输入与工业设备的数据标签之间的数据映射；基于映射输入来定制模型模板以产生定制模型；从由定制模型定义的数据标签收集数据值；对数据项进行规范化；基于由模型模板定义的数据输入之间的关系将建模元数据附加到数据值以产生结构化数据；以及将结构化数据发送到人工智能分析系统。

为了实现上述及相关目的，在本文中结合以下描述和附图对某些示意性方面进行了描述。这些方面指示可以实践的各种方式，所有这些方式旨在被涵盖在本文中。根据下面结合附图考虑时的具体实施方式，其他优点和新型特征可以变得明显。

附图说明

图1是示例工业控制环境的框图。

图2是示出通常的大数据分析方法的流程图。

图3是示出下述分析方法的流程图：最初识别业务值，并且基于该业务值来选择用于流送的数据。

图4是示例智能网关平台的框图。

图5是示出被设计成对工业数据建模以供后续AI分析的模型模板的选择和配置的图。

图6是示出用于将模型模板存储在智能网关平台的库中的示例模型分类模式的图。

图7是示出由智能网关平台进行的工业数据的收集和结构化的图。

图8是可以由一些工业设备支持的四种示例智能数据类型的图示。

图9是描绘已由数据建模组件扩充成包括定义各种AI属性的AI字段的智能数据项的示例数据模式。

图10是用于工业泵的示例资产类型层级。

图11是示出下述示例架构的图：智能网关平台从工业资产收集数据、对数据进行情境化和构造，并且将得到的结构化和情境化数据提供给AI分析系统。

图12是示出下述示例架构的图：智能网关平台向工业企业的各个级别的分析系统提供结构化和情境化的数据。

图13是示例可缩放工业分析架构的图。

图14是下述示例工业架构的图：智能网关平台将来自遍及工业企业的不同数据源的结构化和情境化数据馈送到在云平台上执行的基于云的分析系统。

图15是用于结构化工业数据并且对结构化数据执行数据分析以产生相对于期望的业务目标的可执行见解的示例方法的流程图。

图16是示例计算环境。

图17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件。在以下描述中，出于说明的目的，阐述了许多特定细节以提供对主题公开内容的彻底理解。然而，可能会明显的是，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，公知的结构和设备以框图的形式示出以利于对主题公开内容的描述。

在本申请中使用的术语“组件”、“系统”、“平台”、“层”、“控制器”、“终端”、“站”、“节点”、“接口”意在指代计算机相关实体或者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、软件或者执行中的软件。例如，组件可以是但不限于：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(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、和/或计算机。通过例示，服务器上运行的应用以及服务器二者均可以为组件。一个或更多个组件可以驻留在进程和/或执行的线程内，并且组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，本文所描述的组件可以从存储有各种数据结构的各种计算机可读存储介质来执行。组件可以例如根据具有一个或更多个数据分组的信号经由本地和/或远程处理进行通信(例如，来自一个组件的数据经由信号与本地系统、分布式系统中的另一组件交互和/或跨网络例如因特网与其他系统交互)。作为另一示例，组件可以是具有由下述电气或电子电路操作的机械组件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，组件可以是通过电子组件而不是机械组件提供特定功能的设备，该电子组件可以包括处理器以执行至少部分提供电子组件的功能的软件或固件。作为又一示例，(一个或更多个)接口可以包括输入/输出(I/O)组件及其相关联的处理器、应用程序或应用程序接口(API)组件。虽然前述示例涉及组件的多个方面，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“推断(infer和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/或用户的状态的处理。例如，可以采用推断来识别特定背景或动作，或者可以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。推断还可以指用于根据一组事件和/或数据构成较高级别的事件所采用的技术。这样的推断导致从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，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。

此外，术语“或”意指包括性的“或”，而非排他性的“或”。也就是说，除非另外指明或者在上下文中明确，否则短语“X采用A或B”旨在表示任何自然的包括性排列。亦即，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、或者X采用A和B两者。另外，除非另有指定或者根据上下文清楚地指示单数形式，否则在本申请和所附权利要求书中使用的“一”和“一个”(不定冠词“a”和“an”)通常应当被解释为意指“一个或更多个”。

此外，文中使用的术语“集合”排除空集，例如其中，没有元素的集合。因此，在本公开内容中的“集合”包括一个或更多个要素或实体。作为说明，一组控制器包括一个或更多个控制器；一组数据资源包括一个或更多个数据资源，以此类推；同样，本文所用的术语“组”是指一个或更多个实体的集合；例如，一组节点是指一个或更多个节点。

将从可以包括许多设备、组件、模块等的系统的方面来呈现各个方面或特征。要理解和领会的是，各个系统可以包括附加的设备、组件、模块等，以及/或者各个系统可能并非包括结合附图所讨论的全部设备、组件、模块等。还可以使用这些手段的组合。

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，以监测和控制与产品制造、加工、运动控制、批处理、材料处理或其他这样的工业功能相关的相应工业系统或处理。工业控制器118通常执行相应的控制程序以利于对组成受控工业资产或系统(例如，工业机器)的工业设备120进行监测和控制。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者在云平台上执行的软件控制器。一些混合设备还可以将控制器功能与其他功能(例如，可视化)进行组合。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设备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代码，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。

工业设备120可以包括输入设备和输出设备，其中，该输入设备向工业控制器118提供与受控工业系统相关的数据，该输出设备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。示例输入设备可以包括遥测设备(例如，温度传感器、流量计、物位传感器、压力传感器等)、手动操作者控制设备(例如按钮、选择器开关等)、安全监测设备(例如，安全垫、安全拉绳、光幕等)以及其他这样的设备。输出设备可以包括电机驱动器、气动致动器、信号设备、机器人控制输入端、阀等。诸如工业设备120M的一些工业设备可以在工厂网络116上自主地运行，而不受工业控制器118的控制。

工业控制器118可以通过硬连线连接或网络连接与工业设备120在通信上连接。例如，工业控制器118可以配备有本地硬连线输入端和输出端，其与工业设备120进行通信，以实现对设备的控制。本地控制器I/O可以包括：向现场设备发送离散电压信号以及从现场设备接收离散电压信号的数字I/O，或者向设备发送模拟电压或电流信号以及从设备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被读入并且受控制程序控制。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工厂网络116与工业设备120通信。示例网络可以包括因特网、内联网、以太网、设备网、控制网、数据高速公路和数据高速公路加(DH/DH+)、远程I/O、现场总线、Modbus、过程现场总线、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续数据值，所述持续数据值包括但不限于：表示受控机器或处理的运行状态(例如，灌液位、位置、警告等)的测量或计算的值；或者自动化系统的运行期间收集的捕获的时间序列数据(例如，多个时间点的状态信息、诊断事件等)。类似地，一些智能设备——包括但不限于电机驱动器、仪器或状态监测模块——可以存储用于控制运行状态和/或使运行状态可视化的数据值。这样的设备还可以在日志上捕获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，以及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，以利于在一个或更多个预开发的操作者接口画面上使与受控工业处理相关的信息可视化。HMI 114还可以被配置成允许操作者将数据提交到工业控制器118的指定数据标签或存储器地址，从而提供操作者向受控系统发出用于修改设定点值等的命令(例如，循环启动命令、设备致动命令等)的手段。HMI114可以生成一个或更多个显示画面，操作者通过该显示画面与工业控制器118交互，从而与受控处理和/或系统交互。示例显示画面可以通过以下操作来使工业系统或其相关联的设备的当前状态可视化：使用显示计量或计算的值的处理的图形表示；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画面中的一个或更多个上。HMI可以包括固定位置设备或移动设备，其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。

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设备。这些可以包括例如一个或更多个数据历史系统110，所述数据历史系统110聚合和存储从工业控制器118和其他工业设备收集的生产信息。

工业设备120、工业控制器118、HMI 114、相关联的受控工业资产、以及其他车间系统(例如数据历史系统110、视觉系统以及其他这样的系统)在工业环境的操作技术(OT)级上运行。在信息技术(IT)领域中，更高级别的分析和报告系统可以在工业环境的更高企业级别处(例如在办公室网络108上或在云平台122上)运行。这种更高级系统可以包括例如企业资源计划(ERP)系统104，该ERP系统104集成并共同管理高级业务运营，例如财务、销售、订单管理、营销、人力资源或其他这种业务功能。给定更高级别的业务考虑，制造执行系统(MES)102可以监测和管理控制级别上的控制操作。报告系统106可以从车间的工业设备收集运行数据，并且生成总结受控工业资产的运行统计的日常报告或轮班报告。

给定的工业企业可以包括许多这些工业资产，这些工业资产在工厂运行期间生成大量信息。随着大数据存储和分析方法的出现，将数据从这些不同的工业数据源连续地流送到大数据存储装置(例如，数据湖)并且将这些大且不同的数据集转换成对受控工业处理和机器的可执行见解成为可能。人工智能(AI)和机器学习对于从工业大数据中提取见解具有巨大前景。这些分析方法可以发现数据的模式，可以利用这些模式来预测机器故障并且识别工业数据之间的其他有用的相关性。随着工厂设备的老化，数据之间的新的相关性的发现可以提供有价值的新的见解。例如，应用于工业大数据的AI分析可以发现泵的轴承的磨损可能改变泵的振动。从这种大数据分析中收集的见解可以导致提高的生产率、优化的生产和新的业务值。

图2是示出通常的大数据分析方法的流程图。根据该方法，来自多个工业数据源202的数据被流送到大数据存储装置(例如，数据湖或数据库)。将高级分析——例如AI、机器学习、统计分析或其他数据科学方法——应用于这些大且不同的数据集，直到发现有用的相关性和可执行见解。这些可执行见解可以是下述形式：业务结果、用于使机器停机时间最小化或者预测机器停机时间事件的推荐、用于使能量使用最小化的推荐、用于使产品吞吐量最大化的推荐或者其他这样的业务目标。大数据分析可以通过发现机器、设备、车间事件、传感器输入以及由聚合的大数据集表示的其他可测量因素之间的相关性来产生对这些期望的业务结果的见解。

尽管可以使用来自工业数据源的数据流来积聚可以应用分析(例如AI、机器学习、数据科学等)的非常大的数据集，但是从这些大数据集得出值的时间以及与存储和处理工业大数据相关联的成本可能是相当大的。这是因为由工业设备和其他工业数据源生成的数据通常是非结构化的并且最初是不相关的。因此，智能分析必须花费相当大量的处理时间来学习这些非结构化工业数据集之间的相关性和因果关系。考虑到工业企业产生的大量数据，这种方法还需要相当大的数据存储容量。例如，油气公司可能仅从压缩机产生大量数据，在一些情况下，每天可以产生500千兆字节的数据，在一年内产生超过一千兆兆字节的数据量。因此，尽管图2中所示的方法可以导致从习得的大数据集之间的相关性发现新的见解，但是该方法也可能相对于存储和处理的大量数据产生相对较少的见解。

而且，尽管图2中所示的分析方法可以识别数据集之间的有效和有用的相关性，但是大数据分析系统还可以识别数据集之间的虚假的、误导的或无用的相关性。因此，最终需要人类来确定由分析系统习得的相关性是否有效以及为什么存在这种关系。通过将AI分析产生的结果提交给工业专家以供审阅或验证，在分析处理的后端处将该人类专业知识应用于分析结果可能导致相当大量的分析处理和数据存储浪费在产生虚假结果上。

为了解决这些和其他问题，本文描述的一个或更多个实施方式提供了智能网关平台，该智能网关平台利用行业专业知识来识别被视为与期望的业务目标相关的可用工业数据的有限子集。该方法可以减少应用AI分析的数据空间，并且以数据之间的预定义相关性和因果关系的形式提供对AI分析的有用约束，这辅助数据分析系统更快速地得出有价值的见解和业务结果。在一些实施方式中，智能网关平台可以在多级工业分析系统的上下文中操作，将预先建模的数据馈送到在工业企业的一个或更多个不同级别上执行的一个或更多个分析系统(例如AI、机器学习或统计分析系统)。

工业处理例如泵送、包装、分类、填充、蒸馏和酿造遵循在一定程度上可以由系统设计者和操作者预测和理解的行为模式。具有工业机器和处理的特定集合的知识的人被称为领域专家。本文描述的工业分析系统的一个或更多个实施方式利用该领域专业知识，根据分析所期望的业务输出来对所选的工业数据集进行聚合和建模，然后将该建模的工业数据馈送到更高级的分析系统以用于存储和AI分析。图3是示出这种一般分析方法的流程图。不是如图2中所描绘的方法那样收集、存储和分析从工业企业可获得的所有原始数据(或者该可获得数据的不必要的大集合)，该方法开始于识别期望的业务值或结果——例如，使某种类型的工业机器的停机时间最小化、使产品输出最大化、优化能量效率、提高产品质量、减少排放等——并且利用领域专家对工业系统中的因果关系的知识来选择与期望的业务结果相关的数据集，并且以驱动期望的业务结果的方式将数据情境化和建模。然后，系统对建模的数据进行匹配并且应用适当的分析和数据处理解决方案。相对于(如在常规大数据分析方法中那样)在大量不相关的和非结构化的工业数据中进行筛选，该方法可以显著地减少工业数据分析的价值生成时间(time-to-value)。由于编码领域专业知识指定了已知与期望的业务目标相关的可用工厂数据的子集，因此系统可以参考该专业知识来仅选择和流送已知与要解决的问题或业务目标相关的数据项，从而减少了工业数据分析所需的数据存储量。

根据图3中描绘的方法，工业机器学习和AI的应用的起点是识别要解决的业务问题。然后，基于定义的领域专业知识，从一个或更多个工业数据源中选择相关智能数据或原始数据，以匹配期望的业务结果，并且将智能数据情境化并建模。在一些实施方式中，可以根据面向对象的模型来对数据建模。在可缩放的分析环境的情况下，分析可以应用于与业务结果最相关的工业企业的级别上的情境化和建模的智能数据。例如，与工业机器的实时操作相关的分析和动作可以在边缘设备上实现并且在机器级上起作用，而不涉及更高级的系统来确定必要的控制动作。

图4是根据本公开的一个或更多个实施方式的示例智能网关平台402的框图。在本公开内容中说明的系统、设备或处理的各方面可以构成在(一个或更多个)机器内实施的(例如在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中实施的)机器可执行组件。这些组件当由一个或更多个机器(例如(一个或更多个)计算机、(一个或更多个)计算设备、(一个或更多个)自动化设备、(一个或更多个)虚拟机等)执行时可以使(一个或更多个)机器执行描述的操作。

智能网关平台402可以包括设备接口组件404、模型配置组件406、数据建模组件408、网关分析组件410、分析接口组件412、用户接口组件414、一个或更多个处理器416和存储器418。在各种实施方式中，设备接口组件404、模型配置组件406、数据建模组件408、网关分析组件410、分析接口组件412、用户接口组件414、一个或更多个处理器416和存储器418中的一个或更多个可以彼此电耦接和/或通信耦接，以执行智能网关平台402的功能中的一个或更多个。在一些实施方式中，组件404、406、408、410、412和414可以包括存储在存储器418上并且由(一个或更多个)处理器416执行的软件指令。智能网关平台402还可以与图4中未示出的其他硬件和/或软件组件交互。例如，(一个或更多个)处理器416可以与一个或更多个外部用户接口设备(例如键盘、鼠标、显示监测器、触摸屏或其他这样的接口设备)交互。

设备接口组件404可以被配置成在智能网关平台402与一个或更多个工厂设施处的工业数据源之间交换信息。可以由设备接口组件404访问的工业数据的源可以包括但不限于工业控制器、遥测设备、电机驱动器、质量检查系统(例如，视觉系统或其他质量验证系统)、工业安全系统、相机或其他类型的光学传感器、数据收集设备(例如，工业数据历史设备)或者其他这样的信息源。这些工业数据源可以包括不同类型和厂商的设备，并且包括结构化和非结构化数据的源。在一些实施方式中，设备接口组件404可以经由设备驻留于其上的工厂网络与这些工业设备交换数据。在一些实施方式中，设备接口组件404还可以经由诸如因特网的公共网络接收至少一些工业数据。在一些实施方式中，设备接口组件404可以经由一个或更多个公共和/或专用网络直接访问由这些工业设备和系统生成的数据。替选地，设备接口组件404可以经由代理或边缘设备访问这些数据源上的数据，所述代理或边缘设备聚合来自多个工业设备的数据以经由设备接口组件404迁移到智能网关平台402。

模型配置组件406可以被配置成生成分析模型，该分析模型可以由AI或机器学习分析系统结合应用合适的分析来利用以实现期望的业务目标。分析模型可以基于模型模板来生成，该模型模板选自存储在存储器418上的模型模板420的库，该模型模板对与业务目标相关的领域专业知识进行编码。模型模板可以定义与业务目标相关的数据项(例如，传感器输入、测量的处理变量、关键性能指标、机器运行模式、环境因素等)以及这些数据项之间的相关性。模型配置组件406可以基于用户输入将该模型模板转换成定制模型，该用户输入将由模型模板定义的通用数据项映射到由设备接口组件404发现的实际数据源。

数据建模组件408可以被配置成基于由分析模型定义的关系对由设备接口组件404收集的工业数据进行建模和情境化，以产生可以被馈送到本地或外部AI分析系统的建模数据。数据建模组件408可以对来自工业数据源的异构集合的结构化和非结构化数据二者进行建模。

网关分析组件410可以被配置成对建模的工业数据执行本地分析(例如，AI、机器学习、统计分析等)。分析接口组件412可以被配置成与外部系统(例如，AI系统、机器学习系统、数据湖等)交互并且交换数据，外部系统消耗该数据以提取业务值。这可以包括：将建模的工业数据发送到这些外部分析系统，或者发送由网关分析组件410执行的本地分析的结果。

用户接口组件414可以被配置成在智能网关平台402与具有访问平台的权限的客户端设备之间交换信息。在一些实施方式中，用户接口组件414可以被配置成生成并且向客户端设备传递接口接口显示，该接口接口显示允许用户指定要解决的业务目标并且定制或编辑与所指定的业务目标相关联的模型模板以将该模型模板映射到工业数据源。用户接口组件414还可以将分析结果(包括预测资产性能问题的通知、用于实现指定的业务目标的推荐或者其他这样的分析输出)递送到客户端设备。

一个或更多个处理器416可以执行本文参考所公开的系统和/或方法所描述的功能中的一个或更多个。存储器418可以是存储用于执行本文参考所公开的系统和/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。

如上所述，由智能网关平台402的实施方式实现的工业分析方法利用工业领域专业知识，通过明确定义已知与给定业务目标(例如，减少机器停机时间、减少诸如纸幅断裂之类的指定机器故障、优化指定类型的工业机器的能量使用、提高特定类型的产品的质量等)相关的数据项来减少要应用AI分析的数据空间。同样从领域专业知识中得出的这些相关数据项之间的已知相关性和/或因果关系也被预定义并建模到数据中，从而应用有用的分析约束，相对于对不必要的大数据集应用无约束的大数据分析，这些分析约束更快地且以更少的处理开销导致期望的见解。该领域专业知识以存储在智能网关平台402上的模型模板的形式被编码。

图5是示出被设计成对工业数据建模以供后续AI分析的模型模板502的选择和配置的图。在一个或更多个实施方式中，智能网关平台402可以存储模型模板420的库，每个模型模板与对应的业务目标或结果相关联。示例业务目标可以包括但不限于：减少总的机器停机时间或机器故障的数目；使机器功率消耗最小化；优化操作效率(例如，相对于机器消耗的能量的量的机器输出量)；使排放最小化；提高产品质量；识别产生最大产品输出、最小机器停机时间或最大产品质量的因素；或其他这样的目标。

在一些实施方式中，这些目标可以根据行业或垂直行业(例如，汽车、油气、食品和药品、采矿、纺织品等)、机器类型或其他这样的分类来分组。图6是示出用于将模型模板420存储在智能网关平台的库中的示例模型分类模式的图。用户接口组件414可以生成模型模板选择画面并且将模型模板选择画面递送到客户端设备，该选择画面允许用户导航模型分类模式以选择与期望的工业特定和应用特定的业务目标相关联的模型模板。根据该示例模式，在根据行业或垂直行业(例如，汽车、油气、采矿、食品和药品、发电、纺织品等)的分层分类模式内对模型样板502进行分类。尽管在图6中仅描绘了一个行业/垂直行业层，但是一些行业/垂直行业可以包括表示在母工业下分类的子工业的子分类。例如，选择“汽车”工业分类可以提示用户从若干汽车子工业中进行选择，例如轮胎和橡胶、油漆、发动机制造等。

在每个行业或垂直行业分类(或子行业)下是与该行业或垂直行业相关的一个或更多个机器选择。例如，轮胎和橡胶子工业可以与通常与轮胎制造相关联的若干不同机器(例如，压延、挤出、硫化机、轮胎成型机、轮胎拾取站等)相关联。每个机器与和所选机器相关的一个或更多个预定义业务目标相关联。一些业务目标可以是相对高的级别和全局目标，例如使机器停机时间或故障最小化、使吞吐量最大化、使能耗最小化、优化机器效率等。其他目标可以是对于所选的机器和垂直行业是特定的或唯一的。例如，与纸筒包装机相关的业务目标可以包括当纸从辊进给到机器中时使纸撕裂或纸幅断裂最小化或者当纸进给到机器中时使卡纸最小化。在另一个示例中，与洗衣机相关联的业务目标可以是使不平衡旋转的情况最小化。

对与所选机器相关联的业务目标的选择调用与该目标相关联的模型模板502。现在返回图5，用户通过提交模型选择输入510(经由用户接口组件414)来选择期望的模型模板502，模型选择输入510将模型模板选择层次导航到期望的业务目标。通常，每个模型模板502对适用于所选择的工业和机器特定的业务目标的领域专业知识进行编码，在这些领域专业知识方面，数据项与要解决的问题以及这些数据项之间的相关性和因果关系相关。每个模型模板502指定来自车间工业设备(例如，工业控制器、遥测设备、传感器等)中的哪些数据输入应当由AI分析检查，以学习由所选择的业务目标表示的问题的原因和可能的解决方案，并且还在适当的情况下定义与业务目标相关的这些数据输入之间的相关性和因果关系。

相关数据项的这些定义以及它们之间的关系基于从在对所选机器的设计、维护和故障排除有经验的工业专家收集的共有领域专业知识。对于与执行普通工业应用的特定机器相关的给定操作问题，领域专家可能知道应当检查哪些传感输入以确定非最佳机器性能的根本因素，以及哪些机器事件、模式或测量的操作参数与特定结果相关。该共有知识可以由模型模板502编码，并且用于对与评估期望的业务目标相关的后续AI分析施加有用的约束。一些模型模板502还可以指定要对指定的数据项进行的分析的类型，其基于要解决的业务问题。

模型模板502一般地定义相关数据项，因为这些数据项的源可以在不同的工业企业之间变化。例如，与使某一机器的产品输出最大化的业务目标相关联的模型模板502可以指定传送带速度是与评估机器性能并且学习能够增加产品输出的可能的操作修改相关的数据输入之一。然而，该传送带速度数据的来源取决于在客户设施处使用的设备。在一个设施处，该传送带速度值可以从控制传送带电机的电机驱动器上的数据标签获得，而在另一个设施处，传送带速度可以由速度传感器测量并且作为模拟信号输出。此外，在不同的设施处，传送带速度可以以不同的数据格式获得；例如作为非结构化原始数据或者作为具有识别速度值的源的相关联元数据的结构化值。

在选择了与期望的业务目标对应的通用模型模板502之后，智能网关平台402允许用户通过将由模型模板502指定的每个数据项与可以从用户自己的工业资产获得的数据项的源进行映射来定制模板502。为此，用户接口组件414可以在用户的客户端设备514上呈现接口显示，该接口显示呈现由模板502定义的相关(通用)数据项，并且允许用户针对每个数据项浏览在用户的工业资产516上发现的可用数据项。数据项的源可以由网关平台的设备接口组件404发现，该设备接口组件404可以浏览工厂网络并且识别智能标签506、数据标签508或者构成用户的工业资产的工业设备504上的工业数据的其他源。用户对要映射到由模板502定义的每个数据项的特定工业数据源的选择可以作为数据映射定义512提交，该数据映射定义512将模型模板502转换为定制的分析模型。

通过利用经编码的领域专业知识，如果当前没有在用户的当前系统实现中测量到与期望的业务结果相关的感测数据的某些项，则该引导数据映射处理还可以通知用户。例如，终端用户可能不知道工厂设施内的湿度水平增加了纸张馈送机器中的纸幅断裂的风险。然而，这种相关性可以被领域专家所知，并且因此被编码在与使纸幅断裂最小化的业务目标相关联的模型模板502中。因此，当用户选择该模型模板502时，智能网关平台402在数据映射处理期间提示湿度数据的源，通知用户需要该信息，并且如果尚未安装湿度传感器，则驱动在工厂内安装这样的传感器。

一旦模型模板502已经被定制，智能网关平台402就可以利用所得到的定制模型来收集和构造所映射的数据项以用于后续分析。图7是示出了智能网关平台402对工业数据的收集和结构化的图。在该示例中，如上所述，将车间数据项映射到所选模型模板502已经产生了定制数据模型702，定制数据模型702可以由智能网关平台402参考，结合收集可用工业数据的指定子集以及基于期望的业务目标对所收集的数据进行预先建模以用于随后的AI分析。

智能网关平台402从不同类型、厂商和型号的工业设备504的不同集合收集数据流。一些工业设备——例如工业设备504a和504e——可以支持生成智能数据或者已经通过元数据情境化在的数据，以提供关于生成数据值的上下文的附加信息。例如，支持创建智能数据的电机驱动器可以产生时间序列数据的连续流，该时间序列数据的连续流传达驱动工业机器或资产的组件的电机的速度。如果在测量电机速度值时将速度数据与设备或机器的运行状态(例如，运行、故障等)进行组合，则该电机速度数据可以产生附加的有价值的见解。在另一示例中，设备的诸如电压、电流和功率因数的电参数可以类似地链接到在测量参数时设备的运行状态以产生情境化数据。一些工业设备504可以支持创建这样的情境化智能数据以及将该情境化数据存储在智能标签506中。如果模型702指示该数据与要评估的业务目标相关，则该智能数据706可以由智能网关平台402从智能标签506获得(如果工业设备504支持)。

一些工业设备504可以使用特定指令和定制智能标签数据结构来创建情境化数据，以执行计算并且创建情境化数据的名称和结构。图8是可以由一些工业设备504支持的四种示例智能数据类型的图示。这些数据类型可以补充通常由工业控制器或其他工业设备支持的其他标准数据类型(例如，整型、实数型、布尔型、字符串型、浮点型等)。通常，数据标签(标准数据标签和智能标签两者)是在工业设备内定义的数据结构，数据标签引用设备内的存储器位置(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指定的数据类型，例如布尔型、浮点型、整型、双整型、字符串型等。在开发期间，可以在工业设备504的标签数据库中创建和维护控制器标签。本文描述的智能标签是迎合工业自动化应用并且补充常规数据类型的附加数据类型。

在所示的示例中，智能数据类型包括四种结构化信息数据类型——状态数据标签802、速率数据标签804、里程表数据标签806和事件数据标签808。尽管本文描述的示例假设支持的智能标签包括这四种数据类型，但是应当理解，一些实施方式可以在不脱离本公开内容的范围的情况下包括其他智能数据类型。

每个智能标签包括用于存储智能标签的当前值(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该智能标签的用户定义的配置数据的一个或更多个元数据字段。每个智能标签的元数据值可以根据与智能标签相关联的特定工业资产或工业应用来定制相关联的智能数据值的分析、管理和呈现。

包含在状态数据标签802中的值可以表示工业资产或设备(例如，机器、生产线、电机驱动器等)的当前状态。包含在状态数据标签802中的状态数据可以表示一组预定状态中的一个，该组预定状态表示相关联的工业资产或设备的当前状态或状况。例如，状态数据标签可以传达S88状态(即，定义为ANSI/ISA-88批处理标准的一部分的状态)、包装机语言状态、针对资产定义的状态机的当前状态、阀的状态(例如，打开或关闭)、电机的状态(例如，运行、空闲、故障等)或其他类型的状态。

与状态数据标签802相关联的用户可配置元数据可以定义表示相关联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链接到在工业设备504中定义的一个或更多个其他相关数据标签(例如，表示指示定义的状态的传感器或开关的状态的数据标签)，使得由状态数据标签802指示的当前状态根据相关数据标签的当前值。

包含在速率数据标签804中的值可以表示与工业资产或设备相关联的度量的测量速率的整数值或实数值。速率值可以是瞬时速率或者表示度量随时间的变化率的值。例如，包含在速率数据标签804中的速率值可以表示温度、压力、速度(例如，传送带或其他电机驱动的机器组件的速度)、总体设备效率(OEE)或者其他这样的度量。

与速率数据标签804相关联的用户可配置元数据可以定义相应速率值的最大值和最小值，使得包含在速率数据标签804中的值将不会偏离到由最大和最小值元数据定义的窗口之外。元数据还可以识别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，速率智能标签804的元数据可以定义对应的速率值是否是包含在其他定义的数据标签中的多个其他值的聚合。速率值可以被定义为两个或更多识别的数据标签的平均值或总和，或者数据标签随时间的积分。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。

包含在里程表数据标签806中的值可以表示与工业资产相关联的累积量。例如，里程表数据标签806可以被配置成表示具有累积值的累积量，例如与工业资产相关联的零件计数。在这样的情况下，与里程表数据标签806相关联的元数据可以包括累积值的定义。里程表数据标签806还可以配置成表示在定义的时间间隔内的量，例如与资产相关联的能耗。在对定义的时间间隔量化的情况下，与里程表数据标签806相关联的元数据可以包括时间间隔的定义，该时间间隔可以按照每天的开始和结束时间、按照时间间隔的开始时间和定义的持续时间、或者以另一时间定义格式来定义。与里程表数据标签806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，元数据可以定义与周期完成事件相关联的数据标签，使得当周期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集合。在这种情况下，元数据可以标识其值将被合计或求和以产生里程表值的两个或更多个数据标签。元数据还可以定义与里程表值相关联的测量单位(例如，装满的瓶子、操作周期、兆瓦/小时等)。

包含在事件数据标签808中的值可以表示与工业资产相关联的瞬时或持久事件。例如，事件数据标签808可以表示瞬时事件，例如按钮事件(例如，“按下服务按钮”)、传感器事件(例如，“部分存在”、“检测到人”等)、安全设备事件(例如，“光幕破裂”)或其他这样的瞬时事件。可以由事件数据标签808表示的持久事件可以包括但不限于与警报状态相关联的事件(例如，“警报未被确认”、“警报被确认”等)。可以由事件数据标签808表示的持久事件的其他示例可以包括具有标识符和状态的持久事件。例如，与批处理处理相关联的事件可以包括批处理编号(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将由事件数据标签810表示的事件的其他数据标签的标识符。替选地，如果由事件数据标签808表示的事件仅根据单个输入(例如，按钮输入)，则元数据可以标识工业设备的适当输入地址。

应当理解，上面结合图8描述的智能标签旨在是示例性的，并且其他类型的智能标签也在本公开内容的一个或更多个实施方式的范围内。

现在返回图7，智能网关平台402基于先前定义的应用于所选择的模型模板502的数据映射，基本上实时地发现并收集由模型702定义的数据项。在所示示例中，一些工业设备504(例如，工业设备504a)支持设备级的数据的情境化，而其他工业设备504仅生成存储在标准数据标签508中的未情境化原始数据708。此外，来自一些工业设备504的数据可以由智能网关平台402经由工厂网络协议(例如，网络协议1或网络协议3)直接访问，而其他第三方或传统工业设备504可能仅可经由中间件应用710访问，该中间件应用710将设备数据打包在工业设备封装(例如，用于处理控制的OLE(OPC)或另一中间件协议)中。如果数据没有在接近数据源处建模和情境化，则随着时间流送该原始数据708创建了非结构化的大数据。因此，平台的数据建模组件408被配置成通过根据模型702命名、组合和聚合来自完全不同的数据源的原始数据708来情境化该数据。所得到的经转换的原始数据可以与来自支持智能数据标签506的工业设备的任何预情境化智能数据706一起存储，以产生适合于集体AI或机器学习分析的结构化和情境化数据704。

通常，模型702指定应当被分析以产生对期望的业务目标的见解的数据，并且还通知数据建模组件408如何将指定的数据项组织和组合成可以驱动分析的有意义的聚类。这些聚类基于如由模型702定义的数据项之间的相关性和因果关系。在设备级处尚未被预先建模和情境化的任何原始数据708在作为结构化和情境化数据704被馈送到AI分析之前由数据建模组件408转换成智能数据。这创建了由智能网关平台402收集的所有不同数据的公共表示。在示例场景中，来自生产线的机器的总体设备效率(OEE)数据可以是不同格式，这取决于从其收集数据的工业设备的厂商、型号和/或寿命。数据建模组件408可以将该不同的OEE数据规范化为公共表示。数据建模组件408还可以将元数据添加到从机器收集的数据以产生情境化的智能数据。数据建模组件408基于模型702定义的数据相关性或因果关系来确定要将什么元数据添加到给定的原始数据项。例如，如果模型702指定来自检查所制造的发动机缸体的孔隙度问题的泄漏测试站的泄漏测试结果数据部分地根据在发动机缸体形成时的压铸炉温度，则数据建模组件408可以将该炉温度值作为元数据添加到泄漏测试结果数据中。

在一些实施方式中，由数据建模组件添加到所收集的智能和原始数据的元数据可以包括指导数据704的后续AI或机器学习分析的AI元数据。图9是描绘已由数据建模组件扩充成包括定义各种AI属性的AI字段904的智能数据902的项目的示例数据模式。在一些场景中，模型702可以指定与关注的业务目标相关的一个或更多个关键变量或测量，以及关键变量与其他变量或测量的关系。这些关系代表(如从集体工业专业知识中收集的)与期望的业务目标相关的关键相关性或因果关系。基于在模型702中定义的这些关系，数据建模组件408可以通过添加AI情境化元数据来扩充相关智能数据。这可以涉及将新的AI字段添加到表示关键变量的智能数据902以及添加到被确定为对关键变量有影响的相关智能数据902。新AI字段904的值可以对关键变量及其相关变量(直接影响关键变量值的变量)之间的关系以及可以对后续AI和机器学习分析设置有用约束的其他信息进行编码。

例如，可以将新的AI字段904添加到将智能标签标识为表示关键变量的关键变量智能数据标签。附加AI字段904可以标识影响关键变量值的其他智能标签。如果模型702定义了关键变量与其他相关变量之间的数学关系(基于模型702中编码的域专业知识)，则该数学关系也可以被包括在AI字段904中的一个或更多个中(例如，作为定义泵的流量输出、泵消耗的功率与水压之间的关系的数学函数)。

在一些实施方式中，AI字段904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)。分析问题的类型可以基于与模型702相关联的所选业务目标(例如，确定产品质量落在可接受容限之外的原因、提高产品输出、使能耗最小化等)。将这些问题陈述封装在智能数据902的结构中可以向AI分析系统传达要对数据704执行的数据分析的性质。由于该分析问题陈述被嵌入在结构化和情境化数据704的结构内，因此与数据704接口的实时分析系统可以识别由AI字段904定义的指定类型的分析，并且以最小的用户干预来执行所定义的分析，而不管AI分析系统在其上执行的平台(例如，边缘设备、云平台、服务器、嵌入式平台等)。增强智能数据902以附加用于记录建模的工业系统的变量之间的关系的AI字段904使得这些关系成为可以由处理数据704的分析系统访问和利用的智能数据902的可见属性。

数据建模组件408还组织和聚合经转换的数据以产生结构化和情境化的数据704。在一些实施方式中，数据建模组件408可以对数据进行建模以反映数据源驻留于其中的工业企业层级。例如，由于许多工业系统是模块化和分级的，因此批处理系统可以由包括各个层的分级结构来表示，所述层表示(从最高到最低)工业企业、工厂场所、场所内的生产区域、生产区域内的单元、单元内的单位以及单位内的设备或机器。工厂中的每个区域可以包括许多机器和相关联的工业设备504。来自连接到给定机器的设备的数据可以在机器级处被聚合以产生有意义的情境化数据。该聚合的机器级数据可以包括例如机器的运行时间、吞吐量、能耗和质量。在层级的更高级别处的机器数据的进一步聚合可以产生单元级和场所级数据。每个聚合级别可以导致对工厂操作的有价值的见解。由于在工厂的分级结构的不同级别处组织数据，因此这些见解变为可能。智能网关平台402可以根据由要由结构化和情境化数据704服务的期望业务结果驱动的定义的企业层级(其可以是模型702的一部分，或者可以由数据建模组件408单独定义和引用)来命名、处理和注释数据。

智能网关平台402还可以在存储为结构化和情境化数据704之前同步从工业设备504收集的数据。通常，驱动期望的业务结果的相关数据项被同步地收集并被加时间戳以建立相关性。例如，如果业务目标是优化由混合饼干面团的混合器消耗的能量，则智能网关平台402可以将混合器的开始和停止时间与来自功率表的功率读数同步，以获得用于处理的相关和准确的数据。模型702还可以指定表示面团、糖、水的量、温度、批次类型和批次大小的数据项与能量相关。智能网关平台402可以在时间上同步并且相应地构造该数据以用于随后的数据处理和分析。

在一些实施方式中，数据建模组件408还可以处理原始数据708，以为不提供这种数据的机器创建新的OEE数据。例如，如果模型702指示期望的业务目标分析需要机器运行时间，则数据建模组件408可以通过从表示计划生产时间的另一原始数据值中减去表示机器不运行的时间的原始数据值来计算该运行时间。在另一示例中，如果模型702指示功耗是业务目标分析的所需因素，则数据建模组件408可以组合从电机驱动器获得的电压和电流数据以产生所需的功率数据。所有驱动器(和其他设备)的功率计算可以被标准化为共同的表示，因为来自不同厂商的设备可以以不同的单位和格式(例如，伏特、千瓦等)报告电流和电压。

在一些实施方式中，智能网关平台402还可以被配置成生成由对单独的或组合的数据值的限制触发的警报和事件。这些通知数据类型可以在智能网关平台402中被命名。

如果合适的话，数据建模组件408的一些实施方式还可以对原始数据和智能数据中的至少一些进行建模以符合面向对象的资产模型。工业工厂通常运行许多常见的工业资产，包括泵、锅炉和压缩机。许多这样的资产被部署在工厂内，并且在一些情况下，可以存在这些资产的许多类型和模型。可以分层地描述一些资产类型。图10是用于工业泵的示例资产类型层次1002。泵可以根据两种不同类型的泵——动力泵和正排量泵——来分类。动力泵可以是离心的或特定效果的。离心泵可以是轴流式、混流式或周边式。常见类型的离心泵是电潜泵。

在一些实施方式中，智能网关平台402可以转换从工业资产接收的数据项(原始数据或智能数据)，以添加描述资产层级结构内的资产的层级路径的面向对象的模型元数据(例如，泵.动力泵.离心泵.周边式泵)。这样的分层数据模型可以辅助分析系统组织数据以用于分析、呈现仪表板或其他这样的数据操纵。例如，如果根据图10中所示的泵类型层级对来自各种类型的泵的数据进行建模，则分析系统可以通过分离——例如轴流泵和混流泵——这两种泵类型的数据并且对两个所得数据集进行比较来容易地比较两种不同类型的泵的效率。这样的数据建模还可以允许选择特定的泵类型以用于聚焦的、类型特定的数据分析。通过利用这样的分层资产模型，在给定泵的分层路径中，与每个泵相关联的数据(例如，压力、流速、液体体积、能耗、泵效率等)由所有子节点继承(例如，给定轴流泵的流速被应用于泵本身，以及应用于轴流式泵、离心泵、动态泵和泵分层分类)。将情境化智能数据连接到面向对象的资产模型可以从工业控制器和设备产生被映射到资产的相关数据，以由分析系统快速转换成业务值。

在常规的大数据分析中，数据科学家花费相当大量的时间预处理或“净化”数据以准备分析。使用上述由期望的业务目标的初始选择驱动的数据管理技术中的一些或全部，智能网关平台402可以通过将非结构化工业数据转换为有助于AI和机器学习分析和有组织的报告的情境化和结构化智能数据，来消除对这种数据净化的需要。

如上所述，由智能网关平台402生成的结构化和情境化数据704可以被馈送到分析系统，该分析系统可以对结构化数据执行AI或机器学习分析，以搜集见解并且生成与和模型702相关联的业务目标相关的推荐。图11是示出示例架构的图，在该架构中，智能网关平台402从工业设备504收集、情境化和构造数据，并且将得到的结构化和情境化数据704提供给AI分析系统1102。尽管图11(以及本文描述的其他示例)描绘了数据704被馈送到AI分析系统1102，但是在不脱离本公开内容的范围的情况下，其他类型的分析可以被应用于数据704，包括但不限于机器学习或统计分析系统。在通过将模型的定义数据项映射到工业设备上的特定数据项(例如，智能标签506和/或标准数据标签508)来定制模型702之后，智能网关平台402开始如上所述地收集和转换来自映射的数据源的数据，以产生结构化和情境化数据704。由于所收集的数据是基于由模型702定义的相关性和因果关系—即，被定义为与正被检查的特定业务目标相关的相关性和因果关系—来情境化和结构化的，因此这些相关性和因果关系作为与所收集的数据项相关联的元数据被提供给AI分析系统1102。平台的分析接口组件412可以被配置成与AI分析系统1102交换数据，并且能够将数据704馈送到分析系统。

在应用数据分析之前向AI分析系统1102通知数据项之间的相关数据相关性和因果关系可以对由AI分析系统1102执行的数据分析施加有用的约束。这些约束可以相对于无约束的大数据分析更快地驱动分析系统1102提供有用的见解，显著地减少AI分析系统1102发现见解并生成与期望的业务目标相关的有用的推荐所需的时间量。这些预定义的相关性和因果关系还可以减轻AI分析系统1102对数据项之间的虚假的或不相关的相关性的发现。通过将提供给AI分析系统1102的数据集限制为仅被模型702认为相关的那些数据项，并且通过基于从集体行业专业知识导出的预定义相关性和因果关系来结构化和情境化这些数据项，智能网关平台402缩小了要由分析系统1102分析的数据空间，从而辅助分析系统1102发现有用的见解并且相对于无约束的大数据分析更快速地生成推荐。所收集的数据项的有限集合还可以简化数据生命周期管理。

由智能网关平台402收集的数据项的子集以及由分析系统1102对数据应用的AI或机器学习分析的结果可以作为可视化呈现1104被递送到具有访问分析结果的许可的一个或更多个客户端设备1106。呈现在可视化呈现1104上的信息可以包括关于相对于用户最初选择的业务目标的工业设备的操作的推荐或可执行见解。例如，如果原始选择的模型模板502(模型702基于该模型模板)与使某一类型的工业处理的产品输出最大化的业务目标相关，则智能网关平台402将对已知与获得对该问题的可执行见解相关的数据项进行收集、构造和情境化。该结构化和情境化数据704被馈送到AI分析系统1102(例如，作为流开始数据)，AI分析系统1102对智能数据流执行AI或机器学习分析，目的是确定生产力损耗的根本原因并生成推荐的对策或可执行见解。在这点上，由智能网关平台402基于模型702将相关数据集缩减为已知与业务目标相关的那些数据项，以及编码到智能数据中的数据项之间的已知相关性和因果关系，可以地使AI分析系统1102更快得到关于所定义的业务目标的可执行见解。在示例场景中，AI分析系统1102可以基于对结构化和情境化数据704应用AI或机器学习来确定作为整个处理的一部分的特定生产线(例如，线5)的停机时间是生产率损耗的重要原因。因此，AI分析系统1102可以基于进一步的AI分析来确定用于减少生产线5的总累计停机时间的一个或更多个可能的对策(例如，降低运行速度、增加在生产线5上执行的维护的频率、修改运行序列等)。所发现的根本原因和相关联的推荐对策可以经由可视化呈现1104呈现给用户。如果AI分析系统1102被设计成执行预测分析或趋势分析，则系统1102还可识别数据704内的通常在停机时间事件之前的指示，并继续监测结构化和情境化的数据704以寻找这些指示的存在。响应于确定数据704的相关项满足指示即将发生的停机时间事件的标准，分析系统1102可以生成通知并且将通知递送给一个或更多个客户端设备1106，以通知所预测的停机时间事件。

在一些实施方式中，除了对解决指定业务目标的推荐和可执行见解进行呈现之外或作为其替选，分析系统1102可以基于应用于数据704的分析的结果来生成控制输出1110并且将控制输出1110引导到工业设备504中的一个或更多个。控制输出1110可以被配置成以被预测为将操作移向指定的业务目标的方式来改变所选工业设备504的配置或操作。例如，如果分析系统1102确定降低电机驱动器的速度设定点将减少特定生产线的停机时间情况，从而实现提高生产输出的业务目标，则系统1102可以将控制输出1110引导到相应地改变速度设定点的所选电机驱动器。分析系统1102可以经由任何合适的装置(取决于系统架构)将控制输出1110递送到目标工业设备。例如，如果分析系统1102是与工业设备驻留在相同工厂网络上的边缘设备，则控制输出1110可以直接经由网络递送。在另一示例架构中，分析系统1102可以经由智能网关平台402将控制输出1110递送到目标工业设备504。

智能网关平台402向其馈送结构化和情境化数据704的AI分析系统1102可以在智能网关平台402自身上执行(例如，作为网关分析组件410)，可以在工厂网络上的单独的边缘设备上执行，或者可以在工业企业的更高级别或者在云平台上执行。图12是示出下述示例架构的图，在该架构中，智能网关平台402向工业企业的各个级别的分析系统提供结构化和情境化的数据。如上所述，平台的数据建模组件408根据模型702对从工业设备504收集的原始和/或智能数据1208进行情境化、建模和结构化。平台的分析接口组件412将所得到的结构化和情境化数据704传递到分析系统以用于AI或机器学习分析。图12中描绘的工业环境包括在企业的各个级别处执行的AI分析系统，包括与智能网关平台402本身集成的本地网关分析组件410、在边缘设备1206(例如，网络基础设施设备或提供对工厂网络的访问的其他类型的设备)上执行的边缘级分析系统1210、以及在云平台上执行的基于云的AI分析系统1204。这些分析系统中的任何一个可以如上所述对结构化和情境化数据704执行分析。同样如上所述的那样，这些分析系统中的每一个可以向授权的客户端设备1202提供包含通知、推荐或可执行见解的可视化呈现1104。

在一些可扩展的分析架构中，除了在智能网关平台402、边缘设备1206和云平台上执行的分析系统之外，分析系统还可以在本地网络上的设备级和企业级上执行。图13是示例可缩放工业分析架构的图。这种多级分析架构——其中，智能网关平台402用作聚合的、标准化的和预先建模的数据的源——可以被设计成使得AI分析在与正在执行的分析的类型最相关的工业企业的设备或级别上执行。

在该示例架构中，OT环境(与IT环境不同)被定义为包括工厂车间的工业设备、机器、生产线、工业服务器和边缘设备。这些OT设备和系统中的许多具有显著的本地处理能力。数据功能——诸如将来自工业设备504(包括工业控制器和较低级工业设备120)的原始工业数据转换成智能数据，或者执行旨在调节工业设备504的运行的实时分析——最好在OT级上执行；例如在智能网关平台402上、在边缘级分析系统1210上或者在设备级分析系统1304上执行。实时分析被定义为在OT域中发生的导致实时动作的分析，例如改变工业设备的设定点或者以其他方式更改工业处理的操作。其他更高级(企业级)分析可能最适合于在IT域中执行；例如通过企业级分析系统1302或基于云的分析系统1204。IT域或云域中的分析通常使用仪表板或其他视觉呈现在客户端设备上产生可视化的更高级别的见解。这种更高级别的分析被称为非实时分析，因为这种分析通常不导致对工业资产的即时反馈控制。与机器实时分析相对地，非实时分析也可以称为人类实时分析。对于在整个OT环境中具有大量计算资源的制造工厂，大多数数据处理和值提取可能发生在OT环境中。对于具有有限计算资源的基于现场的资产，大多数数据处理可以替代地发生在云平台122上。

为了简单起见，图13中描绘的示例架构可以被划分成三个层级：设备级、系统级和企业级。企业级是IT环境的一部分，而设备级和系统级是OT环境的一部分。设备级分析可以执行诸如针对定义的限制来检查测量的操作参数的实时功能，这可以提供对设备操作的有用见解。系统级分析(例如，由边缘级分析系统1210或网关分析组件410执行)可以导出与更高级系统操作相关的见解，例如预测纸幅张力的趋势指示在几个操作周期内即将发生纸幅断裂。当在控制器和工业计算机中实施时，通过设备级和系统级分析获得的操作见解实现了旨在将系统性能移向与模型702相关联的业务目标的实时控制动作。通常，实时分析由在OT环境中处理实时数据而产生。在企业级处，来自OT环境的所选情境化或智能数据可以被分析并且与来自工业企业的其他部分的数据组合以开发经由客户端设备向用户递送可执行见解的数据呈现(例如，仪表板或其他视觉呈现)。

这种以可缩放方式定位数据处理和分析功能的方法非常适合于具有变化的处理时域(例如，毫秒、秒、分钟、小时等)、资产地点(集中式和远程式)和系统关系(例如，自主、在线、缓冲、批处理等)的工业物联网(IoT)应用。在这三个定义的级别中的每一个级别的分析和AI/机器学习可以优化工业工厂中的处理和操作以实现期望的业务目标。

在包括一个或更多个设备级、系统级和企业级分析系统的架构内，设备级或系统级分析系统可以在适当时在设备级或系统级上(例如，在工业控制器或其他工业设备504上、在低级工业设备120上、在边缘设备1206上等)执行分析，并且可以将分析任务转移到企业级分析系统以根据需要执行范围为企业级的分析。当需要设备级结果时，设备级分析系统1304可以对设备数据执行本地分析。由分析系统1304执行的设备级分析可以包括但不限于基于对与特定工业设备(例如，控制器、传感器、驱动器、仪表等)相关联的本地数据(或与由该设备控制的处理或机器相关联的数据)的分析来确定该设备是否处于故障风险中或是否应当被替换、确定设备故障的根本原因等。

设备级分析的结果可以由工业设备本身本地消费，或者被发送到客户端设备(例如，作为通知或仪表板)。例如，响应于设备级分析系统1304确定托管分析系统1304的工业控制器或设备处于故障或不可接受的效率损耗的风险，并且如果分析系统1304识别出可以缓解或延迟设备故障的自动化对策，则分析系统1304可以生成在主机设备上实现对策的控制指令；例如通过以具有减轻故障可能性的方式改变设备的运行。这种对策可以包括但不限于将设备切换到慢速操作模式或停止模式、将设备切换到备用电源、改变设备中定义的设定点、发起不同控制程序或子例程(在工业控制器或其他可编程设备的情况下)的执行或者其他这种对策。

在系统级分析系统1210或410的情况下，可以监测和识别与更复杂的工业自动化系统而不是单个设备的操作相关联的风险，并且可以实现范围为整个自动化系统的适当对策。在示例场景中，如果系统级分析系统1210或410基于对由智能网关平台402准备的结构化和情境化数据704的分析而预测出生产线处于产生过量产品浪费的风险(例如，由于零件拒绝的数目的增加、由生产线执行的处理中发现的低效率、执行处理的一个或更多个设备上的过度磨损的指示等)，则系统级分析系统1210、410可以实现旨在减轻产品浪费的风险的多设备对策。这可以涉及生成针对构成自动化系统的设备的多组指令数据，其中，所述指令被配置成以协调的方式改变目标设备的操作以总体上对自动化系统实施对策，从而降低产品浪费的风险。这种系统范围的对策可以包括例如降低生产线上生产的速率、将产品的生产切换到替选生产线(这可以涉及发送指令以控制当前生产线的设备以停止生产、发送进一步的指令到新生产线以开始生产、以及发送更进一步的指令到适当的上游系统以开始向新生产线提供材料或零件)、使用来自替选生产线或源的零件来获得生产线、或者其他这种对策。

除了监测设备和系统并且根据需要实现控制修改之外，设备级和系统级分析系统还可以以通知、仪表板或其他图形接口的形式向授权客户端设备发送分析结果。

另外，在适当的时候，设备级或系统级分析系统可以将本地分析的结果发送到企业级分析系统1302或者基于云的分析系统1204，以用于企业级分析。设备级和系统级分析系统还可以将本地分析的结果发送到企业的同一级别或不同级别上的其他设备级或系统级分析系统。从分析系统中的一个发送到另一个的分析结果可以在接收系统处被处理以用于进一步分析。这样，多级分析系统可以结合执行工厂级分析来执行节点间协作分析，使得分析任务在被认为最适合于给定分析任务的企业级处被执行。分析还可以视情况从较高级别向较低级别按比例缩小。

在示例场景中，在分析系统之间向上或向下缩放分析的决定可以基于正在执行的分析的时间敏感性。例如，如果系统级分析系统(例如，边缘级分析系统1210或网关分析组件410)正在对产品的当前生产运行执行分析，其中，分析的结果可以确定当前运行将如何被执行，则系统级分析系统可以将分析处理的至少一部分转移到托管在作为执行生产运行的自动化系统的一部分的工业控制器或另一工业设备504上的设备级分析系统1304。通过将相关分析转移到托管在参与控制处理的控制器或设备上的设备级分析系统1304，由设备级分析系统1304生成的分析结果可以由控制工业处理的控制设备更容易地利用。通常，分析系统可以被配置成识别指示数据或分析结果将被缩放或传送到另一分析系统的标准；该另一分析系统即受分析结果影响的特定设备、设备组、工业资产或系统。向另一分析系统发送分析结果或其他本地可用数据的决定可以基于确定结果或数据是否满足指示结果或数据对于整个企业架构的另一部分或层的重要性或相关性的标准。

除了从工业设备收集原始数据和智能数据并且对原始数据和智能数据建模之外，智能网关平台402的一些实施方式还可以被配置成如果由模型702指示(即，如果模型702指定该补充数据对于学习对由模型702表示的业务目标的可执行见解有用)，则收集来自其他类型的数据源的数据并且对该数据建模。图14是示例工业架构的图，其中，智能网关平台402将来自遍及工业企业的完全不同的数据源的结构化和情境化数据704馈送到在云平台上执行的基于云的分析系统1204。

如上所述，智能网关平台402可以规范化完全不同的结构化和非结构化数据，并且对数据进行建模以基于模型702中编码的工业领域专业知识来对数据之间的关系(相关性、因果关系等)进行编码。平台402将该数据704馈送到AI分析系统1204，AI分析系统1204基于对结构化和情境化数据704的分析来生成结果。由智能网关平台402收集的数据可以包括来自车间设备和OT层中的操作和监控软件系统(例如MES系统、历史系统、库存跟踪系统等)的数据二者。在所示示例中，由智能网关平台402收集的用于转换和传输到基于云的AI分析系统1204的数据包括由工业设备504生成的实时控制数据1414。该实时控制数据可以包括存储在设备的数据表中或者与设备的数据标签相关联的模拟和数字数据。控制数据可以表示例如从受控工业处理读取的测量的遥测或传感器值(例如，温度、压力、流量、液位、速度等)、测量数字值(例如，部分存在传感器值、安全设备状态、开关设置等)、由设备504生成并且被引导到受控系统的工业输出设备的受控模拟和数字输出值、计算的性能度量等。

由智能网关平台402收集的其他数据可以包括但不限于来自驻留在工厂网络116上的数据历史设备1424的日志文件1412、存储在维护调度服务器1402(驻留在办公室网络108上)上并且包含关于遍及工业设施的各种机器的维护调度的信息的电子表格文件1411、存储在工作订单数据库1404上并且包含关于在工业设施处生产的产品的工作订单信息的数据库文件1408、存储在库存数据库1406上并且包含关于当前和/或预期产品可用性的信息的数据库文件1410、或者其他这样的数据文件。尽管本示例假定这些相应数据文件类型中包含特定类型的信息，例如存储作为电子表格文件1411的维护调度信息、在数据库文件1408中存储的工作订单信息等，但是可以理解，这些信息类型仅旨在是示例性的，并且其他类型的信息可以被存储在各种文件类型中。这些不同的数据集可以由智能网关平台402根据(指定期望的业务目标的)模型702来收集和转换，并且作为结构化和情境化数据704被发送到基于云的分析系统1204。

由于智能网关平台402对从工业设备504收集的数据进行标准化和建模，所以平台402可以以一致的模型呈现所得到的结构化和情境化数据704，该结构化和情境化数据704可以由被设计为消费该数据的软件应用(例如AI或机器学习分析系统)自动发现。这可以大大简化与期望的业务目标相关的数据的获取和分析。定制模型702定义与期望的工业和机器特定的业务目标(例如，使机器停机时间最小化、优化操作效率等)相关的数据项(例如，传感输入、关键性能指标、机器状态等)，通过参考定制模型702，智能网关平台402可以显著地减少与流送和存储来自车间的所有可用时序数据相关的数据收集和分析所需的存储量。智能网关平台402还使用模型702来预定义和预格式化数据，以供更高级分析模型(例如，高级面向对象的模型)和分析软件消费。此外，容器化软件和微服务与智能网关平台402的集成可以通过进一步建模、持久化和分析数据的业务值来在边缘处添加新的价值。

图15示出了根据本主题申请的一个或更多个实施方式的方法。虽然，为了简化说明，本文中示出的方法被示出和描述为一系列动作，但是应理解和明白，本主题创新并不受限于动作的顺序，因为根据该顺序的一些动作可以按照不同的顺序进行以及/或者与本文中示出和描述的其他动作同时进行。例如，本领域技术人员将理解和意识到的是，方法可以替代地被表示为一系列相互关联的状态或事件，例如以状态图表示。此外，可能并非需要所有示出的动作来实现根据本创新的方法。此外，当不同的实体进行方法的不同的部分时，(一个或更多个)交互图可以表示根据本主题公开内容的方法或方式。此外，可以彼此组合地实现所公开的示例方法中的两个或更多个，以实现本文所述的一个或更多个特征或优点。

图15示出了用于构造工业数据并且对结构化数据执行数据分析以产生相对于期望的业务目标的可执行见解的示例方法1500。最初，在1502处，接收选择数据，该选择数据从与相应业务目标相关联的模型模板库中选择模型模板。模型模板库可以存储在智能网关平台上。每个模型模板可以针对给定的业务目标定义与确定对相关联的业务目标的可执行见解相关的一组数据项(例如，传感器输入、控制器数据标签、电机驱动数据标签等)，以及数据项之间的关系(例如，相关性、因果关系等)。数据项以及数据项之间的关系基于编码到模型模板中的领域专业知识或知识。可以使模型模板可用的示例业务目标可以包括但不限于使机器停机时间最小化、确定机器停机时间的原因、预测机器停机时间、增加产品输出、优化能量效率、提高产品质量或者其他这样的目标。

在1504处，在智能网关平台处接收映射数据，该映射数据将由在步骤1502处选择的模型模板定义的数据项映射到一个或更多个工业设备上的相应数据标签。数据项被映射到的数据标签可以是标准工业数据标签，或者可以是存储已经由其相关联的智能工业设备预情境化的智能数据的智能标签。

在1506处，由智能网关平台从数据标签收集数据。与传统的大数据分析系统相比，仅收集被认为与和所选择的模型模板相关联的期望的业务目标相关的数据流。在1508处，基于由模型定义为与和该模型相关联的业务目标相关的数据相关性，用建模元数据扩充在步骤1506处收集的数据项。这可以包括例如向相应数据项添加元数据以定义相关联的数据值与其他数据项的数学关系(如基于由模型定义的关系所确定的)。还可以添加定义要通过数据的后续AI分析来解决的分析问题的类型(例如，建模、聚类、优化、最小化等)的元数据，该元数据根据期望可执行见解的特定业务目标。该扩充步骤还可以包括将数据项规范化为公共格式以准备集体AI分析。

在1510处，确定在步骤1506处收集的数据是否是来自智能工业设备的预情境化智能数据。这样的智能设备可以被配置成利用情境化元数据来预情境化由设备生成的数据项，该情境化元数据提供关于在其下生成数据值的上下文的附加信息。该情境化元数据可以包括例如在生成数据值时机器的运行状态(例如，运行、空闲、故障等)、在生成数据时的功率统计(例如，电压、电流、功耗等)、或者可以向数据项赋予更大信息值的其他这样的情境化元数据。

如果在步骤1506处收集的数据项没有被预情境化(在步骤1510处为否)，则该方法进行到步骤1512，在步骤1512处，由智能网关平台将情境化元数据添加到数据项。在各种实施方式中，智能网关平台可以基于在步骤1502处选择的模型模板或者基于定义机器与设备之间的功能关系的工业企业的模型来选择相关的情境化数据项。

如果数据已经被预情境化(在步骤1510处为是)，则该方法进行到步骤1514而不添加情境化元数据。在1514处，从步骤1508至步骤1512得到的结构化和情境化数据被馈送到人工智能分析系统。在1516处，AI或机器学习分析被应用于结构化和情境化数据，以发现与期望的业务目标相关的可执行见解。在一些替选实施方式中，结构化和情境化数据可以被馈送到其他类型的分析系统(例如，统计分析系统)而不是AI分析系统。

本文描述的实施方式、系统、组件以及工业控制系统和工业自动化环境(其中可以执行本说明书中阐述的各个方面)可以包括能够跨网络进行交互的计算机或网络组件，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、无线组件、控制组件等。计算机和服务器包括一个或更多个处理器——利用电信号执行逻辑运算的电子集成电路——其被配置成执行在如下介质中存储的指令，例如随机存取存储器(RAM)、只读存储器(ROM)、硬盘驱动器以及可移除存储器设备，这可以包括记忆棒、存储卡、闪存驱动器、外部硬盘驱动器等。

类似地，如本文使用的术语PLC或自动化控制器可以包括可以跨多个组件、系统和/或网络被共享的功能。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设备进行通信和协作。这可以包括经由包括控件、自动化和/或公共网络的网络进行通信的基本上任何类型的控件、通信模块、计算机、输入/输出(I/O)设备、传感器、致动器、仪器和人机接口(HMI)。PLC或自动化控制器还可以与各种其他设备进行通信并且控制各种其他设备，例如包括模拟、数字、编程/智能I/O模块的标准或安全相关的I/O模块、其他可编程控制器、通信模块、传感器、致动器、输出设备等。

网络可以包括诸如因特网的公共网络、内联网和自动化网络，自动化网络例如包括设备网、控制网和以太网/IP的控制和信息协议(CIP)网络。其他网络包括以太网、DH/DH+、远程I/O、现场总线、Modbus、过程现场总线、CAN、无线网络、串行协议、近场通信(NFC)、蓝牙等。另外，网络设备可以包括各种可能性(硬件和/或软件组件)。这些包括以下组件：诸如具有虚拟局域网(VLAN)能力的交换机、LAN、WAN、代理、网关、路由器、防火墙、虚拟专用网(VPN)设备、服务器、客户端、计算机、配置工具、监测工具和/或其他设备。

为了提供针对所公开主题的各个方面的上下文，图16和图17以及下面的讨论旨在提供对可以实现所公开主题的各个方面的合适环境的简要概述。

参照图16，用于实现上述主题的各个方面的示例环境1610包括计算机1612。计算机1612包括处理单元1614、系统存储器1616和系统总线1618。系统总线1618将系统组件耦接至处理单元1614，系统组件包括但不限于系统存储器1616。处理单元1614可以是各种可用处理器中的任何一个。还可以将多核微处理器和其他多处理器架构用作为处理单元1614。

系统总线1618可以是使用任何种类的可用总线架构的若干类型的总线结构中的任何一种，包括存储器总线或存储器控制器、外围总线或外部总线以及/或者本地总线，可用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ISA(EISA)、智能驱动电子器件(IDE)、VESA本地总线(VLB)、外围组件互连(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)和小型计算机系统接口(SCSI)。

系统存储器1616包括易失性存储器1620和非易失性存储器1622。包含用于例如在启动期间在计算机1612内的元件之间传送信息的基本例程的基本输入/输出系统(BIOS)存储在非易失性存储器1622中。作为示例而非限制，非易失性存储器1622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)或闪速存储器。易失性存储器1620包括充当外部高速缓冲存储器的随机存取存储器(RAM)。作为说明而非限制，RAM可以具有多种形式，例如，同步RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)和直接总线式内存模组RAM(DRRAM)。

计算机1612还包括可移除/非可移除的易失性/非易失性计算机存储介质。例如，图16示出了磁盘存储装置1624。磁盘存储装置1624包括但不限于如下设备：磁盘驱动器、软盘驱动器、磁带驱动器、Jaz驱动器、Zip驱动器、LS-100驱动器、闪存卡或记忆棒。此外，磁盘存储装置1624可以单独地或者与其他存储介质组合地包括存储介质，所述存储介质包括但不限于光盘驱动器，例如致密盘ROM设备(CD-ROM)、CD可记录驱动器(CD-R驱动器)、CD可重写驱动器(CD-RW驱动器)或数字通用盘ROM驱动器(DVD-ROM)。为了便于将磁盘存储装置1624连接到系统总线1618，通常使用可移除接口或不可移除接口，例如接口1626。

应当理解，图16描述了在合适的操作环境1610中描述的、充当用户与基本计算机资源之间的中介的软件。这样的软件包括操作系统1628。可以存储在磁盘存储装置1624上的操作系统1628用于控制和分配计算机1612的资源。系统应用1630利用操作系统1628通过存储在系统存储器1616中或磁盘存储装置1624上的程序模块1632和程序数据1634对资源的管理。应当理解，可以使用各种操作系统或操作系统的组合来实现本主题公开内容的一个或更多个实施方式。

用户通过(一个或更多个)输入设备1636将命令或信息输入计算机1612中。输入设备1636包括但不限于诸如鼠标、轨迹球、触控笔的指向设备、触摸板、键盘、麦克风、操纵杆、游戏垫、卫星天线、扫描仪、电视调谐卡、数码相机、数码摄像设备、网络摄像设备等。这些输入设备和其他输入设备经由(一个或更多个)接口端口1638通过系统总线1618连接到处理单元1614。(一个或更多个)接口端口1638包括例如串行端口、并行端口、游戏端口和通用串行总线(USB)。(一个或更多个)输出设备1640使用一些与(一个或更多个)输入设备1636相同类型的端口。因此，例如，可以使用USB端口来向计算机1612提供输入，并且将来自计算机1612的信息输出到输出设备1640。提供输出适配器1642以说明在其他输出设备1640中存在一些需要特定适配器的输出设备1640，诸如监测器、扬声器和打印机。作为说明而非限制，输出适配器1642包括显卡和声卡，其提供输出设备1640和系统总线1618之间的连接手段。应当注意的是，其他设备和/或设备的系统提供输入和输出能力两者，例如(一个或更多个)远程计算机1644。

计算机1612可以在联网的环境中使用到一个或更多个远程计算机(例如(一个或更多个)远程计算机1644)的逻辑连接来操作。(一个或更多个)远程计算机1644可以是个人计算机、服务器、路由器、网络PC、工作站、基于微处理器的设备、对等设备或其他公共网络节点等，并且通常包括关于计算机1612描述的元件中的许多或全部元件。为了简洁起见，仅将一个存储器存储装置1646与(一个或更多个)远程计算机1644一起示出。(一个或更多个)远程计算机1644通过网络接口1648逻辑地连接到计算机1612，然后经由通信连接1650物理连接。网络接口1648包括通信网络例如局域网(LAN)和广域网(WAN)。LAN技术包括光纤分布式数据接口(FDDI)、铜缆分布式数据接口(CDDI)、以太网/IEEE 802.3、令牌环/IEEE 802.5等。WAN技术包括但不限于点对点链路、诸如集成服务数字网络(ISDN)及其变型的电路交换网络、分组交换网络以及数字用户线路(DSL)。网络接口1648还可以包含近场通信(NFC)或蓝牙通信。

(一个或更多个)通信连接1650指的是用于将网络接口1648连接到系统总线1618的硬件/软件。虽然为了清楚地图示，而将通信连接1650示出在计算机1612的内部，但是通信连接1650也可以位于计算机1612的外部。仅出于示例性目的，连接到网络接口1648所需的硬件/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17是所公开的主题可以与之进行交互的样本计算环境1700的示意性框图。样本计算环境1700包括(一个或更多个)客户端1702。(一个或更多个)客户端1702可以是硬件和/或软件(例如线程、进程、计算设备)。样本计算环境1700还包括(一个或更多个)服务器1704。(一个或更多个)服务器1704也可以是硬件和/或软件(例如线程、进程、计算设备)。例如，服务器1704可以容置线程，以通过采用本文所述的一个或更多个实施方式来执行转换。客户端1702和服务器1704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送的数据分组的形式。样本计算环境1700包括：可以用于促进(一个或更多个)服务器1704和(一个或更多个)客户端1702之间的通信的通信框架1706。客户端1702可操作上连接至可以用于将信息本地存储至客户端1702的一个或更多个客户端数据存储装置1708。类似地，服务器1704在操作上连接至可以用于存储服务器1704本地的信息的一个或更多个服务器数据存储器1710。

上面已经描述的内容包括本发明的示例。当然，为了描述所公开的主题的目的，不可能描述组件或方法的每个可想到的组合，但本领域技术人员可以认识到本主题发明的许多进一步的组合和排列是可能的。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这样的更改、修改和变化。

特别地，并且对于由上述组件、设备、电路和系统等执行的各个功能，除非另有说明，否则用于描述这样的组件的术语(包括对“装置”的指代)旨在与执行所描述的组件的指定功能(如功能等同物)的任何组件相对应，尽管其在结构上与所公开的结构不等同，但执行本文所示的所公开主题的示例方面中的功能。在这一点上，还将认识到，所公开的主题包括具有用于执行所公开主题的各种方法的动作和/或事件的计算机可执行指令的系统和计算机可读介质。

另外，尽管可能已经针对若干实现中的仅一个实现公开了所公开主题的特定特征，但是这样的特征可以与如对于任何给定或特定应用来说可能是期望和有利的其他实现中的一个或更多个其他特征进行组合。此外，在具体实施方式或权利要求书使用术语“包括(includes)”和“包含(including)”及其变型方面而言，这些术语旨在以与术语“包括(comprising)”类似的方式是包含性的。

在本申请中，词语“示例性”用于表示用作示例、实例或说明。在本文中被描述为“示例性”的任何方面或设计不必然被解释为比其他方面或设计优选或有利。更确切地，使用词语"示例性"旨在以具体的方式来呈现概念。

本文描述的各个方面或特征可以实现为方法、设备或使用标准编程和/或工程技术的制品。本文中所使用的术语“制品”旨在包含能够从任何计算机可读设备、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，致密盘(CD)、数字通用盘(DVD)......)、智能卡和闪速存储装置(例如，卡、棒、按键驱动器......)。

Claims (20)

1.一种智能网关平台，包括：

存储器，所述存储器存储与相应的工业业务目标相关联的模型模板和可执行组件；以及

处理器，所述处理器可操作地耦接至所述存储器，所述处理器执行所述可执行组件，所述可执行组件包括：

用户接口组件，被配置成接收选择数据，所述选择数据选择所述模型模板中的与所述业务目标中的业务目标相关联的模型模板，其中，所述模型模板定义与所述业务目标相关的数据输入以及所述数据输入之间的关系，并且其中，所述用户接口组件还被配置成接收映射数据，所述映射数据定义所述数据输入与工业设备的数据标签之间的数据映射；

模型配置组件，被配置成根据所述映射数据来定制所述模型模板以产生定制模型；

设备接口组件，被配置成从由所述定制模型定义的数据标签收集数据值；

数据建模组件，被配置成对所述数据值进行规范化，并且基于由所述模型模板定义的所述数据输入之间的关系来将建模元数据添加到所述数据值，以产生结构化数据；以及

分析接口组件，被配置成将所述结构化数据发送到人工智能分析系统。

2.根据权利要求1所述的智能网关平台，其中，所述业务目标是下述中的至少一个：使产品输出最大化、使机器停机时间最小化、使机器故障最小化、优化能耗、预测机器停机时间事件、确定机器停机时间的原因、使产品质量最大化、使排放最小化、识别产生最大产品质量的因素、识别产生最大产品输出的因素或者识别产生最小机器停机时间的因素。

3.根据权利要求2所述的智能网关平台，其中，所述用户接口组件被配置成根据下述中的至少一个来对所述模型模板进行分类：行业、垂直行业、机器类型或者工业应用的类型。

4.根据权利要求1所述的智能网关平台，其中，针对所述数据值中的一个数据值，所述建模元数据至少包括定义由所述定制模型定义的所述数据值与一个或更多个其他数据值之间的数学关系的元数据。

5.根据权利要求1所述的智能网关平台，其中，

所述建模元数据至少包括定义要由所述人工智能分析系统解决的分析问题的类型的元数据，并且

所述数据建模组件基于所述定制模型来确定所述分析问题的类型。

6.根据权利要求1所述的智能网关平台，其中，所述人工智能分析系统被配置成对所述结构化数据执行分析，并且基于所述分析的结果来生成与所述业务目标相关的可执行见解，并且在客户端设备上呈现所述可执行见解。

7.根据权利要求6所述的智能网关平台，其中，所述人工智能分析系统被配置成基于所述分析的结果来生成指向所述工业设备中的一个或更多个工业设备的控制输出，并且其中，所述控制输出被配置成将工业资产的操作朝向所述商业目标转变。

8.根据权利要求1所述的智能网关平台，其中，所述数据建模组件还被配置成：响应于确定所述数据值中的数据值未被预情境化，将情境化元数据添加到所述数据值。

9.根据权利要求8所述的智能网关平台，其中，所述情境化元数据包括关于下述中的至少一个的信息：在生成所述数据值时机器的状态或者在生成所述数据值时的电统计数据。

10.根据权利要求1所述的智能网关平台，其中，所述分析接口组件被配置成从驻留在工业企业的不同级别上的多个人工智能分析系统中选择所述人工智能分析系统。

11.一种方法，包括：

由包括处理器的智能网关平台接收选择数据，所述选择数据从与相应的业务目标相关联的一组存储的模型模板中识别模型模板，其中，所述模型模板定义与同所述模型模板相关联的业务目标相关的数据输入以及所述数据输入之间的关系；

由所述智能网关平台接收映射数据，所述映射数据定义所述数据输入与工业设备的数据标签之间的数据映射；

由所述智能网关平台基于所述映射数据来定制所述模型模板以产生定制模型；

由所述智能网关平台从由所述定制模型定义的数据标签收集数据项；

由所述智能网关平台对所述数据项进行规范化；

由所述智能网关平台基于由所述模型模板定义的所述数据输入之间的关系将建模元数据添加到所述数据项以产生结构化数据；以及

由所述智能网关平台将所述结构化数据发送到人工智能分析系统。

12.根据权利要求11所述的方法，其中，所述业务目标是下述中的至少一个：使产品输出最大化、使机器停机时间最小化、使机器故障最小化、优化能耗、预测机器停机时间事件、确定机器停机时间的原因、使产品质量最大化、使排放最小化、识别产生最大产品质量的因素、识别产生最大产品输出的因素或者识别产生最小机器停机时间的因素。

13.根据权利要求12所述的方法，还包括：由所述智能网关平台根据下述中的至少一个来对模型模板的集合进行分类：行业、垂直行业、机器类型或者工业应用的类型。

14.根据权利要求11所述的方法，其中，添加所述建模元数据包括：针对所述数据项中的一个数据项，至少添加定义由所述定制模型定义的所述数据项与一个或更多个其他数据项之间的数学关系的元数据。

15.根据权利要求11所述的方法，其中，

添加所述建模元数据包括：至少添加指定要由所述人工智能分析系统解决的分析问题的类型的元数据，并且

基于所述定制模型来确定所述分析问题的类型。

16.根据权利要求11所述的方法，还包括：

对所述结构化数据执行数据分析；

基于所述数据分析的结果来确定与所述业务目标相关的可执行见解；以及

将所述可执行见解呈现在客户端设备上。

17.根据权利要求16所述的方法，还包括：基于所述数据分析的结果来生成指向所述工业设备中的一个或更多个的控制输出，其中，所述控制输出被配置成根据所述业务目标来改变工业系统的操作。

18.一种非暂态计算机可读介质，所述非暂态计算机可读介质上存储有指令，所述指令响应于执行使包括处理器的系统执行操作，所述操作包括：

接收选择输入，所述选择输入从一组存储的模型模板中指定模型模板，其中，所述一组存储的模型模板与相应的工业业务目标相关联，并且所述模型模板定义与同所述模型模板相关联的业务目标相关的数据输入以及所述数据输入之间的关系；

接收映射输入，所述映射输入定义所述数据输入与工业设备的数据标签之间的数据映射；

基于所述映射输入来定制所述模型模板以产生定制模型；

从由所述定制模型定义的数据标签收集数据值；

对所述数据项进行规范化；

基于由所述模型模板定义的所述数据输入之间的关系将建模元数据添加到所述数据值以产生结构化数据；以及

将所述结构化数据发送到人工智能分析系统。

19.根据权利要求18所述的非暂态计算机可读介质，其中，所述业务目标是下述中的至少一个：使产品输出最大化、使机器停机时间最小化、使机器故障最小化、优化能耗、预测机器停机时间事件、确定机器停机时间的原因、使产品质量最大化、使排放最小化、识别产生最大产品质量的因素、识别产生最大产品输出的因素或者识别产生最小机器停机时间的因素。

20.根据权利要求18所述的非暂态计算机可读介质，其中，添加所述建模元数据包括：针对所述数据值中的一个数据值，至少添加定义由所述定制模型定义的所述数据值与一个或更多个其他数据值之间的数学关系的元数据。

Images