CN113966515A - 用于动作指示确定的系统 - Google Patents
用于动作指示确定的系统 Download PDFInfo
- Publication number
- CN113966515A CN113966515A CN202080042417.8A CN202080042417A CN113966515A CN 113966515 A CN113966515 A CN 113966515A CN 202080042417 A CN202080042417 A CN 202080042417A CN 113966515 A CN113966515 A CN 113966515A
- Authority
- CN
- China
- Prior art keywords
- sensor data
- processing
- training
- processing unit
- action indication
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
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
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Automation & Control Theory (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及一种用于动作指示确定的系统。该系统包括输入单元、第一处理单元、第二处理单元和输出单元。输入单元被配置为从多个传感器向第一处理单元提供多个传感器数据。第二处理单元被配置为实现机器学习算法以生成至少一个预处理规则,其中该生成包括多个训练传感器数据和相关联的训练动作指示的利用。第二处理单元被配置为向第一处理单元提供至少一个预处理规则。第一处理单元被配置为实现预处理算法以确定预处理传感器数据,其中该确定包括至少一个预处理规则和多个传感器数据的利用。第一处理单元被配置为将预处理传感器数据提供给第二处理单元。第二处理单元被配置为实现机器学习算法以确定至少一个动作指示,其中该确定包括预处理传感器数据的利用。输出单元被配置为输出至少一个动作指示。
Description
技术领域
本发明涉及一种用于动作指示确定的系统、一种用于动作指示确定的方法、以及一种计算机程序元件和计算机可读介质。
背景技术
一个过程设施可以有很多过程控制系统,例如用于电气、化学、石油、其他工业过程和楼宇自动化的过程控制系统。一个或多个过程控制器通信地耦合到各种现场设备,诸如阀门、阀门定位器、继电器、开关、监测温度、压力、位置、流速等的各种传感器。过程控制器接收指示由现场设备进行的过程测量的数据信号,该数据信号可以用于生成控制信号以实现控制例程。
关于该数据流,例如这样的传感器数据,寻求开发评估模型以更好地理解过程,以寻求更好地确定应当基于该数据流针对特定情况采取哪些动作。
已经开发出使用人工智能或自学概念并且使用基于特定(训练)数据集而创建的评估模型的系统。通常,评估模型用于评估输入变量集(与训练数据集相关)以确定(单个)结果值。通常,评估模型被视为黑盒——即,结果值所依赖的传感器数据是未知的或不相关的。在典型设置中,模型评估是在CPU和存储器资源比获取数据的组件更大的组件中执行的。模型评估通常在后端系统(例如,云)中执行,这要求传感器数据通过网络或互联网传输。虽然不知道哪个传感器值变化可能会导致结果值发生变化,但所有值变化都必须传输到执行模型评估的组件。未经过滤的数据传输和针对每个值变化的模型评估的触发需要付出很大的努力。
各种问题都与这种方法有关:除了在数据传输和模型评估方面付出的巨大努力外,这种方法的可扩展性不好——关于越来越多的安装的传感器和越来越多的出现的(IoT/AI)后端服务。此外,数据隐私通常是一个问题,因为所有数据都必须传输到后端。
有必要解决这些问题。
发明内容
因此,具有改进的能力以确定要在这样的过程环境中采取的动作将是有利的。
本发明的目的通过独立权利要求的主题解决,其中另外的实施例并入从属权利要求中。
在第一方面,提供了一种用于动作指示确定的系统,该系统包括:
-输入单元;
-第一处理单元;
-第二处理单元;以及
-输出单元。
输入单元被配置为从多个传感器向第一处理单元提供多个传感器数据。第二处理单元被配置为实现机器学习算法以生成至少一个预处理规则,其中该生成包括多个训练传感器数据和相关联的训练动作指示的利用。第二处理单元被配置为向第一处理单元提供至少一个预处理规则。第一处理单元被配置为实现预处理算法以确定预处理传感器数据,其中该确定包括至少一个预处理规则和多个传感器数据的利用。第一处理单元被配置为将预处理传感器数据提供给第二处理单元。第二处理单元被配置为实现机器学习算法以确定至少一个动作指示和/或至少一个无效动作指示,其中该确定包括预处理传感器数据的利用。输出单元被配置为输出至少一个动作指示和/或至少一个无效动作指示。
换言之,启用了一种用于动作指示确定的系统和方法,其中可以在减少传输带宽和后端处理设备或系统所需要的处理的情况下对现场的处理设备执行预处理。
因此,该系统和方法能够在过程环境中灵活地分离数据评估和数据预处理。
在一个示例中,至少一个预处理规则包括至少一个过滤规则。
在一个示例中,预处理传感器数据包括传感器数据的子集。
因此,第一处理单元可以预处理传感器数据以确定传感器数据的子集,例如通过传感器数据的过滤,但也生成不是子集的新传感器数据(例如,通过聚合/拆分/时间窗口)。因此,第一处理单元可以执行/应用预处理规则以适配传感器数据。
由第二处理单元生成至少一个预处理规则表示,这些规则是根据应用机器学习和/或结果评估模型的过程来生成的。
在一个示例中,至少一个预处理规则的生成包括确定多个训练传感器数据与相关联的动作指示之间的至少一个关联。
在一个示例中,至少一个预处理规则的生成包括训练传感器数据相对于相关联的训练动作指示未使用或基本未使用的标识,该标识包括至少一个关联的利用。
在一个示例中,至少一个预处理规则的生成包括至少一个传感器相对于相关联的训练动作指示未使用或基本未使用的标识,该标识包括至少一个关联的利用。
因此,可以标识未使用或很少使用的传感器,并且从而可以确定不考虑它们生成的数据。
在一个示例中,机器学习算法包括神经网络。
在一个示例中,机器学习算法包括贝叶斯网络。
在一个示例中,至少一个预处理规则的生成包括多个训练传感器数据的子集相对于相关联的训练动作指示未使用或基本未使用的标识。
在一个示例中,机器学习算法包括决策树算法。
在一个示例中,至少一个预处理规则的生成包括多个训练传感器数据与相关联的训练动作指示之间的相关性的确定。
在一个示例中,预处理算法包括复杂事件处理算法。
在一个示例中,预处理传感器数据的确定包括利用至少一个预处理规则来选择一个或多个传感器设备。
在一个示例中,预处理传感器数据的确定包括利用至少一个预处理规则来激活或停用一个或多个传感器设备。
因此,换言之,传感器数据的收集相对于传感器设备是可控的。
在一个示例中,预处理传感器数据的确定包括利用至少一个预处理规则来配置通信机制。
因此,诸如现场设备等底层系统元件可以被配置为例如仅生成和传送所需要的传感器数据。
在一个示例中,第二处理单元被配置为:将预处理传感器数据中的一个或多个添加到多个训练传感器数据;并且将至少一个动作指示中的一个或多个相关联的动作指示添加到训练动作指示。第二处理单元被配置为更新至少一个预处理规则,其中更新包括已更新的多个训练传感器数据和关联的更新的训练动作指示的利用。
在第二方面,提供了一种用于动作指示确定的方法,该方法包括:
a)从多个传感器提供多个传感器数据;
b)实现机器学习算法并且生成至少一个预处理规则,该生成包括:利用多个训练传感器数据和相关联的训练动作指示;
c)实现预处理算法并且确定预处理传感器数据,该确定包括:利用至少一个预处理规则和多个传感器数据;
d)实现机器学习算法并且确定至少一个动作指示,该确定包括:利用预处理传感器数据;以及
e)输出至少一个动作指示。
根据另一方面,提供了一种控制如前所述的系统的计算机程序元素,当该计算机程序元素由处理单元执行时,该系统适于执行如先前所描述的方法步骤。
根据另一方面,还提供了一种存储有如前所述的计算机元件的计算机可读介质。
参考下文描述的实施例,上述方面和示例将变得很清楚并且被阐明。
附图说明
下面将参考以下附图描述示例性实施例:
图1示出了用于动作指示确定的方法的详细工作流程的示例。
具体实施方式
图1涉及一种用于动作指示确定的系统和方法。在一个示例中,该系统包括输入单元、第一处理单元、第二处理单元和输出单元。输入单元被配置为从多个传感器向第一处理单元提供多个传感器数据。第二处理单元被配置为实现机器学习算法以生成至少一个预处理规则。至少一个预处理规则的生成包括多个训练传感器数据和相关联的训练动作指示的利用。第二处理单元被配置为向第一处理单元提供至少一个预处理规则。第一处理单元被配置为实现预处理算法以确定预处理传感器数据。预处理传感器数据的确定包括至少一个预处理规则和多个传感器数据的利用。第一处理单元被配置为将预处理传感器数据提供给第二处理单元。第二处理单元被配置为实现机器学习算法以确定至少一个动作指示。至少一个动作指示的确定包括预处理传感器数据的利用。输出单元被配置为输出至少一个动作指示。
以与生成预处理规则类似的方式,在一个示例中,该系统被配置为预处理数据,其中预处理数据例如需要所应用的模型评估算法/与其相关,并且这些预处理规则可以向下移动到边缘。
根据一个示例,至少一个预处理规则的生成包括多个训练传感器数据与相关联的动作指示之间的至少一个关联的确定。
根据一个示例,至少一个预处理规则的生成包括训练传感器数据相对于相关联的训练动作指示未使用或基本未使用的标识,该标识包括至少一个关联的利用。
在一个示例中,至少一个预处理规则的生成包括至少一个传感器相对于相关联的训练动作指示未使用或基本未使用的标识,该标识包括至少一个关联的利用。
根据一个示例,机器学习算法包括神经网络。
根据一个示例,机器学习算法包括贝叶斯网络。
根据一个示例,至少一个预处理规则的生成包括多个训练传感器数据的子集相对于相关联的训练动作指示未使用或基本未使用的标识。
根据一个示例,机器学习算法包括决策树算法。
根据一个示例,至少一个预处理规则的生成包括多个训练传感器数据与相关联的训练动作指示之间的相关性的确定。
根据一个示例,预处理算法包括复杂事件处理算法。
根据一个示例,传感器数据的预处理的确定包括利用至少一个预处理规则来选择一个或多个传感器设备。
根据一个示例,预处理传感器数据的确定包括利用至少一个预处理规则来激活或停用一个或多个传感器设备。
根据一个示例,预处理传感器数据的确定包括利用至少一个预处理规则来配置通信机制。
根据一个示例,第二处理单元被配置为:将预处理传感器数据中的一个或多个添加到多个训练传感器数据;并且将至少一个动作指示中的一个或多个相关联的动作指示添加到训练动作指示。第二处理单元被配置为更新至少一个预处理规则,包括已更新的多个训练传感器数据和相关联的更新的训练动作指示的利用。
图1还涉及用于动作指示确定的工作流或方法。该方法包括:
a)从多个传感器提供多个传感器数据;
b)实现机器学习算法并且生成至少一个预处理规则,该生成包括:利用多个训练传感器数据和相关联的训练动作指示;
c)实现预处理算法并且确定预处理传感器数据,该确定包括:利用至少一个预处理规则和多个传感器数据;
d)实现机器学习算法并且确定至少一个动作指示,该确定包括:利用预处理传感器数据;以及
e)输出至少一个动作指示。
在一个示例中,步骤b)包括确定多个训练传感器数据与相关联的动作指示之间的至少一个关联。
在一个示例中,步骤b)包括标识训练传感器数据相对于相关联的训练动作指示未使用或基本未使用,该标识包括利用至少一个关联。
在一个示例中,在步骤b)中,机器学习算法包括神经网络。
在一个示例中,在步骤b)中,机器学习算法包括贝叶斯网络。
在一个示例中,在步骤b)中,生成至少一个预处理规则包括标识多个训练传感器数据的子集相对于相关联的训练动作指示未使用或基本未使用。
在一个示例中,在步骤b)中,机器学习算法包括决策树算法。
在一个示例中,在步骤b)中,生成至少一个预处理规则包括确定多个训练传感器数据与相关联的训练动作指示之间的相关性。
在一个示例中,在步骤c)中,预处理算法包括复杂事件处理算法。
在一个示例中,在步骤c)中确定预处理传感器数据包括:利用至少一个预处理规则来选择一个或多个传感器设备。
在一个示例中,在步骤c)中确定预处理传感器数据包括:利用至少一个预处理规则来激活或停用一个或多个传感器设备。
在一个示例中,在步骤c)中确定预处理传感器数据包括:利用至少一个预处理规则来配置通信机制。
在一个示例中,该方法包括将预处理传感器数据中的一个或多个添加到多个训练传感器数据并且将至少一个动作指示中的一个或多个相关联的动作指示添加到训练动作指示,并且更新至少一个预处理规则,包括已更新的多个训练传感器数据和关联的更新的训练动作指示的利用。
因此,一个过程设施可以有很多过程控制系统,有很多传感器提供传感器数据,并且对于该数据流,分析评估模型以了解所需要的输入数据。这样做是为了更有效并且更灵活地基于该数据流确定应当针对特定情况采取哪些动作。
通过将事件限制为仅相关事件/输入变化,减少了通信工作以及后端用于模型评估的工作。最终决策等同于将所有传感器数据以未经预处理的方式发送到后端并且在那里进行预处理和评估时做出的决策。
通常,评估模型仅依赖于某些输入变量/对某些输入变量做出反应,而在后端,模型训练产生的规则可以在前端(由边缘设备)使用以限定需要传输哪些数据以进行分析。因此,通常将来自所有传感器的整个数据流的所有值变化传输到评估模型以触发评估,在本系统和方法中,需要传输以便来决定采取什么动作的一组值变化大大减少。因此,提供本地处理设备以使用适合目标评估模型的需要的表示以仅将相关事件发送到后端的方式过滤和预处理传入数据。
很多传统系统因此将后端用作数据接收宿,因为不知道需要哪些数据。因此,所有数据都被推送到后端,以防模型评估可能会使用它。各种问题都与这种已知的方法有关:除了在数据传输和模型评估方面付出巨大努力外,这种方法的可扩展性不好——关于越来越多的安装的传感器和越来越多的出现的(IoT/AI)后端服务,并且必须集成传感器数据。此外,数据隐私通常是一个问题,因为所有数据都必须传输到后端。
因此,在用于动作指示确定的新系统和方法中,未过滤的数据传输和对每个值变化的模型评估的问题(否则将导致大量工作)得到解决。
这是通过从模型中提取相关输入变量来实现的。可以使用和配置复杂事件处理(CEP)等机制,以根据实际模型(例如,某些阈值/时间窗口)过滤相关值变化。这种预处理规则的提取和创建然后可以与模型适配/训练过程集成。换言之,智能被推送到现场(而不是将所有数据转储到云端),并且工作量减少,通信开销和CPU消耗更少。
在具体的详细工作流程中再次参考图1,这涉及从模型中提取相关输入变量:根据用于评估模型的算法,确定结果值与输入值之间的相关性。在决策树中,可以提取在特定情况下其传感器数据将导致结果值的变化的确切依赖性。在其他算法中,例如神经元网络或贝叶斯网络,至少可以标识未使用或几乎不相关的输入值。此外,在一般情况下,并且不考虑所生成的模型,存在多种属性选择算法(基本上它们计算训练数据集的输入变量与结果值之间的关联),并且这些算法可以用于标识不相关的输入变量。
在特定情况下,在评估之前对输入数据应用预处理机制——例如聚合多个传入值以建立平均值。此外,有关这样的预处理机制的信息被提取并且用于在传输之前过滤(或聚合)数据。
所提取的关于输入变量的相关性的信息用于配置预处理(诸如过滤/适应)机制。这些预处理机制与生成输入值的组件(提供传感器数据的传感器)集成或接近。这些预处理机制可以包括传感器设备选择或完整的传感器设备激活/停用、通信方面的配置(轮询/订阅机制)以及可以与信息流集成以操纵它的其他中间组件——如消息代理或复杂事件处理(CEP)引擎。
这种预处理规则的提取和创建与模型适配/训练过程相结合。这种集成确保每次适配评估模型或预处理机制时,预处理机制也相应地进行调节。
如上所述,用于动作指示确定的新系统和方法减少了(可能不相关的)传感器数据的传输所需要的开销,并且使得模型评估过程仅对相关值变化进行操作,从而提供针对面对来自众多传感器设备的大量数据流时应当采取什么动作的更有效确定。
因此,如果所提取的信息描述哪些传感器不相关,则其数据完全不相关的传感器可以被系统的其余部分停用或不订阅/轮询。如果所使用的通信技术支持更细粒度的订阅——例如配置死区滤波器或定义采样率(例如,在OPC UA中可用),则这些机制也可以基于所提取的信息进行配置。
在特定示例中,已经确定复杂事件处理(CEP)是最灵活且最细粒度的概念中的一个,其可以与所提取的信息一起使用。根据所提取的信息(即,也取决于所应用的评估模型算法和所应用的处理机制),还可以创建更细粒度的规则。通常,CEP是基于基于SQL的查询完成的,该查询可以用于定义可以包含死区范围或阈值(例如,在决策树中使用)的规则,或者可以确定多个传感器和特定时间窗口内的平均值(例如,在预处理机制中使用)。以这种方式,可以将部分预处理转移到现场。然后,这种现场预处理也可以用于从真实数据中抽象/混淆以解决隐私问题。这导致流向后端的数据流减少为仅相关和预处理数据。
下面涉及针对用于事件过滤和动作指示确定的已建立技术的简要讨论,这些技术被发现并不令人满意并且导致了本文中描述的新系统和方法的开发。
US6363435 B1描述了单个对象用作分层对象模型中激发的事件的集中监测点。分层结构内的对象在创建时向事件监测对象注册。这些对象然后将它们的事件路由到事件监测对象。监听对象还向事件监测对象注册以在分层结构内发生某些事件时接收通知。与特定对象类别相对应的事件监测对象的属性被参数化为标识符,该标识符指定要源送到监听对象的事件。事件监测对象将监听对象耦合到过滤器对象,该过滤器对象仅提供由参数化属性指定的事件。事件监测根据需要创建过滤器对象。如果监听对象注册以接收相同事件的通知,则过滤器对象可以向多个监听对象报告事件。
US2016217387A1描述了用于异构环境中的边缘设备的具有模型过滤和模型混合的机器学习。在示例实施例中,边缘设备包括通信模块、数据收集设备、存储器、机器学习模块和模型混合模块。边缘设备使用第一任务的模型分析所收集的数据,输出结果,并且更新模型以创建本地模型。边缘设备与异构组中的其他边缘设备通信,向异构组传输对本地模型的请求,并且从异构组接收本地模型。边缘设备通过结构元数据过滤本地模型,包括与第二任务相关的第二本地模型。边缘设备对第二本地模型执行混合操作以生成与第二任务相关的混合模型,并且将混合模型传输到异构组。
US2013031567A1描述了一种用于处理事件流的方法。该方法包括在本地设备处接收事件流。事件流与本地设备相关联。此外,事件流包括一个或多个乱序事件。该方法还包括针对事件流执行第一复杂事件处理查询。基于由一组运算符定义的多级一致性处理事件流。此外,该方法包括基于该组运算符校正无序事件。生成第一输出,其中基于已校正的无序事件保证一致性。该方法还包括将第一输出发送到对输出执行复杂事件处理的服务器。
S.A.Reinhardt、S.Schulte和R.Steinmetz的“Scoresheet-basedevent relevance determination for energy efficiency in wireless sensornetworks”(2011IEEE 36th Conference on Local Computer Networks,Bonn,2011,pp.207-210)描述了:“由于无线传感器节点大多由电池供电,节能操作是优化地使用其有限能量预算的必要条件。在物流领域尤其如此,其中需要及时准确监测集装箱,同时成本压力很大。因此,除了需要能源效率外,物流中的无线传感器网络部署也需要成本效率。由于数据传输表示能源消耗和货币成本方面的最昂贵的操作,因此我们在本文中提出了本地确定传输相关性的概念。通过从传输中省略不相关事件,有效地减少了要传输的数据量。我们的方法采用了商业经济学领域的概念,并且基于评分表的使用,该评分表评估关于无线传感器节点的信息以确定它们是否“值得”传输。因此,基于评分表的方法为本地过滤提供了一种可行的解决方案,以实现无线传感器网络的能源和成本效益操作,同时保持数据保真度和实时事件通知的优势”。
A.Papageorgiou、M.Schmidt、J.Song和N.Kami的“Smart M2M Data FilteringUsing Domain-Specific Thresholds in Domain-Agnostic Platforms”(2013IEEEInternational Congress on Big Data,Santa Clara,CA,2013,pp.286-293)描述了“由于需要对在任何地方和从任何设备测量的数据进行同质、智能和自动访问,机器对机器(M2M)平台正在发展成为全球预期的多层解决方案,该解决方案提供这样的访问,以从所有技术特定任务中抽象出来。为了保持潜在庞大数据处理系统的稳定性和其大数据的有用性,M2M平台必须维护一些数据选择和过滤逻辑。现代M2M平台中出现的一个挑战与前端(设备、区域网络)与后端(应用、数据库)的解耦有关。由于这种解耦,领域特定技巧不能再应用于前端处的过滤。本文中提出了一种在域不可知平台中使用域特定过滤阈值的解决方案、以及为现代M2M平台量身定制的过滤流和算法。它们的组合构成支持统一处理异构过滤器的第一过滤解决方案。在来自公用事业监测领域的评估中,我们的方法的实例显示出配置的高效率,并且是实现例如转发少于25%的捕获数据同时保持所有考虑应用的大于50%的覆盖率的唯一方法”。
然而,如上所述,在这样的已建立技术中,通常所有变化都被推送到模型评估以触发它,从而导致针对每个值变化的AI模型评估付出巨大努力。
然而,这里开发和描述的新系统和方法使得已训练模型成为“在环(in-the-loop)”以有效地对变化做出反应,并且模型仅依赖于某些输入变量/对某些输入变量做出反应的事实已经被考虑到。在特定实施例中,这是通过提取相关输入变量来实现的,并且其中CEP用于描述更具体的相关性(例如,某些阈值/时间窗口),从而能够仅对相关变化(例如,传感器数据)触发数据传输和模型评估。以这种方式,通过CEP可以实现更具体的查询(而不是简单的订阅),并且还可以在现场下载和执行适当的数据预处理设置。总体而言,这可以将智能推送到现场(而不是将所有数据转储到云端),并且减少了工作量,减少了通信开销和CPU消耗。
在另一示例性实施例中,提供了一种计算机程序或计算机程序元素,其特征在于被配置为在适当系统上执行根据前述实施例中的一个的方法的方法步骤。
因此,计算机程序元素可以存储在计算机单元上,该计算机单元也可以是实施例的一部分。该计算单元可以被配置为执行或引起执行上述方法的步骤。此外,它可以被配置为操作上述装置和/或系统的组件。计算单元可以被配置为自动操作和/或执行用户的命令。计算机程序可以加载到数据处理器的工作存储器中。数据处理器因此可以被配备以执行根据前述实施例中的一个的方法。
根据本发明的另一示例性实施例,提供了一种计算机可读介质,诸如CD-ROM,其中该计算机可读介质具有存储在其上的计算机程序元素,该计算机程序元素在前面的部分中进行了描述。
虽然已经在附图和前述说明中详细说明和描述了本发明,但是这样的说明和描述被认为是说明性的或示例性的而不是限制性的。本发明不限于所公开的实施例。通过研究附图、公开内容和从属权利要求,本领域技术人员在实践要求保护的发明时可以理解和实现对所公开的实施例的其他变化。
Claims (15)
1.一种用于动作指示确定的系统,包括:
-输入单元;
-第一处理单元;
-第二处理单元;以及
-输出单元;
其中所述输入单元被配置为从多个传感器向所述第一处理单元提供多个传感器数据;
其中所述第二处理单元被配置为实现机器学习算法以生成至少一个预处理规则,其中所述生成包括多个训练传感器数据和相关联的训练动作指示的利用;
其中所述第二处理单元被配置为向所述第一处理单元提供所述至少一个预处理规则;
其中所述第一处理单元被配置为实现预处理算法以确定预处理传感器数据,其中所述确定包括:所述至少一个预处理规则和所述多个传感器数据的利用;
其中所述第一处理单元被配置为将所述预处理传感器数据提供给所述第二处理单元;
其中所述第二处理单元被配置为实现所述机器学习算法以确定至少一个动作指示,其中所述确定包括所述预处理传感器数据的利用;以及
其中所述输出单元被配置为输出所述至少一个动作指示。
2.根据权利要求1所述的系统,其中所述至少一个预处理规则的生成包括:所述多个训练传感器数据与相关联的动作指示之间的至少一个关联的确定。
3.根据权利要求2所述的系统,其中所述至少一个预处理规则的生成包括:训练传感器数据相对于所述相关联的训练动作指示未使用或基本未使用的标识,所述标识包括所述至少一个关联的利用。
4.根据权利要求1至3中任一项所述的系统,其中所述机器学习算法包括神经网络。
5.根据权利要求1至3中任一项所述的系统,其中所述机器学习算法包括贝叶斯网络。
6.根据权利要求4至5中任一项所述的系统,其中所述至少一个预处理规则的生成包括:所述多个训练传感器数据的子集相对于所述相关联的训练动作指示未使用或基本未使用的标识。
7.根据权利要求1至3中任一项所述的系统,其中所述机器学习算法包括决策树算法。
8.根据权利要求7所述的系统,其中所述至少一个预处理规则的生成包括:所述多个训练传感器数据与所述相关联的训练动作指示之间的相关性的确定。
9.根据权利要求1至8中任一项所述的系统,其中所述预处理算法包括复杂事件处理算法。
10.根据权利要求1至9中任一项所述的系统,其中所述预处理传感器数据的确定包括:利用所述至少一个预处理规则来选择一个或多个传感器设备。
11.根据权利要求1至10中任一项所述的系统,其中所述预处理传感器数据的确定包括:利用所述至少一个预处理规则来激活或停用一个或多个传感器设备。
12.根据权利要求1至11中任一项所述的系统,其中所述预处理传感器数据的确定包括:利用所述至少一个预处理规则来配置通信机制。
13.根据权利要求1至12中任一项所述的系统,其中所述第二处理单元被配置为:将所述预处理传感器数据中的一个或多个添加到所述多个训练传感器数据,并且将所述至少一个动作指示中的一个或多个相关联的动作指示添加到所述训练动作指示;并且更新所述至少一个预处理规则,包括已更新的多个训练传感器数据和相关联的更新的训练动作指示的利用。
14.一种用于动作指示确定的方法,包括:
a)从多个传感器提供多个传感器数据;
b)实现机器学习算法,并且生成至少一个预处理规则,所述生成包括:利用多个训练传感器数据和相关联的训练动作指示;
c)实现预处理算法并且确定预处理传感器数据,所述确定包括:利用所述至少一个预处理规则和所述多个传感器数据;
d)实现所述机器学习算法,并且确定至少一个动作指示,所述确定包括:利用所述预处理传感器数据;以及
e)输出所述至少一个动作指示。
15.一种用于控制根据权利要求1至13中任一项所述的系统的计算机程序元素,所述计算机程序元素在由处理器执行时被配置为执行根据权利要求14所述的方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19180076.2A EP3751361A1 (en) | 2019-06-13 | 2019-06-13 | System for action indication determination |
EP19180076.2 | 2019-06-13 | ||
PCT/EP2020/066047 WO2020249598A1 (en) | 2019-06-13 | 2020-06-10 | System for action indication determination |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113966515A true CN113966515A (zh) | 2022-01-21 |
Family
ID=66857831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080042417.8A Pending CN113966515A (zh) | 2019-06-13 | 2020-06-10 | 用于动作指示确定的系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220101139A1 (zh) |
EP (1) | EP3751361A1 (zh) |
CN (1) | CN113966515A (zh) |
WO (1) | WO2020249598A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230097885A1 (en) * | 2021-09-24 | 2023-03-30 | Rockwell Automation Technologies, Inc. | Machine learning models for asset optimization within industrial automation environments |
US20240054419A1 (en) * | 2022-08-09 | 2024-02-15 | Iqvia Inc. | Site monitoring activity review tool (art) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6363435B1 (en) | 1998-02-03 | 2002-03-26 | Microsoft Corporation | Event sourcing and filtering for transient objects in a hierarchical object model |
US6760716B1 (en) * | 2000-06-08 | 2004-07-06 | Fisher-Rosemount Systems, Inc. | Adaptive predictive model in a process control system |
US20130031567A1 (en) | 2011-07-25 | 2013-01-31 | Microsoft Corporation | Local event processing |
US10223327B2 (en) * | 2013-03-14 | 2019-03-05 | Fisher-Rosemount Systems, Inc. | Collecting and delivering data to a big data machine in a process control system |
US10032117B2 (en) * | 2014-09-17 | 2018-07-24 | Caterpillar Inc. | Method for developing machine operation classifier using machine learning |
US10387794B2 (en) | 2015-01-22 | 2019-08-20 | Preferred Networks, Inc. | Machine learning with model filtering and model mixing for edge devices in a heterogeneous environment |
US11397887B2 (en) * | 2017-09-26 | 2022-07-26 | Amazon Technologies, Inc. | Dynamic tuning of training parameters for machine learning algorithms |
-
2019
- 2019-06-13 EP EP19180076.2A patent/EP3751361A1/en active Pending
-
2020
- 2020-06-10 WO PCT/EP2020/066047 patent/WO2020249598A1/en active Application Filing
- 2020-06-10 CN CN202080042417.8A patent/CN113966515A/zh active Pending
-
2021
- 2021-12-13 US US17/548,816 patent/US20220101139A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20220101139A1 (en) | 2022-03-31 |
WO2020249598A1 (en) | 2020-12-17 |
EP3751361A1 (en) | 2020-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11991194B2 (en) | Cognitive neuro-linguistic behavior recognition system for multi-sensor data fusion | |
CN107871164B (zh) | 一种雾计算环境个性化深度学习方法 | |
CN110752942B (zh) | 告警信息的决策方法、装置、计算机设备及存储介质 | |
CN107968840B (zh) | 一种大规模电力设备监测报警数据实时处理方法及系统 | |
CN107864174B (zh) | 一种基于规则的物联网设备联动方法 | |
US20190250569A1 (en) | Advanced control systems for machines | |
JP2019513246A (ja) | ランダムフォレストモデルの訓練方法、電子装置及び記憶媒体 | |
US11190552B2 (en) | Gateway configurations in industrial internet of things | |
US10091110B2 (en) | Edge-based load shedding system for fast data analysis and operating method thereof | |
CN113176948B (zh) | 边缘网关、边缘计算系统及其配置方法 | |
US20220101139A1 (en) | System for Action Indication Determination | |
CN104883278A (zh) | 一种利用机器学习对网络设备进行分类的方法 | |
US11847413B2 (en) | Lexical analyzer for a neuro-linguistic behavior recognition system | |
TWI623881B (zh) | 事件串流處理系統、方法與機器可讀記憶體 | |
KR20190001501A (ko) | 통신망의 인공지능 운용 시스템 및 이의 동작 방법 | |
CN113409555B (zh) | 一种基于物联网的实时报警联动方法及系统 | |
CN113111115A (zh) | 一种数据信息管理系统及其方法 | |
CN111368060B (zh) | 对话机器人的自学习方法、装置、系统、电子设备及介质 | |
CN114930290A (zh) | 用于管理对资产操作进行管理的应用程序的系统、设备、方法和数据栈 | |
CN111917848A (zh) | 基于边缘计算和云计算协同的数据处理方法及云服务器 | |
CN105897503B (zh) | 基于资源信息增益的Hadoop集群瓶颈检测方法 | |
CN105515822A (zh) | 大数据驱动的互联网架构和实现方法 | |
Steckel et al. | Anomaly detection and performance evaluation of mobile agricultural machines by analysis of big data | |
CN114492769B (zh) | 数据处理方法、相关设备及系统 | |
WO2018228667A1 (en) | Automatic feature selection in machine learning |
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 |