CN114556241B - 将人工智能(ai)集成到自动化中的可编程逻辑控制器(plc)程序中功能块的ai伴侣 - Google Patents
将人工智能(ai)集成到自动化中的可编程逻辑控制器(plc)程序中功能块的ai伴侣 Download PDFInfo
- Publication number
- CN114556241B CN114556241B CN201980101309.0A CN201980101309A CN114556241B CN 114556241 B CN114556241 B CN 114556241B CN 201980101309 A CN201980101309 A CN 201980101309A CN 114556241 B CN114556241 B CN 114556241B
- Authority
- CN
- China
- Prior art keywords
- partner
- plc
- control
- mate
- function
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 151
- 230000006870 function Effects 0.000 claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 75
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 22
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 abstract description 5
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 230000008901 benefit Effects 0.000 description 10
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000000855 fermentation Methods 0.000 description 8
- 230000004151 fermentation Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 6
- 230000002708 enhancing effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000012731 temporal analysis Methods 0.000 description 3
- 238000000700 time series analysis Methods 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011049 filling Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002378 acidificating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000001143 conditioned effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
- G05B19/056—Programming the PLC
-
- 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
- G06N3/08—Learning methods
-
- 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
- G05B2219/10—Plc systems
- G05B2219/13—Plc programming
- G05B2219/13004—Programming the plc
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Programmable Controllers (AREA)
Abstract
一种系统和方法为可编程逻辑控制器(PLC)程序中的每个功能块提供人工智能(AI)伴侣以将AI集成到自动化系统中。多个功能块和系统功能块被分组为逻辑组。控制问题从顶层被分解为逻辑分区,作为被编程为PLC程序中的功能块的多个功能。每个功能块和整个PLC程序与关联的AI伴侣集成。AI伴侣的运行时系统提供新的运行时能力。提供了一种实现AI伴侣的方法。还提供了一种控制自动化过程的方法。
Description
技术领域
本发明的各方面主要涉及在不改变现有程序的情况下为可编程逻辑控制器(PLC)程序中的每个功能块启用人工智能(AI)伴侣的系统和方法。人工智能和传统自动化在编程层级被结合在一起。
背景技术
自动化系统用于以系统方式控制机器和其它部件的操作。典型的自动化系统通常包括来自多个供应商的设备。每件设备可以使用供应商专用编程语言、运行时环境和协议。传统的自动化编程范例没有被设计成利用人工智能(AI)。功能块中的算法是编码的,而不是学习的。在可编程逻辑控制器(PLC)中提供的大量数据也可以用于AI,这可以最终改善PLC性能。
当今的自动化程序在符合IEC61131-3的工程环境(例如SIMATIC TIA门户)中编码,并在工业可编程逻辑控制器(例如SIMATIC S7-1500 CPU)中执行。为电气工程师创建了IEC61131-3语言,例如梯形图、语句列表(STL)和结构化控制语言(SCL)。功能被封装在FB(功能块)或SFB(系统功能块)中。每个块具有输入端口和输出端口。功能块可以连线在一起以组成更大的程序。梯形图编程是为在软件编程方面受过很少或没有训练的电工设计的,以遵循每个梯级的逻辑流程,就像可以使用电气控制原理图一样。PLC于20世纪60年代创建,IEC61131于20世纪80年代创建。
如果没有不断增加的计算能力和无处不在的数据,AI(和机器学习)在21世纪的兴起是不可能的。AI非常擅长发现数据中的模式,通常比人类更快更好。通常,需要大量数据集作为输入来对AI算法进行广泛训练。一旦经过训练,就可以创建经过训练的模型并将其部署到系统上。在执行期间,可以将新数据集馈送到模型中,推断将在运行时发生,并且结果是期望的输出。
最近,工业参与者正在将AI技术的进步应用到传统的工业控制器中。一个例子在于西门子刚刚发布了一款用于S7-1500 PLC和ET200-MP I/O系统的SIMATIC S7-1500 TMNPU(神经处理单元)模块。NPU I/O模块包含英特尔Movidius Myriad X视觉处理单元,可实现神经网络的高效处理。作为传统PLC的集成模块,骨干通信总线可用于在NPU和PLC之间交换数据(例如神经网络处理的结果)。
然而,这种当前的进步只是在自动化中接触AI动力的表面。PLC的硬件(GPU、硬件加速器等)插件为训练和执行复杂的AI模型提供了必要的处理能力。由NPU支持的其它支持AI的功能(例如添加摄像头和视觉处理)也是PLC程序中执行的自动化功能的分离插件。AI仍然没有直接帮助在PLC程序中执行的传统自动化功能。
换句话说,AI和PLC程序仅松散地耦连,而没有紧密地集成。PLC程序在自动化方面不具有AI的真正优点。
因此,需要在自动化中更好地集成AI。
发明内容
简而言之,本发明的各方面涉及被设计成利用人工智能(AI)的自动化编程范例。功能块中的算法被编码和学习。可编程逻辑控制器(PLC)中的大量数据用于AI,这提高了PLC性能。功能被封装在FB(功能块)或SFB(系统功能块)中。每个块具有输入端口和输出端口。功能块可以连在一起以组成更大的程序。数据集作为输入用于训练AI算法。一旦经过训练,就创建经过训练的模型并将其部署到系统上。在执行期间,可以将新数据集馈送到模型中,在运行时推断,并且结果是期望的输出。AI直接协助PLC程序中执行的自动化功能。换句话说,AI和PLC程序是紧紧耦连和紧密集成的。PLC程序在自动化中利用AI的真正优点。
根据本发明的一个说明性实施例,提供了一种用于操作可编程逻辑控制器(PLC)的控制程序的系统。系统包括处理器和用于存储由处理器执行的算法的存储器。算法包括多个功能块,功能块包括至少一个输入和至少一个输出。每个功能块配置为控制控制程序的指定控制功能。算法进一步包括设计成使用一个或多个自动化功能与自动化设备通信的控制应用。每个自动化功能包括一个或多个设备不可知的指令。该算法进一步包括多个人工智能(AI)伴侣,使得现有功能块的至少一个输入和至少一个输出也能够用于对应的AI伴侣。控制程序中的任何功能块与自动生成的相应AI伴侣集成。每个功能块具有关联的AI伴侣,关联的AI伴侣被配置为执行包括以下的步骤:使用至少一个输入和至少一个输出来训练关联的AI伴侣,并且一旦关联的AI伴侣被完全训练,则关联的AI伴侣被配置为接管原始功能块并利用多个未知输入来执行操作。该算法进一步包括用于执行PLC的运行时操作的运行时间部件。运行时操作包括利用处于被动的监控状态的多个人工智能(AI)伴侣或利用处于主动的接管控制状态的多个人工智能(AI)伴侣,来增强多个功能块的功能性。
根据本发明的另一个说明性实施例,提供了一种控制自动化过程的方法。该方法包括将人工智能(AI)伴侣与可编程逻辑控制器(PLC)控制程序的功能块配对,其中功能块是与至少一个输入和至少一个输出关联的指定控制功能。该方法进一步包括在功能块开发期间运行PLC控制程序进行多个周期时,在模拟输入期间训练AI伴侣。该方法进一步包括由运行时部件验证功能块。该方法进一步包括使用AI伴侣执行PLC控制程序以控制指定控制功能而无需功能块。该方法进一步包括在运行时操作期间优化AI伴侣的算法。该方法进一步包括由运行时部件监控可编程逻辑控制器(PLC),其中在故障状态下,将对指定控制功能的控制从AI伴侣交换到功能块。
根据本发明的另一个说明性实施例,提供了一种智能可编程逻辑控制器(PLC)。PLC包括配置为根据扫描周期执行的处理器、包括过程映像区域的易失性计算机可读存储介质、和非易失性计算机可读存储介质。PLC进一步包括由处理器根据扫描周期执行的多个控制器部件。多个控制器部件包括:数据传送部件,数据传送部件被配置为在每个扫描周期期间利用包括自动化系统数据的内容来更新过程映像区域;以及功能块,功能块包括至少一个输入和至少一个输出,其中功能块被配置为控制控制程序的指定控制功能。多个控制器部件进一步包括人工智能(AI)伴侣,AI伴侣被配置为执行包括以下的步骤:使用至少一个输入和至少一个输出来训练关联的AI伴侣,并且一旦关联的AI伴侣被完全训练,则关联的AI伴侣被配置为接管原始功能块并利用多个未知输入来执行操作。多个控制器部件进一步包括用于执行PLC的运行时操作的运行时间部件。运行时操作包括利用处于被动的监控状态的多个人工智能(AI)伴侣或利用处于主动的接管控制状态的多个人工智能(AI)伴侣,来增强多个功能块的功能性。
附图说明
图1示出根据本发明示例性实施例的自动化系统的框图,其中人工智能(AI)伴侣与可编程逻辑控制器(PLC)程序中的每个功能块集成。
图2示出根据本发明示例性实施例的智能可编程逻辑控制器(PLC)的示意图。
图3示出根据本发明示例性实施例的与AI伴侣块集成的PLC程序中的功能块。
图4示出根据本发明示例性实施例的分组为逻辑组的多个功能块和系统功能块。
图5示出根据本发明示例性实施例的控制问题。
图6示出根据本发明示例性实施例的图5的控制问题,控制问题从顶层被分解为逻辑分区,作为PLC程序中的功能块编程的五个功能。
图7示出根据本发明示例性实施例的与AI伴侣集成的每个功能块和整个PLC程序。
图8示出根据本发明示例性实施例的用于提供新的运行时能力的AI伴侣的运行时系统。
图9示出根据本发明示例性实施例的实现AI伴侣的方法。
图10示出根据本发明示例性实施例的控制自动化过程的方法的流程图的示意图。
具体实施方式
为了便于理解本发明的实施例、原理和特征,在下文中参考说明性实施例中的实现方式来解释它们。特别是,它们在系统和方法的上下文中进行了描述,该系统和方法为可编程逻辑控制器(PLC)程序中的每个功能块启用人工智能(AI)伴侣,而无需更改现有程序。AI和传统自动化在编程层级结合在一起。在用于将AI集成到自动化系统中的可编程逻辑控制器(PLC)程序中提供了用于功能块的人工智能(AI)伴侣。人工智能(AI)伴侣与可编程逻辑控制器(PLC)程序中的每个功能块集成。提供了一种智能可编程逻辑控制器(PLC)。多个功能块和系统功能块被分组为逻辑组。控制问题从顶层被分解为逻辑分区,作为被编程为PLC程序中的功能块的五个功能。每个功能块和整个PLC程序与相关的AI伴侣集成。AI伴侣的运行时系统提供新的运行时能力。提供了一种实现AI伴侣的方法。根据本发明的示例性实施例,还提供了一种控制自动化过程的方法。然而,本发明的实施例不限于在所描述的设备或方法中使用。
下文中描述为构成各种实施例的部件和材料旨在是说明性的而非限制性的。将执行与本文所描述材料相同或相似功能的许多合适的部件和材料旨在包括在本发明的实施例的保护范围内。
下面参考图1-10描述根据本发明的自动化系统的这些和其它实施例。在附图中使用的相同的附图标记在若干视图中表示相似或相同的元件。附图不一定按比例绘制。
根据本发明的一个实施例,图1示出根据本发明示例性实施例的自动化系统105的框图,其中人工智能(AI)伴侣107与诸如控制程序112的可编程逻辑控制器(PLC)程序中的每个功能块110集成。自动化系统105操作可编程逻辑控制器(PLC)115的控制程序112,并且它包括处理器117和用于存储由处理器117执行的算法122的存储器120。
可编程逻辑控制器(PLC)115是被配置为执行软件的专用计算机控制系统,该软件连续地收集关于输入设备的状态的数据以控制输出设备的状态。PLC通常包括三个主要部件:处理器(其可以包括易失性存储器)、包括应用程序的易失性存储器、以及用于连接到自动化系统中的其它设备的一个或多个输入/输出(I/O)端口。PLC在各种工业设置中用于控制自动化系统。自动化系统通常在其日常操作中产生大量数据。该数据可以包括例如传感器数据、致动器和控制程序参数以及与服务活动关联的信息。
在PLC 115的上下文中描述了本发明的各种实施例,该PLC包括被配置为在控制应用程序中提供各种增强功能的多种部件。在标题为“智能PLC”的美国申请No.14/467,125中更详细地描述了在此被称为“智能可编程逻辑控制器”的该PLC 115,在本发明中通过引用将其整体并入。简单地说,智能PLC提供了若干技术特征,这些技术特征可以存在于各种组合中并且在本发明的不同实施例中使用。智能PLC在控制层设备上提供有效的数据存储。更具体地,控制层的功能性可以通过用于时间序列数据的有效存储机制(即,“历史记录”功能)来扩展,其允许高分辨率时间戳数据的短期/中期存档。对于高保真度数据,没有事件丢失。可以使用有效的压缩算法(例如,旋转门的变体)来减少存储和通信需求。在一些实施例中,智能PLC还可以提供智能的设备上数据生成方法。数据过滤方法可以直接应用于生成数据的地方,以确保仅在提供附加信息内容时才存储附加数据。这些方法还可以根据当前需要主动分析传入数据并配置数据采集,例如,通过调整采样率或仅在检测到特定事件时存储数据。
这里描述的处理器117可以包括一个或多个中央处理单元(CPU)、图形处理单元(GPU)或本领域已知的任何其它处理器。更一般地,这里使用的处理器是用于执行存储在计算机可读介质上的机器可读指令的设备,用于执行任务,并且可以包括硬件和固件中的任何一个或其组合。处理器还可以包括存储可执行用于执行任务的机器可读指令的存储器。处理器通过操纵、分析、修改、转换或传输由可执行程序或信息设备使用的信息和/或通过将信息路由到输出设备来对信息起作用。例如,处理器可以使用或包括计算机、控制器或微处理器的能力,并且可以使用可执行指令来调节以执行通用计算机不执行的专用功能。处理器可以与能够在其间进行交互和/或通信的任何其它处理器耦连(电耦连和/或包括可执行部件)。用户界面处理器或产生器是已知的元件,包括用于产生显示图像或其部分的电子电路或软件或两者的组合。用户界面包括使用户能够与处理器或其它设备交互的一个或多个显示图像。
本发明使用的可执行应用或程序或算法包括代码或机器可读指令,用于例如响应于用户命令或输入,调节处理器以实现预定功能,如操作系统或其它信息处理系统的功能。可执行过程是用于执行一个或多个特定过程的一段代码或机器可读指令、子例程或其它不同的代码段或可执行应用程序的一部分。这些过程可以包括接收输入数据和/或参数,响应于接收到的输入参数对接收到的输入数据执行操作和/或执行功能,以及提供结果输出数据和/或参数。
算法122包括多个功能块110(l-n),这些功能块包括至少一个输入和至少一个输出。每个功能块110被配置为控制控制程序112的指定控制功能125。算法122进一步包括控制成使用一个或多个自动化功能与自动化设备通信的控制应用程序127。每个自动化功能包括一个或多个设备不可知的指令。算法122进一步包括多个人工智能(AI)伴侣107(l-n),使得现有功能块110(1)的至少一个输入和至少一个输出也可用于对应的AI伴侣107(1)。控制程序112中的任何功能块110与自动生成的相应AI伴侣107集成。每个功能块110具有关联的AI伴侣107,关联的AI伴侣被配置为执行包括以下的步骤:使用至少一个输入和至少一个输出来训练关联的AI伴侣107,并且一旦关联的AI伴侣107被完全训练,则关联的AI伴侣107被配置为接管原始功能块110并利用多个未知输入来执行操作。算法122进一步包括用于执行PLC 115的运行时操作132的运行时部件130。运行时操作132包括利用处于被动的监控状态135(1)的多个人工智能(AI)伴侣107(l-n)或利用处于主动的接管控制状态135(2)的多个人工智能(AI)伴侣107(l-n),来增强多个功能块110(l-n)的功能性。
使用至少一个输入和至少一个输出来训练关联的AI伴侣107包括在关联的功能块110的开发期间运行控制程序112进行多个周期137时,在模拟输入期间训练关联的AI伴侣107。算法122控制自动化过程140,使得控制包括由运行时部件130验证关联的功能块110。
算法122使用关联的AI伴侣107来执行控制程序112,以在没有关联的功能块110的情况下控制指定控制功能125。算法122在运行时操作132期间优化关联的AI伴侣107的AI算法142。算法122借助运行时部件130监控可编程逻辑控制器(PLC)115,其中在故障状态145下,它们将指定控制功能125的控制从关联的AI伴侣107交换到关联的功能块110。
参考图2,其示出根据本发明示例性实施例的智能可编程逻辑控制器(PLC)205的示意图。智能可编程逻辑控制器(PLC)205包括被配置为根据扫描周期210执行的处理器207、包括过程映像区域215的易失性计算机可读存储介质212(1)和非易失性计算机可读存储介质212(2)。
智能可编程逻辑控制器(PLC)205进一步包括由处理器207根据扫描周期210执行的多个控制器部件217。多个控制器部件217包括数据传送部件220,数据传送部件被配置为在每个扫描周期210期间用包括自动化系统数据222的内容来更新过程映像区域215。
多个控制器部件217进一步包括功能块225,功能块包括至少一个输入和至少一个输出。功能块225被配置为控制控制程序112(见图1)的指定控制功能125(见图1)。
多个控制器部件217进一步包括人工智能(AI)伴侣227,人工智能(AI)伴侣被配置为执行包括以下的步骤:使用至少一个输入和至少一个输出来训练关联的AI伴侣227,并且一旦关联的AI伴侣227被完全训练,则关联的AI伴侣227配置为接管原始功能块225并利用多个未知输入来执行操作。
多个控制器部件217进一步包括运行时部件230,运行时部件用于执行智能可编程逻辑控制器(PLC)205的运行时操作232。运行时操作232包括利用处于被动的监控状态235的多个人工智能(AI)伴侣227或利用处于主动的接管控制状态237的多个人工智能(AI)伴侣227,来增强多个功能块225的功能性。
多个控制器部件217控制自动化过程140。多个控制器部件使用关联的AI伴侣227来执行控制程序112,以在没有关联的功能块225的情况下控制指定控制功能125。多个控制器部件217在运行时操作232期间优化关联的AI伴侣227的AI算法142。多个控制器部件217由运行时部件230监控智能可编程逻辑控制器(PLC)205,其中在故障状态145时,它将指定控制功能125的控制从关联的AI伴侣227交换到关联的功能块225。
现在转到图3,其示出根据本发明示例性实施例的与AI伴侣块307集成的PLC程序中的功能块305。系统和方法启用PLC程序中的每个功能块305的AI伴侣块307,而不改变现有程序。该方法还利用支持AI的硬件(如NPU)的可用性来进行AI训练和处理。如图3所示,PLC程序中的任何功能块305将与AI伴侣块307集成,该AI伴侣块可以自动生成。现有程序没有改变。现有功能块305的所有输入(例如,输入1和输入2)310(1-2)和输出(例如,输出1)312也可用于AI伴侣块307。
AI伴侣块307是可以使用给定输入310(1-2)和输出312来训练算法的机器学习算法。训练可以在模拟阶段期间完成,同时功能块305仍在开发。在操作期间,AI伴侣块307可以被连续训练和优化。一旦它被完全训练,它就可以接管原始功能块305并利用多个未知输入执行操作。
图4示出根据本发明示例性实施例的第一和第二功能块405(1-2)以及分组为逻辑组410的系统功能块407。第一和第二AI伴侣412(1-2)分别与第一和第二功能块405(1-2)关联。在PLC程序中,有时多个功能块、系统功能块被分组到逻辑组410中,逻辑组也具有输入(例如,输入11、输入12、输入21、输入22、输入23)和输出(例如,输出11、输出12、输出21)。在这种情况下,还可以生成逻辑组410的AI伴侣412(3)。类似的训练和运行时推断可以在逻辑组410的AI伴侣412(3)中执行。PLC程序的一个示例是发酵控制系统。
如图5所示,其示出根据本发明示例性实施例的发酵控制系统505的控制问题。发酵控制系统505包括可经由进料阀510用液体512填充的大容器507。液体512可以用加热带515加热(经由对流冷却),并且可以经由搅拌器517的马达搅拌。酸流体可以经由酸阀520加入,碱流体可以经由碱阀522加入容器507中。发酵控制系统505包括收集发酵液的收获阀525。发酵控制系统505进一步包括温度传感器527和pH传感器530。可以为控制问题定义所有外部接口,如下所描述。
如图6所示,其示出根据本发明示例性实施例的图5的控制问题,控制问题从顶层被分解为逻辑分区,作为PLC程序600中的功能块编程的五个功能。通过分析从顶层分解成逻辑分区的控制问题,可以容易地识别5个功能:
1.主程序(605),例如,顶层处理步骤-填充、加热、搅拌、发酵、收获、清洁。
2.阀控制(610),例如用于填充和排空容器507的操作阀。
3.温度控制(615),用于监测调节加热带515的容器507的温度。
4.搅拌器控制(620),用于搅拌器517马达,按主过程程序的要求启动。
5.pH控制(625),用于监测发酵内容物的酸度,根据需要加入酸性或碱性试剂。
如图6所示,这5个功能被编程为PLC程序中的功能块。
在图7中,其示出根据本发明示例性实施例的每个功能块705(1-5)和关联的AI伴侣707(1-5)以及与AI伴侣707(6)集成的整个PLC程序700。
图8示出根据本发明示例性实施例的用于提供新的运行时能力的AI伴侣1(AI1)807的运行时系统805。AI伴侣1(AI1)807的运行时系统805提供当前或已知运行时环境中未涵盖的新能力。AI伴侣1(AI1)807及其功能块(FB)(功能块1(FB1)810)可以共存。取决于应用,AI伴侣1(AI1)807也可以提供附加的监控和报警功能(诊断和预测),而功能块1(FBI)810提供控制。在一些其它应用中,AI组件1(AI1)807可以接管来自功能块1(FBI)810的控制。
首先,AI伴侣1(AI1)807学习功能块1(FBI)810的行为。因此,对功能块1(FBI)810的输入812在每个周期被复制并提供给AI伴侣1(AI1)807,直到获得满意的学习得分。训练AI伴侣1(AI1)807可能花费几个周期,并且可以在边缘设备或云上完成。一旦AI伴侣1(AI1)807达到特定置信度水平,则运行时系统805然后必须对照当前输入和由功能块1(FBI)810生成的输出815来验证其行为。验证步骤可以在边缘设备上或者在云上完成。
当确认步骤被认为适当且安全时,运行时系统805然后将功能块1(FB1)810与AI伴侣1(AI1)807交换。这需要将当前的(英语:live)输入传递到AI伴侣,并将来自AI伴侣1(AI1)807的当前输出817传递到系统的其余部分。当AI伴侣1(AI1)807被部署在系统中时,在运行时系统805中存在监控能力,其观察其行为、输入或输出中的任何偏差,并且在故障的情况下,交换原始功能块(功能块1(FB1)810)并触发系统警报。
图9示出根据本发明示例性实施例的实现AI伴侣的方法。实现AI伴侣有三种主要方法:
1.时间序列预报。这些方法分析时间序列以提取数据的统计和其它属性,并基于先前观察到的值来预测未来值。时间序列是按时间顺序取得的观测结果的序列。时间序列分析涉及开发最好地捕获或描述观察到的时间序列的模型,以便理解根本的原因。这通常涉及做出关于数据形式的假设并将时间序列分解为构成分量。描述性模型的质量取决于它对所有可用数据的描述程度以及它为更好地告知问题域而提供的解释。时间序列分析的主要目的是开发根据样本数据提供合理描述的数学模型。在时间序列数据的经典统计处理中对未来进行预测称为外推。更多的现代领域专注于该主题并将其称为时间序列预测。预测涉及对历史数据进行模型拟合,并使用它们来预测未来的观察结果。描述性模型可以为未来借鉴(即平滑或消除噪声),它们只寻求最好地描述数据。时间序列分析的目的通常是双重的:理解或建模产生观察序列的随机机制,并基于该序列的历史来预测或预报序列的未来值。
2.深度神经网络。深度神经网络是具有一定复杂程度的神经网络,具有两层以上的神经网络。深度神经网络使用复杂的数学模型以复杂的方式处理数据。对于给定的FB输入,深度神经网络建立与每个输出的概率关系。这使它们预测当前输出。
3.循环神经网络。诸如长短期记忆(LSTM)的循环网络具有允许它们处理数据序列的反馈连接。长短期记忆(LSTM)是一种用于深度学习领域的人工循环神经网络(RNN)体系结构。与标准前馈神经网络不同,LSTM具有反馈连接。给定FB输入序列,循环神经网络建立与下一输出的概率关系。这使它们预测当前和后N个输出。
再次考虑图9。FB的任务是将SIP ART PS2(灰色框905)的开口从0(完全关闭)调节到100(完全打开),使得驱动器精确地跟随控制序列(框907)。在该示例中,用对应于控制序列(x0)和驱动器的历史(x1)的两个输入,四个LSTM单元、以及对应于驱动器的下一位置(y0)的单个输出,来训练LSTM网络910。如结果所示,LSTM网络910能够预测驱动器907的下一位置。该实验表明,LSTM网络910可以代替原始FB,并且有效地成为FB的AI伴侣。
图10示出根据本发明示例性实施例的控制自动化过程的方法1005的流程图的示意图。参考图1-10中描述的元件和特征。应当理解,一些步骤不需要以任何特定顺序执行,并且一些步骤是可选的。
方法1005包括步骤1010,将人工智能(AI)伴侣107与可编程逻辑控制器(PLC)控制程序112的功能块110配对。功能块110是与至少一个输入和至少一个输出关联的指定控制功能125。方法1005进一步包括步骤1015,在功能块110的开发期间运行PLC控制程序112进行多个周期时,在输入的模拟期间训练AI伴侣107。
方法1005进一步包括由运行时部件130验证功能块110的步骤1020。方法1005进一步包括步骤1025,使用AI伴侣107执行PLC控制程序112用于控制指定的控制功能125,而无需功能块110。方法1005进一步包括在运行时操作132期间优化AI伴侣107的算法的步骤1030。方法1005进一步包括由运行时部件130监控可编程逻辑控制器(PLC)115的步骤1035,其中在故障条件下,将指定控制功能125的控制从AI伴侣107交换到功能块110。
这里的功能和处理步骤可以响应于用户命令自动地、全部或部分地执行。响应于一个或多个可执行指令或设备操作来执行自动执行的活动(包括步骤),而无需用户直接启动该活动。
附图的系统和过程不是唯一性的。可以根据本发明的原理导出其它系统、过程和功能选择单以实现相同的目的。尽管已经参照特定实施例描述了本发明,但是应当理解,这里示出和描述的实施例和变型仅用于说明目的。在不脱离本发明的范围的情况下,本领域技术人员可以实现对当前设计的修改。如本文所描述,可以使用硬件部件、软件部件和/或其组合来实现各种系统、子系统、代理、管理器和过程。除非使用短语“用于…的装置”明确地陈述了本发明的权利要求要素,否则不应根据35U.S.C.112第六款的规定来解释该要素。
提供用于PLC程序中的功能块和功能块组的AI伴侣,使得AI伴侣107与PLC程序112高度集成,并且采用相同的输入并产生输出。AI伴侣107首先基于输入使用机器学习算法来训练。提供AI伴侣的自动生成。PLC功能块的现有代码没有改变。AI伴侣107利用现有的插件(例如SIMATIC NPU)进行AI计算能力和存储。功能块110的功能通过被动AI伴侣(监控)或主动AI伴侣(接管控制)来增强。本发明可用于工业控制系统和边缘设备。
通过本发明,使得周期时间的更高性能成为可能。AI伴侣可能比其FB对应项更快。消除了重新工程化。依赖于源代码不再对其可用或将花费太长的时间来重新工程化的FB的传统应用程序可通过消除重新工程化而受益于AI伴侣。如果FB 110的复杂度高并且需要许多周期来执行,则可以训练需要较少的周期的更简单的AI伴侣107。这释放了PLC 115中的CPU资源并允许更快的周期时间。学习过程消除了重新工程化FB 110的需要。新的PLC 115每周期可以执行比竞争者更多的FB。新的PLC 115可以用于利用传统PLC对工厂进行现代化。客户将不再担心迁移,因为他们的FB 110的行为可以由AI伴侣107学习。
虽然在此描述了具有AI伴侣的工业控制系统和边缘设备,但是本发明还考虑了一个或多个其它类型的自动化系统或其它形式的自动化系统的范围。例如,在不脱离本发明的精神的情况下,可以基于上述一个或多个特征来实现其它类型的自动化系统。
这里描述的技术对于可编程逻辑控制器(PLC)特别有用。虽然根据可编程逻辑控制器(PLC)描述了特定实施例,但是这里描述的技术不限于可编程逻辑控制器(PLC),而是还可以与其它自动化控制器一起使用。
虽然已经以示例性形式公开了本发明的实施例,但是对于本领域的技术人员显而易见的是,在不脱离如以下权利要求中阐述的本发明及其等同物的精神和范围的情况下,可以在其中进行许多修改、添加和删除。
参考在附图中示出并在以下描述中详述的非限制性实施例更全面地解释实施例及其各种特征和有利细节。省略了对众所周知的起始材料、加工技术、部件和设备的描述,以免不必要地使实施例的细节模糊不清。然而,应该理解的是,详细的描述和具体的实施例,尽管指出了优选的实施例,但仅是以说明的方式而不是以限制的方式给出的。对于本领域技术人员来说,根据本公开内容,在基本发明构思的精神和/或范围内的各种替换、修改、添加和/或重新排列将变得显而易见。
如本文所用,术语“包括”、“包含”、“具有”或其任何其它变型旨在涵盖非唯一性的包括。例如,包括要素列表的过程、物品或设备不一定仅限于那些要素,而是可以包括未明确列出的或此类过程、物品或设备固有的其它要素。
另外,本文给出的任何示例或说明不应以任何方式被视为对与其一起使用的任何术语的限制、限定或表达其定义。相反,这些示例或说明应被视为相对于一个特定实施例而描述且仅为说明性的。本领域的普通技术人员将理解,使用这些示例或说明的任何一个或多个术语将涵盖可以或可以不与其一起或在说明书中的其它地方给出的其它实施例,并且所有这样的实施例旨在被包括在该一个或多个术语的范围内。
在前述说明书中,已经参考具体实施例描述了本发明。然而,本领域的普通技术人员应当理解,在不脱离本发明的范围的情况下,可以进行各种修改和改变。因此,说明书和附图应被认为是说明性的而不是限制性的,并且所有这样的修改旨在被包括在本发明的范围内。
尽管已经参照本发明的特定实施例描述了本发明,但是这些实施例仅仅是说明性的,而不是对本发明的限制。在此对本发明的示例性实施例的描述不旨在是穷尽的或将本发明限制为在此公开的精确形式(并且特别地,包括任何特定实施例、特征或功能不旨在将本发明的范围限制为这样的实施例、特征或功能)。相反,本说明书旨在描述说明性实施例、特征和功能,以便向本领域普通技术人员提供理解本发明的上下文,而不将本发明限制为任何具体描述的实施例、特征或功能。虽然这里仅为了说明的目的描述了本发明的特定实施例和示例,但是相关领域的技术人员将认识和理解,在本发明的精神和范围内可以进行各种等同修改。如所指出的,这些修改可以根据本发明的说明性实施例的前述描述对本发明做出,并且将被包括在本发明的精神和范围内。因此,虽然本发明已经在本文中参考其特定实施例进行了描述,但在前述公开中意在进行修改、各种改变和替换,并且应当理解,在某些情况下,本发明的实施例的一些特征将是在不背离所阐述的本发明的范围和精神的情况下,在没有相应使用其它特征的情况下采用。因此,可以进行许多修改以使特定情况或材料适应本发明的基本范围和精神。
短语“在一个实施例中”、“在实施例中”或“在特定实施例中”或类似术语在整个说明书中不同地方的各自出现不一定是指相同的实施例。此外,任何特定实施例的特定特征、结构或特性可以以任何合适的方式与一个或多个其它实施例组合。应当理解,根据本文的教导,本文描述和说明的实施例的其它变化和修改是可能的,并且被认为是本发明的精神和保护范围的一部分。
在本文的描述中,提供了许多具体细节,例如部件和/或方法的示例,以提供对本发明实施例的透彻理解。然而,相关领域的技术人员将认识到,可以在没有一个或多个具体细节的情况下,或者利用其它装置、系统、组件、方法、部件、材料、零部件等来实现实施例。在其它情况下,没有具体示出或详细描述公知的结构、部件、系统、材料或操作,以避免模糊本发明实施例的各方面。虽然本发明可通过使用特定实施例来说明,但这不是且不将本发明限于任何特定实施例,且所属领域的技术人员将认识到,其它实施例易于理解且为本发明的一部分。
还应当理解,附图中描绘的一个或多个元件还可以以更分离或集成的方式来实现,或者甚至在某些情况下被移除或呈现为不可操作,这对于根据特定应用是有用的。
上面已经参照具体实施例描述了益处、其它优点和问题的解决方案。然而,益处、优点、问题的解决方案以及可使得任何益处、优点或解决方案产生或变得更显著的任何组件不应被解释为关键的、必需的或必要的特征或组件。
Claims (20)
1.一种用于操作可编程逻辑控制器PLC的控制程序的系统,所述系统包括:
处理器;以及
存储器,用于存储由所述处理器执行的算法,所述算法包括:
多个功能块,包括至少一个输入和至少一个输出,每个功能块被配置为控制所述控制程序的指定控制功能;
控制应用程序,被设计成使用一个或多个自动化功能与自动化设备进行通信,其中,每个自动化功能包括一个或多个设备不可知的指令;
多个人工智能AI伴侣,使得现有功能块的所述至少一个输入和所述至少一个输出也能够用于相应的AI伴侣,其中,所述控制程序中的任何功能块与自动生成的相应AI伴侣集成,其中,每个功能块具有关联的AI伴侣,所述关联的AI伴侣被配置为执行包括以下的步骤:
使用所述至少一个输入和所述至少一个输出来训练所述关联的AI伴侣,以及
一旦所述关联的AI伴侣被完全训练,则所述关联的AI伴侣被配置为接管原始功能块并利用多个未知输入来执行操作;以及
运行时部件,用于执行PLC的运行时操作,所述运行时操作包括:
利用处于被动的监控状态的多个人工智能AI伴侣或利用处于主动的接管控制状态的多个人工智能AI伴侣,来增强所述多个功能块的功能性。
2.根据权利要求1所述的系统,其中,使用所述至少一个输入和所述至少一个输出来训练所述关联的AI伴侣包括在关联的功能块的开发期间运行所述控制程序进行多个周期时,在模拟输入期间训练所述关联的AI伴侣。
3.根据权利要求2所述的系统,其中,所述算法控制自动化过程,使得所述控制包括由所述运行时部件验证所述关联的功能块。
4.根据权利要求3所述的系统,其中,执行所述控制程序的算法使用所述关联的AI伴侣来控制所述指定控制功能而无需所述关联的功能块。
5.根据权利要求4所述的系统,其中,所述算法在运行时操作期间优化所述关联的AI伴侣的算法。
6.根据权利要求5所述的系统,其中,所述算法借助所述运行时部件监控所述可编程逻辑控制器PLC,其中,在故障状况下,将对所述指定控制功能的控制从所述关联的AI伴侣交换到所述关联的功能块。
7.一种控制自动化过程的方法,包括:
将人工智能AI伴侣与可编程逻辑控制器PLC控制程序的功能块配对,其中,所述功能块是与至少一个输入和至少一个输出关联的指定控制功能;
在功能块开发期间运行PLC控制程序进行多个周期时,在模拟输入期间训练AI伴侣;
由运行时部件验证所述功能块;
使用AI伴侣执行所述PLC控制程序,用于控制所述指定控制功能而无需所述功能块;
在运行时操作期间优化所述AI伴侣的算法;
由所述运行时部件监控可编程逻辑控制器PLC,其中,在故障状态下,将对所述指定控制功能的控制从所述AI伴侣交换到所述功能块。
8.根据权利要求7所述的方法,其中,训练所述AI伴侣包括将输入复制到所述功能块并在每个周期将所述输入提供至所述AI伴侣,直到达到满意的学习得分为止。
9.根据权利要求8所述的方法,其中,训练所述AI伴侣包含训练所述AI伴侣进行多个周期。
10.根据权利要求9所述的方法,其中,训练是在边缘设备上或在云上完成的。
11.根据权利要求7所述的方法,其中,所述运行时部件在对照当前输入和由所述功能块生成的结果来验证所述AI伴侣的行为之前,等待所述AI伴侣达到特定置信度水平。
12.根据权利要求11所述的方法,其中,验证是在边缘设备上或在云上完成的。
13.根据权利要求7所述的方法,其中,所述运行时部件通过将当前输入传递至所述AI伴侣并将来自所述AI伴侣的当前输出传递至系统的其余部分,从而将所述功能块与所述AI伴侣进行交换。
14.根据权利要求13所述的方法,其中,一旦所述AI伴侣被部署在所述系统中,所述运行时部件观察所述AI伴侣的行为、输入或输出中的任何偏差。
15.一种智能可编程逻辑控制器PLC,包括:
处理器,被配置为根据扫描周期来执行;
易失性计算机可读存储介质,包括过程映像区域;
非易失性计算机可读存储媒体;以及
多个控制器部件,由所述处理器根据所述扫描周期执行所述多个控制器部件,所述多个控制器部件包括:
数据传送部件,被配置为在每个扫描周期期间用包括自动化系统数据的内容来更新所述过程映像区域;
功能块,包括至少一个输入和至少一个输出,其中,所述功能块被配置为控制控制程序的指定控制功能;
人工智能AI伴侣,被配置为执行包括以下的步骤:
使用所述至少一个输入和所述至少一个输出来训练关联的AI伴侣,以及
一旦所述关联的AI伴侣被完全训练,则所述关联的AI伴侣被配置为接管原始功能块并利用多个未知输入来执行操作;以及
运行时部件,用于执行PLC的运行时操作,所述运行时操作包括:
利用处于被动的监控状态的多个人工智能AI伴侣或利用处于主动的接管控制状态的多个人工智能AI伴侣,来增强多个功能块的功能性。
16.根据权利要求15所述的智能可编程逻辑控制器PLC,其中,使用所述至少一个输入和所述至少一个输出来训练所述关联的AI伴侣包括在关联的功能块的开发期间运行所述控制程序进行多个周期时,在模拟输入期间训练所述关联的AI伴侣。
17.根据权利要求16所述的智能可编程逻辑控制器PLC,其中,所述多个控制器部件控制自动化过程,使得所述控制包括由所述运行时部件验证所述关联的功能块。
18.根据权利要求17所述的智能可编程逻辑控制器PLC,其中,执行所述控制程序的多个控制器部件使用所述关联的AI伴侣来控制所述指定控制功能而无需所述关联的功能块。
19.根据权利要求18所述的智能可编程逻辑控制器PLC,其中,所述多个控制器部件在运行时操作期间优化所述关联的AI伴侣的算法。
20.根据权利要求19所述的智能可编程逻辑控制器PLC,其中,所述多个控制器部件通过所述运行时部件监控所述可编程逻辑控制器PLC,其中,在故障状况下,将对所述指定控制功能的控制从所述关联的AI伴侣交换到所述关联的功能块。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/US2019/056088 WO2021076093A1 (en) | 2019-10-14 | 2019-10-14 | Artificial intelligence (ai) companions for function blocks in a programmable logic controller (plc) program for integrating ai in automation |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114556241A CN114556241A (zh) | 2022-05-27 |
CN114556241B true CN114556241B (zh) | 2024-05-07 |
Family
ID=68425332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980101309.0A Active CN114556241B (zh) | 2019-10-14 | 2019-10-14 | 将人工智能(ai)集成到自动化中的可编程逻辑控制器(plc)程序中功能块的ai伴侣 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220342377A1 (zh) |
EP (1) | EP4018272A1 (zh) |
CN (1) | CN114556241B (zh) |
WO (1) | WO2021076093A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240160170A1 (en) * | 2021-04-06 | 2024-05-16 | Rakuten Mobile, Inc. | Autonomous software controller adaptation |
EP4293443A1 (de) * | 2022-06-15 | 2023-12-20 | Schneider Electric Industries SAS | Verfahren zum integrieren eines funktionsblocks mit künstlicher intelligenz |
CN114840178B (zh) * | 2022-07-01 | 2022-12-02 | 浙江西图盟数字科技有限公司 | 基于数字化仿真平台的工艺文件生成方法、装置及设备 |
DE102022209657A1 (de) * | 2022-09-14 | 2024-03-14 | Siemens Aktiengesellschaft | Überwachung exothermer Reaktionen in einem Reaktor |
CN117312388B (zh) * | 2023-10-08 | 2024-03-19 | 江苏泰赋星信息技术有限公司 | 一种人工智能模型控制系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1455566A (zh) * | 2002-12-20 | 2003-11-12 | 中国科学院沈阳自动化研究所 | 现场总线分散控制站 |
EP1921528A2 (en) * | 2006-11-10 | 2008-05-14 | Rockwell Automation Technologies, Inc. | Event triggered data capture via embedded historians |
CN104350435A (zh) * | 2012-04-13 | 2015-02-11 | 西门子公司 | Plc平台上用于设备状态监控、诊断以及时间-故障/服务预测的嵌置预报 |
CN205563224U (zh) * | 2016-02-23 | 2016-09-07 | 西门子公司 | 一种可编程逻辑控制器及数据处理系统 |
CN107250932A (zh) * | 2014-11-18 | 2017-10-13 | 西门子公司 | 可编程逻辑控制器中的语义情境化 |
CN109270915A (zh) * | 2017-07-18 | 2019-01-25 | 通用电气公司 | 用于飞机现场可替换单元(lru)维护优化的分析系统 |
CN109459990A (zh) * | 2018-11-28 | 2019-03-12 | 上海风语筑展示股份有限公司 | 一种展览馆的人工智能控制系统及其方法 |
CN109767836A (zh) * | 2018-12-29 | 2019-05-17 | 上海亲看慧智能科技有限公司 | 一种医学诊断人工智能系统、装置及其自我学习方法 |
CN110288987A (zh) * | 2018-03-19 | 2019-09-27 | 三星电子株式会社 | 用于处理声音数据的系统和控制该系统的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11036199B2 (en) * | 2016-12-14 | 2021-06-15 | Omron Corporation | Control device, control program, and control method for anomaly detection |
US10447078B2 (en) * | 2017-10-02 | 2019-10-15 | Fisher-Rosemount Systems, Inc. | Smart function block for integration of PLCS into a control system and methods for the same |
-
2019
- 2019-10-14 CN CN201980101309.0A patent/CN114556241B/zh active Active
- 2019-10-14 WO PCT/US2019/056088 patent/WO2021076093A1/en unknown
- 2019-10-14 EP EP19797489.2A patent/EP4018272A1/en active Pending
- 2019-10-14 US US17/754,413 patent/US20220342377A1/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1455566A (zh) * | 2002-12-20 | 2003-11-12 | 中国科学院沈阳自动化研究所 | 现场总线分散控制站 |
EP1921528A2 (en) * | 2006-11-10 | 2008-05-14 | Rockwell Automation Technologies, Inc. | Event triggered data capture via embedded historians |
CN104350435A (zh) * | 2012-04-13 | 2015-02-11 | 西门子公司 | Plc平台上用于设备状态监控、诊断以及时间-故障/服务预测的嵌置预报 |
CN107250932A (zh) * | 2014-11-18 | 2017-10-13 | 西门子公司 | 可编程逻辑控制器中的语义情境化 |
CN205563224U (zh) * | 2016-02-23 | 2016-09-07 | 西门子公司 | 一种可编程逻辑控制器及数据处理系统 |
CN109270915A (zh) * | 2017-07-18 | 2019-01-25 | 通用电气公司 | 用于飞机现场可替换单元(lru)维护优化的分析系统 |
CN110288987A (zh) * | 2018-03-19 | 2019-09-27 | 三星电子株式会社 | 用于处理声音数据的系统和控制该系统的方法 |
CN109459990A (zh) * | 2018-11-28 | 2019-03-12 | 上海风语筑展示股份有限公司 | 一种展览馆的人工智能控制系统及其方法 |
CN109767836A (zh) * | 2018-12-29 | 2019-05-17 | 上海亲看慧智能科技有限公司 | 一种医学诊断人工智能系统、装置及其自我学习方法 |
Non-Patent Citations (2)
Title |
---|
人工智能在电气工程自动化中的运用;朱金芳;;化学工程与装备;20130515(05);全文 * |
基于PLC的闭环控制系统PID控制器的实现;任俊杰;李永霞;李媛;李红星;;制造业自动化;20090425(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114556241A (zh) | 2022-05-27 |
WO2021076093A1 (en) | 2021-04-22 |
EP4018272A1 (en) | 2022-06-29 |
US20220342377A1 (en) | 2022-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114556241B (zh) | 将人工智能(ai)集成到自动化中的可编程逻辑控制器(plc)程序中功能块的ai伴侣 | |
EP3465553B1 (en) | A cognitive automation engineering system | |
CN104345726B (zh) | 过程控制系统中的非侵入式数据分析 | |
EP3314340B1 (en) | Control contextualization and reasoning about control | |
Otto et al. | Why cyber-physical production systems need a descriptive engineering approach–a case study in plug & produce | |
WO2018236674A1 (en) | HIERARCHICAL DECOMPOSITION DEEPENING REINFORCEMENT LEARNING FOR A MODEL OF ARTIFICIAL INTELLIGENCE | |
EP3671571A1 (en) | A method and system for generating an artificial intelligence model | |
Dai et al. | A cloud-based decision support system for self-healing in distributed automation systems using fault tree analysis | |
CN105302015B (zh) | 使用典型组件和适配器组件的过程控制系统 | |
CN112513887A (zh) | 神经逻辑控制器 | |
CN112685482A (zh) | 制造控制系统和用于制造控制的方法 | |
Abbas et al. | Interpretable input-output hidden markov model-based deep reinforcement learning for the predictive maintenance of turbofan engines | |
van Breemen | Agent-Based Multi-Controller Systems-A design framework for complex control problems | |
Meiners et al. | Application of machine learning for product batch oriented control of production processes | |
Machado et al. | A neural network multiagent architecture applied to industrial networks for dynamic allocation of control strategies using standard function blocks | |
Henry et al. | Logic control law design for automated manufacturing systems | |
Galleguillos et al. | FAHP decisions developing in low cost CPPs | |
Linkens et al. | Expert control systems—2. Design principles and methods | |
CN112732323A (zh) | 用于配置接口装置的方法及接口装置 | |
EP4339719A1 (en) | Programmable automation controller based optimization | |
Olsson | Batch control and diagnosis | |
Alaya et al. | A self-adaptative cps-agent based quality control platform for industry 4.0 | |
EP3757690A1 (en) | Development of an application for a technical system | |
Frey | Process diagnosis and monitoring of field bus based automation systems using self-organizing maps and watershed transformations | |
Dellnitz et al. | The paradigm of self-optimization |
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 |