CN115562199A - 工业互联网操作系统和产品的处理方法 - Google Patents
工业互联网操作系统和产品的处理方法 Download PDFInfo
- Publication number
- CN115562199A CN115562199A CN202211202093.7A CN202211202093A CN115562199A CN 115562199 A CN115562199 A CN 115562199A CN 202211202093 A CN202211202093 A CN 202211202093A CN 115562199 A CN115562199 A CN 115562199A
- Authority
- CN
- China
- Prior art keywords
- product
- data
- production line
- processed
- flexible production
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 22
- 238000004519 manufacturing process Methods 0.000 claims abstract description 285
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000010354 integration Effects 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 238000010924 continuous production Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 abstract description 10
- 238000007418 data mining Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 25
- 239000000306 component Substances 0.000 description 15
- 238000005516 engineering process Methods 0.000 description 13
- 238000011161 development Methods 0.000 description 11
- 230000007246 mechanism Effects 0.000 description 11
- 238000013508 migration Methods 0.000 description 10
- 230000005012 migration Effects 0.000 description 10
- 239000008358 core component Substances 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000002567 autonomic effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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] or computer integrated manufacturing [CIM]
- G05B19/41865—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] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B2219/32252—Scheduling production, machining, job shop
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于工业互联网技术领域,具体涉及一种工业互联网操作系统和产品的处理方法。本申请旨在解决现有工业互联网操作系统数据挖掘分析应用能力不足,无法实现异构数据的融通、任务的优化调度以及资源的协同的问题。工业互联网操作系统包括异构数据集成引擎、数字孪生模型引擎和动态多任务调度引擎,异构数据集成引擎将待处理产品数据进行统一格式的定义与表达,实现异构数据的融通,数字孪生模型引擎在柔性生产线对待处理产品进行生产时,对生产产品的柔性生产线进行状态监控,同时,动态多任务调度引擎在数字孪生模型引擎监控发现柔性生产线存在问题时,构建用于继续生产待处理产品的新的柔性生产线,从而实现任务的优化调度以及资源的协同。
Description
技术领域
本申请实施例属于工业互联网技术领域,具体涉及一种工业互联网操作系统和产品的处理方法。
背景技术
随着新兴技术的发展,离散制造业行业领先企业和智能制造试点示范企业正加快向智能化水平迈进,积极开展智能化布局。
离散制造业的生产跃迁和产业升级紧紧依赖于信息技术的发展,而这其中的关键核心就是工业互联网操作系统。通过工业互联网操作系统赋能离散制造业生产流程或相关工业产品,给工业产品和生产系统增加智慧的大脑,有效提高产品及生产过程的智能化,满足离散制造业工业生产对高效、可靠、实时、环保等诸多方面的要求,最终实现产品或流程的自动化与智能化。
然而,现有的工业互联网操作系统尚处于发展初期,数据挖掘分析应用能力不足,无法实现异构数据的融通、任务的优化调度以及资源的协同。
发明内容
为了解决现有技术中的上述问题,即为了解决现有技术中工业互联网操作系统数据挖掘分析应用能力不足,无法实现异构数据的融通、任务的优化调度以及资源的协同的问题,本申请实施例提供了一种工业互联网操作系统和产品的处理方法。
第一方面,本申请实施例提供一种工业互联网操作系统,包括:
异构数据集成引擎、数字孪生模型引擎以及动态多任务调度引擎;
所述异构数据集成引擎将待处理产品的初始生产数据根据预设数据格式进行处理,生成目标生产数据;
所述数字孪生模型引擎根据用于生产所述待处理产品的柔性生产线数据,以及所述待处理产品所属种类的其他产品的历史排产信息,获取所述待处理产品的排产信息;还可以根据所述待处理产品的产品信息、所述排产信息以及所述目标生产数据,在柔性生产线对所述待处理产品进行生产时,对所述柔性生产线进行状态监控,获取所述柔性生产线的状态数据;
所述动态多任务调度引擎在所述状态数据指示所述柔性生产线存在问题时,构建新的柔性生产线,以实现在所述新的柔性生产线对所述待处理产品进行继续生产。
在上述工业互联网操作系统的优选技术方案中,所述系统还包括:
工业大数据知识引擎和工业边缘智能CPS管理壳;
所述工业大数据知识引擎获取所述其他产品的历史产品信息;
所述工业边缘智能CPS管理壳根据所述历史产品信息以及用户对所述待处理产品的功能需求和/或外观需求,确定所述待处理产品的所述产品信息。
在上述工业互联网操作系统的优选技术方案中,所述系统还包括:
调度算法库,所述调度算法库存储有调度算法,所述调度算法用于实现动态多任务调度引擎的调度功能。
第二方面,本申请实施例提供一种产品的处理方法,应用于第一方面的工业互联网操作系统中的服务器,所述方法包括:
根据用户对所述待处理产品的功能需求和/或外观需求,确定待处理产品的产品信息;
根据用于生产所述待处理产品的柔性生产线数据,以及所述待处理产品所属种类的其他产品的历史排产信息,通过数字孪生模型引擎获取所述待处理产品的排产信息;
当根据所述产品信息以及所述排产信息,在柔性生产线对所述待处理产品进行生产时,通过异构数据集成引擎将所述待处理产品的初始生产数据根据预设数据格式进行处理,生成目标生产数据;
根据所述目标生产数据,通过所述数字孪生模型引擎对所述柔性生产线进行状态监控,获取所述柔性生产线的状态数据;
当所述状态数据指示所述柔性生产线存在问题时,通过动态多任务调度引擎构建新的柔性生产线,以实现在所述新的柔性生产线对所述待处理产品进行继续生产。
在上述产品的处理方法的优选技术方案中,所述确定待处理产品的产品信息,包括:
通过工业大数据知识引擎,获取所述其他产品的历史产品信息;
根据所述历史产品信息以及所述待处理产品的需求信息,通过工业边缘智能信息物理系统CPS管理壳,确定所述待处理产品的所述产品信息,所述需求信息用于表示用户对所述待处理产品的功能需求和/或外观需求。
在上述产品的处理方法的优选技术方案中,所述根据所述目标生产数据,通过所述数字孪生模型引擎对所述柔性生产线进行状态监控,获取所述柔性生产线的状态数据,包括:
根据所述目标生产数据,通过所述数字孪生模型引擎对所述柔性生产线进行状态监控,获取所述柔性生产线的状态监控数据;
根据所述状态监控数据,通过所述工业大数据知识引擎对所述柔性生产线在剩下的生产时长中的状态进行预测,获取所述状态数据。
在上述产品的处理方法的优选技术方案中,在所述根据用于生产所述待处理产品的柔性生产线数据,以及所述待处理产品所属种类的其他产品的历史排产信息,通过数字孪生模型引擎获取所述待处理产品的排产信息之前,所述方法还包括:
根据所述产品信息中的业务逻辑以及各实体离散制造设备的功能,通过所述工业边缘智能CPS管理壳构建所述柔性生产线,以贯通产品全生命周期的业务流与数据流。
在上述产品的处理方法的优选技术方案中,在根据所述产品信息以及所述排产信息,在所述柔性生产线对所述待处理产品进行生产时,所述方法还包括:
通过所述工业边缘智能CPS管理壳采集所述待处理产品的所述初始生产数据。
在上述产品的处理方法的优选技术方案中,所述当所述状态数据指示所述柔性生产线存在问题时,通过动态多任务调度引擎构建新的柔性生产线,包括:
通过所述动态多任务调度引擎,从调度算法库调用调度算法;
基于所述调度算法,根据所述状态数据判断所述柔性生产线是否存在问题;
在确定所述柔性生产线存在问题时,构建所述新的柔性生产线。
在上述产品的处理方法的优选技术方案中,所述基于所述调度算法,根据所述状态数据判断所述柔性生产线是否存在问题,包括:
基于所述调度算法,根据所述状态数据判断所述柔性生产线是否存在工况异常和/或设备故障。
本领域技术人员能够理解的是,本申请实施例提供的工业互联网操作系统和产品的处理方法,该工业互联网操作系统包括异构数据集成引擎、数字孪生模型引擎以及动态多任务调度引擎,异构数据集成引擎将待处理产品的初始生产数据根据预设数据格式进行处理,生成目标生产数据,数字孪生模型引擎根据用于生产待处理产品的柔性生产线数据,以及待处理产品所属种类的其他产品的历史排产信息,获取待处理产品的排产信息,在根据待处理产品的产品信息、排产信息以及目标生产数据,在柔性生产线对待处理产品进行生产时,数字孪生模型引擎还可以对柔性生产线进行状态监控,获取柔性生产线的状态数据,动态多任务调度引擎在状态数据指示柔性生产线存在问题时,构建新的柔性生产线,以实现在新的柔性生产线对待处理产品进行继续生产。在本申请实施例中,异构数据集成引擎能够将待处理产品数据进行统一格式的定义与表达,实现异构数据的融通,数字孪生模型引擎以及动态多任务调度引擎能够对柔性生产线进行监控,以使在柔性生产线存在问题时,及时构建新的柔性生产线,该柔性生产线用于对待处理产品进行继续生产,从而实现任务的优化调度以及资源的协同。
附图说明
下面参照附图来描述本申请的工业互联网操作系统和产品的处理方法,附图为:
图1为本申请实施例提供的工业互联网操作系统的一种结构示意图;
图2为本申请实施例提供的工业互联网操作系统的另一种结构示意图;
图3为本申请实施例提供的产品的处理方法实施例一的流程示意图。
具体实施方式
首先,本领域技术人员应当理解的是,这些实施方式仅仅用于解释本申请的技术原理,并非旨在限制本申请的保护范围。本领域技术人员可以根据需要对其作出调整,以便适应具体的应用场合。
其次,需要说明的是,在本申请实施例的描述中,术语“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或构件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
此外,还需要说明的是,在本申请实施例的描述中,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个构件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本申请实施例中的具体含义。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在介绍本申请的实施例之前,首先对本申请实施例的应用背景进行解释:
近年来,互联网、云计算、大数据和人工智能等技术发展迅猛,各企业都开展了工业互联网操作系统的研究,生成了许多具有代表性的工业互联网操作系统。针对离散行业来讲,工业互联网操作系统在屏蔽工业底层异构性的基础上,以数据和工业机理模型为核心,为上层离散制造全生命周期应用提供数字化、网络化、智能化的服务,具有重要意义。
其中,现有技术的工业互联网操作系统主要包括平台层和应用层,平台层包括人工智能、大数据、云计算,应用层包括用户端和开发者端,平台层、应用层由安全防护系统防护,安全防护系统中的数据信息存储于数据库中,安全防护系统包括数据防护和物理防护,数据防护包括数据筛选模块、危险判断模块、危险预处理模块、人工预警模块、异常危险处理模块,物理防护包括视觉识别模块和语音识别模块。
然而,现有的工业互联网操作系统的数据挖掘分析应用能力不足,存在以下问题:
(1)、离散行业的工业互联网操作系统的基础核心支撑是工业数据的融会贯通,然而,工业数据涉及离散制造全生命周期的不同阶段、不同业务活动、各类异构系统以及各类异构数据类型,导致存在异构数据融通难题。
(2)、离散行业的工业互联网操作系统的应用核心功能是资源的协同调控,然而,由于工业互联网资源调度任务的规模化增长、跨组织协作以及动态多变环境等因素的影响,导致存在动态多任务难以协同调度的难题。
综上所述,传统自动化系统解决方案仍占据市场的主流位置,为离散制造业行业智能化升级需求提供整体解决方案的工业互联网操作系统尚处于发展初期,能够在行业内形成可推广和可复制的成熟工业互联网操作系统并不多,规模有限。
针对上述问题,本申请提供一种工业互联网操作系统,该工业互联网操作系统包括异构数据集成引擎、数字孪生模型引擎以及动态多任务调度引擎。其中,异构数据集成引擎可以将待处理产品数据进行统一格式的定义与表达,实现异构数据的融通,数字孪生模型引擎可以在柔性生产线对待处理产品进行生产时,对生产产品的柔性生产线进行状态监控,同时,动态多任务调度引擎可以在数字孪生模型引擎监控发现柔性生产线存在问题时,构建新的柔性生产线,以实现在新的柔性生产线对待处理产品进行继续生产,从而实现任务的优化调度以及资源的协同。
下面,通过具体实施例对本申请的技术方案进行详细说明。
需要说明的是,下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
图1为本申请实施例提供的工业互联网操作系统的一种结构示意图。如图1所示,该工业互联网操作系统可以包括:异构数据集成引擎、数字孪生模型引擎以及动态多任务调度引擎。
其中,异构数据集成引擎将待处理产品的初始生产数据根据预设数据格式进行处理,生成目标生产数据。
可选的,上述处理可以为:根据上述初始生产数据自动制定转换规则,将上述初始生产数据的格式通过转化规则转化为预设数据格式,从而生成目标生产数据。
应理解,该预设数据格式可以是相关工作人员根据实际需求预先设置的,本申请实施例对此不进行具体限制。
可选的,异构数据集成引擎还可以在离散制造业中待处理产品的设计、生产、服务等业务过程中,根据待处理产品的产品信息中的业务逻辑以及各实体离散制造设备的功能,构建柔性生产线,以贯通待处理产品全生命周期的业务流与数据流。
其中,产品信息是根据用户对待处理产品的功能需求和/或外观需求确定的。
可选的,异构数据集成引擎还可以通过相关模型构建基于上述业务逻辑的虚拟柔性生产线,以实现模型语义一致性转换。
可选的,上述相关模型可以存储在模型资源库中,异构数据集成引擎可以通过工业边缘智能信息物理系统(Cyber-Physical Systems,CPS)管理壳调用上述相关模型。
其中,数字孪生模型引擎根据用于生产待处理产品的柔性生产线数据,以及待处理产品所属种类的其他产品的历史排产信息,获取待处理产品的排产信息。
可选的,数字孪生模型引擎还可以根据待处理产品的产品信息、排产信息以及目标生产数据,在柔性生产线对待处理产品进行生产时,对柔性生产线进行状态监控,获取柔性生产线的状态数据。
可选的,数字孪生模型引擎还可以根据上述异构数据集成引擎已构建的虚拟柔性生产线以及待处理产品所属种类的其他产品的历史排产信息、以及场景化机理模型库中数字孪生机理模型,构建待处理产品的全流程数字孪生模型,并通过工业边缘智能CPS管理壳实现虚实映射,以使数字孪生模型引擎通过上述全流程数字孪生模型实现对待处理产品的生产规划、工况情况、设备状态等进行预测,从而确定排产方案,以及对柔性生产线进行状态监控。
其中,动态多任务调度引擎可以在状态数据指示柔性生产线存在问题时,构建新的柔性生产线,以实现在新的柔性生产线对待处理产品进行继续生产。也就是说,针对生产业务变化以及多客户大规模个性化定制产品的需求,动态多任务调度引擎能够调度满足生产需求的生产资源。
本申请实施例提供一种工业互联网操作系统,该工业互联网操作系统包括异构数据集成引擎、数字孪生模型引擎以及动态多任务调度引擎,异构数据集成引擎将待处理产品的初始生产数据根据预设数据格式进行处理,生成目标生产数据,数字孪生模型引擎根据用于生产待处理产品的柔性生产线数据,以及待处理产品所属种类的其他产品的历史排产信息,获取待处理产品的排产信息,在根据待处理产品的产品信息、排产信息以及目标生产数据,在柔性生产线对待处理产品进行生产时,数字孪生模型引擎还可以对柔性生产线进行状态监控,获取柔性生产线的状态数据,动态多任务调度引擎在状态数据指示柔性生产线存在问题时,构建新的柔性生产线,以实现在新的柔性生产线对待处理产品进行继续生产。在本申请实施例中,异构数据集成引擎能够将待处理产品数据进行统一格式的定义与表达,实现异构数据的融通,数字孪生模型引擎以及动态多任务调度引擎能够对柔性生产线进行监控,以使在柔性生产线存在问题时,及时构建新的柔性生产线,该柔性生产线用于对待处理产品进行继续生产,从而实现任务的优化调度以及资源的协同。
基于图1所示实施例,在一些实施例中,该工业互联网操作系统还可以包括:工业大数据知识引擎和工业边缘智能CPS管理壳。
其中,工业大数据知识引擎获取其他产品的历史产品信息。
可选的,工业大数据知识引擎还可以获取待处理产品所属种类的其他产品的历史排产信息。
可选的,工业大数据知识引擎还可以根据数字孪生模型引擎对柔性生产线进行状态监控获取的柔性生产线的状态监控数据,对柔性生产线在剩下的生产时长中的状态进行预测,获取状态数据。
可选的,工业大数据知识引擎还可以存储异构数据集成引擎处理后的相关数据,其中,该相关数据可以为目标生产数据,还可以为产品设计、生产、服务过程等相关数据。
可选的,为了实现对柔性生产线在剩下的生产时长中的状态进行预测,该工业大数据知识引擎可以包括以下模块:
目标域数据增强知识表征模块、目标域自监督学习知识表征模块、基于多任务元学习的跨域深度迁移学习模块。
其中,目标域数据增强知识表征模块,可以针对待处理产品历史工业数据样本不足且低质量等问题,利用信号域转换、对抗学习、自动数据增广等技术进行数据增强,生成融合跨域知识的增强样本,用于跨域样本的迁移学习模型,便于实现工业复杂场景的分类(故障诊断,异常检测)与预测(寿命预测,库存量预测)问题。
目标域自监督学习知识表征模块,可以对待处理产品设计、制造过程中实时采集到的工业异构数据进行自监督知识表征,将时间域与空间域的工业多源数据表征进行组合,利用监督学习得到具备不变性、等变性、迁移性的多源异构数据深度解耦,以适应动态变化的复杂工业任务。
基于多任务元学习的跨域深度迁移学习模块,可以根据待处理产品,利用该待处理产品相关历史数据,基于元学习机制的迁移学习机制,进行单任务与多任务的迁移以及多个辅助任务的选择机制设计,便于进行工业复杂场景下的分类与精准预测,最终实现新任务的跨域知识深度迁移。
其中,工业边缘智能CPS管理壳根据历史产品信息以及待处理产品的需求信息,确定待处理产品的产品信息。
其中,上述需求信息可以是用户对待处理产品的需求,包括功能需求和/或外观需求。
可选的,工业边缘智能CPS管理壳还可以采集待处理产品的初始生产数据。其中,上述采集处理可以为:接入实体离散制造异构资源,实时采集离散制造设备的全方位数据。
其中,通过智能化CPS管理壳,对离散制造实体设备、产品与服务资源进行语义理解、操作与调度,通过智能感知网络实现资源的自动化感知以及设备异构协议智能自适应匹配。此外,通过对模型资源库中的模型进行自动标注、识别、分类、检索以及编译优化,实现实体与模型之间的自适应映射。
在上述实施例中,通过智能化CPS管理壳和工业大数据知识引擎确定待处理产品的产品信息,从而得到适合该用户的设计方案,后续对产品进行处理奠定了基础,提高了处理的准确性。
基于图1所示实施例,在一些实施例中,该工业互联网操作系统还可以包括:
调度算法库,该调度算法库存储有调度算法,调度算法用于实现动态多任务调度引擎的调度功能。
在本实施例中,调度算法库可以存储调度算法,以便于动态多任务调度引擎调用,调度算法在动态多任务调度引擎调用后,可以对柔性生产线进行优化设计,构建适于业务目标的新的柔性生产线,从而实现多任务下的高效精准调度。
图2为本申请实施例提供的工业互联网操作系统的另一种结构示意图。如图2所示,该工业互联网操作系统包括:
离散行业应用、工业应用手机软件(application,APP)、核心组件、基础通用组件、离散制造资源、安全防护体系以及标准标识体系。
其中,离散行业应用包括用户交互、研发创新、精准销售、协同采购、智能制造、智慧物流以及智能服务等离散制造业产品全生命周期应用。
其中,工业应用APP包括交互定制类工业APP、开发设计类工业APP、精准销售类工业APP、模块化采购类工业APP、智能制造类工业APP、智能物流类工业APP、智能服务类工业APP,从而实现个性化定制、网络化协同、智能化生产以及服务化延伸。
其中,核心组件包括工业云层以及工业边缘层,工业云层包括工业互联网应用低代码快速构建工具、场景化机理模型库、工业引擎、调度算法库以及大数据湖,工业边缘层包括模型资源库、工业边缘智能CPS管理壳以及接口协议库。
其中,工业互联网应用低代码快速构建工具是在其它核心组件库的基础上,面向离散行业个性化定制和网络化协同应用需求,融合工业边缘智能、模型资源库、接口协议库、大数据湖、工业引擎、场景化机理模型库等核心组件,构建工业互联网应用代码快速开发工具。该工具覆盖软件用户界面(User Interface,UI)、服务、控制、实体、流程、规则等云原生应用的模型资源库及编译器,基于图形式低代码快速开发技术实现模型驱动的云原生应用快速构造,降低工业APP构建难度,为开发者社群及大规模定制产业链生态形成提供底层架构支持。
其中,场景化机理模型库存储针对离散制造不同应用场景需求的数字孪生机理模型,便于进行调度应用。
其中,工业引擎包括数字孪生模型引擎以及动态多任务调度引擎。
其中,大数据湖包括异构数据集成引擎、大数据湖治理工具以及工业大数据知识引擎。
其中,工业边缘层包括模型资源库、工业边缘智能CPS管理壳以及接口协议库。
可选的,模型资源库通过对生产设备、产品和服务分类结构提炼共性信息模型元素子集,建立各类设备、产品和服务资源的全要素资源统一多维语义本体模型。此外,模型资源库将各类资源模型通过语义分析技术建立关联关系,进一步实现关联关系实例化,为工业边缘智能CPS管理壳的全要素资源感知和自适应智能匹配提供检索基础。
可选的,接口协议库为离散制造设备、产品和服务资源语义模型提供相应的接口协议,以便于实现工厂网络内的全要素资源智能感知。
在本实施例中,针对工业互联网平台中资源接入、数据融通、任务调度等组件的多态、异构、混合的特点,核心组件制定面向领域的组件服务化组装机制,采用标准化工业微服务技术,进行工业互联网操作系统组件各逻辑执行模块间的统一接口标准和网关,通过构件组装和编排模型形成基于微服务和容器技术的核心组件库。
其中,基础通用组件包括基础类组件库如容器服务、负载均衡、云存储以及内容分发网络(Content Delivery Network,CDN)等组件;开发类组件库如过程、方法与系统的统称(Development和Operations的组合,DevOps)、微服务治理、函数服务、开放的应用编程接口(open Application Programming Interface,OpenAPI)等;中间件组件如数据库、消息队列、缓存以及搜索引擎等;运维类组件库如监控预警、日志服务、云备份以及异地容灾等等,同时还包括服务器、存储设备、网络设备、安全设备、网络带宽以及加密机等相关组件。
其中,离散制造资源包括数控基床、工业机器人、运输车(Automated GuidedVehicle,AGV)、传感器、工业交换机、摄像头、增强现实(Augmented Reality,AR)眼镜、检测设备以及其他资源。
在本申请实施例中,面向离散制造行业设备、产品和服务全要素资源接入需求,针对全要素资源语义的建模自适配问题,构建离散制造设备、产品和服务全要素资源统一语义模型,构建模型资源库。设备按照基本类型分为工业机器人、数控机床、AGV、检测设备等,产品分为终端智能消费产品、智能机电产品等,服务按照全生命周期分为研发设计服务、生产制造服务、经营管理服务、售后运维服务等。在分类基础上提炼共性信息,融合多特征的语义信息标注方法以及语义信息跨分类检索匹配方法,通过对设备、产品和服务分类结构提炼共性信息模型元素子集,建立各类设备、产品和服务资源的统一多维语义本体模型,形成模型资源库。构建工业异构协议高效智能自适应适配方法并打造工业边缘智能CPS管理壳、模型资源库、接口协议库等核心组件,有效解决现有技术中由于离散制造资源种类繁多、范围巨大、差异巨大,导致的异构要素资源的接入难问题。
进一步的,面向离散制造行业异构大数据空间共享融通需求,针对强异构数据跨跨域知识迁移问题,进行时空多尺度业务过程数据集成,进行多维语义关联数据空间隐性知识融合,进行工业异构跨域知识深度迁移;面向离散制造流程多任务调度优化的需求,针对高动态任务不确定性精准调控问题,提出离散制造调度流程数字孪生建模,实现基于数字孪生预测的多任务精准优化调度。
本申请实施例提出基于多维语义建模的离散制造设备、产品和服务全要素资源统一语义可扩展模型,建立面向工业异构协议自适应适配的智能CPS管理壳,突破离散制造资源难以统一标准化建模与自适应接入的瓶颈。同时,突破工业异构数据空间深层次知识难以表征迁移的瓶颈,提出基于高阶张量空间建模的多维关联异构数据空间隐性知识表征融合方法,利用基于多任务元学习的工业知识跨域迁移学习方法,形成业务流程异构数据集成引擎和工业大数据知识引擎等核心组件。进一步的,提出基于虚实融合预测的多任务智能优化调度,突破离散制造复杂不确定环境下动态多任务难以精准调控的瓶颈局限,形成工业互联网数字孪生模型引擎和动态多任务调度引擎等核心组件。
本申请实施例通过构建离散制造行业的工业互联网操作系统,能够协助企业在现有要素资源的基础上建立一个统一的业务操作平台,所有软件和设备的功能和数据,均通过这个统一平台调度,将突破工业互联网操作系统核心瓶颈问题,形成新系统、新组件、新应用,实现工厂的持续改进与迭代优化,赋能离散制造行业高质量发展。
本申请实施例围绕工业互联网要素资源“接不全”、异构数据“融不深”、协同调度“控不精”等三个瓶颈挑战,结合新一代信息技术发展趋势,将边缘智能、大数据空间、深度迁移学习、数字孪生、强化学习调度决策等技术与离散行业工业互联网特点进行融合创新,突破全要素资源语义建模自适配、强异构数据跨域知识深度迁移、高动态任务不确定性精准调控等三个关键问题,形成智能化、标准化、自主化核心技术组件,打造全面智接、深度智融、精准智控的离散行业工业互联网操作系统。本发明对于工业互联网这一前沿领域、尤其是离散行业工业互联网操作系统新理论、新技术的突破与发展具有重要的科学价值与应用价值。工业互联网操作系统将成为工业互联网产业界应用的核心共性支撑平台,将为离散制造业企业的转型升级、将本增效和盈利提供核心技术与系统支撑。
图3为本申请实施例提供的产品的处理方法实施例一的流程示意图。如图3所示,该产品的处理方法应用于上述任一实施例所述的工业互联网操作系统中的服务器,该产品的处理方法可以包括如下步骤:
S301、根据用户对待处理产品的功能需求和/或外观需求,确定待处理产品的产品信息。
在实际应用中,服务器需要获取客户对待处理产品的个性化需求,从而根据上述个性化需求确定待处理产品的产品信息。
可选的,用户可以通过工业互联网操作系统的前端设备输入个性化需求,上述服务器响应于用户的输入操作,获取用户输入的待处理产品的个性化需求。
可选的,上述输入操作可以为语音输入操作、文字输入操作以及相关控件的点击输入操作等,可以根据实际情况确定,本申请实施例不对具体的输入操作方式进行限定。
S302、根据用于生产待处理产品的柔性生产线数据,以及待处理产品所属种类的其他产品的历史排产信息,通过数字孪生模型引擎获取待处理产品的排产信息。
在实际应用中,在确定待处理产品的产品信息后,该待处理产品即将进入生产制造环节。然而,大量的待处理产品对于柔性生产线以及协同优化提出了更高的要求,因此还需要确定待处理产品的排产计划,从而保证待处理产品的高效生产。
可选的,可以通过数字孪生模型引擎中的全流程数字孪生模型,根据柔性生产线数据以及历史排产信息,对待处理产品的生产规划、工况情况、设备状态等进行预测,从而确定排产方案。
其中,上述柔性生产线数据可以为该柔性生产线的全方位数据。
可选的,上述柔性生产线数据可以是预先通过工业边缘智能CPS管理壳获取的,上述历史排产信息可以是预先通过工业大数据知识引擎从其他设备的历史排产案例中进行挖掘并迁移得到的。
S303、当根据产品信息以及排产信息,在柔性生产线对待处理产品进行生产时,通过异构数据集成引擎将待处理产品的初始生产数据根据预设数据格式进行处理,生成目标生产数据。
其中,初始生产数据可以为该柔性生产线中各采集离散制造设备的生产数据。
可选的,上述处理可以为:通过异构数据集成引擎根据上述初始生产数据自动制定转换规则,将上述初始生产数据的格式通过转化规则转化为预设数据格式,从而生成目标生产数据。
应理解,该预设数据格式可以是相关工作人员根据实际需求预先设置的,本申请实施例对此不进行具体限制。
可选的,上述待处理产品的初始生产数据可以通过工业边缘智能CPS管理壳采集得到。
S304、根据目标生产数据,通过数字孪生模型引擎对柔性生产线进行状态监控,获取柔性生产线的状态数据。
其中,状态监控包括对工况和/或设备进行监控。
S305、当状态数据指示柔性生产线存在问题时,通过动态多任务调度引擎构建新的柔性生产线,以实现在新的柔性生产线对待处理产品进行继续生产。
在实际应用中,在通过数字孪生模型引擎检测到柔性生产线的状态存在问题时,需要将待处理产品转换到其他柔性生产线上继续生产,以免影响该待处理产品的生产进度。
本申请实施例提供一种产品的处理方法,通过根据用户对待处理产品的功能需求和/或外观需求,确定待处理产品的产品信息,根据用于生产待处理产品的柔性生产线数据,以及待处理产品所属种类的其他产品的历史排产信息,通过数字孪生模型引擎获取待处理产品的排产信息,当根据产品信息以及排产信息,在柔性生产线对待处理产品进行生产时,通过异构数据集成引擎将待处理产品的初始生产数据根据预设数据格式进行处理,生成目标生产数据,根据目标生产数据,通过数字孪生模型引擎对柔性生产线进行状态监控,获取柔性生产线的状态数据,当状态数据指示柔性生产线存在问题时,通过动态多任务调度引擎构建新的柔性生产线,以实现在新的柔性生产线对待处理产品进行继续生产。本技术方案能够应用于柔性计划排产、柔性生产线重构、工况监控预测、动态协调调度等应用场景,通过异构数据集成引擎将待处理产品数据进行统一格式的定义与表达,通过数字孪生模型引擎和动态多任务调度引擎在柔性生产线存在问题时,构建新的柔性生产线,以实现在新的柔性生产线对待处理产品进行继续生产,从而实现任务的优化调度以及资源的协同。
可选的,基于图3所示实施例,S301可以通过以下步骤实现:
通过工业大数据知识引擎,获取其他产品的历史产品信息,根据历史产品信息以及用户对待处理产品的需求,通过工业边缘CPS管理壳,确定待处理产品的产品信息。
在本申请实施例中,通过调用工业大数据知识引擎提供知识支撑,然后根据用户对待处理产品的需求调用工业边缘CPS管理壳,对历史产品信息进行优化改进,从而确定待处理产品的产品信息,得到待处理产品的设计方案,提高了生产出的待处理产品与用户需求的匹配度。
可选的,基于图3所示实施例,S304可以通过以下步骤实现:
根据目标生产数据,通过数字孪生模型引擎对柔性生产线进行状态监控,获取柔性生产线的状态监控数据,根据状态监控数据,通过工业大数据知识引擎对柔性生产线在剩下的生产时长中的状态进行预测,获取状态数据。
在本申请实施例中,可以在生产执行过程中调用数字孪生模型引擎对柔性生产线进行实时状态监控,并调用工业大数据知识引擎对工况异常、设备故障、时序趋势等进行预测,获取状态数据,能够有效防止柔性生产线在剩下的生产时长中出现异常,影响待处理产品的生产工作的问题。
可选的,基于图3所示实施例,在S302之前,该产品的处理方法还可以包括以下步骤实现:
根据产品信息中的业务逻辑以及各实体离散制造设备的功能,通过异构数据集成引擎构建柔性生产线,以贯通产品全生命周期的业务流与数据流。
在本申请实施例中,异构数据集成引擎根据产品信息中的业务逻辑以及各实体离散制造设备的功能,构建柔性生产线,为后续将待处理产品在柔性生产线上进行生产奠定了基础,提高了生产效率。
可选的,基于图3所示实施例,在根据产品信息以及排产信息,在柔性生产线对待处理产品进行生产时,该产品的处理方法还可以包括以下步骤实现:
通过工业边缘智能CPS管理壳采集待处理产品的初始生产数据。
在本申请实施例中,工业边缘智能CPS管理壳可以接入实体离散制造异构资源,实时该柔性生产线中各采集离散制造设备的生产数据,从而获取该待处理产品的初始生产数据,以使后续能对柔性生产线进行监控,保证待处理产品的顺利生产。
可选的,基于图3所示实施例,S305可以通过以下步骤实现:
通过动态多任务调度引擎,从调度算法库调用调度算法,基于调度算法,根据状态数据判断柔性生产线是否存在问题,在确定柔性生产线存在问题时,构建新的柔性生产线。
在上述实施例中,调度算法库中存储有调度算法,动态多任务调度引擎可以根据不同场景调用相应的调度算法对资源进行调度,从而解决现有技术中协同调度控不精的问题。
可选的,在上述实施例的基础上,上述基于调度算法,根据状态数据判断柔性生产线是否存在问题,可以通过以下步骤实现。
基于调度算法,根据状态数据判断柔性生产线是否存在工况异常和/或设备故障。
在上述实施例中,由于工况和设备是影响待处理产品生产的两大因素,因此,可以通过状态数据判断柔性生产线是否存在工况异常和/或设备故障,就能够根据判断结果确定柔性生产线是否影响待处理产品的生产过程,以使在影响的情况及时进行后续调度处理。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种工业互联网操作系统,其特征在于,包括:
异构数据集成引擎、数字孪生模型引擎以及动态多任务调度引擎;
所述异构数据集成引擎将待处理产品的初始生产数据根据预设数据格式进行处理,生成目标生产数据;
所述数字孪生模型引擎根据用于生产所述待处理产品的柔性生产线数据,以及所述待处理产品所属种类的其他产品的历史排产信息,获取所述待处理产品的排产信息;还可以根据所述待处理产品的产品信息、所述排产信息以及所述目标生产数据,在柔性生产线对所述待处理产品进行生产时,对所述柔性生产线进行状态监控,获取所述柔性生产线的状态数据,所述产品信息是根据用户对所述待处理产品的功能需求和/或外观需求确定的;
所述动态多任务调度引擎在所述状态数据指示所述柔性生产线存在问题时,构建新的柔性生产线,以实现在所述新的柔性生产线对所述待处理产品进行继续生产。
2.根据权利要求1所述的系统,其特征在于,所述系统还包括:
工业大数据知识引擎和工业边缘智能信息物理系统CPS管理壳;
所述工业大数据知识引擎获取所述其他产品的历史产品信息;
所述工业边缘智能CPS管理壳根据所述历史产品信息以及用户对所述待处理产品的功能需求和/或外观需求,确定所述待处理产品的所述产品信息。
3.根据权利要求2所述的系统,其特征在于,所述系统还包括:
调度算法库,所述调度算法库存储有调度算法,所述调度算法用于实现动态多任务调度引擎的调度功能。
4.一种产品的处理方法,应用于权利要求1至3任一项所述的工业互联网操作系统中的服务器,所述方法包括:
根据用户对所述待处理产品的功能需求和/或外观需求,确定待处理产品的产品信息;
根据用于生产所述待处理产品的柔性生产线数据,以及所述待处理产品所属种类的其他产品的历史排产信息,通过数字孪生模型引擎获取所述待处理产品的排产信息;
当根据所述产品信息以及所述排产信息,在柔性生产线对所述待处理产品进行生产时,通过异构数据集成引擎将所述待处理产品的初始生产数据根据预设数据格式进行处理,生成目标生产数据;
根据所述目标生产数据,通过所述数字孪生模型引擎对所述柔性生产线进行状态监控,获取所述柔性生产线的状态数据;
当所述状态数据指示所述柔性生产线存在问题时,通过动态多任务调度引擎构建新的柔性生产线,以实现在所述新的柔性生产线对所述待处理产品进行继续生产。
5.根据权利要求4所述的方法,其特征在于,所述确定待处理产品的产品信息,包括:
通过工业大数据知识引擎,获取所述其他产品的历史产品信息;
根据所述历史产品信息以及用户对所述待处理产品的需求,通过工业边缘智能信息物理系统CPS管理壳,确定所述待处理产品的所述产品信息。
6.根据权利要求5所述的方法,其特征在于,所述根据所述目标生产数据,通过所述数字孪生模型引擎对所述柔性生产线进行状态监控,获取所述柔性生产线的状态数据,包括:
根据所述目标生产数据,通过所述数字孪生模型引擎对所述柔性生产线进行状态监控,获取所述柔性生产线的状态监控数据;
根据所述状态监控数据,通过所述工业大数据知识引擎对所述柔性生产线在剩下的生产时长中的状态进行预测,获取所述状态数据。
7.根据权利要求5或6所述的方法,其特征在于,在所述根据用于生产所述待处理产品的柔性生产线数据,以及所述待处理产品所属种类的其他产品的历史排产信息,通过数字孪生模型引擎获取所述待处理产品的排产信息之前,所述方法还包括:
根据所述产品信息中的业务逻辑以及各实体离散制造设备的功能,通过所述异构数据集成引擎构建所述柔性生产线,以贯通产品全生命周期的业务流与数据流。
8.根据权利要求7所述的方法,其特征在于,在根据所述产品信息以及所述排产信息,在所述柔性生产线对所述待处理产品进行生产时,所述方法还包括:
通过所述工业边缘智能CPS管理壳采集所述待处理产品的所述初始生产数据。
9.根据权利要求8所述的方法,其特征在于,所述当所述状态数据指示所述柔性生产线存在问题时,通过动态多任务调度引擎构建新的柔性生产线,包括:
通过所述动态多任务调度引擎,从调度算法库调用调度算法;
基于所述调度算法,根据所述状态数据判断所述柔性生产线是否存在问题;
在确定所述柔性生产线存在问题时,构建所述新的柔性生产线。
10.根据权利要求9所述的方法,其特征在于,所述基于所述调度算法,根据所述状态数据判断所述柔性生产线是否存在问题,包括:
基于所述调度算法,根据所述状态数据判断所述柔性生产线是否存在工况异常和/或设备故障。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202093.7A CN115562199A (zh) | 2022-09-29 | 2022-09-29 | 工业互联网操作系统和产品的处理方法 |
PCT/CN2023/108001 WO2024066683A1 (zh) | 2022-09-29 | 2023-07-18 | 工业互联网操作系统和产品的处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202093.7A CN115562199A (zh) | 2022-09-29 | 2022-09-29 | 工业互联网操作系统和产品的处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115562199A true CN115562199A (zh) | 2023-01-03 |
Family
ID=84742791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211202093.7A Pending CN115562199A (zh) | 2022-09-29 | 2022-09-29 | 工业互联网操作系统和产品的处理方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115562199A (zh) |
WO (1) | WO2024066683A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116679627A (zh) * | 2023-05-04 | 2023-09-01 | 安徽机电职业技术学院 | 一种用于控制多个电气设备的联动控制方法 |
WO2024066683A1 (zh) * | 2022-09-29 | 2024-04-04 | 卡奥斯工业智能研究院(青岛)有限公司 | 工业互联网操作系统和产品的处理方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530111A (zh) * | 2016-12-01 | 2017-03-22 | 东华大学 | 一种面向智能棉纺生产的cps架构 |
CN112306464B (zh) * | 2020-10-14 | 2022-03-29 | 中国科学院沈阳自动化研究所 | 利用数字孪生体实现工业场景下信息物理融合方法和系统 |
CN114580083A (zh) * | 2022-03-11 | 2022-06-03 | 东北大学 | 一种基于数字孪生的智能装配系统的构建方法 |
CN114815752A (zh) * | 2022-04-07 | 2022-07-29 | 深圳市国电科技通信有限公司 | 应用于生产线的数字孪生系统、方法、设备及储备介质 |
CN115562199A (zh) * | 2022-09-29 | 2023-01-03 | 卡奥斯工业智能研究院(青岛)有限公司 | 工业互联网操作系统和产品的处理方法 |
-
2022
- 2022-09-29 CN CN202211202093.7A patent/CN115562199A/zh active Pending
-
2023
- 2023-07-18 WO PCT/CN2023/108001 patent/WO2024066683A1/zh unknown
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024066683A1 (zh) * | 2022-09-29 | 2024-04-04 | 卡奥斯工业智能研究院(青岛)有限公司 | 工业互联网操作系统和产品的处理方法 |
CN116679627A (zh) * | 2023-05-04 | 2023-09-01 | 安徽机电职业技术学院 | 一种用于控制多个电气设备的联动控制方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2024066683A1 (zh) | 2024-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109709811B (zh) | 一种面向智能制造的边缘计算控制器及其工作方法 | |
Borangiu et al. | Digital transformation of manufacturing through cloud services and resource virtualization | |
CN112579653B (zh) | 工业数据的逐步情境化和分析 | |
Wang et al. | Artificial intelligence in product lifecycle management | |
EP3465553B1 (en) | A cognitive automation engineering system | |
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 | |
EP3798942B1 (en) | Artificial intelligence channel for industrial automation | |
US20220138004A1 (en) | System and method for automated production and deployment of packaged ai solutions | |
CN112580813B (zh) | 工业数据在装置级处的情境化 | |
US11829801B2 (en) | Mesh agents for distributed computing | |
Karnouskos et al. | A SOA-based architecture for empowering future collaborative cloud-based industrial automation | |
CN115562199A (zh) | 工业互联网操作系统和产品的处理方法 | |
KR20190107117A (ko) | 시스템들의 자동화 및 제어를 위한 인지 공학 기술을 위한 시스템 및 방법 | |
US11675605B2 (en) | Discovery, mapping, and scoring of machine learning models residing on an external application from within a data pipeline | |
Borangiu et al. | Digital transformation of manufacturing. Industry of the future with cyber-physical production systems | |
Jantunen et al. | The way cyber physical systems will revolutionise maintenance | |
CN110766163B (zh) | 用于实施机器学习过程的系统 | |
El Khalyly et al. | Devops and microservices based internet of things meta-model | |
Youssef et al. | Developing an Enterprise Operating System (EOS)-requirements and architecture | |
Queiroz et al. | Agent-based approach for decentralized data analysis in industrial cyber-physical systems | |
CN114493911A (zh) | 基于资产管理壳的产线管理方法及系统 | |
Wiener et al. | Fogsy: Towards holistic industrial AI management in fog and edge environments | |
Anaya et al. | Towards IoT analytics. A vf-OS approach | |
Ostberg et al. | Domain Models and Data Modeling as Drivers for Data Management: The ASSISTANT Data Fabric Approach | |
Kaiser | Evaluating the role of reference architectures in designing low-cost digital manufacturing systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |