CN115730782A - 用于监控工作系统的方法以及包括工作系统的系统 - Google Patents
用于监控工作系统的方法以及包括工作系统的系统 Download PDFInfo
- Publication number
- CN115730782A CN115730782A CN202211059825.1A CN202211059825A CN115730782A CN 115730782 A CN115730782 A CN 115730782A CN 202211059825 A CN202211059825 A CN 202211059825A CN 115730782 A CN115730782 A CN 115730782A
- Authority
- CN
- China
- Prior art keywords
- information
- report
- module
- event data
- sensor
- 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
- 238000000034 method Methods 0.000 title claims abstract description 232
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 230000007246 mechanism Effects 0.000 claims abstract description 153
- 238000004458 analytical method Methods 0.000 claims abstract description 121
- 230000006872 improvement Effects 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims description 103
- 238000010801 machine learning Methods 0.000 claims description 62
- 230000008859 change Effects 0.000 claims description 50
- 230000000694 effects Effects 0.000 claims description 45
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 27
- 238000011017 operating method Methods 0.000 claims description 20
- 230000001133 acceleration Effects 0.000 claims description 13
- 238000007726 management method Methods 0.000 claims description 13
- 238000012896 Statistical algorithm Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 11
- 210000000056 organ Anatomy 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 11
- 230000033001 locomotion Effects 0.000 claims description 9
- 238000013439 planning Methods 0.000 claims description 8
- 230000009471 action Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 4
- 230000005180 public health Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 1
- 230000002596 correlated effect Effects 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 22
- 230000000875 corresponding effect Effects 0.000 description 21
- 238000004806 packaging method and process Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000012856 packing Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000004984 smart glass Substances 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000009877 rendering Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0633—Workflow analysis
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Automation & Control Theory (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Factory Administration (AREA)
Abstract
公开了一种用于监控工作系统的方法,该工作系统包括多个传感机构和控制系统。该方法包括以下步骤:在用户操作期间通过传感机构创建传感器数据以及事件数据包;将事件数据包传输到监控系统的关联模块;通过关联模块接收背景信息;通过关联模块将事件数据包与背景信息进行关联,通过关联模块创建背景记录,背景记录基于与背景信息相关的事件数据包;基于背景记录,由分析模块创建关于工作系统的状态和/或关于与工作系统的先前操作顺序的偏差的报告,和/或包括系统改进。还公开了系统。
Description
技术领域
本发明涉及一种用于监控工作系统的方法以及一种包括工作系统的系统。
背景技术
已知那些用于执行复杂工序的工作系统。这里,几种工序步骤通常由机器来执行,而其他工序步骤则由工人或用户来执行。
这些机器可以是工业机器人或用户可穿戴设备,例如条形码读取器。
可以通过可穿戴设备(例如条形码读取器)来指导用户,以使他们正确地执行复杂工序时所需的步骤。
这种工作系统的示例为例如汽车的复杂产品的装配线,或大型配送仓库。
然而,通过工作系统执行的工序通常是在绘图板上设计的,而没有来自现实生活或执行这些工序的厂房的任何实际反馈。
尽管这些工序在理论上是非常有效率的,但它们因此往往包含了由于用户的有意或无意的工序偏差甚至是工作系统或采用该工作系统的厂房的空间条件而导致的隐藏的低效率。
此外,通常使用从可穿戴式条形码读取器到工业机器人的多台机器,由此能够获取数据,但同时却获得了来自不同机器和不同工序步骤的许多数据流。
此外,用户的EDP系统由于它们深度集成于各自公司中而通常非常复杂,因此仅适合于高难度的工作系统。
例如,US7243001 B2公开了一种用于创建配送仓库地图的系统,称为“拣货员”的工人在操作期间从仓库的不同货架收集要配送的货物。这样做时,在不同的时间记录下每个工人的位置,并以此来确定工人的行进路线。然后,使用确定的路线来创建仓库地图,以便检测仓库中的变化,并将该工人的表现与其他工人的表现进行比较。然而,这并未将收集的数据置于更大的背景下,而是将该工序限制于当前测量值与历史测量值的比较。
由于这些原因,此类工作系统难以被监控及检查效率。并且,不能及时发现问题。
发明内容
因此,本发明的目的在于提供一种用于监控工作系统的方法以及一种能够监控工作系统并提高工作系统效率的系统。
该目的通过一种用于监控包括多个传感机构的工作系统的方法来解决,所述多个传感机构包括至少一个传感器和控制系统。所述方法包括以下步骤:
-在用户操作期间通过传感机构创建传感器数据以及事件数据包,
-将事件数据包传输到监控系统的关联模块,
-通过关联模块接收背景信息,
-通过关联模块将事件数据包与背景信息相关联,并通过关联模块创建背景记录,所述背景记录基于与背景信息相关的事件数据包,
-将背景记录传输到分析模块,并且
-基于背景记录,由分析模块创建关于工作系统状态和/或关于与工作系统的先前操作顺序的偏差的报告和/或包括系统改进的报告。
通过创建关于工作系统状态和/或与工作系统的先前操作顺序的偏差的报告和/或包括系统改进的报告,可以促进类似于监控自动化工业设备那样地对工作系统进行监控,以便能够对短期内出现的问题做出快速反应。
并且,可以通过考虑与先前操作顺序的偏差来识别修改,所述偏差表明了隐藏的低效率,对其的补救会提高工作系统的效率,并且可以提供相应的改进建议。
与现有技术相比,根据本发明不仅将当前测量值与过去测量值进行比较,而且可以使用或生成背景,将其处理成背景记录。特别地,背景可以通过条件概率来确定。
例如,用于不同传感机构的背景记录用来创建报告,即,基于从不同传感机构,特别是来自不同用户、不同工作站和/或不同活动的传感机构,导出的事件数据包的多个背景记录。
例如,可以佩戴传感机构,特别是作为可穿戴设备,即佩戴在身体或服装上的设备。
特别地,将传感器数据与事件数据包同时传输到控制系统或监控系统。
背景记录可被视为对用户使用工作系统执行的活动的一时刻或环节的综合描述,特别是对所执行的工序的综合描述。
在一实施例中,控制系统控制传感机构至少部分地用于执行分配给相应传感机构的工序,特别是其中针对不同传感机构分配的工序可以不同。这样,可以特别有效地引导用户W。
例如,传感机构的所述至少一个传感器是相机、条形码读取器和/或加速度传感器,以使得能够简单地识别组件或货物、地点或人。
条形码可例如是条形码、QR码、数据矩阵码等。
传感机构可以包括用于简单地启动传感器或传感机构的其他组件的至少一个致动元件,特别是按钮和/或触发器。
为了能够以有针对性的方式引导用户,传感机构可以包括至少一个输出机构,特别是屏幕、一个或若干个LED,和/或扬声器。
在一实施例中,工作系统包括多个连接装置,其中每个连接装置通过无线通信链路连接到一个或多个传感机构并通过有线或无线通信链路连接到控制系统或者被配置在同一设备上,特别是其中所述连接装置控制相应的传感机构,部分目的是为了执行分配给传感机构的工序。通过使用连接装置,可以简单地配置传感机构,特别是无需高性能处理器,从而使传感机构能够特别紧凑。
例如,连接装置是关联模块的一部分,从而能够有效地使用连接装置的能力。
在本发明的一实施例中,连接装置创建事件数据包并将它们传输到关联模块,特别是其中如果存在触发事件,则由连接装置之一创建事件数据包,特别是其中所述触发事件是:传感机构之一与该连接装置之间的通信链路连接的建立,传感机构之一与该连接装置之间的通信链路的连接结束,识别到高优先级事件,和/或超过或低于阈值。由此,连接装置的传感器的传感器数据可被包含在报告中,这使得报告更加准确。
所述阈值例如基于传感器的测量值,例如温度值或设备的状态(例如,在过去y小时内重新启动了x那么多次)。
在这种情况下,如果连接装置最初创建事件数据包并因为作为关联模块的一部分的功能而同时将事件数据包与背景信息相关联并生成至少一个背景记录,那么连接装置可以承担双重功能。
例如,由传感机构以规则的间隔创建事件数据包,和/或如果存在触发事件则由此创建事件数据包并在其中包含关于触发事件的信息,特别是其中所述触发事件是:用户启动传感机构、预定时间段的到期、队列的占用、传感机构与连接装置之间的通信链路的连接的建立、传感机构与连接装置之间的通信链路的连接的结束,识别到高优先级事件,和/或超过或低于阈值。这样,可以准确记录用户的活动。
例如,队列是缓冲区队列,其中收集了例如遥测数据的低优先级事件。高优先级事件例如是错误条件的存在,例如固件的错误功能。
在本发明的一方面中,事件数据包包括传感机构的至少一个传感器的当前传感器数据以及传感机构的至少一个状况信息,特别是其中所述当前传感器数据包括:两个事件点之间所采用的步数、两个事件点之间的活动类型、两个事件点之间行进的运动、两个端点之间的时间长度、手势和/或传感机构的传感器的测量值,特别是捕获的条形码的值和/或图像和/或相机的图像;和/或所述状况信息包括工序步骤的信息,特别是工序步骤的标识符、对应传感机构的标识符、对应连接装置的标识符、时间戳、当前位置、传感机构的蓄电池或原电池的充电状态、关于传感机构与连接装置之间的连接质量的信息、关于传感机构的信息(序列号、制造商、型号、软件版本)、关于连接装置的信息、传感机构与连接装置的相对位置、传感机构与连接装置之间的距离、关于连接装置是移动式还是固定式的信息和/或传感机构的配置的标识符。由此,事件数据包提供了超出实际传感器数据的信息,所述信息大大提高了报告的质量。
事件点可以是触发事件,特别是传感机构的启动或致动装置的启动。
为了快速且有效地,特别是实时地处理收集到的数据,事件数据包,特别是事件数据包中的信息可以通过关联模块的机器学习模块与背景信息进行关联,和/或可以使用时间戳、对应传感机构的标识符、对应连接装置的标识符、用户标识符、工序步骤的标识符和/或事件数据包分配给事件、活动、位置和/或对象的信息来进行关联。
在本发明的一方面中,作为工作系统状态,报告包含有:关于工作系统设置的信息,特别是工作系统的固定工作站的信息;工作系统的使用情况,特别是传感机构的使用情况;传感机构、网关和/或连接装置的状态;所述由工作系统执行的至少一个工序,特别是工序的单个工序步骤、工序的单个工序步骤的顺序、工序的单个工序步骤的长度、工序开始和/或工序结束;传感机构的蓄电池或原电池的放电率;蓄电池或原电池寿命;正在读取的条形码类型;读取工序的持续时间;读取工序的成功;两个读取工序之间的步数;两个读取工序之间的位置变化;传感机构的软件版本;连接装置的软件版本和/或有关传感机构充电行为的信息。通过这样的报告,可以对工作系统进行分析,特别是实时分析,以便例如发现工序中隐藏的低效率。
所读取条形码的类型或种类(条形码、QR码、数据矩阵等)也称为符号体系。
系统设置信息还可以描述工作站的位置以及彼此之间的相对位置。
备选地或附加地,作为与先前操作过程的偏差,报告可以包含传感机构的信息,包括:作为先前操作顺序的或多或少执行的工序步骤;工作系统设置的变化,特别是工作系统的固定工作站的变化;工作系统的使用情况的变化,特别是传感机构的使用情况的变化;工作系统状态的变化,特别是传感机构的状态的变化;用工作系统执行的所述至少一个工序的变化,特别是工序的单个工序步骤、单个工序步骤的顺序、单个工序步骤的长度、工序开始和/或工序结束的变化;不同地点和/或工作站的相同工序之间的差异;和/或与行业参考值的差异。这种报告例如促进了对工作系统的监控,特别是实时监控,从而能够快速对偏差做出反应。
行业参考值例如来自于外部资源,例如市场研究报告或其他工作系统。
可以以类似于监控自动化工业系统的方式来执行监控,例如在控制室中执行监控。
为了便于与过去进行长期分析和比较,背景记录和/或事件数据包可以存储在存储装置中以便之后用作过去背景记录和/或过去事件数据包,特别是其中报告是基于关联模块生成的当前背景记录和存储在存储装置中的过去背景记录而创建的。
为了全面多样的背景信息,关联模块可以包含来自控制系统、库存管理系统、企业资源计划系统、此系统的机器的机器控制器、移动设备管理系统(MDM)、来自外部数据提供商和/或可公开访问数据源的数据的背景信息。
例如,背景信息包含关于工作环境、工作系统的工序、工作系统的用户和/或工作系统的使用情况(特别是工作环境的温度)的信息,关于工作日的常规工作量、预期的利用率、活动之间的依赖性和/或工作系统所在地区的公共卫生状况的信息。凭借背景信息,传感器数据和事件数据包因此可被置于更广泛的背景中,特别是超出单个传感机构的背景。
还可以想到,由工作系统的用户,特别是由例如监督员或轮班计划员的工作系统的主管来评估背景信息与工作系统的相关性。关联模块可以接收该评估并进行加权,或者基于反馈选择要使用的背景信息以便生成不同的背景记录。
在本发明的一实施例中,报告被传输到控制系统、库存管理系统、企业资源规划系统、移动终端设备、工作场所计算机和/或输出机构,特别是其中所述输出机构配置为输出所述报告。由此,这确保了报告的接收者可以轻松地找到报告。
移动终端设备可以是智能设备和/或工作系统的主管(例如主管或轮班计划员)的计算机。传输可以通过电子邮件、RSS提要、API访问等进行。
在一实施例中,分析模块接收事件数据包。分析模块基于事件数据包和/或过去事件数据包创建用于事件数据包的背景信息,并将背景信息传输到关联模块,特别是其中分析模块包括用于基于事件数据包和/或过去事件数据包来创建用于事件数据包的背景信息的背景机器学习模块。通过这种方式,可以从事件数据包本身中获得事件数据包的背景,例如通过检测模式或通过图像识别从事件数据包的序列中获得事件数据包的背景。
例如,分析模块为事件数据包确定出作为背景信息的信息,事件数据包将所述信息分配给事件、活动、位置和/或对象,特别是其中所述信息包含将该事件数据包分配给事件、活动、位置和/或对象的概率。通过这种方式,可以非常准确地描述事件的背景。
所确定的概率特别地是条件概率。
特别地,事件、活动、位置和/或对象理解为指代特定事件、活动、位置和/或对象,例如“货架5”或“接收挡风玻璃”,以及指代事件、活动、位置和/或对象的类别,例如“货架”或“接收对象”。
在本发明的一实施例中,分析模块基于背景记录(特别是当前背景记录和过去背景记录)和/或报告来确定至少一个系统改进,特别是其中将所述系统改进传输到控制系统、库存管理系统、企业资源规划系统、移动终端设备和/或输出机构。这样,监控系统可以对工作系统进行改善。
系统改进的输出例如与至少一份报告一起出现。通过这种方式,主管可以同时通过报告以及有关如何改进工作系统的指令来洞察工作系统。
例如,执行以下步骤以便简化报告的创建。
-基于背景记录来确定工作系统的状态、先前操作过程和/或与先前操作过程的偏差,并且
-使用工作系统的状态、先前操作过程和/或与先前操作顺序的偏差来创建报告。
为了快速有效地,特别是实时地处理收集到的数据,分析模块的第一机器学习模块可用于确定工作系统的状态、先前操作过程和/或与先前操作过程的偏差,特别是其中第一机器学习模块包括人工神经网络、决策树、统计算法、聚类算法、用于文本生成的模块和/或主成分分析。
在本发明的一实施例中,使用报告模板来创建报告,其中所述报告模板包含以便分析模块使用背景记录来生成分配给报告模板的报告的指令。这简化了报告的创建。
例如,报告模板指示出报告所需的输入数据以及用于确定工作系统状态、先前操作过程和/或与先前操作过程的偏差的至少一个分析步骤,以及可选地基于至少一个分析步骤的结果来定义系统改进。这样,可以进一步简化报告的创建。
报告模板可以在此指示出输入数据可从哪些来源获得。
为了增加报告的意义,报告模板可以定义至少一个显著性条件,其中使用背景记录检查所述至少一个显著性条件是否被满足,其中只有满足显著性条件才使用相应的报告模板来生成报告。
为了高效地创建报表,分析模块可以选择或生成报表模板,并基于报告模板和背景记录来创建报告。
可以通过分析模块的第二机器学习模块执行对使用了背景记录和过去背景记录的报告模板的生成。
在本发明的一实施例中,分析模块生成若干报告模板或选择若干报告模板,为每个报告模板创建报告并评估报告的相关性,其中仅再现所创建报告中最相关的报告或者仅再现最相关的预定数量的已创建报告。这样,可以减少报告的数量,以免要求主管或其他人过多关注。同时,确保了报告与主管或其他人员是相关的。
为了快速有效地,特别是实时地处理收集到的数据,分析模块可以包括用于评估各报告的相关性的第三机器学习模块,特别是使用来自用户、主管和/或其他工作系统的用户的反馈来评估各报告的相关性。
为了简化报告的再现,报告模板可以规定了用于报告再现的规范,特别是关于将要显示报告的装置和/或报告的表现形式。
在本发明的一实施例中,将系统改进传输到分配模块,其中分配模块基于系统改进为至少一个传感机构创建至少一个变更命令,并将变更命令传输到对应的传感机构、对应于各个传感机构的连接装置和/或控制系统,从而确保工作系统的自动适配。
例如,传感机构基于变更命令向用户输出动作命令,以改变用户的活动从而改变工作系统。
为了整体改变工作系统,控制系统和/或相应的连接装置可以基于系统改进来改变分配给相应传感机构的工序,和/或指示传感机构输出动作命令。
为了快速有效地,特别是实时地处理收集到的数据,关联模块的机器学习模块、分析模块的第一机器学习模块、分析模块的第二机器学习模块、分析模块的第三机器学习模块、分析模块的第四机器学习模块、分析模块的背景机器学习模块和/或分配模块的机器学习模块均可以是或包括:人工神经网络、决策树、统计算法、聚类算法、用于文本生成的模块和/或主成分分析。
各种机器学习模块可以配置为单独的机器学习模块,或者可以集中配置一个、若干个或所有机器学习模块。在这种情况下,模块之间交换的信息,例如背景数据包,可以是潜在变量。
此外,该目的通过包括有工作系统和监控系统的系统来解决,其中所述系统配置为执行上述方法。
针对所述方法描述的特征和优点同样适用于所述系统,反之亦然。
此外,所述系统的所有组件都配置成并设置为执行它们在工序中所执行的功能。
附图说明
本发明的其他特征和优点可以从下文描述及所参考的附图中找到。在附图中:
图1示意性地示出了包括有根据本发明的系统的生产建筑物;
图2示出了配备有根据图1的系统的传感机构和连接装置的系统的用户;
图3示出了用作根据图2的传感机构的传感装置的示意图;
图4示出了用于澄清数据流向的系统的示意图;
图5示意性地示出了根据本发明的系统的第二实施例;
图6示出了第二实施例中创建的报告的示例;以及
图7示出了用户显示器中的又一报告的示例。
具体实施方式
在图1中,以空中透视方式极为示意性地示出了厂房10,并且以空中透视方式示出了系统12。
系统12具有工作系统14以及监控系统16。
厂房10例如是生产产品的生产建筑物。例如,产品是车辆或其零件。
为了生产产品,将会执行包括了各种工序步骤的预定工序,这些工序由工人执行,以下称为用户W。
可以想到,将自主机器人或无人机作为用户W,来代替工人。
为此,工作系统14的不同工作站18位于厂房10中,在所述工作站处执行一个或多个工序步骤。
在所示实施例中,提供了两条生产线,每条包括三个工作站18。生产线的工作站18彼此相邻;在图1中,它们相互垂直。
相应地,生产线彼此平行布置。
此外,工作系统14包括控制系统20,若干连接装置22以及若干传感机构24。
传感机构24由用户W佩戴。例如,每个用户W佩戴至少一个或多个传感机构24,如图2所示。
传感机构24包括传感器28以及可选的输出机构30和致动元件32。
传感机构24例如是:作为传感器28的具有麦克风的头戴式受话机以及作为输出机构30的头戴式耳机。此外,头戴式受话机可包括作为致动元件32的按钮。
例如,传感机构24也可以是相机,例如头盔相机或附接到服装的相机。相机充当传感器28,并且相机的可选的屏幕、LED、扬声器或按钮充当输出机构30或致动元件32。
条形码读取装置也可以是传感机构24,其中条形码读取装置的条形码读取器是传感器28,并且摄相机的可选的屏幕、LED、扬声器或按钮充当输出机构30或致动元件32。
可穿戴传感装置26,如在DE 10 2019118969 A1或DE 10 2020106369 A1中已知的辅助装置那样,也可以是传感机构24。
传感装置26具有:传感器28,作为输出机构30的屏幕,包括通信模块36的控制单元34,和例如蓄电池的电力存储介质。
传感装置26还具有例如按钮形式或得益于屏幕配置为触敏式情况的致动元件32。
传感装置26特别地是那种功能限于专门应用的装置。为此,它可以是嵌入式系统和/或具有紧凑的形式。
例如,传感装置26不是多功能装置,因此不是例如智能手机、平板电脑、智能手表或智能眼镜的智能设备。
还可以想到,传感机构24是例如智能手机、平板电脑、智能手表或智能眼镜的智能设备。传感器28例如是光学传感器,例如条形码读取器或相机。还可以想到,作为光学传感器的补充或替代,作为传感器28的传感装置26包括其他传感器单元,例如RFID读取器、触摸传感器或加速度传感器。
然而,应当注意,本实施例纯粹是出于说明性目的的示例。备选的,传感装置26可设计为没有屏幕。
如图3中所见,工作系统14附加地具有能将传感装置26紧固于用户W的身体上的服装38,特别是手套。传感装置26或服装39与传感装置26的组合正是被称为“可穿戴”的事物。
为此目的,服装38具有能以可重复方式无需工具地将传感装置26紧固其中和移除的保持器40。
服装38还可具有输入机构42,例如用于传感装置26的触发器。触发器或输入机构42可设置在手套的手指上。还可以想到,所述至少一个输入机构42或一个或多个另外的输入机构42设置在保持器40上。
通过至少一根电缆44和保持器40中的至少一个触点46,一旦传感装置26插入到保持器40中,输入机构42就连接到传感装置26。
服装38上的输入机构42因此也可被视为传感装置26的致动元件32。
然而,考虑将例如温度计和风量计(图4)的固定式传感装置作为传感机构24。
传感装置26都包括通信模块48,传感装置26通过该通信模块48与连接装置22进行连接。
传感机构24,特别是传感装置26,可以使用不同的配置来操作,以在工序中执行不同的任务。通过这些配置,传感机构24的功能被定义为允许传感机构24具有针对各个工序步骤所需的功能。
连接装置22是通常具备更大的计算能力来作为传感机构24(特别是传感装置26)的装置。例如,将连接装置22设计为例如智能手机、平板电脑、智能手表或智能眼镜智能的设备,或配备有相应处理器和通信模块的腕带。在这种情况下,连接装置22也可移动并由用户W佩戴。
传感装置26和连接装置22的组合对应于DE 10 2019118969 A1或DE 10 2020 A1中的传感器兼信息系统的示例,该系统包括辅助装置(传感装置26)和主装置(连接装置22)106369A1。
然而,可以想到,使用例如用于无线通信的基站(例如,WLAN接入点或移动基站)的固定设备来作为连接装置22,但也可以使用操作为WLAN客户端的固定设备。连接装置22也可以通过USB连接到计算机或控制系统20并且通过无线通信连接到传感机构24。
然而,可以想到,将传感机构24内置到具有连接装置22的装置内。
连接装置22一方面与控制系统20保持通信链路,另一方面与分配给它们的传感机构24保持通信链路。
这样做时,可以将若干各传感机构24分配给连接装置22中的一者。例如,传感机构24却不可能同时连接到若干个连接装置22。
控制系统20运行在一个或多个中央计算机和/或服务器上。
控制系统20例如是库存管理系统、企业资源规划系统(ERP系统)等,并且用于监控,用于质量管理,并且可选地用于控制工作系统14的各工序,例如生产产品的各工序。
控制系统20通过通信链路直接或间接地永久地或临时地连接到连接装置22中的每一者。
该通信链路可以呈现为无线、有线,或者以这些的组合来呈现。例如,连接装置22(特别是当它是移动设备时)通过无线通信链路连接到工作系统14的网关50,其中网关50相应又具有(例如通过LAN或Internet)连接到控制系统20的有线通信链路。网关50在图4中仅显示为虚线。
网关50可以同时是与传感机构24直接连接的连接装置22。
如图4所示,监控系统16包括至少一个关联模块52,分析模块54,分配模块56和至少一个数据存储器57。
数据存储器57可以是关联模块52、分析模块54或分配模块56的一部分。这些模块52、54、56中的每一者也均可具有数据存储器57。
关联模块52、分析模块54和分配模块56可配置为一个或多个中央计算机或服务器上的应用程序。出于数据交换的目的,它们彼此之间具有通信链接。
此外,至少关联模块52和分配模块56具有通往连接装置22和/或传感机构24的通信链路。
同时,可能的是,一个或多个连接装置22甚至可以承担关联模块52的功能,并因此也可被视为关联模块52的至少一部分。
类似地,可以想到,一个或多个连接装置22执行控制系统20的功能。因此,连接装置22既可以是关联模块52的一部分,也可以是控制系统20的一部分。此外,可以想到,像传感机构24这样的连接装置22也会生成事件数据包E。
用户W在传感机构24的帮助下在各种工作站18工作以生产产品。在图4中,示意性地示出了在用户W工作期间的数据流。
当位于工作站18中的一处的用户W执行属于该工作站18的工序步骤时,用户W使用传感机构24的传感器28,或者传感器28被自动激活。
例如,在将组件安装于产品上之前,工人W必须通过传感装置26的传感器28采集产品的条形码。为了读取条形码,工人W例如通过启动服装38上的输入机构42来触发传感器28。
由此,生成传感器数据D,在所描述的示例中为条形码的值、条形码的图像或由条形码读取器记录的整个图像。
传感器数据的其他示例为加速度、给定的加速度模式(例如步数、运动序列(例如用于拧紧螺栓的手的转动运动)或手势)、扫描的RFID标签和/或温度测量。
由传感机构24生成的传感器数据D随后被传输到连接装置22。连接装置22最终将传感器数据传输到控制系统20。这可以通过设备内部传输来进行,条件是:控制系统20的某些部分配置在连接装置22上。
控制系统20能够至少部分地引导或控制传感机构24执行某工序或某些工序步骤,特别是当这(些)是被分配给相应工作站18或甚至确切传感装置24的工序或工序步骤。为此,分配给用户W的工序或工序步骤中的各个传感机构24可能各不相同。
例如,控制系统20现在通过在厂房10或特定工作站18中执行的预期工序步骤来检查所获得的传感器数据D,在这本示例下是条形码。
在控制系统20中,存储各工序和各工序步骤,使得控制系统20已经预期到来自传感机构24的某些传感器数据。控制系统20现在可将获得的传感器数据D与预期的传感器数据进行比较,并提供反馈作为比较的结果。
并且,控制系统20可将控制指令S传输至同一或另一传感机构24以引导使用者W。例如,使用者W可被告知:使用者W是否要安装正确的组件,或者是否已读取正确的条形码。还可以通过输出机构30向用户W传输其他信息。为此,控制指令S包括例如要在传感装置26的屏幕上显示的信息,特别是文本。
控制指令S已经通过网关50或连接装置22从控制系统20传输到相应的传感机构24。
相应的传感机构24接收控制指令S并执行包含在控制指令S中的指令。
如果正在传达其他指令,则用户W可以转移到下一个工序步骤或执行这些指令。
为此,连接装置22可承担控制系统20的这些活动的全部或部分,以便为用户W提供信息和指导。这例如已在DE 10 2019118969 A1或DE 10 2020106369 A1中公开。
这样,用户W在工作的同时会不断产生更多的传感器数据D。
除了传输到控制系统20的传感器数据D之外,传感机构24还生成用于监控系统16而非控制系统20的事件数据包E。
事件数据包E由相应的传感机构24生成,并且除了当前传感器数据D(例如,还传输到控制系统20的传感器数据D)之外还包含涉及本公开范围内的情境信息A的至少一个其他信息。
因此,事件数据包E将更多信息包含作为传感器数据D,特别是那种能更详细地描述在何种因素或背景下生成传感器数据D的信息。
传感器数据D以及情境信息A都可以是非常不同的信息。
例如,当前传感器数据D可以是两个事件点之间所执行的步数、两个事件点之间的活动类型、两个事件点之间行进的运动、两个端点之间的时间长度和/或传感机构24的传感器28的测量值。
例如,这可以是用于显示传感器28的相机图像、捕获的条形码的值或图像、加速度传感器的测量值、通过加速度传感器识别的运动(例如步或手势)。
例如,事件点即是通过致动元件31启动传感机构24。
然而,情境信息A则描述了收集传感器数据D时的情况。例如,它包含了生成传感器数据D的工序步骤的详细信息。
情境信息A可包含,特别是,关于创建事件数据包E所用的传感机构24的信息。例如,可以想到的是:当前位置、传感机构24的标识符,传感机构24的蓄电池或原电池的充电状态,关于传感机构24的信息(例如序列号、制造商、型号或软件版本),所执行的工序步骤的标识符和/或传感机构24的配置的标识符。
然而,情境信息A也可包含关于传感机构24与控制系统20或监控系统16通信所凭借的连接装置22的信息。例如,该信息包含:连接装置22的位置、标识符,关于传感机构24与连接装置22之间的通信链路的连接质量的信息,关于连接装置22的信息(序列号、制造商、型号、软件版本),关于连接装置22的信息,传感机构24相对于连接装置22的相对位置,传感机构24和连接装置22之间的距离和/或关于连接装置22是移动式还是固定式的信息。
该情境信息A可由连接装置22添加到来自于传感机构24的事件数据包E中,和/或传感机构24可以从连接装置22接收该信息并将其添加到事件数据包E中。
作为附加情境信息A,如果用户W已经登录到连接装置22或者已经被认证,则连接装置22还可将用户W的标识符添加到事件数据包E中。
还可以想到,情境信息A包含事件数据包E和/或传感器数据D生成时所在时刻的时间戳。
标识符被理解为是指针对相应装置或配置唯一确定的标识。例如,该标识是字母数字字符串。
事件数据包E由传感机构24中的每一者以规则的间隔来创建。
这里,备选地或附加地,如果存在触发事件,那么同样可以创建事件数据包E。
触发事件为:某工序在进行时的事件,对传感机构24的预定动作,传感机构24的预定位置变化(例如离开某个区域),和/或以预定的方式启动传感机构24。
触发事件例如是使用致动元件32或用户W使用另一方式启动传感机构24,以便例如用传感机构24的传感器28记录测量值。
在启动或另一触发事件之后的预定时段的到期也可以构成又一触发事件。
也可以为传感器的测量值指定预定的阈值,所述阈值超过或低于这些阈值则构成触发事件。例如,可以通过加速度传感器作为传感器28来确定步数并且可将其存储为阈值,其中如果超过了触发事件的预定数量,则触发事件发生。
还可以想到,超过了预定加速度阈值会构成触发事件,以便能够记录例如跌倒以及由此造成的职业事故。
也可以使用传感机构24的温度传感器的测量值。例如,超过了预定温度可以指示出:用户W已经进入凉爽的房间。这也显示为触发事件。
通往连接装置22的通信链路的属性也可以构成触发事件,例如传感机构24与对应的连接装置22或连接端之间的连接的建立。
触发事件也可以在传感机构24的软件中进行定义,例如队列(例如,其中收集诸如遥测数据的低优先级事件的缓冲队列)的占用。如果队列达到指定长度,则成为触发事件。
例如当构成了触发事件的错误条件存在时,这可以构成单独的高优先级事件。
这些触发事件可以构成先前描述的事件点。
可以想到,事件数据包E总是包含与传感器数据D无关的某些情境信息A,例如传感机构24的标识符。可以想到,只有当某些传感器数据D包含在事件数据包E中时另一情境信息A才能被记录在该事件数据包E中。
特别地,事件数据包E,无论它们的来源或它们的内容如何,都具有相同的设置和/或相同的结构,由此能够进一步由机器学习模块(特别是人工神经网络)进行处理。
由传感机构24生成的事件数据包E被转发到连接装置22和监控系统16的关联模块52。
监控系统16的关联模块52因此包含传感机构24和连接装置22的事件数据包E。
传感器数据D和事件数据包E例如同时传输到控制系统20以及关联模块52。
在此之前、与此同时或在此之后,关联模块52还从其他源接收背景信息。
与情境信息A类似,背景信息I提供关于传感器数据D生成时的情境的进一步信息。与情境信息A相比,背景信息I未经特定限制,特别是不限于给定的传感机构24或给定的创建事件数据包E的连接装置22。相反,背景信息I可以是通用的。
例如,背景信息I仅包含来自外部源(即,不是传感机构24或连接装置22的源,特别是不是工作系统14的一部分的源)的信息,和/或来自分析模块53的背景信息,特别是将事件数据包E分配给事件、活动、位置和/或对象的信息,例如事件数据包E对应于事件、活动、位置和/或对象的概率。
确定的概率特别地为条件概率。
特别地,背景信息I不包括或不仅仅包括:已从事件数据包E中获得的统计发现和/或空间发现(例如两点之间的平均行进时间)。
背景信息I包括,例如,关于工作环境的信息,例如关于厂房10的信息和/或工作站18的布置的信息。这例如是工作环境的温度,在本示例中,是厂房10的温度。并且,工作系统14或厂房10所在区域的公共卫生状况也可以成为此种背景信息I。
背景信息I还可以包含关于工作系统的各工序的信息,例如各个工序步骤的细节和/或传感机构24在工序步骤中预期的传感器数据D和/或一工序步骤中的各活动彼此之间的依赖性。
此外,关于工作系统14的用户的信息也可以成为背景信息I,例如当前正在执行某个工序或工序步骤的用户的数量。特定用户W的标识符也可以成为背景信息,例如,如果用户W必须登录控制系统20或者必须被认证的话。
工作系统14的利用率可以成为背景信息I,例如关于工作日和/或当前时间的通常工作量的信息、当前时间的预期利用率的信息等。
该背景信息I由用于数据交换目的的、连接到的关联模块52的外部数据源58传输(特别是通过因特网)到关联模块52。
外部数据源58可以是控制系统20、库存管理系统、企业资源规划系统、系统12(特别是工作系统14)的机器60的机器控制器62、移动设备管理系统(MDM),外部数据提供者和/或可公开访问的数据源(例如来自官方机构)的数据库。
机器60例如是工业机器人(图1)或特别是布置在厂房10中的传送带。
还可以想到,一个或多个连接装置22本身形成关联模块52的一部分并且相应地至少部分地执行下述功能。
因此,可以想到,如果连接装置22收集传感器数据D,并类似于控制系统20那样地创建用于控制传感机构24的事件数据包E,并且还充当关联模块52的一部分,则连接装置22具有双重功能甚至三重功能。
关联模块52将事件数据包E的信息与背景信息I关联起来,从而可以通过背景信息I将事件数据包E,特别是将传感器数据D,放入更大的背景中。
为此,关联模块具有机器学习模块M1。关联模块52的机器学习模块M1是或包括例如人工神经网络、决策树、统计算法、聚类算法、用于生成文本的模块和/或主成分分析。在人工神经网络的情况下,使用训练数据对此进行训练,该训练数据包含针对各种情况的输入数据以及关于基于该输入数据的人工神经网络的预期、正确输出的信息。稍后将描述训练的程序。
关联模块52的机器学习模块M1的训练数据记录包含作为输入数据的事件数据包E和背景信息I以及作为关于正确输出的信息的对应的背景记录K。
通过使用机器学习模块M1,关联模块52将事件数据包E与背景信息进行关联并生成背景记录K。例如,关联模块52使用时间戳(其也可包含在背景信息中)、至少一个共享标识符(例如传感机构24的标识符、连接装置22的标识符、用户W的标识符或工序步骤的标识符)将事件数据包E与背景信息进行关联。
用户的标识符可例如由于如下事实而获得:由于用户W必须事登录并被认证,故监控系统16知道哪个用户W使用哪个连接装置22或哪个传感机构25。
不同的工序步骤也可具有一标识符以便简化处理。
特别地,时间戳(time stamp)的相关性易于在极为常规的背景信息I中获得关于工作环境的天气和/或温度的信息。
关联模块52还可以使用分析模块54的背景信息I,即使用事件数据包E分配给事件、活动、位置和/或对象的信息,来生成背景记录K。
因此,背景记录K描述了用户W通过工作系统14所执行的活动的时刻或环节,特别是极其全面地描述了所执行的工序,例如,起始于此刻生成的传感器数据D,接着是有关该传感器数据D如何被生成并包含作为事件数据包E中的情境信息A的信息,再到通过背景信息I得到的有关整个工序中的情境或位置的部分一般信息。
特别地,背景记录K不管其来源或其内容,都具有相同的设置和/或相同的结构,由此使它们能够被机器学习模块,特别是人工神经网络,进一步处理。
举个简单的例子,每个背景记录K能以对于每个背景记录K均相同的数据格式来表示某时间、某活动和执行该活动的某用户。这里,背景记录K的格式与事件数据包E和背景信息I是从何种源得出的无关。
这样,尽管活动是用不同类型的传感机构24执行或记录的,依然能够确定出事件或活动的统一时间线。
可以想到,背景信息I由工作系统14的用户,特别是工作系统14的主管来评估,例如监督员或轮班计划员评估背景信息I是否以及在何种程度上与工作系统14相关。
该评估作为反馈传输到关联模块52,并且关联模块52在生成背景记录K时考虑接收到的反馈。例如,关联模块52根据反馈改变背景信息I的权重或选择不同的背景信息来生成背景记录K。例如,如果接收到的反馈表明相关性很小,则可以完全忽略特定的背景信息。
以这种方式生成的背景记录K被传输到监控系统16的分析模块54。
同时,可以将背景记录K可以存储在监控系统16的数据存储器57中,以便在以后用作过去背景记录K。分析模块54对数据存储器57具有访问权。
数据存储器57可以是关联模块52、分析模块54或分配模块56的一部分。
类似地,事件数据包E可被传输到分析模块54和/或存储在监控系统16的数据存储器57中,以便在以后用作过去背景记录K。分析模块54对数据存储器57具有访问权。
分析模块54可以基于事件数据包E和过去事件数据包E将当前事件数据包E分配给事件、活动、位置和/或对象。
为此,将事件、活动,位置和/或对象理解为既指特定事件、活动、位置和/或对象,例如“货架5”或“接收挡风玻璃”,也指事件、活动、位置和/或对象的类别,例如“货架”或“接收组件”。
为此,分析模块54可以根据过去事件数据包E,利用发生过类似的过去事件数据包E(即,在时间上短暂连接的另外的事件数据包E)的频率、次数E和/或环境,推断出即将被分配给当前事件数据包的事件、活动、位置和/或对象。
还可以想到,作为传感器数据的实际事件数据包E包含有图像文件和/或运动记录,并且分析模块54通过图像文件和/或运动记录中的模式识别来确定即将分配给当前事件数据包E的事件、活动、位置和/或对象。
例如,由分析模块54确定用于指示将事件数据包E分配给该事件、活动、位置和/或对象是否正确的概率。
将所确定的事件、活动、位置和/或对象以及(如果适用的话)概率值作为背景信息I传输给送往关联模块52的相应的事件数据包E。
为了确定该背景信息I,分析模块54可以呈现背景机器学习模块MK,其包括人工神经网络、决策树、统计算法、聚类算法、用于生成文本的模块和/或主成分分析。在人工神经网络的情况下,使用训练数据对此进行训练,该训练数据包含针对各种情况的输入数据以及关于基于该输入数据的人工神经网络的预期、正确输出的信息。稍后将描述训练的程序。
分析模块54的背景机器学习模块MK的训练数据记录包含:例如,一组事件数据包E和可选地过去事件数据包E,以及作为关于正确输出的信息的预期背景信息I。
背景机器学习模块MK或用于确定背景信息I的分析模块54的部分也可以与分析模块54分开设计,例如作为关联模块52的一部分或单独的背景模块。
基于背景记录K,特别是仅基于背景记录K,分析模块54现在创建关于工作系统14的状态和/或与工作系统14的先前操作过程的偏差的报告B。
为了准备报告B,分析模块54参考多个背景记录K,所述多个背景记录K每个均基于已由不同的传感机构24生成的事件数据包E,特别是已由不同工作站18和/或在不同活动中的不同用户W的传感机构24执行过的事件数据包E。
操作过程理解为是指用户W的实际活动和动作,例如是执行某工序的方式。当然,能够以两种不同的方式(即通过两种不同的操作过程)执行相同的工序或至少单独的工序步骤。操作过程还包括工序中无意出现的活动中的错误和低效率。
为此,使用了已在预定的时段内(例如在最后半小时或当前工作日内)传输到分析模块54的当前背景记录K。还可以想到,分析模块54使用存储在数据存储器57中的背景记录K。
分析模块54还可以使用先前的报告B。
机器学习模块M1至M6以及MK的结果和/或数据表示可以作为历史结果和/或数据表示保存在数据存储器57中,以便稍后例如由分析模块54的其他部分将它们用作为参考。
为此,分析模块54具有第一机器学习模块M2,其是或包括:例如,人工神经网络、决策树、统计算法、聚类算法、用于生成文本的模块和/或主成分分析。在人工神经网络的情况下,使用训练数据对此进行训练,该训练数据包含针对各种情况的输入数据以及关于基于该输入数据的人工神经网络的预期、正确输出的信息。稍后将描述训练的程序。
分析模块54的第一机器学习模块M2的训练数据记录包含:例如,一组背景记录K,可选的过去背景记录K和/或旧报告B,以及与背景记录相匹配的、作为关于正确输出K的信息的所预期的报告B。
对于报告B的创建,分析模块54首先确定例如工作系统14的状态和先前操作过程。
使用背景记录K,分析模块54可确定例如工作系统14的设置。因此,可以使用位置数据来确定工作站18的数量和位置。
也可以例如使用加速度传感器的数据、相机的图像或在那里读取的条形码值来确定在各个工作站18处执行的活动。
工作站18彼此之间的位置也可以相对于彼此来得以指示,例如以两个工作站18的间隔为增量。
除了工作站18之外并且代替工作站18,可以对工作系统的任何其他位置进行记录,例如房门和大门。
甚至,工作系统14的单个组件(例如传感机构24、连接装置22或网关50)的状况也可以由分析模块54确定为工作系统14的状态的一部分。
这包括,例如,传感机构24的蓄电池或原电池的放电速度、其蓄电池或原电池寿命、由于快速加速造成的疑似损坏等。甚至关于传感机构24或连接装置22的软件版本的信息以及关于传感机构24的充电行为的信息也可以作为所确定状态的一部分。
甚至,工作系统14中的操作过程(例如在某些位置进行的活动、将活动划分为更小的步骤、活动的顺序等)也可以由分析模块54使用背景记录K来确定。
通过操作过程,分析模块54还可以确定与工作系统14一起执行的工序。这里,分析模块54特别是仅使用背景记录K也能够确定工序的单个工序步骤、工序的单个工序步骤的顺序、单个工序步骤的长度、工序开始和/或工序结束。
甚至,通过例如由传感器28触发的测量次数,工作系统14(特别是单个传感机构24)的使用情况也可以是分析模块54获得的信息的一部分。
在使用以条形码读取器作为传感器24的传感机构24时,可以确定所读取条形码的类型(也称为“符号体系”)以及读取工序的持续时间、读取工序的成功、读取工序的成功率、两个读取工序之间的步数或两个读取工序之间的位置变化。
所确定的工作系统14的状态(例如工作系统14的设置)、先前操作过程和工序以及从分析模块54获得的所有信息都可由分析模块54存储在数据存储器57中供以后使用。
分析模块54使用存储在数据存储器57中的信息和操作过程来,例如,识别操作过程中的偏差。
分析模块54还可以使用由机器学习模块M1至M6以及MK生成的过去报告B和历史分析。例如,历史传感器数据(例如条形码)可用于通过向量对未来相同条形码的重要性进行概率预测(例如条形码是仓库中的某位置或条形码代表产品组)。在这方面,例如使用条件概率。
为此,将由分析模块54根据当前背景记录K而确定的操作过程与已存储在数据存储器57中的先前操作过程进行比较。该比较的结果便是与先前操作过程的偏差。
例如,操作过程的偏差可能是归咎于工人行为不同的事实,或者如果背景信息I中不包含关于该工序的任何信息,则该工序已被修改。
由分析模块54确定的所有信息都可以是报告W的一部分。
报告B可以包含文本信息、数字信息和/或可视化图形组件,例如工作系统14的设置。
关于工作系统14的状态的报告B包含例如关于工作系统14的设置的信息,特别是关于固定工作站18、它们在厂房10中的位置和/或各工作站18相对于彼此的位置关系的信息。如果适用的话,则仅以例如增量来指示工作站18之间的距离。除了工作站18之外并代替工作站18,可以记录工作系统的任何其他位置,例如房门和大门。
甚至,工作系统14的单个组件(例如传感机构24、连接装置22或网关50)的状态也可以是报告B的一部分,例如传感机构24的蓄电池或原电池的放电速度、蓄电池或原电池寿命、由于快速加速造成的疑似损坏等。
类似地,利用工作系统14执行的工序可以是由分析模块54使用背景记录K已确定的报告的一部分。在这点上,分析模块54仅使用背景记录K也可以确定工序的单个工序步骤、工序的单个工序步骤的顺序、工序的单个工序步骤的长度、工序开始和/或工序结束,因此可以成为报告B的一部分。
甚至,例如通过由传感器28触发的测量次数,工作系统14(特别是单个传感机构24)的使用情况也可以是报告B的一部分。
在使用条形码读取器作为传感器28时,读取的条形码类型、读取工序的持续时间、读取工序的成功、读取工序的成功率、两个读取工序之间的步数或两个读取工序之间的位置变化都可以是报告B的一部分。
形象地说,关于工作系统14的状态的报告B一方面可以包含关于工作系统14基础设置的信息,例如类似于工业系统的电路图或构造计划;同时,工作系统14的状态或使用情况也可以包含在报告B中,类似于在控制室中使用的用于监控工业系统的报告。
关于工作系统14的状态的报告B也可以包含操作过程,即要执行的工序的实施方式。
报告B还可以是关于与先前操作过程的偏差的报告,例如,尽管工作系统14的工序实际上未曾改变,但已经确定单个工序步骤或工序中发生了过去没有发生过的偏差的话。
例如,该报告包含:关于传感机构24在先前操作过程中或多或少执行的工序步骤或读取工序的信息,关于工作系统14(特别是来自工作系统14的固定工作站18)的设置变化的信息。甚至,工作系统14,特别是传感机构24的使用情况的变化将被视为与先前操作过程的偏差。
还可以想到,工作系统14所执行的工序发生了变化,这也代表与先前操作过程(即,用户W在厂房10中的实际活动)的偏差。至少一个工序的修改可以特别地是单个工序步骤的变化、单个工序步骤的顺序的变化、单个工序步骤长度的变化、工序开始的变化和/或工序结束的变化。
还可以想到的是,与先前操作过程的偏差不仅要暂时考虑,而且要从位置上考虑。例如,如果在两个工作站18执行相同的工序或工序的相同工序步骤,但是它们却与两个工作站18的操作过程不同,则这可以成为包含在报告B中的信息。
报告B还可以显示与行业参考值的偏差和差异。
报告模板V可用于创建报告B。
报告模板V包含例如用于分析模块54的关于如何使用背景记录K生成分配给报告模板V的报告B的指令。
报告模板V还可以包含用于再现报告B的规范。该规范可以例如是:报告要在哪个设备上显示,报告B中报告B所要显示的表示形式,和/或报告B所要显示的时间。
这样做是因为报告模板V定义了针对报告B所需的输入数据,即具有特定传感器数据D的背景记录K,因此分析模块54仅使用具有相同传感器数据D的这种背景记录K就能创建报告B。
报告模板V还可以指示关于如何使用输入数据来确定系统状态、先前操作过程和/或与先前操作过程的偏差的分析步骤。
为此,报告模板V还可以指示可获得输入数据的源。
此外,报告模板V可以包含至少一个必须满足的显著性条件,以便分析模块54使用该报告模板V生成报告B。显著性条件与背景记录K有关,因此可以由分析模块54使用背景记录K来检查。
显著性条件指示出:例如,必须存在多少条背景记录K以便它们可用作为此特定报告B的基础。这样,能够防止所创建的报告B由于它们所依据的统计学群体太少而没有意义。
分析模块54选择用于创建报告B的报告模板V。为此,将报告模板V存储在例如数据存储器57或分析模块54中。
还可以想到,分析模块54例如通过分析模块54的第二机器学习模块M3使用过去背景记录K和当前背景记录K来生成报告模板V。
分析模块54的第二机器学习模块M3是或包括:例如,人工神经网络、决策树、统计算法、聚类算法、用于生成文本的模块和/或主成分分析。在人工神经网络的情况下,使用训练数据对此进行训练,该训练数据包含针对各种情况的输入数据以及关于基于该输入数据的人工神经网络的预期、正确输出的信息。稍后将描述训练的程序。
分析模块54的第二机器学习模块M3的训练数据记录包含作为输入数据的背景记录K(其同时显示有当前及过去背景记录K),以及作为关于正确输出的信息的相匹配的报告模板V。
然后,使用所选定或生成的报告模板V,由分析模块54,特别是分析模块54的第一机器学习模块M2来生成相应的报告B。
还可以想到,选择出或生成了若干个报告模板V,并且只要满足显著性条件,就针对每个报告模板创建一个报告。随后,评估每个创建的报告B的相关性。
可以例如通过分析模块54本身来评估报告B的相关性。
为此,分析模块54包括第三机器学习模块M4。除了报告B之外,该机器学习模块M4还可以特别地依赖用户的反馈,特别是主管或其他工作系统的其他用户的反馈。
特别地,第三机器学习模块M4可以通过评估已显示在报告中的用户W(特别是主管)的反馈并通过使用该反馈来调整对未来报告的相关性评估,来不断改进。
分析模块54的第三机器学习模块M4是或包括:例如,人工神经网络、决策树、统计算法、聚类算法、用于生成文本的模块和/或主成分分析。在人工神经网络的情况下,使用训练数据对此进行训练,该训练数据包含针对各种情况的输入数据以及关于基于该输入数据的人工神经网络的预期、正确输出的信息。稍后将描述训练的程序。
分析模块54的第三机器学习模块M4的训练数据记录包含作为输入数据的报告B以及来自用户和主管的关于这些报告B的反馈,以及作为关于正确输出的信息的报告B的相关性。
最后,从创建的报告B中选择预定数量的报告B并进行再现,即那些报告是最相关的。例如,仅再现单独一个报告B,即具有最高相关性的报告。
现在可以将以这种方式接收到的报告B或以这种方式接收到的多个报告B传输到例如控制系统20、库存管理系统或ERP以用于归档或评估。
还可以想到,将报告传输到移动终端设备、工作场所计算机和/或其他输出机构以显示报告。
移动终端设备、工作场所计算机和/或其他输出机构属于主管,例如工作系统14的主管或轮班经理。传输可以通过电子邮件、RSS提要、API访问等发生。
移动终端设备可例如是智能设备,例如智能手机、平板电脑、智能手表或智能眼镜。用于声音输出的头戴式耳机或其他头戴式受话机可被认作为移动终端设备。
通过这种方式,主管能够监控工作系统14的状态以及操作过程中的任何偏差,并且启用对策。这里,也有类似于在控制室中监控的工业系统。
除了报告之外,分析模块54还可以确定系统改进C。系统改进C可以基于背景记录K(特别是当前背景记录K和过去背景记录K)以及报告B来确定。
这里,系统改进C可以是关于如何改变工作系统14的措施,例如是其设置或其中所执行的工序,它可以被改进以便带来改善。这样做,可以在效率和/或利用率方面对工作系统14进行改进。
为了确定系统改进C,分析模块54可以包括第四机器学习模块M5。分析模块54的第四机器学习模块M5是或包括:例如,人工神经网络、决策树、统计算法、聚类算法、用于生成文本的模块和/或主成分分析。在人工神经网络的情况下,使用训练数据对此进行训练,该训练数据包含针对各种情况的输入数据以及关于基于该输入数据的人工神经网络的预期、正确输出的信息。稍后将描述训练的程序。
分析模块54的第四机器学习模块M5的训练数据记录包含作为输入数据的背景记录K和报告B,以及作为关于正确输出的信息的与这些相匹配的系统改进C。
例如,系统改进C包含工作站18的另一种布置的措施,用于将若干个工作站18分组或关闭冗余的工作站18。
甚至,可以提议在工作系统14中使用其他条形码或其他尺寸的条形码,例如,如果例如与行业参考值比较时已经意识到某些条形码的读取工序花费特别长的时间的话。
系统改进C可以已经被包含在报告模板V中,并在基于相应的模板V(例如基于报告模板V中定义的分析步骤的结果)创建报告B期间被评估。
系统改进C当被描述在报告中时可以与报告B一起描述、转发和发布。
然而,系统改进C不能随便发布。备选地或附加地,系统改进C可以被传输到监控系统16的分配模块56。
基于系统改进C,分配模块56随后确定工作系统14的哪些部分将被改变并采取适当的措施。
例如,分配模块56确定在实施系统改进C之后哪些传感机构24必须履行另一功能,并确定这些传感机构24的变更顺序O。
然后,使用连接装置22将变更命令O传输到相应的传感机构24。还可以想到,将变更命令O传输到控制系统20并从那里传输到各个传感机构24。
对应的传感机构24包含对应的变更命令O并执行该变更命令O。
例如,变更命令O包含修改的配置,或指示传感机构24使用另一配置。这随后由传感机构24来实施,从而使得传感机构24的操作模式乃至工作系统14改变。
修改的配置可以包括关于用传感机构24读取条形码的最常用的工作距离的指令。这样,对于允许宽范围工作距离的传感机构24而言,可以在读取工序之前设置正确的工作距离。结果,传感机构24不必为了读取条形码而用条形码读取器对整个工作距离范围进行采样,从而加快了读取工序。
可以想到,修改后的配置中包括针对不同位置的不同工作距离,即使不同位置处的条形码均是用相同的传感机构24来读取亦是如此。
还可以想到,分配模块56确定工作系统14的某个用户W将被部署在另一位置,例如在另一个工作站18,以实施系统改进C。
在这种情况下,变更命令O还被传输到传感机构24或连接装置22,即当前由要改变位置的用户W使用的连接装置22或传感机构24。
在这种情况下,变更命令O包含对用户W的动作命令,并经由连接装置22传输到相应的传感机构24。
将要改变位置的用户W的连接装置22和/或传感机构24然后基于接收到的变更命令O向用户W输出动作命令。例如,这可以通过传感机构24的输出机构30来进行。例如,在智能设备(连接装置22)或传感装置26(传感机构24)的屏幕上显示相应的文本。
该消息指示用户W去另一给定的工作站18并继续在那里工作。
与此同时,传感机构24可以通过变更命令O(例如通过改变配置)来适应新工作站18处的任务。
在另一实施例中,分配模块56还能够间接影响多个传感机构24,其中分配模块56凭借变更命令O或用于改变分配给传感机构24的工序的另一合适消息来指示控制系统20和/或分配给相应传感机构24的连接装置22。
还可以想到,分配模块56例如通过向控制系统20输出变更命令O来改变工作系统14的工序。
为了至少部分地实现所描述的功能,分配模块56可以包括机器学习模块M6。
机器学习模块M6是或包括:例如,人工神经网络、决策树、统计算法、聚类算法、用于生成文本的模块和/或主成分分析。在人工神经网络的情况下,使用训练数据对此进行训练,该训练数据包含针对各种情况的输入数据以及关于基于该输入数据的人工神经网络的预期、正确输出的信息。稍后将描述训练的程序。
分配模块56的机器学习模块M6的训练数据记录包含作为输入数据的系统改进C,以及作为关于正确输出的信息的变更命令O和变更命令O的接收者(例如确切是传感机构24)。
凭借监控系统16,因此能够对使用了部分地由用户W佩戴和部署(特别是主要由用户W佩戴和部署)的许多不同的传感机构24的工作系统14进行监控。
监控系统16特别地能够类似于进行着全自动工序的工业系统那样对工作系统14进行监控。
与此同时,还可能的是,监控系统16确定工作系统14的设置,并识别与工作系统14一起执行的工序和单个工序步骤。
并且,监控系统16通过生成关于如何改进工作系统14的系统改进C来实现对工作系统14的改进。这些系统改进C也可以使用对传感机构24进行相应控制的分配模块56来独立实施。以这种方式,对单个的传感机构24进行反馈,这类似于反馈控制。
使用所描述的训练数据,可以对机器学习模块M1至M6以及MK中描述的一个、若干或所有人工神经网络进行训练。该方法包括以下步骤:
-前馈-通过人工神经网络的输入数据,
-根据输入数据确定人工神经网络的响应输出,
-确定人工神经网络的响应输出与人工神经网络的预期正确输出之间的误差,以及
-通过人工神经网络反向传播误差来改变人工神经网络的权重因子。
不同的机器学习模块M1到M6以及MK可以设计为单独的机器学习模块,或者可以设计为一个、多个或所有机器学习模块M1到M6以及MK可以共同执行。在这种情况下,模块之间交换的信息,例如背景数据包K,可以是潜在变量。
在图5中,根据本发明的系统12的第二实施例再次位于厂房10中。为了清楚起见,未示出监控系统16。
系统12的工作系统14在第二实施例中用于物流发货。
为此目的,作为工作站18形式的工作系统14具有用于存储货物的四个货架R1、R2、R3、R4,以及包装站P,所收集的货物被包装在该包装站P以便分发。
工作系统14的用户W具有从货架R1-R4收集货物并将货物带到包装站P的任务(所谓的“拣货员”)。在包装站将货物包装在纸板箱中的用户W(称为“包装员”)P分组。
因此,由各种用户W执行的工序步骤互不相同,使得传感机构24的配置不同,特别是传感装置26的配置不同。
作为“拣货员”工作的用户W从包装站O出发,并收到一份从货架R1-R4收集一些货物的合同。
为此,用户W的传感装置26由控制系统20以如下这样的方式来控制:指示用户W去到货架R1-R4中的某个货架,以便取出在那里寻找的物品。这些指令由用户W例如通过传感机构24的输出机构30(例如传感装置26的屏幕)接收。
在用于收集货物的每个通道的起点处,用户W利用附接在包装站P处的传感器28读取条形码、RFID、用户输入等。
当到达货架R1-R4之一时,用户W通过传感器驱动器的传感器读取条形码,该条形码标识出货架并附接到相应的货架R1-R4上。
随后,用户W移除所寻找的商品并读取在商品上找到的条形码。
之后,用户W接收到去货架R1-R4中的另一货架以便在那里收集另一货物的指令。
重复这些指令,直到用户W最终收集到所有正在寻找的货物并将这些货物带到包装站P。在那里,用户W再次读取永久附连在包装站P上的条形码。
在该过程中,传感机构24在每次读取工序中生成一值或一字符串,该值或字符串被编码在条形码中。该值或字符串作为传感器数据D传输到控制系统20。为简化起见,以下继续提及“条形码”。此外,在本示例中,每次还生成至少一个事件数据包E,并将其传输到监控系统16的关联模块52。
并且,当用户W行走时,已经在作为传感机构24的传感器28的加速度传感器的帮助下对用户W的步数进行计数。
在该实施例中,对永久附连在包装站P或货架R1-R4中另一货架的条形码的读取构成了与所采取的步骤有关的事件周期。
对于事件的每个时间点,传感机构24会创建包含有自事件的上一时间点以来的步数的事件数据包E,因此对永久附连在包装站P或货架R1-R4中另一货架的条形码的读取是最后读取。事件数据包E被传输到关联模块52和分析模块54。
分析模块54例如通过背景机器学习模块MK传输关于是否将事件数据包E或包含在事件数据包E中的条形码分配给货架R1-R4之一、包装站P或货物的背景信息I。
例如,使用过去事件数据包E,分析模块54识别出曾经常被快速连续读取的一对不同类型的条形码,并且在中断之后,再次快速连续读取一对不同类型的条形码。
这样做时,按时间顺序连续的一双条形码配对中的各个在后被读取的条形码通常是相同的,而最初被读取的条形码则不同。同时,最初被读取的条形码始终是来自一组仅有五个条形码中的条形码。
由于这种模式,使得分析模块54可以识别:最初被读取的条形码必须是货架R1-R4之一或包装站P的条形码,并且各对中在后被读取的条形码必须是货物的条形码。因此,最初被读取的条形码的第一类型可以分配给货架R1-R4或包装站P,在后被读取的条形码类型是货物。
此联系作为背景信息I传输到关联模块52。
还可以想到,具有事件数据包E的分析模块54包含由传感器记录的图像,并通过图像识别来确定读取的条形码是在货架上、在包装站上还是在货物上。
可以通过图像识别来生成进一步背景信息I,例如货物是否损坏、运输容器是否装满和/或货架是否空。
例如,分析模块54基于概率计算出:永久附连到包装站P或货架R1-R4之一的条形码具有表示包装站或货架已出现的含义。条形码不得事先由人识别,并且附有标签。作为观察并比较再现条形码的结果,生成关于出现的条形码的重要性的概率。条形码对的这种依赖性可以建模为条件概率。
关联模块52然后将事件数据包E与进一步背景信息I进行链接,如前所述,并将由此形成的背景记录K传输到分析模块54。
借助先前确定的背景信息I,背景记录K现在包含关于事件数据包E是分配给货架R1-R4、包装站P还是货物的信息。
分析模块54例如使用与两个工作站18之间的步骤相关的背景记录K来确定货架R1-R4到彼此之间的距离以及到包装站P的距离。换言之,分析模块54无需为此的进一步信息即可确定工作系统14的设置。
并且,分析模块54可以确定在货架R1-R4和/或包装站P之间采取的最频繁路线。
分析模块54可以在报告B中整理该信息,例如以图形的形式,如图6所示。
这显示了货架R1-R4的起始于包装站P、仅根据到达包装站P的距离进行分类的布置。并且,最频繁的路线用箭头示出。因此,该报告B类似于所谓的意粉图。
此外,分析模块54例如确定:控制系统20在预计工序中最初指示用户W总是要首先从货架R1收集货物,然后从货架R2收集货物,然后从货架R3,最后从货架R4收集货物,此时货架R4位于货架R2和R3之间的路线上。
分析模块54因此可以将控制系统20为了避免走弯路而通过以顺序R1、R2、R4、R3访问货架的方式来调整工序步骤的做法识别为系统改进C。
分析模块54将该系统改进C传输到分配模块56。分配模块56随后将控制系统会相应启用的变更命令O传输到控制系统20。
还可以想到,连接装置22根据来自控制系统20的一般指令定义出:用户W要访问的货架顺序R1、R2、R3、R4。
在这种情况下,分配模块56向正在做拣货员的用户W的连接装置22发送相应的变更命令O,以改变访问货架的顺序。
这样,监控系统16直接改进了工作系统14。
在图7中,示出了报告B的另一示例,它例如显示在主管的智能设备的屏幕上。
该报告B是基于文本的,并向用户W解释在工作系统14中66.67%的传感机构24(“扫描仪”)活动使用的不是最新的固件,并且通过主管可选的链接来提供进一步信息。
报告B是使用报告模板V创建的。报告模板V可以包含以下条件、规格和参数中的一个或多个:标识报告模板V的标识符;使用此报告模板V生成报告B需要满足的条件;已由分析模块54确定的关于报告B是否相关的预期参考值;参考值的当前值;当前值是否必须更大、相同或更小才能使用此报告模板V生成报告B的关系运算符;关于报告B的呈现方式的信息;呈现方式、呈现类型(例如纯文本、带图形的文本、带表格的文本、其他细节等)的标识符;所显示的部分,例如可插入实际值的语句,例如来自传感器数据、何时创建;关于预期相关性的信息;关于所用值的数据来源的信息;报告模板V的名称;所使用的值是否代表积极、中性或消极趋势的规则;一个用户W或将要接收报告B的几个用户W的标识符。
其他报告显示的文本可例如是:“条形码通常在“货架5”位置处扫描,但针对此频率而言,该位置非常远”,“您应该缩短到该位置的距离”或“QR码形式的条形码可最快读入工作系统”,“多使用此种类型!”。
此外,在图7的示例中,询问了以下报告B是否有帮助。用户W现在可以回答“是”或“否”,从而提供关于此报告B是否与用户W相关的反馈。
使用该反馈,分析模块54可以更好地评估报告B的相关性。特别是基于反馈,分析模块54的第三机器学习模块M4不断地进行调整。以这种方式,仅随着时间的推移显示给用户W的只会是那些相关且受用户W支持的报告B。
Claims (30)
1.用于监控包括多个传感机构(24)的工作系统(14)的方法,所述多个传感机构(24)具有至少一个传感器(28)和控制系统(20),其中所述方法包括以下步骤:
-在用户(W)操作期间通过所述多个传感机构(24)创建传感器数据(D)以及事件数据包(E),
-将事件数据包(E)传输到监控系统(16)的关联模块(52),
-通过所述关联模块(52)接收背景信息(I),
-通过所述关联模块(52)将事件数据包(E)与所述背景信息(I)相关联,并通过所述关联模块(52)创建背景记录(K),所述背景记录(K)基于与所述背景信息(I)相关的所述事件数据包(E),
-将背景记录(K)传输到分析模块(54),以及
-基于所述背景记录(K),由所述分析模块(54)创建关于所述工作系统(14)的状态和/或与所述工作系统(14)的先前操作顺序的偏差的报告(B),和/或包括系统改进(C)。
2.根据权利要求1所述的方法,其特征在于,所述控制系统(20)控制所述多个传感机构(24)至少部分地用于执行分配给相应传感机构(24)的工序,特别是其中针对不同的传感机构(24)分配的所述工序是不同的。
3.根据权利要求1或2所述的方法,其特征在于,所述传感机构(24)的所述至少一个传感器(28)是相机、条形码读取器和/或加速度传感器,和/或
所述传感机构(24)包括至少一个致动元件(32),其特别地是按钮,和/或
所述传感机构(24)包括至少一个输出机构(30),其特别地是屏幕、一个或多个LED和/或扬声器。
4.根据前述权利要求中任一项所述的方法,其特征在于,所述工作系统(14)包括多个连接装置(22),其中每个连接装置(22)通过无线通信链路连接到所述传感机构(24)中的一个或多个并通过有线或无线通信链路连接到所述控制系统(20)或者被配置在同一设备上,特别是其中所述连接装置(22)控制相应的传感机构(24)部分地用于执行分配给所述传感机构(24)的工序。
5.根据权利要求4所述的方法,其特征在于,所述连接装置(22)是所述关联模块(52)的一部分。
6.根据权利要求4或5所述的方法,其特征在于,所述连接装置(22)创建事件数据包(E)并将所述事件数据包(E)传输到所述关联模块(52),特别是其中如果存在触发事件,则由所述连接装置(22)中的一个创建事件数据包(E),特别是其中所述触发事件是:所述传感机构(24)中的一个与所述连接装置(22)之间的通信链路的连接的建立,所述传感机构(24)中的一个与所述连接装置(22)之间的通信链路的连接结束,检测到高优先级事件,和/或超过或低于阈值。
7.根据前述权利要求中任一项所述的方法,其特征在于,由所述传感机构(24)以规则的间隔创建事件数据包(E),和/或如果存在触发事件则由此创建事件数据包并在其中包含关于触发事件的信息,特别是其中所述触发事件是:用户(W)启动所述传感机构(24)、预定时间段的到期、队列的占用、所述传感机构(24)与连接装置(22)之间的通信链路的建立,所述传感机构(24)与所述连接装置(22)之间的通信链路的连接结束,识别到高优先级事件,和/或超过或低于阈值。
8.根据前述权利要求中任一项所述的方法,其特征在于,所述事件数据包(E)包括所述传感机构(24)的至少一个传感器(28)的当前传感器数据(D)以及所述传感机构(24)的至少一个状况信息(A),特别是其中当前传感器数据(D)包括两个事件点之间执行的步数、两个事件点之间的活动类型、两个事件点之间行进的运动、两个端点之间的时间长度、手势和/或所述传感机构(24)的传感器(28)的测量值,特别是捕获的条形码的值和/或图像和/或图像相机的图像;和/或所述状况信息(A)包括工序步骤的信息,特别是工序步骤的标识符、所述对应传感机构(24)的标识符、所述对应连接装置(22)的标识符、时间戳、当前位置、所述传感机构的蓄电池或原电池的充电状态、关于所述传感机构(24)与所述连接装置(22)之间的连接质量的信息、关于所述传感机构(24)的信息、关于所述连接装置(22)的信息、所述传感机构(24)与所述连接装置(22)的相对位置、所述传感机构(24)与所述连接装置(22)之间的距离、关于所述连接装置(22)是移动式还是固定式的信息和/或所述传感机构(24)的配置的标识符。
9.根据权利要求8所述的方法,其特征在于,所述事件数据包(E),特别是所述事件数据包(E)中的所述信息,通过机器学习模块(M1)与背景信息(I)进行关联,和/或使用时间戳、所述相应传感机构(24)的标识符、所述相应连接装置(22)的标识符、所述用户(W)的标识符、所述工序步骤的标识符和/或所述事件数据包(E)分配给事件、活动、位置和/或对象的信息来进行关联。
10.根据前述权利要求中任一项所述的方法,其特征在于,作为所述工作系统(14)的状态,所述报告(B)包含:关于所述工作系统(14)设置的信息,特别是所述工作系统(14)的固定工作站(18)的信息;所述工作系统(14)的使用情况,特别是所述传感机构(24)的使用情况;所述传感机构(24)、网关(50)和/或连接装置(22)的状态;由所述工作系统(14)执行的至少一个工序,特别是工序的单个工序步骤、工序的单个工序步骤的顺序、工序的单个工序步骤的长度、工序开始和/或进程结束;所述传感机构(24)的蓄电池或原电池的放电率;蓄电池寿命或原电池寿命;正在读取的条形码类型;读取工序的持续时间;读取工序的成功;两个读取工序之间的步数;两个读取工序之间的位置变化;所述传感机构(24)的软件版本;所述连接装置(22)的软件版本和/或关于所述传感机构(24)的充电行为的信息;和/或
作为与先前操作过程的偏差,所述报告(B)包含所述传感机构(24)的信息,包括:作为先前操作顺序的或多或少执行的工序步骤;所述工作系统(14)设置的变化,特别是所述工作系统(14)的固定工作站(18)的变化;所述工作系统(14)使用情况的变化,特别是所述传感机构(24)使用情况的变化;所述工作系统(14)状态的变化,特别是所述传感机构(24)状态的变化;利用所述工作系统(14)执行的所述至少一个工序的变化,特别是工序的单个工序步骤、单个工序步骤的顺序、单个工序步骤的长度、工序开始和/或工序结束的变化;不同地点和/或工作站(18)的相同工序之间的差异;和/或有关行业参考值的差异。
11.根据前述权利要求中任一项所述的方法,其特征在于,所述背景记录(K)和/或事件数据包(E)存储在存储装置(57)中,以便之后用作过去背景记录(K)和/或过去事件数据包(E),特别是其中所述报告(B)是基于由所述关联模块(52)生成的当前背景记录(K)和存储在所述存储装置(57)中的背景记录(K)而创建的。
12.根据前述权利要求中任一项所述的方法,其特征在于,所述关联模块(52)包含背景信息(I),所述背景信息(I)来自所述控制系统(20)、库存管理系统、企业资源计划系统、所述工作系统(14)的机器(60)的机器控制器(62)、移动设备管理系统、来自外部数据提供商和/或可公开访问数据源的数据;和/或
其中所述背景信息(I)包括:关于工作环境、所述工作系统(14)的工序、所述工作系统(14)的用户(W)的信息和/或关于所述工作系统(14)的使用情况的信息,特别是工作环境的温度的信息;关于工作日的常规工作量、预期的利用率、活动之间的依赖性和/或所述工作系统(14)所在地区的公共卫生状况的信息。
13.根据前述权利要求中任一项所述的方法,其特征在于,所述报告(B)被传输到所述控制系统(20)、库存管理系统、企业资源规划系统、移动终端设备、工作场所计算机和/或输出机构,特别是其中输出机构配置为输出所述报告(B)。
14.根据前述权利要求中任一项所述的方法,其特征在于,所述分析模块(54)接收事件数据包(E),并且基于所述事件数据包(E)和/或过去事件数据包(E)创建用于所述事件数据包(E)的背景信息(I)并将其传输到所述关联模块(52),特别是其中所述分析模块(54)包括背景机器学习模块(MK),所述背景机器学习模块(MK)基于所述事件数据包(E)和/或过去事件数据包(E)来创建用于事件数据包(E)的背景信息(I)。
15.根据权利要求14所述的方法,其特征在于,所述分析模块(54)为所述事件数据包(E)确定作为背景信息(I)的信息,所述事件数据包(E)将所述信息分配给事件、活动、位置和/或对象,特别是其中所述信息包含将所述事件数据包(E)分配给事件、活动、位置和/或对象的概率。
16.根据前述权利要求中任一项所述的方法,其特征在于,所述分析模块(54)基于所述背景记录(K),特别是当前背景记录(K)和过去背景记录(K),和/或报告(B)来确定至少一个系统改进(C),特别是其中所述系统改进(C)被传输到所述控制系统(20)、库存管理系统、企业资源规划系统、移动终端设备和/或输出设备。
17.根据前述权利要求中任一项所述的方法,其特征在于,执行以下步骤以创建所述报告(B):
-基于背景记录(K)确定所述工作系统(14)的状态、先前操作顺序和/或与先前操作顺序的偏差,以及
-使用所述工作系统(14)的状态、先前操作顺序和/或与先前操作过程的偏差来创建所述报告(B)。
18.根据权利要求17所述的方法,其特征在于,所述分析模块(54)的第一机器学习模块(M2)用于确定所述工作系统(14)的状态、先前操作过程和/或与先前操作过程的偏差,特别是其中所述第一机器学习模块(M2)包括人工神经网络、决策树、统计算法、聚类算法、用于文本生成的模块和/或主成分分析。
19.根据权利要求17或18所述的方法,其特征在于,使用报告模板(V)来创建所述报告(B),特别是其中所述报告模板(V)包含关于所述分析模块(54)的指令,以便使用所述背景数据(K)来生成分配给所述报告模板(V)的所述报告(B)。
20.根据权利要求18所述的方法,其特征在于,所述报告模板(V)指示出所述报告(B)所需的输入数据和/或指示出用于确定所述工作系统(14)状态、先前操作过程和/或与先前操作过程的偏差的至少一个分析步骤,并且可选地基于所述至少一个分析步骤的结果来定义所述系统改进(C)。
21.根据权利要求20所述的方法,其特征在于,所述报告模板(V)定义至少一个显著性条件,其中所述分析模块(54)使用所述背景记录(K)检查所述至少一个显著性条件是否被满足,其中只有满足所述显著性条件才使用相应的报告模板(V)生成所述报告(B)。
22.根据权利要求19至21中任一项所述的方法,其特征在于,所述分析模块(54)选择或生成报告模板(V),并使用所述报告模板(V)和所述背景记录(K)来创建所述报告(B)。
23.根据权利要求19至22中任一项所述的方法,其特征在于,所述分析模块(54)选择或生成若干报告模板(V),为每个报告模板(V)创建所述报告(B)并评估所述报告(B)的相关性,其中仅再现所创建的报告(B)中最相关的报告(B),或者仅再现所创建的报告(B)中最相关的预定数量的报告(B)。
24.根据权利要求23所述的方法,其特征在于,所述分析模块(54)包括用于评估所述报告(B)的相关性的第三机器学习模块(M4),特别是使用所述用户(W)、主管和/或其他工作系统的用户的反馈来评估所述报告(B)的相关性。
25.根据前述权利要求中任一项所述的方法,其特征在于,所述报告模板(V)规定用于再现报告(B)的至少一个规范,特别是关于将要显示所述报告(B)的装置和/或所述报告(B)的表现形式。
26.根据前述权利要求中任一项所述的方法,其特征在于,所述系统改进(C)被传输到分配模块(56),其中所述分配模块(56)基于所述系统改进(C)为至少一个所述传感装置(24)创建至少一个变更命令(O),并将所述变更命令(O)传输到各个所述传感机构(24)、对应于各个所述传感机构(24)的所述连接装置(22)和/或所述控制系统(20)。
27.根据权利要求26所述的方法,其特征在于,所述传感机构(24)基于所述变更命令(O)向所述用户(W)输出动作命令。
28.根据权利要求26或27所述的方法,其特征在于,所述控制系统(20)和/或相应的所述连接装置(22)基于所述系统改进(C)来改变分配给相应的所述传感机构(24)的工序,和/或指示所述传感机构(24)输出动作命令。
29.根据前述权利要求中任一项所述的方法,其特征在于,所述关联模块(52)的机器学习模块(M1)、所述分析模块(54)的第一机器学习模块(M2)、所述分析模块(54)的第二机器学习模块(M3)、所述分析模块(54)的第三机器学习模块(M4)、所述分析模块(54)的第四机器学习模块(M5)、所述分析模块(54)的背景机器学习模块(MK)和/或所述分配模块(56)的机器学习模块(M6)是或包括人工神经网络、决策树、统计算法、聚类算法、用于生成文本的模块和/或主成分分析。
30.包括工作系统(14)和监控系统(16)的系统,其中所述系统配置为执行根据前述权利要求中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021122485.3A DE102021122485A1 (de) | 2021-08-31 | 2021-08-31 | Verfahren zur Überwachung eines Arbeitssystems sowie System mit Arbeitssystem |
DE102021122485.3 | 2021-08-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115730782A true CN115730782A (zh) | 2023-03-03 |
Family
ID=83355375
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211059825.1A Pending CN115730782A (zh) | 2021-08-31 | 2022-08-31 | 用于监控工作系统的方法以及包括工作系统的系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20230069619A1 (zh) |
EP (1) | EP4141759A1 (zh) |
CN (1) | CN115730782A (zh) |
DE (1) | DE102021122485A1 (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7243001B2 (en) | 2004-06-15 | 2007-07-10 | Amazon Technologies, Inc. | Time-based warehouse movement maps |
DE102015017430B3 (de) | 2014-10-11 | 2023-08-10 | Workaround Gmbh | Arbeitskleidungseinheit, Handschuh, Sensormodul sowie bauliche Einheit |
EP3249586A1 (en) * | 2016-05-26 | 2017-11-29 | Sony Mobile Communications Inc | Method for storing data for determination of a specific user's exposure to a danger factor caused by usage of an apparatus |
US11023818B2 (en) * | 2016-06-23 | 2021-06-01 | 3M Innovative Properties Company | Personal protective equipment system having analytics engine with integrated monitoring, alerting, and predictive safety event avoidance |
US9842288B1 (en) | 2017-01-10 | 2017-12-12 | Motorola Mobility Llc | RFID-based hand sensory apparatus for monitoring handled inventory |
BR112020026378A2 (pt) * | 2018-06-22 | 2021-03-23 | 3M Innovative Properties Company | sistema de segurança de equipamento de proteção individual usando inormações contextuais provenientes dos sistemas de controle industriais |
AU2020273006A1 (en) * | 2019-04-10 | 2021-10-28 | 3M Innovative Properties Company | System control through a network of personal protective equipment |
DE102019118969A1 (de) | 2019-07-12 | 2021-01-14 | Workaround Gmbh | Verfahren zum Betreiben eines Sensor- und/oder Informationssystems sowie Sensor- und/oder Informationssystem |
EP4032329A1 (en) * | 2019-09-16 | 2022-07-27 | 3M Innovative Properties Company | Context-aware safety assistant for worker safety |
DE102020106369A1 (de) | 2020-03-09 | 2021-09-09 | Workaround Gmbh | Sensor- und/oder Informationsvorrichtung sowie Sensor- und/oder Informationssystem |
-
2021
- 2021-08-31 DE DE102021122485.3A patent/DE102021122485A1/de active Pending
-
2022
- 2022-08-24 EP EP22192020.0A patent/EP4141759A1/de active Pending
- 2022-08-29 US US17/898,431 patent/US20230069619A1/en active Pending
- 2022-08-31 CN CN202211059825.1A patent/CN115730782A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4141759A1 (de) | 2023-03-01 |
DE102021122485A1 (de) | 2023-03-02 |
US20230069619A1 (en) | 2023-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210117901A1 (en) | Systems and methods for worker resource management | |
US20190138880A1 (en) | Workspace actor selection systems and methods | |
US7251535B2 (en) | Location based diagnostics method and apparatus | |
CN101300609B (zh) | 工业控制器环境中的rfid体系结构 | |
US20170351226A1 (en) | Industrial machine diagnosis and maintenance using a cloud platform | |
US20190108747A1 (en) | Augmented industrial management | |
EP3588400B1 (en) | Operational plan optimization device and operational plan optimization method | |
KR102334965B1 (ko) | 공장 자동화 설비의 효율적 관리와 생산성 향상을 위한 예지 보전 시스템 | |
Forkan et al. | An industrial IoT solution for evaluating workers' performance via activity recognition | |
US11348033B2 (en) | Computational analysis of observations for determination of feedback | |
CN110971666A (zh) | 一种物联网管理系统及其通讯方法 | |
JPWO2020227429A5 (zh) | ||
KR100984843B1 (ko) | Rfid 및 mes를 이용한 공정관리 시스템 및 방법 | |
US20220000405A1 (en) | System That Measures Different States of a Subject | |
KR102419053B1 (ko) | 통합 제조 운영 관리 시스템 및 방법 | |
US20180099413A1 (en) | Robot system and maintenance method for tracking information of module | |
US20230306353A1 (en) | Systems and methods for worker resource management | |
CN112712314A (zh) | 一种基于物联网传感器的物流数据推荐方法 | |
Torkul et al. | Smart seru production system for Industry 4.0: a conceptual model based on deep learning for real-time monitoring and controlling | |
CN115730782A (zh) | 用于监控工作系统的方法以及包括工作系统的系统 | |
US11675347B2 (en) | Industrial machine monitoring device | |
Minoufekr et al. | An IoT Framework for Assembly Tracking and Scheduling in Manufacturing SME. | |
US20230324891A1 (en) | Method and system for autonomous production device modeling for job planning in a production environment | |
US20230333544A1 (en) | System and method for planning integrated vehicle production | |
CN107578195A (zh) | 库存监视方法和库存监视装置 |
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 |