JP2021531574A - 産業用ｐｃデバイス及び産業用ｐｃデバイスの動作方法 - Google Patents

Abstract

ＩＰＣデバイスを提供する。ＩＰＣデバイスは以下を含む：制御データで工場装置を制御するための、制御アプリケーションと、工場装置のデジタルコピーを提供するための、デジタルツインと、入力として工場装置データと制御データとを受け取り且つ出力として第１の改変データを提供する第１の人工知能アルゴリズムを実行するための、ＡＩ−Ｒアプリケーションであって、制御アプリケーションが制御データを第１の改変データの機能として改変するよう構成されることと、入力としてデジタルツインデータと仮想制御データとを用い且つ出力として第２の改変データを提供する第２の人工知能アルゴリズムを実行するための、ＡＩ−Ｇアプリケーション。【選択図】図１１

Description

本発明は産業用パーソナルコンピュータ（産業用ＰＣ又はＩＰＣ）デバイスに関する。更に、本発明はＩＰＣデバイスの動作方法に関する。

ＩＰＣデバイスは、物理的工場装置の動作を制御するため、産業環境において度々用いられる。いくつかのＩＰＣデバイスは、物理的工場装置の制御と動作を最適化するため、物理的工場装置からのセンサデータ等を分析できる。

米国特許出願公開第２０１７／００９１７９１ Ａ１

上記記載の先行技術文献は、物理的発電所のデジタルモデルを含む発電システムのデジタルモデルからなるデジタル発電所を開示している。デジタル発電所は、物理的発電所の動作に関するデータに基づきデジタルモデルを再構成するための機械学習エンジンを含む。

改善されたＩＰＣデバイスを提供することが本発明の目的の１つである。本発明の更なる目的は、改善されたＩＰＣデバイスの動作方法の提供である。

第１の様態によると、産業用パーソナルコンピュータ（ＩＰＣ）デバイスが提供される。これは、
リアルタイムオペレーティングシステム（ＲＴＯＳ）と、
汎用オペレーティングシステム（ＧＰＯＳ）と、
制御データを生成し、生成された制御データにより物理的工場装置を制御するための、ＲＴＯＳ内で稼働する制御アプリケーションと、
仮想制御データを生成するための仮想制御アプリケーションと、デジタルツインを用いて仮想制御データで制御されたときの物理的工場装置の動作をシミュレートするためのシミュレーションアプリケーションとを含む、物理的工場装置のデジタルコピーを提供するため、ＧＰＯＳ内で稼働するデジタルツインと、
入力として物理的工場装置データと制御データを受け取り且つ出力として第１の改変データを提供する第１の人工知能アルゴリズムを実行するため、制御アプリケーションと相互にやり取りする、リアルタイム人工知能（ＡＩ−Ｒ）アプリケーションであって、物理的工場装置データが物理的工場装置の動作を示すデータを含み、制御アプリケーションが制御データを第１の改変データの機能として改変するよう構成されることと、
入力としてデジタルツインデータと仮想制御データとを用い且つ出力として第２の改変データを提供する第２の人工知能アルゴリズムを実行するため、デジタルツインと相互にやり取りする、汎用人工知能（ＡＩ−Ｇ）アプリケーションであって、デジタルツインデータがデジタルツインを用いた物理的工場装置のシミュレーションを示すデータを含み、仮想制御アプリケーションが仮想制御データを第２の改変データの機能として改変するよう構成されることと
を含む。

ＡＩ−Ｒアプリケーションは、物理的工場装置を含む現実のシステムにおいて試験を実行し、ＡＩ−Ｇアプリケーションは、物理的工場装置を表現するデジタルツインを含む仮想システムにおいて試験を実行してよい。具体的には、ＩＰＣデバイスが２つの並行学習プロセスを実行し、これにより（現実の）物理的工場装置の制御と動作を改善する。

ＩＰＣデバイスは、産業環境で用いられるＩＰＣであることができる。それは、物理的工場装置を制御するために用いられることができる。物理的工場装置は、機械であってよく、及び／又は、製造システム等の一部であることができる。

ＩＰＣデバイスは、少なくとも２つの別々のオペレーティングシステム、ＲＴＯＳとＧＰＯＳとを含んでよい。ＲＴＯＳは、データが入るとリアルタイムで処理するリアルタイムアプリケーションを提供できる。ＲＴＯＳは、機械及び産業システム、具体的には物理的工場装置を制御するために用いられてよい。物理的工場装置を制御するため、ＲＴＯＳは制御アプリケーションを含んでよい。ＲＴＯＳは、特定の動作が、発生するたびに精確に同一の時間量で実行されるよう、コンピュータのリソースを管理してよい。

ＧＰＯＳは、操作者インターフェイス、データベース、汎用演算タスクを扱うために用いられてよい。ＧＰＯＳの例は、Ａｐｐｌｅ ＯＳ Ｘ、Ｌｉｎｕｘ（登録商標）、Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓである。ＧＰＯＳは、リアルタイムでデータを処理しないアプリケーションを提供できる。ＲＴＯＳとＧＰＯＳは、ＩＰＣデバイスの異なる仮想マシンの一部であることができる。

制御アプリケーションは、物理的工場装置の動作を制御するための制御データを生成してよい。制御アプリケーションは、例えば、マシンコントローラと見なすことができる。制御データは、特定の処理の時間幅の指標、パラメータ設定、物理的工場装置の動作に有用な他の指標を提供できる。制御アプリケーションはＲＴＯＳ上で稼働してよい。いくつかの実施形態において、制御アプリケーションはＲＴＯＳと同一の仮想マシン上に位置する。

動作の間、物理的工場装置は、物理的工場装置がどう動作するかを示す物理的工場装置データにより説明されることができる。物理的工場装置データは、例えば物理的工場装置付近又は物理的工場装置上に位置するセンサから取得されたセンサデータであってよい。

デジタルツインは、物理的工場装置の仮想、デジタル表現であることができる。いくつかの実施形態において、デジタルツインはＧＰＯＳと同一の仮想マシン上に位置する。デジタルツインはＧＰＯＳ上で稼働する。それは、シミュレーションアプリケーションと仮想制御アプリケーションを含むことができる。仮想制御アプリケーションは、ＧＰＯＳ環境における制御アプリケーションのマッピングと見なすことができる。具体的には、それは（仮想）デジタルツインを制御するための仮想制御データを生成できる。シミュレーションアプリケーションは、デジタルツインを用いて物理的工場装置の動作をシミュレートしてよい。このようなシミュレーションにおいて、デジタルツインは、仮想制御アプリケーションから仮想制御データを受け取り、物理的工場装置が仮想制御データで制御された場合の物理的工場装置の動作をシミュレートしてよい。ツインディバイスを用いた物理的工場装置のシミュレーションは、仮想環境における物理的工場装置の仮想マッピングと見なされてよい。

ＡＩ−Ｒアプリケーションは、ＩＰＣデバイス内に第１の学習サイクルを提供するためといった、第１の人工知能（ＡＩ）アルゴリズムを実行できる。つまり、ＡＩ−Ｒアプリケーションは、出力として第１の改変データを生成するため、第１のＡＩアルゴリズムを用いて、入力として受け取ったデータ（物理的工場装置データと制御データ）を評価してよい。第１の改変データは、次いで、制御データを改変するため、具体的には制御データを更新及び／又は最適化するため、制御アプリケーションにより用いられてよい。このようにして、（改変された）制御データで制御される物理的制御デバイスの動作が改変、具体的には更新及び／又は最適化されることができる。ＡＩ−Ｒアプリケーションは、制御アプリケーションで第１の最適化ループを形成すると見なされてよい。

第１の学習サイクルと並行し、ＡＩ−ＧアプリケーションはＩＰＣデバイス内で第２のＡＩアルゴリズムを実行してよい。ＡＩ−Ｇアプリケーションは、出力として第２の改変データを生成するため、第２のＡＩアルゴリズムを用いて、入力として受け取ったデータ（デジタルツインデータと仮想制御データ）を評価してよい。第２の改変データは、次いで、仮想制御データを改変するため、具体的には仮想制御データを更新及び／又は最適化するため、仮想制御アプリケーションにより用いられてよい。このようにして、デジタルツインでシミュレートされ、（改変された）仮想制御データで制御される物理的制御デバイスの（仮想）動作が改変、具体的には更新及び／又は最適化されることができる。ＡＩ−Ｇアプリケーションは、仮想制御アプリケーションで第２の最適化ループを形成すると見なされてよい。

（第１及び第２の）ＡＩアルゴリズムは、ニューラルネットワークといった、機械学習アルゴリズムであることができる。これらは教師あり又は教師なし学習アルゴリズムであることができる。ＡＩアルゴリズムは、決定木、隠れマルコフモデル、近傍法、階層化法、線形回帰法等に基づくアルゴリズムであってもよい。

ＡＩ−Ｇアプリケーションの学習サイクルがデジタルツインによる物理的工場装置の仮想表現に関連づくことができるのに対し、ＡＩ−Ｒアプリケーションの学習サイクルは現実の物理的工場装置に関連づくことができる。デジタルツインに関連する学習サイクルがＧＰＯＳを用いて非リアルタイムで実装されることができるのに対し、現実の物理的工場装置に関連する学習サイクルはＲＴＯＳを用いてリアルタイムで実装されることができる。ＡＩ−Ｇアプリケーションが物理的工場装置を表現するデジタルツインを含む仮想システムにおいて試験を実行してよいのに対し、ＡＩ−Ｒアプリケーションは物理的工場装置を含む現実のシステムにおいて試験を実行してよい。具体的には、ＩＰＣデバイスは、制御データを改変するための改変データを取得するため、２つの並行学習プロセスを実行する。

いくつかの実施形態において、物理的工場装置の制御は、ＡＩ−ＧアプリケーションとＡＩ−Ｒアプリケーションでの両方の学習サイクルを用いて最適化されることができる。この場合、物理的工場装置の動作も、ＡＩ−ＧアプリケーションとＡＩ−Ｒアプリケーションでの両方の学習サイクルを用いて最適化されてよい。これにより、改善されたＩＰＣデバイスが提供される。

制御データの最適化は、具体的には制御データの改変を示し、改変済み制御データで制御された物理的工場装置の動作を記述した物理的工場装置データが、物理的工場装置の最適動作を示す所定の最適データに近づく。

１つの実施形態によると、
ＡＩ−Ｇアプリケーションが、第２の改変データをＡＩ−Ｇアプリケーションに送るよう更に構成され、
ＡＩ−Ｒアプリケーションが、受け取った第２の改変データの少なくとも一部を制御アプリケーションへ提供する、及び／又は、第２の改変データを拒否するよう更に構成され、
制御アプリケーションが、制御データを第２の改変データの少なくとも一部の機能として改変するよう構成される。

ＡＩ−ＧアプリケーションとＡＩ−Ｒアプリケーションは、第２の改変データ及び／又は詳細を後述するフィードバックデータの送信を含むクロストークを実行してよい。第２の改変データは、物理的工場装置の制御データを改変するため、「現実の」システムにおいて用いられてよい。物理的工場装置の制御データはこうして、第１及び／又は第２の改変データの少なくとも一部を参照し改変、具体的には最適化されてよい。これにより、物理的工場装置の動作が更に改善されることができる。更に、制御データが第１及び／又は第２の改変データの機能として改変されることができるため、ＩＰＣデバイスの柔軟性が向上する。

詳細には、第２の改変データを受け取るＡＩ−Ｒアプリケーションは、制御データを改変するため第２の改変データを部分的に又は全体的に受け入れるか、第２の改変データを拒否して制御データを改変するために全く使用しないかを決定してよい。ＡＩ−Ｒアプリケーションによる第２の改変データの検証により、ＩＰＣデバイスと物理的工場装置の安全性が改善されることができる。

更なる実施形態によると、ＡＩ−Ｒアプリケーションは、第２の改変データが、制御データを改変するため部分的に用いられたか、制御データを改変するため全体的に用いられたか、及び／又は拒否されたかを示すフィードバックデータをＡＩ−Ｇアプリケーションに送るよう更に構成される。フィードバックデータは、例えば、第２のＡＩアルゴリズムを改変するためＡＩ−Ｇアプリケーションにより用いられてよい。これにより、第２のＡＩアルゴリズムが改善される。

更なる実施形態によると、シミュレーションアプリケーションは、デジタルツインを用いて改変済み仮想制御データで制御されたときの物理的工場装置をシミュレートするよう更に構成され、ＡＩ−Ｇアプリケーションは、デジタルツインを用いて改変済み仮想制御データで制御されたときの物理的工場装置の動作のシミュレーションの結果に基づき、第２の改変データがＡＩ−Ｒアプリケーションに送信されるべきかを判定するよう更に構成される。

第２の改変データをＡＩ−Ｒアプリケーションへ送信する前に、ＡＩ−Ｇアプリケーションは、第２の改変データで改変された改変済み仮想制御データで制御されたときの物理的工場装置の動作のシミュレーションを実行してよい。このシミュレーションの結果により、具体的にはシミュレーション結果が良好及び／又は特定の範囲内である場合、ＡＩ−Ｇアプリケーションは、第２の改変データをＡＩ−Ｒアプリケーションへ送ることを決定してよい。或いは、例えばシミュレーション結果が不良及び／又は特定の範囲外である場合、ＡＩ−Ｇアプリケーションは、第２の改変データをＡＩ−Ｒアプリケーションへ送らないことを決定してよい。後者の場合、第２の改変データは破棄される。

更に、いくつかの実施形態において、第１及び／又は第２の改変データは、制御データを改変するために用いられたか否かに関わらず、記憶部に格納されてよい。

更なる実施形態によると、ＡＩ−Ｇアプリケーションは、フィードバックデータに基づき、及び／又は、第１の改変データに基づき、物理的工場装置をより好ましく表現するため、デジタルツインを改変するよう更に構成される。デジタルツインは、デジタルツインとＡＩ−Ｇアプリケーションを用いた学習プロセスを改善するため改変されてよい。

更なる実施形態によると、ＡＩ−Ｒアプリケーション及び／又はＡＩ−Ｇアプリケーションは、ＩＰＣデバイス内に挿入可能な拡張カード、好ましくはＩＰＣエクスプレスカード上で提供される。具体的には、拡張カードは取り外し可能でＩＰＣデバイスに挿入可能である。

拡張カードは、ＩＰＣデバイスのＡＩレイヤ―上でＡＩ−ＲアプリケーションとＡＩ−Ｇアプリケーションとを提供してよい。拡張カードは、拡張としてＩＰＣデバイス、具体的には既存のＩＰＣデバイスに加えることができ、これによりＡＩ−ＲとＡＩ−Ｇアプリケーションにより提供される二重学習機能をＩＰＣデバイスに提供する。

更なる実施形態によると、ＩＰＣデバイスは、物理的工場装置の動作を改変するため、２つの別々の学習サイクルを含み、学習サイクルの１つは、産業用リアルタイム動作要件に準拠するようＡＩ−Ｒアプリケーションを用いてＲＴＯＳとの相互のやり取りにおいて実行され、他方の学習サイクルは、産業用リアルタイム要件からは独立してＡＩ−Ｇアプリケーションを用いてＧＰＯＳとの相互のやり取りにおいて実行される。

更なる実施形態によると、物理的工場装置は、高リスク因子により特徴付けられた高リスクにさらされることにより、又は、高リスク因子よりも低い低リスク因子により特徴付けられた低リスクにさらされることにより、動作されることができ、第１の人工知能アルゴリズムは、第１の改変データの機能として改変された制御データにより制御される物理的工場装置を低リスクにさらす第１の改変データを提供する、低リスク人工知能アルゴリズムであり、第２の人工知能アルゴリズムは、第２の改変データの機能として改変された制御データにより制御される物理的工場装置をシミュレートするデジタルツインを高リスクにさらす第２の改変データを提供する、高リスク人工知能アルゴリズムである。

詳細には、理論的に物理的工場装置を高リスクにさらす可能性のある、制御データの全ての改変は、デジタルツインにより仮想システム上で試験される。具体的には、物理的工場装置の高リスク動作は、常にデジタルツインで試験される。この試験がそのようなリスクをはらむ制御データを用いた物理的工場装置の動作が安全であると示した場合のみ、第２の改変データは有効化され、現実の物理的システムの制御データを改変するために用いられる。高リスクな物理的工場装置の動作はこれにより避けられ、これにより物理的工場装置の安全対策が改善される。

更なる実施形態によると、制御アプリケーションは、
制御データが第１及び／又は第２の改変データの機能として部分的にのみ改変される、制御データの部分的改変を実行することにより、第１及び／又は第２の改変データの機能として制御データを増分的に部分的に改変することと、
部分的に改変された制御データで制御された物理的工場装置の物理的工場装置データが許可可能な範囲内に位置するか否かを判定することと、
部分的に改変された制御データで制御された物理的工場装置の物理的工場装置データが許可可能な範囲内に位置すると判定した場合、制御データが第１及び／又は第２の改変データの機能として完全に改変されるまで、制御データを部分的に改変するステップと、部分的に改変された制御データで制御された物理的工場装置の物理的工場装置データが許可可能な範囲内に位置するか否かを判定するステップとを繰り返す。

詳細には、制御データは第１及び／又は第２の改変データを用いて一度に改変されるのではなく、ゆっくり、ステップバイステップ式に改変される。各ステップにおいて、制御データは第１及び／又は第２の改変データを用いて増分的に僅かに改変される（部分的改変）。このような制御データの僅かな改変の後、僅かに改変された制御データにより制御されたときの物理的工場装置の動作は、この動作が記述された物理的工場装置データが許可可能な範囲内にあるか否かを判定することにより検証される。物理的工場装置データが許可可能な範囲内にある場合に限り、制御データは第１及び／又は第２の改変データを用いて、やはり小さなステップで更に改変される。

詳細には、各ステップにおいて、制御データは部分的に改変され、各ステップで第１及び／又は第２の改変データにより定められたものに近づく。各ステップ後の物理的工場装置データの部分的改変と検証は、制御データが第１及び／又は第２の改変データにより定められた改変により完全に改変されるまで繰り返されることができる。

ステップのうちの１つの後、物理的工場装置データが許可可能な範囲外である場合、第１及び／又は第２の改変データを用いた制御データの全体的な改変は停止され、制御データは第１及び／又は第２の改変データに基づく改変前のその値に再設定されてよい。このため、物理的工場装置データにより示された、許可可能な範囲外となる物理的工場装置の不正確な動作が防止されることができる。

更なる実施形態によると、制御アプリケーションは、初期改変の間に部分的に改変された制御データで制御された物理的工場装置の物理的工場装置データが許可可能な範囲外に位置すると制御アプリケーションが判定した場合、第１及び／又は第２の改変データの機能としての制御データの初期改変とは異なる第１及び／又は第２の改変データの機能としての制御データの改変を再開するよう構成される。

第１及び／又は第２の改変データを用いた制御データの改変は、物理的工場装置データが制御データの初期に試みられた改変において許可可能な範囲外にあると判明した場合、再開されることができる。後続の制御データの改変において、例えば、制御データのパラメータが改変される順序が変更されることができる。これにより、ＡＩ−Ｒアプリケーション及び／又はＡＩ−Ｇアプリケーションにより提案された改変は、物理的工場装置データが許可可能な範囲を離れない方法において適用され、これにより物理的工場装置の正確な動作と見なされる。

更なる実施形態によると、
仮想制御アプリケーションが、ＩＰＣデバイスにより受け取られた、受け取られた命令の機能として仮想制御データを生成するよう構成され、
シミュレーションアプリケーションが、デジタルツインを用いて、受け取られた命令の機能として生成された仮想制御データで制御される物理的工場装置をシミュレートするよう構成され、
仮想制御アプリケーションが、シミュレーションアプリケーションからの、受け取られた命令の機能として生成された仮想制御データで制御される物理的工場装置のシミュレーションの結果に基づき、受け取った命令が安全であるか否かを判定するよう構成される。

ＩＰＣデバイスが、例えばユーザから又は外部デバイスから命令を受け取ったとき、これら命令はデジタルツインを用いて検証されてよい。具体的には、物理的工場装置の動作におけるそのような命令の影響が、シミュレーションアプリケーションでシミュレートされることができる。いくつかの実施形態において、ＩＰＣデバイスは、デジタルツインによるシミュレーションが、受け取った命令の使用が安全であると示した場合にのみ、受け取った命令を実装する。これにより、ＩＰＣデバイスと物理的工場装置との安全性が改善されることができる。

更なる実施形態によると、ＡＩ−Ｇアプリケーションは、第２の改変結果を提供するため、それぞれ異なる人工知能アルゴリズムを用いるよう構成された複数のサブアプリケーションを含む。第２の改変結果は、上述した第２の改変データに対応できる。

異なるＡＩアルゴリズムの使用は、異なる第２の改変結果が仮想制御データ及び／又は（現実の）制御データの改変するための案として取得できる点で有益でありうる。物理的工場装置の制御と動作は、様々な第２の改変結果を用いてより効率的な方法で改善されうる。異なるＡＩアルゴリズムの使用は、ＩＰＣデバイスの柔軟性を更に向上しうる。

更なる実施形態によると、ＡＩ−Ｇアプリケーションは、第２の改変データを生成するため、そして第２の改変データをＡＩ−Ｒアプリケーションに送信するため、複数のサブアプリケーションにより提供された第２の改変結果の少なくともいくつかを組み合わせるよう構成される。

更なる実施形態によると、第１及び第２のＡＩアルゴリズムは異なるＡＩアルゴリズムである。学習サイクルにおける２つの異なるＡＩアルゴリズムの使用は、各ＡＩアルゴリズムからの最良を集められることから有用である。物理的工場装置の制御と動作は、様々な第２の改変結果を用いてより効率的な方法で改善されうる。

更なる実施形態によると、第１及び第２のＡＩアルゴリズムは、物理的工場装置の異なる機能に関連する第１及び第２の改変データを生成するために用いられ、機能は、物理的工場装置の保守に関する予測を提供する物理的工場装置の予測保守、全体的な設備効率、及び／又は、物理的工場装置の電力効率に関する予測を提供する電力効率予測のうちの少なくとも１つを含む。

ＡＩ−ＧとＡＩ−Ｒは、並行して物理的工場装置の異なる様態（機能）を訓練及び／又は改善するために用いられてよい。

更なる実施形態によると、ＩＰＣデバイスは、ＧＰＯＳとＲＴＯＳを仮想的に分離するハイパーバイザ部を更に含む。ハイパーバイザ部はハイパーバイザであることができ、「仮想マシンモニタ」とも呼ばれる。ハイパーバイザは更に、異なるオペレーティングシステム間、具体的にはＧＰＯＳとＲＴＯＳ間の通信を可能とする。該通信はセキュア通信であることができる。

更なる実施形態によると、ＩＰＣデバイスは、ハイパーバイザを介してＧＰＯＳとＲＴＯＳとから仮想的に分離された更なるオペレーティングシステムを含み、ＡＩ−ＧアプリケーションとＡＩ−Ｒアプリケーションは該更なるオペレーティングシステム内で稼働する。更なるオペレーティングシステムは、更なる仮想マシンに対応してよい。

更なる実施形態によると、拡張カードは、ハイパーバイザ部を介しＲＴＯＳとＧＰＯＳと通信するよう構成される。具体的には、拡張カードは、ホストオペレーティングシステムとして仮想化されるか、ハイパーバイザ部を介し他のオペレーティングシステムと通信する仮想化された仮想マシンとして仮想化されることができる。

ここで説明される様々なアプリケーション（ＡＩ−Ｇアプリケーション、ＡＩ−Ｒアプリケーション、制御アプリケーション等）並びにデジタルツインは、ソフトウェア及び／又はハードウェアとして実装されてよい。

第２の様態によると、第１の様態又はその実施形態によるＩＰＣデバイスのための拡張カードが提供される。拡張カードは、ＡＩ−ＧアプリケーションとＡＩ−Ｒアプリケーションとを含み、ＩＰＣデバイス内に挿入可能である。詳細には、ＩＰＣデバイスは、拡張カードを挿入するためのスリットを含んでよい。拡張カードはＩＰＣデバイス内に取り外し可能に挿入可能であってよい。具体的には、第２の様態の拡張カードは、第１の様態の実施形態において説明される拡張カードに対応する。

第３の様態によると、第１の様態又はその実施形態によるＩＰＣデバイスを含む工場システムと、ＩＰＣデバイスにより制御される物理的工場装置とが提供される。物理的工場装置は上記で定義された工場装置であることができる。

第４の様態によると、リアルタイムオペレーティングシステム（ＲＴＯＳ）と汎用オペレーティングシステム（ＧＰＯＳ）とを含む産業用ＰＣ（ＩＰＣ）デバイスの動作方法が提供される。該方法は、
制御アプリケーションを用いて制御データを生成することと、
制御アプリケーションを用いて生成された制御データにより物理的工場装置の動作を制御することと、
ＧＰＯＳ内で稼働するデジタルツインとして物理的工場装置のデジタルコピーを提供することと、
仮想制御データを生成することと、
デジタルツインを用いて仮想制御データで制御されるときの物理的工場装置の動作をシミュレートすることと、
制御アプリケーションと相互にやり取りするリアルタイム人工知能（ＡＩ−Ｒ）アプリケーションを用いて、入力として物理的工場装置データと制御データとを受け取り且つ出力として第１の改変データを提供する第１の人工知能アルゴリズムを実行することであって、物理的工場装置データが物理的工場装置の動作を示すデータを含むことと、
制御データを第１の改変データの機能として改変することと、
デジタルツインと相互にやり取りする汎用人工知能（ＡＩ−Ｇ）アプリケーションを用いて、入力としてデジタルツインデータと仮想制御データとを用い且つ出力として第２の改変データを提供する第２の人工知能アルゴリズムを実行することであって、デジタルツインデータがデジタルツインを用いた物理的工場装置のシミュレーションを示すデータを含むことと、
仮想制御データを第２の改変データの機能として改変することと
を含む。

具体的には、第４の様態によるＩＰＣデバイスの動作方法は、第１の様態又はその実施形態によるＩＰＣデバイス上で動作される。

ＩＰＣデバイス（第１の様態とその実施形態）を参照し説明される実施形態と特徴は、方法（第４の様態）、工場システム（第３の様態）、拡張カード（第２の様態）に準用される。

本発明の更なる可能な実装又は代替的解決は、実施形態に関し上記又は下記に説明される特徴の組み合わせ―ここでは明示的に言及されない―をも包含する。当業者は、本発明の最も基本的な形態に、個々の又は孤立した態様と特徴を加えてもよい。

本発明の更なる実施形態、特徴、利点は、添付の図面と併せ、後続の説明及び請求項から明らかになるであろう。

第１の実施形態による工場システムを示す。 第１の実施形態によるＩＰＣデバイスの動作方法を示す。 第２の実施形態によるＩＰＣデバイスの動作方法を示す。 制御データの改変の例を示す。 制御データの改変の例を示す。 制御データの改変の例を示す。 高又は低リスク学習を実行するための方法の例を示す。 受け取られた命令を検証するための方法の例を示す。 ＡＩ−Ｇアプリケーションの例を示す。 ＩＰＣデバイスの１つの実施形態を示す。 第２の実施形態による工場システムを示す。 ＩＰＣデバイスの例を示す。 ＡＩ−ＲとＡＩ−Ｇアプリケーションをインストールするための方法の例を示す。 ＡＩ−ＲアプリケーションとＡＩ−Ｇアプリケーションの割り当ての例を示す。

図面において、具体的に明示しない限り、同様の符号は同様又は機能的に均等である要素を示す。

図１は、第１の実施形態による工場システム１００を示す。工場システム１００は、第１の実施形態によるＩＰＣデバイス１と、ＩＰＣデバイスにより制御される物理的工場装置（ＰＦＤ）５とを含む。この場合において、工場システム１００は、ここでは機械である物理的工場装置５で製品を製造する自動化システムである。

ＩＰＣデバイス１は、ＲＴＯＳ２と、ＧＴＯＳ３と、ＡＩ−Ｒアプリケーション９と、ＡＩ−Ｇアプリケーション１０とを含む。ＲＴＯＳ２とＧＰＯＳ３は、ＩＰＣデバイス１の２つの仮想的に分離されたオペレーティングシステムである。ＲＴＯＳ２は、ＲＴＯＳ２内で稼働する制御アプリケーション４を含む。ＧＰＯＳ３は、ＧＰＯＳ３内で稼働する、物理的工場装置５を仮想的に表現するデジタルツイン６を有する。デジタルツイン６は、仮想制御アプリケーション７と、シミュレーションアプリケーション８とを含む。

ＩＰＣデバイス１は、産業用リアルタイム通信の要件に準拠するリアルタイム環境と、産業用リアルタイム通信の要件に準拠しない汎用環境とに、仮想的に分離されてよい。リアルタイム環境はＲＴＯＳ２とＡＩ−Ｒアプリケーション９とを含み、汎用環境はＧＰＯＳ３とＡＩ−Ｇアプリケーション１０とを含む。

工場システム１００のＩＰＣデバイス１は、ＩＰＣデバイス１の動作方法により動作することができる。そのような方法の第１の実施形態が図２に示される。下記において、図１のＩＰＣデバイス１の機能を、図１と２を共に参照し説明する。

ステップＳ１において、制御アプリケーション４は、制御データＣＤを生成する。制御データＣＤは、機械５を制御するためのデータである。それは、機械５の特定のパラメータをどう設定するか、いつ機械５をオン及びオフするか等の指示を含む。

ステップＳ２において、制御アプリケーション４は、制御データＣＤを用いて機械５の動作を制御する。制御アプリケーション４はここで、バスにより機械５に制御データＣＤを送信する。機械５は次いで、制御データＣＤに定められたものに応じて動作する。具体的には、機械５は、制御データＣＤにより提供されたパラメータ値に応じて特定のパラメータを設定する。機械５の動作は、物理的工場装置データ（機械データ）ＰＤにより記述されることができる。機械データＰＤは、機械５上に位置するセンサにより取得されたセンサデータである。

これと並行して、汎用環境において、現実の機械５を表現するためといった、デジタルツイン６がステップＳ３において提供される。仮想制御アプリケーション７は、制御アプリケーション４と類似の方法で、ただし汎用環境において、動作する。詳細には、ステップＳ４において、それはデジタルツイン６を制御するための仮想制御データＶＣＤを生成する。仮想制御データＶＣＤは、制御アプリケーション４により生成された制御データＣＤの機能として生成されることができる。シミュレーションアプリケーション８は、ステップＳ５においてあたかもデジタルツイン６を用いて仮想制御データＶＣＤで制御されているように機械５の動作をシミュレートするためといったように実行されることができる。デジタルツイン６による機械５のシミュレーションの結果は、デジタルツインデータＤＤにより記述されることができる。

ステップＳ６において、リアルタイム環境で、ＡＩ−Ｒアプリケーション９は第１のＡＩアルゴリズムＡＩ１を実行する。該第１のＡＩアルゴリズムＡＩ１は、入力として制御データＣＤと機械データＰＤとを受け取るニューラルネットワークアルゴリズムである。出力として、第１のＡＩアルゴリズムＡＩ１は、第１の改変データＭＤ１を生成する。第１の改変データＭＤ１は、次いでステップＳ７において制御データＣＤを改変するため制御アプリケーション４により用いられるデータである。具体的には、第１のＡＩアルゴリズムＡＩ１は、制御アプリケーション４による機械５の制御を改善でき、これにより機械５の動作も、例えば効率、電力消費等の点で、改善できるよう、第１の改変データＭＤ１を決定する。

ステップＳ６と並行し、ステップＳ８において、汎用環境で、ＡＩ−Ｇアプリケーション１０は第２のＡＩアルゴリズムＡＩ２を実行する。該第２のＡＩアルゴリズムＡＩ２は、入力として仮想制御データＶＣＤとデジタルツインデータＤＤとを受け取るニューラルネットワークアルゴリズムである。出力として、第２のＡＩアルゴリズムＡＩ２は、第２の改変データＭＤ２を生成する。第２の改変データＭＤ２は、次いでステップＳ９において仮想制御データＶＣＤを改変するため仮想制御アプリケーション７により用いられるデータである。具体的には、第２のＡＩアルゴリズムＡＩ２は、デジタルツイン６でシミュレートされたように機械５の仮想制御を改善するよう、第２の改変データＭＤ２を決定する。

ステップＳ７とＳ９の前又は後で、ＡＩ−Ｇアプリケーション１０とＡＩ−Ｒアプリケーション９は互いに、制御データＣＤ、仮想制御データＶＣＤ、第１及び／又は第２の改変データＭＤ１、ＭＤ２、及び／又はフィードバックデータＦＤといったデータを任意で交換できる。このデータの任意の交換は、下記に詳細に説明する。

図３は、第２の実施形態によるＩＰＣデバイス１の動作方法を示す。第２の実施形態による方法は、ステップＳ１０〜Ｓ１５を更に含む点において、図２の第１の実施形態の方法とは異なる。

ステップＳ１０において、ＡＩ−Ｇアプリケーション１０は、ＡＩ−Ｒアプリケーション９へ第２の改変データＭＤ２を送信する。ＡＩ−Ｒアプリケーション９は、次いでステップＳ１１において、制御データＣＤを改変するために第２の改変データＭＤ２を用いるか否かを判定する。この判定は、ＡＩ−Ｒアプリケーション９の第１のＡＩアルゴリズムＡＩ１を用いて実行されることができる。

ＡＩ−Ｒアプリケーション９が受け取った第２の改変データＭＤ２を用いないと判定した場合、第２の改変データＭＤ２が制御データＣＤを改変するために用いられないことを示すフィードバックデータＦＤをＡＩ−Ｇアプリケーション１０へ送信する（図３のステップＳ１２）。或いは、ＡＩ−Ｒアプリケーションが第２の改変データＭＤ２を（少なくとも部分的に）用いると判定した場合、制御アプリケーション４に制御データＣＤを第２の改変データＭＤ２の少なくとも一部の機能として改変するよう命令する（図３のステップＳ１３）。

制御データＣＤが第２の改変データＭＤ２の機能として改変されると、ステップＳ１４においてＡＩ−Ｒアプリケーション９は、第２の改変データＭＤ２が少なくとも部分的に制御データＣＤを改変するために用いられたことを示すフィードバックデータＦＤをＡＩ−Ｇアプリケーション１０へ送る。

いくつかの実施形態において、フィードバックデータＦＤは、第２の改変データＭＤ２を用いて改変された制御データＣＤで制御された機械５の動作が改変前と比較し実際に改善されたか否かの表示も含む。この場合、ＡＩ−Ｒアプリケーション９が改変された制御データＣＤで機械５を制御し、そのような制御の結果となる機械データＰＤを観察することにより、改変された制御データＣＤの有用性を試験する。

フィードバックデータＦＤを受け取ると、ステップＳ１５において、ＡＩ−Ｇアプリケーション１０は、フィードバックデータＦＤを参照し、デジタルツイン６及び／又は第２のＡＩアルゴリズムＡＩ２を改変する。これにより、例えば第２の改変データＭＤ２がＡＩ−Ｒアプリケーション９にとって有用でない場合、第２のＡＩアルゴリズムＡＩ２は該拒否された第２の改変データＭＤ２に類似する改変を探すことを避けるよう適合されることができる。これにより、第２の改変データＭＤ２を用いた学習プロセスが改善されることができる。

ＩＰＣデバイス１は、つまり２つの並行した学習プロセスを―１つをリアルタイム環境で１つを汎用環境で―実行することができる。これにより、機械５の制御と動作が、より効率的な方法で改善されることができる。

図２と３に示された方法のステップＳ１〜Ｓ１５の順番は改変することができる。更に、第２の改変データＭＤ２を送信する前に、第２の改変データＭＤ２の有用性がＡＩ−Ｇアプリケーション１０を用いて試験されることができる。詳細には、第２の改変データＭＤ２を用いて改変された仮想制御データＶＣＤでの機械５の制御は、デジタルツイン６を用いてシミュレートすることができ、該シミュレーションの結果は、ＡＩ−Ｇアプリケーション１０により分析されることができる。第２の改変データＭＤ２は、ＡＩ−Ｇアプリケーション１０がシミュレーション結果が良好であると判定した場合のみ、ＡＩ−Ｒアプリケーション９へ送信されてよい。さもなくば、第２の改変データＭＤ２は、例えば記憶部（図示せず）に格納される。

図４、５、６は。第２の改変データＭＤ２の機能としての制御データＣＤの改変の例を示す（ステップＳ１３に対応）。制御データＣＤは、第１の改変データＭＤ１の機能として（ステップＳ７に対応）、又は同一ラインに沿って第１及び第２の改変データＭＤ１、ＭＤ２の両方の機能として、改変されることができる。

図４に示されるように、初期の制御データＣＤは２つのパラメータＰ_１とＰ_２により定義される。現実のシステムにおいて、制御データＣＤはより多くのパラメータにより定義されることができるが、表現を簡略化するため、ここでは２つのパラメータＰ_１とＰ_２のみに依存する。第２の改変データＭＤ２により改変された制御データＣＤは、「ＣＤ提案」として示され、やはり２つのパラメータＰ_１とＰ_２により特徴付けられ、それらの値は初期の制御データＣＤのものと比較し両方とも改変される（ここでは増加される）。

初期の制御データＣＤを改変し、改変された制御データＣＤを取得するため、制御アプリケーション４は、ステップバイステップの最適化を実行してよい。図４と５において、各ステップは点で示される。各ステップにおいて、制御データＣＤは僅かに改変され、パラメータＰ_１とＰ_２が第２の改変データＭＤ２により提案されたパラメータＰ_１とＰ_２に近づく。制御データＣＤの各僅かな改変の後、制御アプリケーション４は、改変された制御データＣＤで動作した機械５の機械データＰＤが許可可能な範囲内にあるか検証する。許可可能な範囲は、最低ライン「ＭＩＮ」より上の全てとして図６に示される。

機械データＰＤが許可可能な範囲内にあると判定された場合、制御データＣＤは、パラメータＰ_１とＰ_２が第２の改変データＭＤ２により定められた値に到達するまで、第２の改変データＭＤ２の機能として更に改変される。ただし、改変のうちの１つの後に機械データＰＤが許可可能な範囲外にあると判定された場合、制御データＣＤのパラメータＰ_１とＰ_２はこれらの初期値に再設定され（図５の矢印番号１と２）、制御データＣＤの第２の改変データＭＤ２の機能としての改変は、パラメータＰ_１とＰ_２が異なる程度と異なる順序において改変される（図５の矢印番号３）、異なる経路に従い、異なる方法において再開される。この制御データＣＤのステップバイステップの改変は、機械５が不要なリスクにさらされず正確な方法で継続して動作する、機械５の動作の制御された改変を可能とする。

図７は、ＩＰＣデバイス１で高又は低リスク学習を実行するための方法の例を示す。該方法は、図２と３を参照し説明したＩＰＣデバイス１の動作方法の一部であることができる。

図７のステップＳ３０において、ＩＰＣデバイス１は機械５の動作を改善するため実行したい学習ステップが高又は低リスク学習ステップであるか判定する。高リスク学習ステップは、現実の物理的機械で（リアルタイム環境において）実行された場合に機械５を高リスクにさらす学習ステップである。低リスク学習ステップは、現実の物理的機械で（リアルタイム環境において）実行された場合に機械５を低リスクにさらす学習ステップである。

機械５を破壊させうることから、機械５を高リスクにさらすことを避けることが好ましい。例えば、学習ステップがいくつかの危険な化学物質が混合される機械５の試験を含む場合、爆発のリスクが存在する可能性があり、この場合、学習試験は現実の機械５で実行されるべきではない。

このため、学習ステップが高リスク学習ステップである場合、ＡＩ−Ｇアプリケーション１０を用いて実行される（ステップＳ３０）。リスクのある処理は、機械５で試験されるのではなく、デジタルツイン６を用いてシミュレートされ、これにより機械５を保護する。

ステップＳ３２において、ＡＩ−Ｇアプリケーション１０は、試験された処理が実際に機械５を高リスクにさらすか、機械５のリスクを低減するため最適化できるかを判定する。機械５を低リスクにさらすのみである最適化が見つかった場合、前に既に述べたように、ステップＳ３４において、結果的に得られた第２の改変データＭＤ２がＡＩ−Ｒアプリケーション９へ送られる。或いは、機械５を低リスクにさらす最適化が見つからなかった場合、ステップＳ３３においてこの結果は記憶部に格納される。

一方、低リスク学習ステップでは、ステップＳ３５において学習がＡＩ−Ｒアプリケーション９上で直接開始される。ＡＩ−Ｒアプリケーション９は、前述したステップＳ１、Ｓ２、Ｓ６、Ｓ７を実行する。具体的には、制御データＣＤは、学習プロセスの結果として得られた第１の改変データＭＤ１に基づき改変される。

ステップＳ３７において、ＡＩ−Ｒアプリケーション９は、第１の改変データＭＤ１の機能として改変された制御データＣＤで機械５を制御することにより、第１の改変データＭＤ１の有用性を試験する。この試験動作の結果となる機械データＰＤによって、ステップＳ３８においてＡＩ−Ｒアプリケーション９は第１の改変データＭＤ１が有用（成功）であるか否かを判定する。これらが有用であると判定されたにおいて、デジタルツイン６、具体的には仮想制御データＶＣＤを生成する仮想制御アプリケーション７が、ステップＳ３９において更新される。さもなくば、第１の改変データＭＤ１は記憶部に格納される（ステップＳ３３）。

図８は、受け取った命令を検証するための方法の例を示す。該方法は、図２と３を参照し説明したＩＰＣデバイス１の動作方法の一部であることができる。

受け取った命令は、図８のステップＳ４０においてユーザ、又はクラウドといった外部デバイスからＩＰＣデバイス１により受け取られた制御データＣＤに関連する命令である。受け取られた命令が制御データＣＤにおいて実装されることにより実行される前に、これらは、機械５の不適切な動作を避けるため、ＩＰＣデバイス１により検証される。

検証は、ステップＳ４１において、デジタルツイン６を用いた命令のシミュレーションを含む。詳細には、デジタルツイン６は、受け取った命令に応じて制御された機械５の動作をシミュレートする。

ステップＳ４２において、ＡＩ−Ｇアプリケーション１０は、シミュレーションの結果に基づき、受け取られた命令による機械５の動作が安全であり、他の要件に準拠するか否かを判定する。受け取られた命令が安全であり全ての要件に準拠する場合、受け取られた命令は、ステップＳ４５において現実の機械５を有する現実のシステムにおける使用のためＡＩ−Ｒアプリケーション９へ転送される。さもなくば、受け取られた命令が安全でない、及び／又は全ての要件に準拠しない場合、ＩＰＣデバイス１のユーザはステップＳ４３において警報を通じて通知され、シミュレーションの結果がステップＳ４４において記憶部に格納される。このため上記方法は、機械５の安全性を保証するための、受け取られた命令の検証を可能とする。

図９は、Ｉ−Ｇアプリケーション１０’の例を示す。Ｉ−Ｇアプリケーション１０’は、ＩＰＣデバイス１のＡＩ−Ｇアプリケーション１０を置き換えることができる。Ｉ−Ｇアプリケーション１０’は、それぞれが異なる第２のＡＩアルゴリズムＡＩ２ａ、ＡＩ２ｂ、ＡＩ２ｃを実行可能な３つのサブアプリケーション２７〜２９を含む。ＡＩアルゴリズムＡＩ２ａはニューラルネットワークアルゴリズムであり、ＡＩアルゴリズムＡＩ２ｂは決定木に依存したアルゴリズムであり、ＡＩ２ｃは近傍法アルゴリズムである。

各サブアプリケーション２７〜２９は、そのＡＩアルゴリズムＡＩ２ａ〜ＡＩ２ｃのための入力として仮想制御データＶＣＤとデジタルツインデータＤＤとを受け取り、出力として第２の改変結果ＭＤ２ａ〜ＭＤ２ｃを提供する。第２の改変結果ＭＤ２ａ〜ＭＤ２ｃは、前述したＡＩ−Ｇアプリケーション１０の第２の改変データＭＤ２に直接対応する。或いは、ＡＩ−Ｇアプリケーション１０’は、制御データＣＤ及び／又は仮想制御データＶＣＤが改変されるときの根拠となる第２の改変データＭＤ２を形成するため、第２の改変結果ＭＤ２ａ〜ＭＤ２ｃを組み合わせてよい。異なるＡＩアルゴリズムＡＩ２ａ〜ＡＩ２ｃの使用は、制御データＣＤのより好ましくより速い最適化を可能とすることから有用である。

図１０は、ＩＰＣデバイス５０の第２の実施形態を示す。ＩＰＣデバイス５０は、ＲＴＯＳ２が第１の仮想マシン１１上に提供され、ＡＩ−Ｒアプリケーション９とＡＩ−Ｇアプリケーション１０が第２の仮想マシン１２上に提供され、ＧＰＯＳ３が第３の仮想マシン１３上に提供される点で、第１の実施形態のＩＰＣデバイス１とは異なる。仮想マシン１１、１２、１３は、ハイパーバイザ部１４を介し互いに仮想的に分離される。ハイパーバイザ部１４は、仮想マシン１１〜１３それぞれにハイパーバイザデータＨＤを提供し、これらをＩＰＣデバイス５０のハードウェア構成要素１５から分離する。

ＩＰＣデバイス５０の構成要素は、ＩＰＣデバイス１を参照し上記で説明したものと同一の機能を有する。具体的には、ＩＰＣデバイス５０は、上述した方法、具体的には図２と３の方法により動作されることができる。

図１１は、第２の実施形態による工場システム１０１を示す。工場システム１０１は、物理的工場装置５’と、物理的工場装置５’を制御するための第３の実施形態によるＩＰＣデバイス５１と、クラウド１７と、ヒューマン−マシンインターフェイス（ＨＭＩ）１８とを含む。

物理的工場装置５’は、バス３０を介し接続され２つのセンサ２０とアクチュエータ２１の動作を制御する、２つのマスタデバイス１９を含む。第３の実施形態によるＩＰＣデバイス５１は、ＡＩ−Ｒアプリケーション９とＡＩ−Ｇアプリケーション１０とが、仮想マシン１２ではなく、拡張カード２４上に提供される点で、第２の実施形態によるＩＰＣデバイス５０とは異なる。それ以外は、ＩＰＣデバイス５１はＩＰＣデバイス５０と同一であり、同一の機能で実行でき、具体的には図２と３の方法により実行される。

図１１の工場システム１０１において、デジタルツイン６は、クラウド１７から、そしてＨＭＩ１８を介しユーザから、データを受け取ることができる。このデータは、例えばデジタルツイン６及び／又は仮想制御データＶＣＤを更新するために用いられることができる。加えて、クラウド１７は、有用でない第２の改変データＭＤ２が格納される前述した記憶部に対応できる。デジタルツイン６は、ＨＭＩ１８を介し警報等を更に送出してもよい。

図１２は、ＩＰＣデバイス５１のより詳細な図を示す。該ＩＰＣデバイス５１は、メインプロセッサ２３を含むメインＩＰＣボード２２を含む。更に、拡張カード２４は、ＡＩ−Ｒアプリケーション９とＡＩ−Ｇアプリケーション１０とが位置するカードボード２６と、カードボード２６をメインボード２２に接続するコネクタ２５とを含む。拡張カード２４は、ＡＩ−Ｒアプリケーション９とＡＩ−Ｇアプリケーション１０及びこれらの並行学習機能を提供するため、ＩＰＣデバイス５１のスロット内に取り外し可能に挿入されることのできる、取り外し可能なカードである。

図１３は、ＩＰＣデバイス５１内にＡＩ−Ｒ及びＡＩ−Ｇアプリケーション９、１０をインストールする方法の例を示す。ステップＳ２０において、拡張カード２４がＩＰＣデバイス５１内に挿入される。ハイパーバイザ部１４は、後続のステップＳ２１で拡張カード２４の存在を検出する。ハイパーバイザ部１４は、ステップＳ２２において、ＡＩレイヤ―１６（図示せず）がインストールされているか否かを判定する。ＡＩレイヤ―１６は、拡張カード２４の割り当てを処理し、ＡＩ−Ｒアプリケーション９とＡＩ−Ｇアプリケーション１０との間の効率的な切り替えを容易にするレイヤ―である。そのような割り当てが図１４に示される。

ＡＩレイヤ―１６がインストールされている場合、ステップＳ２７において拡張カード２４がＡＩレイヤ―１６に割り当てられる。次いで、ステップＳ２８において、ハイパーバイザ部１４は、ＡＩレイヤー１６に割り当てられたＩＰＣデバイス５１のコアの数を最小化する。フリーなコアが存在する場合、ステップＳ２９においてハイパーバイザ部１４はこれらをＲＴＯＳ２及び／又はＧＰＯＳ３に加える。

或いは、ＡＩレイヤ―１６がインストールされていない場合、ステップＳ２３においてハイパーバイザ部１４はＧＰＯＳ３のコアのうちのいくつかをＡＩレイヤ―１６に割り当てる。次いで、ステップＳ２４において、ハイパーバイザ部１４は拡張カード２４をＡＩレイヤ―１６に割り当てる。ステップＳ２５において、ＡＩレイヤ―１６がインストールされる。次いで、ステップＳ２６において、ハイパーバイザ部はＡＩレイヤ―１６とＲＴＯＳ２及びＧＰＯＳ３との間の通信を確立する。

本発明は好ましい実施形態により説明されたが、当業者にとって全てのの実施形態で改変が可能であることは明らかである。例えば、第１及び第２のＡＩアルゴリズムは、ニューラルネットワークと決定木アルゴリズムといった２つの異なるＡＩアルゴリズムであることができる。それ以上に、第１及び第２のＡＩアルゴリズムＡＩ１、ＡＩ２及び／又は複数の第２のＡＩアルゴリズムＡＩ２ａ〜ＡＩ２ｃにより改変及び／又は最適化される機能は異なることができ、例えば、物理的工場装置の予測制御、又は物理的工場装置の予測保全を含む。

１ ＩＰＣデバイス
２ ＲＴＯＳ
３ ＧＰＯＳ
４ 制御アプリケーション
５、５’ 物理的工場装置
６ デジタルツイン
７ 仮想制御アプリケーション
８ シミュレーションアプリケーション
９ ＡＩ−Ｒアプリケーション
１０、１０’ ＡＩ−Ｇアプリケーション
１１〜１３ 仮想マシン
１４ ハイパーバイザ部
１５ ハードウェア構成要素
１６ ＡＩレイヤ―
１７ クラウド
１８ ヒューマン−マシンインターフェイス
１９ マスタデバイス
２０ センサ
２１ アクチュエータ
２２ メインＩＰＣボード
２３ メインプロセッサ
２４ 拡張カード
２５ コネクタ
２６ カードボード
２７〜２９ サブアプリケーション
３０ バス
５０、５１ ＩＰＣデバイス
１００ 工場システム
１０１ 工場システム
ＡＩ１ 第１の人工知能アルゴリズム
ＡＩ２ 第２の人工知能アルゴリズム
ＡＩ２ａ〜ＡＩ２ｃ 第２の人工知能アルゴリズム
ＣＤ 制御データ
ＤＤ デジタルツインデータ
ＦＤ フィードバックデータ
ＨＤ ハイパーバイザデータ
ＭＤ１ 第１の改変データ
ＭＤ２ 第２の改変データ
ＭＤ２ａ〜ＭＤ２ｃ 第２の改変データ
Ｐ_１、Ｐ_２ パラメータ
ＰＤ 物理的工場装置データ
ＶＣＤ 仮想制御データ
Ｓ１〜Ｓ１５ 方法ステップ
Ｓ２０〜Ｓ４５ 方法ステップ

本発明は産業用パーソナルコンピュータ（産業用ＰＣ又はＩＰＣ）デバイスに関する。更に、本発明はＩＰＣデバイスの動作方法に関する。

ＩＰＣデバイスは、物理的工場装置の動作を制御するため、産業環境において度々用いられる。いくつかのＩＰＣデバイスは、物理的工場装置の制御と動作を最適化するため、物理的工場装置からのセンサデータ等を分析できる。

米国特許出願公開第２０１７／００９１７９１ Ａ１

上記記載の先行技術文献は、物理的発電所のデジタルモデルを含む発電システムのデジタルモデルからなるデジタル発電所を開示している。デジタル発電所は、物理的発電所の動作に関するデータに基づきデジタルモデルを再構成するための機械学習エンジンを含む。

改善されたＩＰＣデバイスを提供することが本発明の目的の１つである。本発明の更なる目的は、改善されたＩＰＣデバイスの動作方法の提供である。

第１の様態によると、産業用パーソナルコンピュータ（ＩＰＣ）デバイスが提供される。これは、
リアルタイムオペレーティングシステム（ＲＴＯＳ）と、
汎用オペレーティングシステム（ＧＰＯＳ）と、
制御データを生成し、生成された制御データにより物理的工場装置を制御するための、ＲＴＯＳ内で稼働する制御アプリケーションと、
仮想制御データを生成するための仮想制御アプリケーションと、デジタルツインを用いて仮想制御データで制御されたときの物理的工場装置の動作をシミュレートするためのシミュレーションアプリケーションとを含む、物理的工場装置のデジタルコピーを提供するため、ＧＰＯＳ内で稼働するデジタルツインと、
入力として物理的工場装置データと制御データを受け取り且つ出力として第１の改変データを提供する第１の人工知能アルゴリズムを実行するため、制御アプリケーションと相互にやり取りする、リアルタイム人工知能（ＡＩ−Ｒ）アプリケーションであって、物理的工場装置データが物理的工場装置の動作を示すデータを含み、制御アプリケーションが制御データを第１の改変データの機能として改変するよう構成されることと、
入力としてデジタルツインデータと仮想制御データとを用い且つ出力として第２の改変データを提供する第２の人工知能アルゴリズムを実行するため、デジタルツインと相互にやり取りする、汎用人工知能（ＡＩ−Ｇ）アプリケーションであって、デジタルツインデータがデジタルツインを用いた物理的工場装置のシミュレーションを示すデータを含み、仮想制御アプリケーションが仮想制御データを第２の改変データの機能として改変するよう構成されることと
を含む。

ＡＩ−Ｒアプリケーションは、物理的工場装置を含む現実のシステムにおいて試験を実行し、ＡＩ−Ｇアプリケーションは、物理的工場装置を表現するデジタルツインを含む仮想システムにおいて試験を実行してよい。具体的には、ＩＰＣデバイスが２つの並行学習プロセスを実行し、これにより（現実の）物理的工場装置の制御と動作を改善する。

ＩＰＣデバイスは、産業環境で用いられるＩＰＣであることができる。それは、物理的工場装置を制御するために用いられることができる。物理的工場装置は、機械であってよく、及び／又は、製造システム等の一部であることができる。

ＩＰＣデバイスは、少なくとも２つの別々のオペレーティングシステム、ＲＴＯＳとＧＰＯＳとを含んでよい。ＲＴＯＳは、データが入るとリアルタイムで処理するリアルタイムアプリケーションを提供できる。ＲＴＯＳは、機械及び産業システム、具体的には物理的工場装置を制御するために用いられてよい。物理的工場装置を制御するため、ＲＴＯＳは制御アプリケーションを含んでよい。ＲＴＯＳは、特定の動作が、発生するたびに精確に同一の時間量で実行されるよう、コンピュータのリソースを管理してよい。

ＧＰＯＳは、操作者インターフェイス、データベース、汎用演算タスクを扱うために用いられてよい。ＧＰＯＳの例は、Ａｐｐｌｅ ＯＳ Ｘ、Ｌｉｎｕｘ（登録商標）、Ｍｉｃｒｏｓｏｆｔ Ｗｉｎｄｏｗｓである。ＧＰＯＳは、リアルタイムでデータを処理しないアプリケーションを提供できる。ＲＴＯＳとＧＰＯＳは、ＩＰＣデバイスの異なる仮想マシンの一部であることができる。

制御アプリケーションは、物理的工場装置の動作を制御するための制御データを生成してよい。制御アプリケーションは、例えば、マシンコントローラと見なすことができる。制御データは、特定の処理の時間幅の指標、パラメータ設定、物理的工場装置の動作に有用な他の指標を提供できる。制御アプリケーションはＲＴＯＳ上で稼働してよい。いくつかの実施形態において、制御アプリケーションはＲＴＯＳと同一の仮想マシン上に位置する。

動作の間、物理的工場装置は、物理的工場装置がどう動作するかを示す物理的工場装置データにより説明されることができる。物理的工場装置データは、例えば物理的工場装置付近又は物理的工場装置上に位置するセンサから取得されたセンサデータであってよい。

デジタルツインは、物理的工場装置の仮想、デジタル表現であることができる。いくつかの実施形態において、デジタルツインはＧＰＯＳと同一の仮想マシン上に位置する。デジタルツインはＧＰＯＳ上で稼働する。それは、シミュレーションアプリケーションと仮想制御アプリケーションを含むことができる。仮想制御アプリケーションは、ＧＰＯＳ環境における制御アプリケーションのマッピングと見なすことができる。具体的には、それは（仮想）デジタルツインを制御するための仮想制御データを生成できる。シミュレーションアプリケーションは、デジタルツインを用いて物理的工場装置の動作をシミュレートしてよい。このようなシミュレーションにおいて、デジタルツインは、仮想制御アプリケーションから仮想制御データを受け取り、物理的工場装置が仮想制御データで制御された場合の物理的工場装置の動作をシミュレートしてよい。デジタルツインを用いた物理的工場装置のシミュレーションは、仮想環境における物理的工場装置の仮想マッピングと見なされてよい。

ＡＩ−Ｒアプリケーションは、ＩＰＣデバイス内に第１の学習サイクルを提供するためといった、第１の人工知能（ＡＩ）アルゴリズムを実行できる。つまり、ＡＩ−Ｒアプリケーションは、出力として第１の改変データを生成するため、第１のＡＩアルゴリズムを用いて、入力として受け取ったデータ（物理的工場装置データと制御データ）を評価してよい。第１の改変データは、次いで、制御データを改変するため、具体的には制御データを更新及び／又は最適化するため、制御アプリケーションにより用いられてよい。このようにして、（改変された）制御データで制御される物理的制御デバイスの動作が改変、具体的には更新及び／又は最適化されることができる。ＡＩ−Ｒアプリケーションは、制御アプリケーションで第１の最適化ループを形成すると見なされてよい。

第１の学習サイクルと並行し、ＡＩ−ＧアプリケーションはＩＰＣデバイス内で第２のＡＩアルゴリズムを実行してよい。ＡＩ−Ｇアプリケーションは、出力として第２の改変データを生成するため、第２のＡＩアルゴリズムを用いて、入力として受け取ったデータ（デジタルツインデータと仮想制御データ）を評価してよい。第２の改変データは、次いで、仮想制御データを改変するため、具体的には仮想制御データを更新及び／又は最適化するため、仮想制御アプリケーションにより用いられてよい。このようにして、デジタルツインでシミュレートされ、（改変された）仮想制御データで制御される物理的制御デバイスの（仮想）動作が改変、具体的には更新及び／又は最適化されることができる。ＡＩ−Ｇアプリケーションは、仮想制御アプリケーションで第２の最適化ループを形成すると見なされてよい。

（第１及び第２の）ＡＩアルゴリズムは、ニューラルネットワークといった、機械学習アルゴリズムであることができる。これらは教師あり又は教師なし学習アルゴリズムであることができる。ＡＩアルゴリズムは、決定木、隠れマルコフモデル、近傍法、階層化法、線形回帰法等に基づくアルゴリズムであってもよい。

ＡＩ−Ｇアプリケーションの学習サイクルがデジタルツインによる物理的工場装置の仮想表現に関連づくことができるのに対し、ＡＩ−Ｒアプリケーションの学習サイクルは現実の物理的工場装置に関連づくことができる。デジタルツインに関連する学習サイクルがＧＰＯＳを用いて非リアルタイムで実装されることができるのに対し、現実の物理的工場装置に関連する学習サイクルはＲＴＯＳを用いてリアルタイムで実装されることができる。ＡＩ−Ｇアプリケーションが物理的工場装置を表現するデジタルツインを含む仮想システムにおいて試験を実行してよいのに対し、ＡＩ−Ｒアプリケーションは物理的工場装置を含む現実のシステムにおいて試験を実行してよい。具体的には、ＩＰＣデバイスは、制御データを改変するための改変データを取得するため、２つの並行学習プロセスを実行する。

いくつかの実施形態において、物理的工場装置の制御は、ＡＩ−ＧアプリケーションとＡＩ−Ｒアプリケーションでの両方の学習サイクルを用いて最適化されることができる。この場合、物理的工場装置の動作も、ＡＩ−ＧアプリケーションとＡＩ−Ｒアプリケーションでの両方の学習サイクルを用いて最適化されてよい。これにより、改善されたＩＰＣデバイスが提供される。

制御データの最適化は、具体的には制御データの改変を示し、改変済み制御データで制御された物理的工場装置の動作を記述した物理的工場装置データが、物理的工場装置の最適動作を示す所定の最適データに近づく。

１つの実施形態によると、
ＡＩ−Ｇアプリケーションが、第２の改変データをＡＩ−Ｇアプリケーションに送るよう更に構成され、
ＡＩ−Ｒアプリケーションが、受け取った第２の改変データの少なくとも一部を制御アプリケーションへ提供する、及び／又は、第２の改変データを拒否するよう更に構成され、
制御アプリケーションが、制御データを第２の改変データの少なくとも一部の機能として改変するよう構成される。

ＡＩ−ＧアプリケーションとＡＩ−Ｒアプリケーションは、第２の改変データ及び／又は詳細を後述するフィードバックデータの送信を含むクロストークを実行してよい。第２の改変データは、物理的工場装置の制御データを改変するため、「現実の」システムにおいて用いられてよい。物理的工場装置の制御データはこうして、第１及び／又は第２の改変データの少なくとも一部を参照し改変、具体的には最適化されてよい。これにより、物理的工場装置の動作が更に改善されることができる。更に、制御データが第１及び／又は第２の改変データの機能として改変されることができるため、ＩＰＣデバイスの柔軟性が向上する。

詳細には、第２の改変データを受け取るＡＩ−Ｒアプリケーションは、制御データを改変するため第２の改変データを部分的に又は全体的に受け入れるか、第２の改変データを拒否して制御データを改変するために全く使用しないかを決定してよい。ＡＩ−Ｒアプリケーションによる第２の改変データの検証により、ＩＰＣデバイスと物理的工場装置の安全性が改善されることができる。

更なる実施形態によると、ＡＩ−Ｒアプリケーションは、第２の改変データが、制御データを改変するため部分的に用いられたか、制御データを改変するため全体的に用いられたか、及び／又は拒否されたかを示すフィードバックデータをＡＩ−Ｇアプリケーションに送るよう更に構成される。フィードバックデータは、例えば、第２のＡＩアルゴリズムを改変するためＡＩ−Ｇアプリケーションにより用いられてよい。これにより、第２のＡＩアルゴリズムが改善される。

更なる実施形態によると、シミュレーションアプリケーションは、デジタルツインを用いて改変済み仮想制御データで制御されたときの物理的工場装置をシミュレートするよう更に構成され、ＡＩ−Ｇアプリケーションは、デジタルツインを用いて改変済み仮想制御データで制御されたときの物理的工場装置の動作のシミュレーションの結果に基づき、第２の改変データがＡＩ−Ｒアプリケーションに送信されるべきかを判定するよう更に構成される。

第２の改変データをＡＩ−Ｒアプリケーションへ送信する前に、ＡＩ−Ｇアプリケーションは、第２の改変データで改変された改変済み仮想制御データで制御されたときの物理的工場装置の動作のシミュレーションを実行してよい。このシミュレーションの結果により、具体的にはシミュレーション結果が良好及び／又は特定の範囲内である場合、ＡＩ−Ｇアプリケーションは、第２の改変データをＡＩ−Ｒアプリケーションへ送ることを決定してよい。或いは、例えばシミュレーション結果が不良及び／又は特定の範囲外である場合、ＡＩ−Ｇアプリケーションは、第２の改変データをＡＩ−Ｒアプリケーションへ送らないことを決定してよい。後者の場合、第２の改変データは破棄される。

更に、いくつかの実施形態において、第１及び／又は第２の改変データは、制御データを改変するために用いられたか否かに関わらず、記憶部に格納されてよい。

更なる実施形態によると、ＡＩ−Ｇアプリケーションは、フィードバックデータに基づき、及び／又は、第１の改変データに基づき、物理的工場装置をより好ましく表現するため、デジタルツインを改変するよう更に構成される。デジタルツインは、デジタルツインとＡＩ−Ｇアプリケーションを用いた学習プロセスを改善するため改変されてよい。

更なる実施形態によると、ＡＩ−Ｒアプリケーション及び／又はＡＩ−Ｇアプリケーションは、ＩＰＣデバイス内に挿入可能な拡張カード、好ましくはＩＰＣエクスプレスカード上で提供される。具体的には、拡張カードは取り外し可能でＩＰＣデバイスに挿入可能である。

拡張カードは、ＩＰＣデバイスのＡＩレイヤ―上でＡＩ−ＲアプリケーションとＡＩ−Ｇアプリケーションとを提供してよい。拡張カードは、拡張としてＩＰＣデバイス、具体的には既存のＩＰＣデバイスに加えることができ、これによりＡＩ−ＲとＡＩ−Ｇアプリケーションにより提供される二重学習機能をＩＰＣデバイスに提供する。

更なる実施形態によると、ＩＰＣデバイスは、物理的工場装置の動作を改変するため、２つの別々の学習サイクルを含み、学習サイクルの１つは、産業用リアルタイム動作要件に準拠するようＡＩ−Ｒアプリケーションを用いてＲＴＯＳとの相互のやり取りにおいて実行され、他方の学習サイクルは、産業用リアルタイム動作要件からは独立してＡＩ−Ｇアプリケーションを用いてＧＰＯＳとの相互のやり取りにおいて実行される。

更なる実施形態によると、物理的工場装置は、高リスク因子により特徴付けられた高リスクにさらされることにより、又は、高リスク因子よりも低い低リスク因子により特徴付けられた低リスクにさらされることにより、動作されることができ、第１の人工知能アルゴリズムは、第１の改変データの機能として改変された制御データにより制御される物理的工場装置を低リスクにさらす第１の改変データを提供する、低リスク人工知能アルゴリズムであり、第２の人工知能アルゴリズムは、第２の改変データの機能として改変された制御データにより制御される物理的工場装置をシミュレートするデジタルツインを高リスクにさらす第２の改変データを提供する、高リスク人工知能アルゴリズムである。

詳細には、理論的に物理的工場装置を高リスクにさらす可能性のある、制御データの全ての改変は、デジタルツインにより仮想システム上で試験される。具体的には、物理的工場装置の高リスク動作は、常にデジタルツインで試験される。この試験がそのようなリスクをはらむ制御データを用いた物理的工場装置の動作が安全であると示した場合のみ、第２の改変データは有効化され、現実の物理的システムの制御データを改変するために用いられる。高リスクな物理的工場装置の動作はこれにより避けられ、これにより物理的工場装置の安全対策が改善される。

更なる実施形態によると、制御アプリケーションは、
制御データが第１及び／又は第２の改変データの機能として部分的にのみ改変される、制御データの部分的改変を実行することにより、第１及び／又は第２の改変データの機能として制御データを増分的に部分的に改変することと、
部分的に改変された制御データで制御された物理的工場装置の物理的工場装置データが許可可能な範囲内に位置するか否かを判定することと、
部分的に改変された制御データで制御された物理的工場装置の物理的工場装置データが許可可能な範囲内に位置すると判定した場合、制御データが第１及び／又は第２の改変データの機能として完全に改変されるまで、制御データを部分的に改変するステップと、部分的に改変された制御データで制御された物理的工場装置の物理的工場装置データが許可可能な範囲内に位置するか否かを判定するステップとを繰り返す。

詳細には、制御データは第１及び／又は第２の改変データを用いて一度に改変されるのではなく、ゆっくり、ステップバイステップ式に改変される。各ステップにおいて、制御データは第１及び／又は第２の改変データを用いて増分的に僅かに改変される（部分的改変）。このような制御データの僅かな改変の後、僅かに改変された制御データにより制御されたときの物理的工場装置の動作は、この動作が記述された物理的工場装置データが許可可能な範囲内にあるか否かを判定することにより検証される。物理的工場装置データが許可可能な範囲内にある場合に限り、制御データは第１及び／又は第２の改変データを用いて、やはり小さなステップで更に改変される。

詳細には、各ステップにおいて、制御データは部分的に改変され、各ステップで第１及び／又は第２の改変データにより定められたものに近づく。各ステップ後の物理的工場装置データの部分的改変と検証は、制御データが第１及び／又は第２の改変データにより定められた改変により完全に改変されるまで繰り返されることができる。

ステップのうちの１つの後、物理的工場装置データが許可可能な範囲外である場合、第１及び／又は第２の改変データを用いた制御データの全体的な改変は停止され、制御データは第１及び／又は第２の改変データに基づく改変前のその値に再設定されてよい。このため、物理的工場装置データにより示された、許可可能な範囲外となる物理的工場装置の不正確な動作が防止されることができる。

更なる実施形態によると、制御アプリケーションは、初期改変の間に部分的に改変された制御データで制御された物理的工場装置の物理的工場装置データが許可可能な範囲外に位置すると制御アプリケーションが判定した場合、第１及び／又は第２の改変データの機能としての制御データの初期改変とは異なる第１及び／又は第２の改変データの機能としての制御データの改変を再開するよう構成される。

第１及び／又は第２の改変データを用いた制御データの改変は、物理的工場装置データが制御データの初期に試みられた改変において許可可能な範囲外にあると判明した場合、再開されることができる。後続の制御データの改変において、例えば、制御データのパラメータが改変される順序が変更されることができる。これにより、ＡＩ−Ｒアプリケーション及び／又はＡＩ−Ｇアプリケーションにより提案された改変は、物理的工場装置データが許可可能な範囲を離れない方法において適用され、これにより物理的工場装置の正確な動作と見なされる。

更なる実施形態によると、
仮想制御アプリケーションが、ＩＰＣデバイスにより受け取られた、受け取られた命令の機能として仮想制御データを生成するよう構成され、
シミュレーションアプリケーションが、デジタルツインを用いて、受け取られた命令の機能として生成された仮想制御データで制御される物理的工場装置をシミュレートするよう構成され、
仮想制御アプリケーションが、シミュレーションアプリケーションからの、受け取られた命令の機能として生成された仮想制御データで制御される物理的工場装置のシミュレーションの結果に基づき、受け取った命令が安全であるか否かを判定するよう構成される。

ＩＰＣデバイスが、例えばユーザから又は外部デバイスから命令を受け取ったとき、これら命令はデジタルツインを用いて検証されてよい。具体的には、物理的工場装置の動作におけるそのような命令の影響が、シミュレーションアプリケーションでシミュレートされることができる。いくつかの実施形態において、ＩＰＣデバイスは、デジタルツインによるシミュレーションが、受け取った命令の使用が安全であると示した場合にのみ、受け取った命令を実装する。これにより、ＩＰＣデバイスと物理的工場装置との安全性が改善されることができる。

更なる実施形態によると、ＡＩ−Ｇアプリケーションは、第２の改変結果を提供するため、それぞれ異なる人工知能アルゴリズムを用いるよう構成された複数のサブアプリケーションを含む。第２の改変結果は、上述した第２の改変データに対応できる。

異なるＡＩアルゴリズムの使用は、異なる第２の改変結果が仮想制御データ及び／又は（現実の）制御データの改変するための案として取得できる点で有益でありうる。物理的工場装置の制御と動作は、様々な第２の改変結果を用いてより効率的な方法で改善されうる。異なるＡＩアルゴリズムの使用は、ＩＰＣデバイスの柔軟性を更に向上しうる。

更なる実施形態によると、ＡＩ−Ｇアプリケーションは、第２の改変データを生成するため、そして第２の改変データをＡＩ−Ｒアプリケーションに送信するため、複数のサブアプリケーションにより提供された第２の改変結果の少なくともいくつかを組み合わせるよう構成される。

更なる実施形態によると、第１及び第２のＡＩアルゴリズムは異なるＡＩアルゴリズムである。学習サイクルにおける２つの異なるＡＩアルゴリズムの使用は、各ＡＩアルゴリズムからの最良を集められることから有用である。物理的工場装置の制御と動作は、様々な第２の改変結果を用いてより効率的な方法で改善されうる。

更なる実施形態によると、第１及び第２のＡＩアルゴリズムは、物理的工場装置の異なる機能に関連する第１及び第２の改変データを生成するために用いられ、機能は、物理的工場装置の保守に関する予測を提供する物理的工場装置の予測保守、全体的な設備効率、及び／又は、物理的工場装置の電力効率に関する予測を提供する電力効率予測のうちの少なくとも１つを含む。

ＡＩ−ＧアプリケーションとＡＩ−Ｒアプリケーションは、並行して物理的工場装置の異なる様態（機能）を訓練及び／又は改善するために用いられてよい。

更なる実施形態によると、ＩＰＣデバイスは、ＧＰＯＳとＲＴＯＳを仮想的に分離するハイパーバイザ部を更に含む。ハイパーバイザ部はハイパーバイザであることができ、「仮想マシンモニタ」とも呼ばれる。ハイパーバイザは更に、異なるオペレーティングシステム間、具体的にはＧＰＯＳとＲＴＯＳ間の通信を可能とする。該通信はセキュア通信であることができる。

更なる実施形態によると、ＩＰＣデバイスは、ハイパーバイザを介してＧＰＯＳとＲＴＯＳとから仮想的に分離された更なるオペレーティングシステムを含み、ＡＩ−ＧアプリケーションとＡＩ−Ｒアプリケーションは該更なるオペレーティングシステム内で稼働する。更なるオペレーティングシステムは、更なる仮想マシンに対応してよい。

更なる実施形態によると、拡張カードは、ハイパーバイザ部を介しＲＴＯＳとＧＰＯＳと通信するよう構成される。具体的には、拡張カードは、ホストオペレーティングシステムとして仮想化されるか、ハイパーバイザ部を介し他のオペレーティングシステムと通信する仮想化された仮想マシンとして仮想化されることができる。

ここで説明される様々なアプリケーション（ＡＩ−Ｇアプリケーション、ＡＩ−Ｒアプリケーション、制御アプリケーション等）並びにデジタルツインは、ソフトウェア及び／又はハードウェアとして実装されてよい。

第２の様態によると、第１の様態又はその実施形態によるＩＰＣデバイスのための拡張カードが提供される。拡張カードは、ＡＩ−ＧアプリケーションとＡＩ−Ｒアプリケーションとを含み、ＩＰＣデバイス内に挿入可能である。詳細には、ＩＰＣデバイスは、拡張カードを挿入するためのスリットを含んでよい。拡張カードはＩＰＣデバイス内に取り外し可能に挿入可能であってよい。具体的には、第２の様態の拡張カードは、第１の様態の実施形態において説明される拡張カードに対応する。

第３の様態によると、第１の様態又はその実施形態によるＩＰＣデバイスを含む工場システムと、ＩＰＣデバイスにより制御される物理的工場装置とが提供される。物理的工場装置は上記で定義された工場装置であることができる。

第４の様態によると、リアルタイムオペレーティングシステム（ＲＴＯＳ）と汎用オペレーティングシステム（ＧＰＯＳ）とを含む産業用ＰＣ（ＩＰＣ）デバイスの動作方法が提供される。該方法は、
制御アプリケーションを用いて制御データを生成することと、
制御アプリケーションを用いて生成された制御データにより物理的工場装置の動作を制御することと、
ＧＰＯＳ内で稼働するデジタルツインとして物理的工場装置のデジタルコピーを提供することと、
仮想制御データを生成することと、
デジタルツインを用いて仮想制御データで制御されるときの物理的工場装置の動作をシミュレートすることと、
制御アプリケーションと相互にやり取りするリアルタイム人工知能（ＡＩ−Ｒ）アプリケーションを用いて、入力として物理的工場装置データと制御データとを受け取り且つ出力として第１の改変データを提供する第１の人工知能アルゴリズムを実行することであって、物理的工場装置データが物理的工場装置の動作を示すデータを含むことと、
制御データを第１の改変データの機能として改変することと、
デジタルツインと相互にやり取りする汎用人工知能（ＡＩ−Ｇ）アプリケーションを用いて、入力としてデジタルツインデータと仮想制御データとを用い且つ出力として第２の改変データを提供する第２の人工知能アルゴリズムを実行することであって、デジタルツインデータがデジタルツインを用いた物理的工場装置のシミュレーションを示すデータを含むことと、
仮想制御データを第２の改変データの機能として改変することと
を含む。

具体的には、第４の様態によるＩＰＣデバイスの動作方法は、第１の様態又はその実施形態によるＩＰＣデバイス上で動作される。

ＩＰＣデバイス（第１の様態とその実施形態）を参照し説明される実施形態と特徴は、方法（第４の様態）、工場システム（第３の様態）、拡張カード（第２の様態）に準用される。

本発明の更なる可能な実装又は代替的解決は、実施形態に関し上記又は下記に説明される特徴の組み合わせ―ここでは明示的に言及されない―をも包含する。当業者は、本発明の最も基本的な形態に、個々の又は孤立した態様と特徴を加えてもよい。

本発明の更なる実施形態、特徴、利点は、添付の図面と併せ、後続の説明及び請求項から明らかになるであろう。

第１の実施形態による工場システムを示す。 第１の実施形態によるＩＰＣデバイスの動作方法を示す。 第２の実施形態によるＩＰＣデバイスの動作方法を示す。 制御データの改変の例を示す。 制御データの改変の例を示す。 制御データの改変の例を示す。 高又は低リスク学習を実行するための方法の例を示す。 受け取られた命令を検証するための方法の例を示す。 ＡＩ−Ｇアプリケーションの例を示す。 ＩＰＣデバイスの１つの実施形態を示す。 第２の実施形態による工場システムを示す。 ＩＰＣデバイスの例を示す。 ＡＩ−ＲとＡＩ−Ｇアプリケーションをインストールするための方法の例を示す。 ＡＩ−ＲアプリケーションとＡＩ−Ｇアプリケーションの割り当ての例を示す。

図面において、具体的に明示しない限り、同様の符号は同様又は機能的に均等である要素を示す。

図１は、第１の実施形態による工場システム１００を示す。工場システム１００は、第１の実施形態によるＩＰＣデバイス１と、ＩＰＣデバイスにより制御される物理的工場装置（ＰＦＤ）５とを含む。この場合において、工場システム１００は、ここでは機械である物理的工場装置５で製品を製造する自動化システムである。

ＩＰＣデバイス１は、ＲＴＯＳ２と、ＧＰＯＳ３と、ＡＩ−Ｒアプリケーション９と、ＡＩ−Ｇアプリケーション１０とを含む。ＲＴＯＳ２とＧＰＯＳ３は、ＩＰＣデバイス１の２つの仮想的に分離されたオペレーティングシステムである。ＲＴＯＳ２は、ＲＴＯＳ２内で稼働する制御アプリケーション４を含む。ＧＰＯＳ３は、ＧＰＯＳ３内で稼働する、物理的工場装置５を仮想的に表現するデジタルツイン６を有する。デジタルツイン６は、仮想制御アプリケーション７と、シミュレーションアプリケーション８とを含む。

ＩＰＣデバイス１は、産業用リアルタイム通信の要件に準拠するリアルタイム環境と、産業用リアルタイム通信の要件に準拠しない汎用環境とに、仮想的に分離されてよい。リアルタイム環境はＲＴＯＳ２とＡＩ−Ｒアプリケーション９とを含み、汎用環境はＧＰＯＳ３とＡＩ−Ｇアプリケーション１０とを含む。

工場システム１００のＩＰＣデバイス１は、ＩＰＣデバイス１の動作方法により動作することができる。そのような方法の第１の実施形態が図２に示される。下記において、図１のＩＰＣデバイス１の機能を、図１と２を共に参照し説明する。

ステップＳ１において、制御アプリケーション４は、制御データＣＤを生成する。制御データＣＤは、機械５を制御するためのデータである。それは、機械５の特定のパラメータをどう設定するか、いつ機械５をオン及びオフするか等の指示を含む。

ステップＳ２において、制御アプリケーション４は、制御データＣＤを用いて機械５の動作を制御する。制御アプリケーション４はここで、バスにより機械５に制御データＣＤを送信する。機械５は次いで、制御データＣＤに定められたものに応じて動作する。具体的には、機械５は、制御データＣＤにより提供されたパラメータ値に応じて特定のパラメータを設定する。機械５の動作は、物理的工場装置データ（機械データ）ＰＤにより記述されることができる。機械データＰＤは、機械５上に位置するセンサにより取得されたセンサデータである。

これと並行して、汎用環境において、現実の機械５を表現するためといった、デジタルツイン６がステップＳ３において提供される。仮想制御アプリケーション７は、制御アプリケーション４と類似の方法で、ただし汎用環境において、動作する。詳細には、ステップＳ４において、それはデジタルツイン６を制御するための仮想制御データＶＣＤを生成する。仮想制御データＶＣＤは、制御アプリケーション４により生成された制御データＣＤの機能として生成されることができる。シミュレーションアプリケーション８は、ステップＳ５においてあたかもデジタルツイン６を用いて仮想制御データＶＣＤで制御されているように機械５の動作をシミュレートするためといったように実行されることができる。デジタルツイン６による機械５のシミュレーションの結果は、デジタルツインデータＤＤにより記述されることができる。

ステップＳ６において、リアルタイム環境で、ＡＩ−Ｒアプリケーション９は第１のＡＩアルゴリズムＡＩ１を実行する。該第１のＡＩアルゴリズムＡＩ１は、入力として制御データＣＤと機械データＰＤとを受け取るニューラルネットワークアルゴリズムである。出力として、第１のＡＩアルゴリズムＡＩ１は、第１の改変データＭＤ１を生成する。第１の改変データＭＤ１は、次いでステップＳ７において制御データＣＤを改変するため制御アプリケーション４により用いられるデータである。具体的には、第１のＡＩアルゴリズムＡＩ１は、制御アプリケーション４による機械５の制御を改善でき、これにより機械５の動作も、例えば効率、電力消費等の点で、改善できるよう、第１の改変データＭＤ１を決定する。

ステップＳ６と並行し、ステップＳ８において、汎用環境で、ＡＩ−Ｇアプリケーション１０は第２のＡＩアルゴリズムＡＩ２を実行する。該第２のＡＩアルゴリズムＡＩ２は、入力として仮想制御データＶＣＤとデジタルツインデータＤＤとを受け取るニューラルネットワークアルゴリズムである。出力として、第２のＡＩアルゴリズムＡＩ２は、第２の改変データＭＤ２を生成する。第２の改変データＭＤ２は、次いでステップＳ９において仮想制御データＶＣＤを改変するため仮想制御アプリケーション７により用いられるデータである。具体的には、第２のＡＩアルゴリズムＡＩ２は、デジタルツイン６でシミュレートされたように機械５の仮想制御を改善するよう、第２の改変データＭＤ２を決定する。

ステップＳ７とＳ９の前又は後で、ＡＩ−Ｇアプリケーション１０とＡＩ−Ｒアプリケーション９は互いに、制御データＣＤ、仮想制御データＶＣＤ、第１及び／又は第２の改変データＭＤ１、ＭＤ２、及び／又はフィードバックデータＦＤといったデータを任意で交換できる。このデータの任意の交換は、下記に詳細に説明する。

図３は、第２の実施形態によるＩＰＣデバイス１の動作方法を示す。第２の実施形態による方法は、ステップＳ１０〜Ｓ１５を更に含む点において、図２の第１の実施形態の方法とは異なる。

ステップＳ１０において、ＡＩ−Ｇアプリケーション１０は、ＡＩ−Ｒアプリケーション９へ第２の改変データＭＤ２を送信する。ＡＩ−Ｒアプリケーション９は、次いでステップＳ１１において、制御データＣＤを改変するために第２の改変データＭＤ２を用いるか否かを判定する。この判定は、ＡＩ−Ｒアプリケーション９の第１のＡＩアルゴリズムＡＩ１を用いて実行されることができる。

ＡＩ−Ｒアプリケーション９が受け取った第２の改変データＭＤ２を用いないと判定した場合、第２の改変データＭＤ２が制御データＣＤを改変するために用いられないことを示すフィードバックデータＦＤをＡＩ−Ｇアプリケーション１０へ送信する（図３のステップＳ１２）。或いは、ＡＩ−Ｒアプリケーションが第２の改変データＭＤ２を（少なくとも部分的に）用いると判定した場合、制御アプリケーション４に制御データＣＤを第２の改変データＭＤ２の少なくとも一部の機能として改変するよう命令する（図３のステップＳ１３）。

制御データＣＤが第２の改変データＭＤ２の機能として改変されると、ステップＳ１４においてＡＩ−Ｒアプリケーション９は、第２の改変データＭＤ２が少なくとも部分的に制御データＣＤを改変するために用いられたことを示すフィードバックデータＦＤをＡＩ−Ｇアプリケーション１０へ送る。

いくつかの実施形態において、フィードバックデータＦＤは、第２の改変データＭＤ２を用いて改変された制御データＣＤで制御された機械５の動作が改変前と比較し実際に改善されたか否かの表示も含む。この場合、ＡＩ−Ｒアプリケーション９が改変された制御データＣＤで機械５を制御し、そのような制御の結果となる機械データＰＤを観察することにより、改変された制御データＣＤの有用性を試験する。

フィードバックデータＦＤを受け取ると、ステップＳ１５において、ＡＩ−Ｇアプリケーション１０は、フィードバックデータＦＤを参照し、デジタルツイン６及び／又は第２のＡＩアルゴリズムＡＩ２を改変する。これにより、例えば第２の改変データＭＤ２がＡＩ−Ｒアプリケーション９にとって有用でない場合、第２のＡＩアルゴリズムＡＩ２は該拒否された第２の改変データＭＤ２に類似する改変を探すことを避けるよう適合されることができる。これにより、第２の改変データＭＤ２を用いた学習プロセスが改善されることができる。

ＩＰＣデバイス１は、つまり２つの並行した学習プロセスを―１つをリアルタイム環境で１つを汎用環境で―実行することができる。これにより、機械５の制御と動作が、より効率的な方法で改善されることができる。

図２と３に示された方法のステップＳ１〜Ｓ１５の順番は改変することができる。更に、第２の改変データＭＤ２を送信する前に、第２の改変データＭＤ２の有用性がＡＩ−Ｇアプリケーション１０を用いて試験されることができる。詳細には、第２の改変データＭＤ２を用いて改変された仮想制御データＶＣＤでの機械５の制御は、デジタルツイン６を用いてシミュレートすることができ、該シミュレーションの結果は、ＡＩ−Ｇアプリケーション１０により分析されることができる。第２の改変データＭＤ２は、ＡＩ−Ｇアプリケーション１０がシミュレーション結果が良好であると判定した場合のみ、ＡＩ−Ｒアプリケーション９へ送信されてよい。さもなくば、第２の改変データＭＤ２は、例えば記憶部（図示せず）に格納される。

図４、５、６は。第２の改変データＭＤ２の機能としての制御データＣＤの改変の例を示す（ステップＳ１３に対応）。制御データＣＤは、第１の改変データＭＤ１の機能として（ステップＳ７に対応）、又は同一ラインに沿って第１及び第２の改変データＭＤ１、ＭＤ２の両方の機能として、改変されることができる。

図４に示されるように、初期の制御データＣＤは２つのパラメータＰ_１とＰ_２により定義される。現実のシステムにおいて、制御データＣＤはより多くのパラメータにより定義されることができるが、表現を簡略化するため、ここでは２つのパラメータＰ_１とＰ_２のみに依存する。第２の改変データＭＤ２により改変された制御データＣＤは、「ＣＤ提案」として示され、やはり２つのパラメータＰ_１とＰ_２により特徴付けられ、それらの値は初期の制御データＣＤのものと比較し両方とも改変される（ここでは増加される）。

初期の制御データＣＤを改変し、改変された制御データＣＤを取得するため、制御アプリケーション４は、ステップバイステップの最適化を実行してよい。図４と５において、各ステップは点で示される。各ステップにおいて、制御データＣＤは僅かに改変され、パラメータＰ_１とＰ_２が第２の改変データＭＤ２により提案されたパラメータＰ_１とＰ_２に近づく。制御データＣＤの各僅かな改変の後、制御アプリケーション４は、改変された制御データＣＤで動作した機械５の機械データＰＤが許可可能な範囲内にあるか検証する。許可可能な範囲は、最低ライン「ＭＩＮ」より上の全てとして図６に示される。

機械データＰＤが許可可能な範囲内にあると判定された場合、制御データＣＤは、パラメータＰ_１とＰ_２が第２の改変データＭＤ２により定められた値に到達するまで、第２の改変データＭＤ２の機能として更に改変される。ただし、改変のうちの１つの後に機械データＰＤが許可可能な範囲外にあると判定された場合、制御データＣＤのパラメータＰ_１とＰ_２はこれらの初期値に再設定され（図５の矢印番号１と２）、制御データＣＤの第２の改変データＭＤ２の機能としての改変は、パラメータＰ_１とＰ_２が異なる程度と異なる順序において改変される（図５の矢印番号３）、異なる経路に従い、異なる方法において再開される。この制御データＣＤのステップバイステップの改変は、機械５が不要なリスクにさらされず正確な方法で継続して動作する、機械５の動作の制御された改変を可能とする。

図７は、ＩＰＣデバイス１で高又は低リスク学習を実行するための方法の例を示す。該方法は、図２と３を参照し説明したＩＰＣデバイス１の動作方法の一部であることができる。

図７のステップＳ３０において、ＩＰＣデバイス１は機械５の動作を改善するため実行したい学習ステップが高又は低リスク学習ステップであるか判定する。高リスク学習ステップは、現実の物理的機械で（リアルタイム環境において）実行された場合に機械５を高リスクにさらす学習ステップである。低リスク学習ステップは、現実の物理的機械で（リアルタイム環境において）実行された場合に機械５を低リスクにさらす学習ステップである。

機械５を破壊させうることから、機械５を高リスクにさらすことを避けることが好ましい。例えば、学習ステップがいくつかの危険な化学物質が混合される機械５の試験を含む場合、爆発のリスクが存在する可能性があり、この場合、学習試験は現実の機械５で実行されるべきではない。

このため、学習ステップが高リスク学習ステップである場合、ＡＩ−Ｇアプリケーション１０を用いて実行される（ステップＳ３０）。リスクのある処理は、機械５で試験されるのではなく、デジタルツイン６を用いてシミュレートされ、これにより機械５を保護する。

ステップＳ３２において、ＡＩ−Ｇアプリケーション１０は、試験された処理が実際に機械５を高リスクにさらすか、機械５のリスクを低減するため最適化できるかを判定する。機械５を低リスクにさらすのみである最適化が見つかった場合、前に既に述べたように、ステップＳ３４において、結果的に得られた第２の改変データＭＤ２がＡＩ−Ｒアプリケーション９へ送られる。或いは、機械５を低リスクにさらす最適化が見つからなかった場合、ステップＳ３３においてこの結果は記憶部に格納される。

一方、低リスク学習ステップでは、ステップＳ３５において学習がＡＩ−Ｒアプリケーション９上で直接開始される。ＡＩ−Ｒアプリケーション９は、前述したステップＳ１、Ｓ２、Ｓ６、Ｓ７を実行する。具体的には、制御データＣＤは、学習プロセスの結果として得られた第１の改変データＭＤ１に基づき改変される。

ステップＳ３７において、ＡＩ−Ｒアプリケーション９は、第１の改変データＭＤ１の機能として改変された制御データＣＤで機械５を制御することにより、第１の改変データＭＤ１の有用性を試験する。この試験動作の結果となる機械データＰＤによって、ステップＳ３８においてＡＩ−Ｒアプリケーション９は第１の改変データＭＤ１が有用（成功）であるか否かを判定する。これらが有用であると判定されたにおいて、デジタルツイン６、具体的には仮想制御データＶＣＤを生成する仮想制御アプリケーション７が、ステップＳ３９において更新される。さもなくば、第１の改変データＭＤ１は記憶部に格納される（ステップＳ３３）。

図８は、受け取った命令を検証するための方法の例を示す。該方法は、図２と３を参照し説明したＩＰＣデバイス１の動作方法の一部であることができる。

受け取った命令は、図８のステップＳ４０においてユーザ、又はクラウドといった外部デバイスからＩＰＣデバイス１により受け取られた制御データＣＤに関連する命令である。受け取られた命令が制御データＣＤにおいて実装されることにより実行される前に、これらは、機械５の不適切な動作を避けるため、ＩＰＣデバイス１により検証される。

検証は、ステップＳ４１において、デジタルツイン６を用いた命令のシミュレーションを含む。詳細には、デジタルツイン６は、受け取った命令に応じて制御された機械５の動作をシミュレートする。

ステップＳ４２において、ＡＩ−Ｇアプリケーション１０は、シミュレーションの結果に基づき、受け取られた命令による機械５の動作が安全であり、他の要件に準拠するか否かを判定する。受け取られた命令が安全であり全ての要件に準拠する場合、受け取られた命令は、ステップＳ４５において現実の機械５を有する現実のシステムにおける使用のためＡＩ−Ｒアプリケーション９へ転送される。さもなくば、受け取られた命令が安全でない、及び／又は全ての要件に準拠しない場合、ＩＰＣデバイス１のユーザはステップＳ４３において警報を通じて通知され、シミュレーションの結果がステップＳ４４において記憶部に格納される。このため上記方法は、機械５の安全性を保証するための、受け取られた命令の検証を可能とする。

図９は、Ｉ−Ｇアプリケーション１０’の例を示す。Ｉ−Ｇアプリケーション１０’は、ＩＰＣデバイス１のＡＩ−Ｇアプリケーション１０を置き換えることができる。Ｉ−Ｇアプリケーション１０’は、それぞれが異なる第２のＡＩアルゴリズムＡＩ２ａ、ＡＩ２ｂ、ＡＩ２ｃを実行可能な３つのサブアプリケーション２７〜２９を含む。ＡＩアルゴリズムＡＩ２ａはニューラルネットワークアルゴリズムであり、ＡＩアルゴリズムＡＩ２ｂは決定木に依存したアルゴリズムであり、ＡＩ２ｃは近傍法アルゴリズムである。

各サブアプリケーション２７〜２９は、そのＡＩアルゴリズムＡＩ２ａ〜ＡＩ２ｃのための入力として仮想制御データＶＣＤとデジタルツインデータＤＤとを受け取り、出力として第２の改変結果ＭＤ２ａ〜ＭＤ２ｃを提供する。第２の改変結果ＭＤ２ａ〜ＭＤ２ｃは、前述したＡＩ−Ｇアプリケーション１０の第２の改変データＭＤ２に直接対応する。或いは、ＡＩ−Ｇアプリケーション１０’は、制御データＣＤ及び／又は仮想制御データＶＣＤが改変されるときの根拠となる第２の改変データＭＤ２を形成するため、第２の改変結果ＭＤ２ａ〜ＭＤ２ｃを組み合わせてよい。異なるＡＩアルゴリズムＡＩ２ａ〜ＡＩ２ｃの使用は、制御データＣＤのより好ましくより速い最適化を可能とすることから有用である。

図１０は、ＩＰＣデバイス５０の第２の実施形態を示す。ＩＰＣデバイス５０は、ＲＴＯＳ２が第１の仮想マシン１１上に提供され、ＡＩ−Ｒアプリケーション９とＡＩ−Ｇアプリケーション１０が第２の仮想マシン１２上に提供され、ＧＰＯＳ３が第３の仮想マシン１３上に提供される点で、第１の実施形態のＩＰＣデバイス１とは異なる。仮想マシン１１、１２、１３は、ハイパーバイザ部１４を介し互いに仮想的に分離される。ハイパーバイザ部１４は、仮想マシン１１〜１３それぞれにハイパーバイザデータＨＤを提供し、これらをＩＰＣデバイス５０のハードウェア構成要素１５から分離する。

ＩＰＣデバイス５０の構成要素は、ＩＰＣデバイス１を参照し上記で説明したものと同一の機能を有する。具体的には、ＩＰＣデバイス５０は、上述した方法、具体的には図２と３の方法により動作されることができる。

図１１は、第２の実施形態による工場システム１０１を示す。工場システム１０１は、物理的工場装置５’と、物理的工場装置５’を制御するための第３の実施形態によるＩＰＣデバイス５１と、クラウド１７と、ヒューマン−マシンインターフェイス（ＨＭＩ）１８とを含む。

物理的工場装置５’は、バス３０を介し接続され２つのセンサ２０とアクチュエータ２１の動作を制御する、２つのマスタデバイス１９を含む。第３の実施形態によるＩＰＣデバイス５１は、ＡＩ−Ｒアプリケーション９とＡＩ−Ｇアプリケーション１０とが、仮想マシン１２ではなく、拡張カード２４上に提供される点で、第２の実施形態によるＩＰＣデバイス５０とは異なる。それ以外は、ＩＰＣデバイス５１はＩＰＣデバイス５０と同一であり、同一の機能で実行でき、具体的には図２と３の方法により実行される。

図１１の工場システム１０１において、デジタルツイン６は、クラウド１７から、そしてＨＭＩ１８を介しユーザから、データを受け取ることができる。このデータは、例えばデジタルツイン６及び／又は仮想制御データＶＣＤを更新するために用いられることができる。加えて、クラウド１７は、有用でない第２の改変データＭＤ２が格納される前述した記憶部に対応できる。デジタルツイン６は、ＨＭＩ１８を介し警報等を更に送出してもよい。

図１２は、ＩＰＣデバイス５１のより詳細な図を示す。該ＩＰＣデバイス５１は、メインプロセッサ２３を含むメインＩＰＣボード２２を含む。更に、拡張カード２４は、ＡＩ−Ｒアプリケーション９とＡＩ−Ｇアプリケーション１０とが位置するカードボード２６と、カードボード２６をメインＩＰＣボード２２に接続するコネクタ２５とを含む。拡張カード２４は、ＡＩ−Ｒアプリケーション９とＡＩ−Ｇアプリケーション１０及びこれらの並行学習機能を提供するため、ＩＰＣデバイス５１のスロット内に取り外し可能に挿入されることのできる、取り外し可能なカードである。

図１３は、ＩＰＣデバイス５１内にＡＩ−Ｒ及びＡＩ−Ｇアプリケーション９、１０をインストールする方法の例を示す。ステップＳ２０において、拡張カード２４がＩＰＣデバイス５１内に挿入される。ハイパーバイザ部１４は、後続のステップＳ２１で拡張カード２４の存在を検出する。ハイパーバイザ部１４は、ステップＳ２２において、ＡＩレイヤ―１６（図示せず）がインストールされているか否かを判定する。ＡＩレイヤ―１６は、拡張カード２４の割り当てを処理し、ＡＩ−Ｒアプリケーション９とＡＩ−Ｇアプリケーション１０との間の効率的な切り替えを容易にするレイヤ―である。そのような割り当てが図１４に示される。

ＡＩレイヤ―１６がインストールされている場合、ステップＳ２７において拡張カード２４がＡＩレイヤ―１６に割り当てられる。次いで、ステップＳ２８において、ハイパーバイザ部１４は、ＡＩレイヤー１６に割り当てられたＩＰＣデバイス５１のコアの数を最小化する。フリーなコアが存在する場合、ステップＳ２９においてハイパーバイザ部１４はこれらをＲＴＯＳ２及び／又はＧＰＯＳ３に加える。

或いは、ＡＩレイヤ―１６がインストールされていない場合、ステップＳ２３においてハイパーバイザ部１４はＧＰＯＳ３のコアのうちのいくつかをＡＩレイヤ―１６に割り当てる。次いで、ステップＳ２４において、ハイパーバイザ部１４は拡張カード２４をＡＩレイヤ―１６に割り当てる。ステップＳ２５において、ＡＩレイヤ―１６がインストールされる。次いで、ステップＳ２６において、ハイパーバイザ部はＡＩレイヤ―１６とＲＴＯＳ２及びＧＰＯＳ３との間の通信を確立する。

本発明は好ましい実施形態により説明されたが、当業者にとって全ての実施形態で改変が可能であることは明らかである。例えば、第１及び第２のＡＩアルゴリズムは、ニューラルネットワークと決定木アルゴリズムといった２つの異なるＡＩアルゴリズムであることができる。それ以上に、第１及び第２のＡＩアルゴリズムＡＩ１、ＡＩ２及び／又は複数の第２のＡＩアルゴリズムＡＩ２ａ〜ＡＩ２ｃにより改変及び／又は最適化される機能は異なることができ、例えば、物理的工場装置の予測制御、又は物理的工場装置の予測保全を含む。

１ ＩＰＣデバイス
２ ＲＴＯＳ
３ ＧＰＯＳ
４ 制御アプリケーション
５、５’ 物理的工場装置
６ デジタルツイン
７ 仮想制御アプリケーション
８ シミュレーションアプリケーション
９ ＡＩ−Ｒアプリケーション
１０、１０’ ＡＩ−Ｇアプリケーション
１１〜１３ 仮想マシン
１４ ハイパーバイザ部
１５ ハードウェア構成要素
１６ ＡＩレイヤ―
１７ クラウド
１８ ヒューマン−マシンインターフェイス
１９ マスタデバイス
２０ センサ
２１ アクチュエータ
２２ メインＩＰＣボード
２３ メインプロセッサ
２４ 拡張カード
２５ コネクタ
２６ カードボード
２７〜２９ サブアプリケーション
３０ バス
５０、５１ ＩＰＣデバイス
１００ 工場システム
１０１ 工場システム
ＡＩ１ 第１の人工知能アルゴリズム
ＡＩ２ 第２の人工知能アルゴリズム
ＡＩ２ａ〜ＡＩ２ｃ 第２の人工知能アルゴリズム
ＣＤ 制御データ
ＤＤ デジタルツインデータ
ＦＤ フィードバックデータ
ＨＤ ハイパーバイザデータ
ＭＤ１ 第１の改変データ
ＭＤ２ 第２の改変データ
ＭＤ２ａ〜ＭＤ２ｃ 第２の改変データ
Ｐ_１、Ｐ_２ パラメータ
ＰＤ 物理的工場装置データ
ＶＣＤ 仮想制御データ
Ｓ１〜Ｓ１５ 方法ステップ
Ｓ２０〜Ｓ４５ 方法ステップ

Claims (21)

1. リアルタイムオペレーティングシステム（ＲＴＯＳ）（２）と、
   汎用オペレーティングシステム（ＧＰＯＳ）（３）と、
   制御データ（ＣＤ）を生成し、生成された前記制御データ（ＣＤ）により物理的工場装置（５）の動作を制御するため、前記ＲＴＯＳ（２）内で稼働する、制御アプリケーション（４）と、
   仮想制御データ（ＶＣＤ）を生成するための仮想制御アプリケーション（７）と、デジタルツイン（６）を用いて仮想制御データ（ＶＣＤ）で制御されるときの前記物理的工場装置（５）の動作をシミュレートするためのシミュレーションアプリケーション（８）とを含む、前記物理的工場装置（５）のデジタルコピーを提供するため前記ＧＰＯＳ（３）内で稼働する、デジタルツイン（６）と、
   入力として物理的工場装置データ（ＰＤ）と前記制御データ（ＣＤ）とを受け取り且つ出力として第１の改変データ（ＭＤ１）を提供する第１の人工知能アルゴリズム（ＡＩ１）を実行するため、前記制御アプリケーション（４）と相互にやり取りする、リアルタイム人工知能（ＡＩ−Ｒ）アプリケーション（９）であって、前記物理的工場装置データ（ＰＤ）が前記物理的工場装置（５）の前記動作を示すデータを含み、前記制御アプリケーション（４）が前記制御データ（ＣＤ）を前記第１の改変データ（ＭＤ１）の機能として改変するよう構成されることと、
   入力としてデジタルツインデータ（ＤＤ）と前記仮想制御データ（ＶＣＤ）とを用い且つ出力として第２の改変データ（ＭＤ２）を提供する第２の人工知能アルゴリズム（ＡＩ２）を実行するため、前記デジタルツイン（６）と相互にやり取りする、汎用人工知能（ＡＩ−Ｇ）アプリケーション（１０）であって、前記デジタルツインデータ（ＤＤ）が前記デジタルツイン（６）を用いた前記物理的工場装置（５）のシミュレーションを示すデータであり、前記仮想制御アプリケーション（７）が前記仮想制御データ（ＶＣＤ）を前記第２の改変データ（ＭＤ２）の機能として改変するよう構成されることと
   を含む、
   産業用ＰＣ（ＩＰＣ）デバイス（１、５０、５１）。
2. 前記ＡＩ−Ｇアプリケーション（１０）が、前記第２の改変データ（ＭＤ２）を前記ＡＩ−Ｒアプリケーション（９）へ送出するよう更に構成され、
   前記ＡＩ−Ｒアプリケーション（９）が、受け取った前記第２の改変データ（ＭＤ２）の少なくとも一部を前記制御アプリケーション（４）に提供する、及び／又は、前記第２の改変データ（ＭＤ２）を拒否するよう更に構成され、
   前記制御アプリケーション（４）が、前記制御データ（ＣＤ）を前記第２の改変データ（ＭＤ２）の少なくとも一部の機能として改変するよう構成された、
   請求項１に記載のＩＰＣデバイス。
3. 前記ＡＩ−Ｒアプリケーション（９）が、前記第２の改変データ（ＭＤ２）が前記制御データ（ＣＤ）を改変するために部分的に用いられたか、前記制御データ（ＣＤ）を改変するために全体的に用いられたか、及び／又は、拒否されたかを示すフィードバックデータ（ＦＤ）を前記ＡＩ−Ｇアプリケーション（１０）へ送るよう更に構成された、
   請求項２に記載のＩＰＣデバイス。
4. 前記シミュレーションアプリケーション（８）が、前記デジタルツイン（６）を用いて前記改変された仮想制御データ（ＶＣＤ）で制御されるときの前記物理的工場装置（５）の動作をシミュレートするよう更に構成され、前記ＡＩ−Ｇアプリケーション（１０）が、前記デジタルツイン（６）を用いて前記改変された仮想制御データ（ＶＣＤ）で制御されたときの物理的工場装置（５）の前記動作の前記シミュレーションの結果に基づき、前記第２の改変データ（ＭＤ２）が前記ＡＩ−Ｒアプリケーション（９）へ送信されるべきか否かを判定するよう更に構成された、
   請求項１〜３のいずれか１項に記載のＩＰＣデバイス。
5. 前記ＡＩ−Ｇアプリケーション（１０）が、前記フィードバックデータ（ＦＤ）に基づき、及び／又は、前記第１の改変データ（ＭＤ１）に基づき、前記物理的工場装置（５）をより好ましく表現するよう、前記デジタルツイン（６）を改変するよう更に構成された、
   請求項１〜４のいずれか１項に記載のＩＰＣデバイス。
6. 前記ＡＩ−Ｒアプリケーション（９）及び／又は前記ＡＩ−Ｇアプリケーション（１０）が、前記ＩＰＣデバイス（１、５０、５１）のスロット内に挿入可能な拡張カード（２４）上、好ましくはＰＣＩエクスプレスカード上に提供される、
   請求項１〜５のいずれか１項に記載のＩＰＣデバイス。
7. 前記物理的工場装置（５）の前記動作を改変するための、２つの別々の学習サイクルを含み、前記学習サイクルの１つが、産業用リアルタイム動作要件に準拠するよう、前記ＡＩ−Ｒアプリケーション（９）を用いて前記ＲＴＯＳ（２）と相互にやり取りし実行され、他方の学習サイクルが、前記産業用リアルタイム要件とは独立して、前記ＡＩ−Ｇアプリケーション（１０）を用いて前記ＧＰＯＳ（３）と相互にやり取りし実行される、
   請求項１〜６のいずれか１項に記載のＩＰＣデバイス。
8. 前記物理的工場装置（５）が、高リスク因子により特徴付けられた高リスクにさらされることにより、又は、前記高リスク因子よりも低い低リスク因子により特徴付けられた低リスクにさらされることにより動作されることができ、前記第１の人工知能アルゴリズム（ＡＩ１）が、前記第１の改変データ（ＭＤ１）の機能として改変された制御データ（ＣＤ）により制御される前記物理的工場装置（５）を前記低リスクにさらす第１の改変データ（ＭＤ１）を提供する、低リスク人工知能アルゴリズムであり、前記第２の人工知能アルゴリズム（ＡＩ２）が、前記第２の改変データ（ＭＤ２）の機能として改変された制御データ（ＣＤ）により制御される前記物理的工場装置（５）をシミュレートする前記デジタルツイン（６）を前記高リスクにさらす前記第２の改変データ（ＭＤ２）を提供する、高リスク人工知能アルゴリズムである、
   請求項１〜７のいずれか１項に記載のＩＰＣデバイス。
9. 前記制御アプリケーション（４）が、
   前記制御データ（ＣＤ）が前記第１及び／又は第２の改変データ（ＭＤ１、ＭＤ２）の機能として部分的にのみ改変される、前記制御データ（ＣＤ）の部分的改変を実行することにより、前記制御データ（ＣＤ）を前記第１及び／又は第２の改変データ（ＭＤ１、ＭＤ２）の機能として増分的に部分的に改変することと、
   前記部分的に改変された制御データ（ＣＤ）で制御された前記物理的工場装置（５）の前記物理的工場装置データ（ＰＤ）が許可可能な範囲内に位置するか否かを判定することと、
   前記部分的に改変された制御データ（ＣＤ）で制御された前記物理的工場装置（５）の前記物理的工場装置データ（ＰＤ）が許可可能な範囲内に位置する場合、前記制御データ（ＣＤ）が前記第１及び／又は第２の改変データ（ＭＤ１、ＭＤ２）の機能として全体的に改変されるまで、前記制御データ（ＣＤ）を部分的に改変し、前記部分的に改変された制御データ（ＣＤ）で制御された前記物理的工場装置（５）の前記物理的工場装置データ（ＰＤ）が許可可能な範囲内に位置するか否かを判定する、前記ステップを繰り返すことと
   を行うよう構成された、
   請求項１〜８のいずれか１項に記載のＩＰＣデバイス。
10. 前記制御アプリケーション（４）が、前記第１及び／又は第２の改変データ（ＭＤ１、ＭＤ２）の機能としての前記制御データ（ＣＤ）の初期改変の間に前記部分的に改変された制御データ（ＣＤ）で制御された前記物理的工場装置（５）の前記物理的工場装置データ（ＰＤ）が前記許可可能な範囲外に位置すると判定した場合、前記制御アプリケーション（４）が、前記初期改変とは異なるよう、前記第１及び／又は第２の改変データ（ＭＤ１、ＭＤ２）の機能としての前記制御データ（ＣＤ）の前記改変を再開するよう構成された、
    請求項９に記載のＩＰＣデバイス。
11. 前記仮想制御アプリケーション（７）が、前記ＩＰＣデバイス（１、５０、５１）により受け取られた、受け取られた命令の機能として仮想制御データ（ＶＣＤ）を生成するよう構成され、
    前記シミュレーションアプリケーション（８）が、前記デジタルツイン（６）を用いて前記受け取られた命令の機能として生成された前記仮想制御データ（ＶＣＤ）で制御された前記物理的工場装置（５）をシミュレートするよう構成され、
    前記仮想制御アプリケーション（７）が、前記シミュレーションアプリケーション（８）からの、前記受け取られた命令の機能として生成された前記仮想制御データ（ＶＣＤ）で制御された前記物理的工場装置（５）の前記シミュレーションの結果に基づき、前記受け取られた命令が安全であるか否かを判定するよう構成された、
    請求項１〜１０のいずれか１項に記載のＩＰＣデバイス。
12. 前記ＡＩ−Ｇアプリケーション（１０）が、第２の改変結果（ＭＤ２ａ〜ＭＤ２ｃ）を提供するため、それぞれ異なる人工知能アルゴリズム（ＡＩ２ａ〜ＡＩ２ｃ）を用いるよう構成された、複数のサブアプリケーション（２７〜２９）を含む、
    請求項１〜１１のいずれか１項に記載のＩＰＣデバイス。
13. 前記ＡＩ−Ｇアプリケーション（１０）が、第２の改変データ（ＭＤ２）を生成するため前記複数のサブアプリケーション（２７〜２９）により提供された前記第２の改変結果（ＭＤ２ａ〜ＭＤ２ｃ）の少なくともいくつかを組み合わせ、前記第２の改変データ（ＭＤ２）を前記ＡＩ−Ｒアプリケーション（９）へ送信するよう構成された、
    請求項１２に記載のＩＰＣデバイス。
14. 前記第１及び第２の人工知能アルゴリズム（ＡＩ１、ＡＩ２）が、異なる人工知能アルゴリズムである、
    請求項１〜１３のいずれか１項に記載のＩＰＣデバイス。
15. 前記第１及び第２の人工知能アルゴリズム（ＡＩ１、ＡＩ２）が、前記物理的工場装置（５）の異なる機能に関連する第１及び第２の改変データ（ＭＤ１、ＭＤ２）を生成するために用いられ、前記機能が、前記物理的工場装置（５）の保全に関する予測を提供する前記物理的工場装置（５）の予測保全、前記物理的工場装置（５）の制御に関する予測を提供する予測制御、全体的な設備効率、及び／又は、前記物理的工場装置（５）の前記電力効率に関する予測を提供する電力効率予測のうちの少なくとも１つを含む、
    請求項１〜１４のいずれか１項に記載のＩＰＣデバイス。
16. 前記ＧＰＯＳ（３）と前記ＲＴＯＳ（２）とを仮想的に分離する、ハイパーバイザ部（１４）を更に含む、
    請求項１〜１５のいずれか１項に記載のＩＰＣデバイス。
17. 前記ハイパーバイザ部を介し前記ＧＰＯＳ（３）と前記ＲＴＯＳ（２）とから仮想的に分離された、更なるオペレーティングシステムを含み、前記ＡＩ−Ｇアプリケーション（１０）と前記ＡＩ−Ｒアプリケーション（９）とが前記更なるオペレーティングシステム上で稼働する、
    請求項１６に記載のＩＰＣデバイス。
18. 前記拡張カード（２４）が、前記ハイパーバイザ部を介し前記ＲＴＯＳ（２）と前記ＧＰＯＳ（３）と通信するよう構成された、
    請求項６及び請求項１６又は１７に記載のＩＰＣデバイス。
19. 前記ＡＩ−Ｇアプリケーション（１０）と前記ＡＩ−Ｒアプリケーション（９）とを含み、前記ＩＰＣデバイス（１、５０、５１）内に挿入可能である、請求項１〜１８のいずれか１項に記載の前記ＩＰＣデバイス（１、５０、５１）のための拡張カード（２４）。
20. 請求項１〜１８のいずれか１項に記載の前記ＩＰＣデバイス（１、５０、５１）と、前記ＩＰＣデバイス（１、５０、５１）により制御される物理的工場装置（５）とを含む、工場システム（１００、１０１）。
21. リアルタイムオペレーティングシステム（ＲＴＯＳ）と汎用オペレーティングシステム（ＧＰＯＳ）を含む産業用ＰＣ（ＩＰＣ）デバイスの動作方法であって、
    制御アプリケーション（４）を用いて制御データ（ＣＤ）を生成すること（Ｓ１）と、
    前記制御アプリケーション（４）を用い、前記生成された制御データ（ＣＤ）により物理的工場装置（５）の動作を制御すること（Ｓ２）と、
    前記ＧＰＯＳ（３）内で稼働するデジタルツイン（６）として前記物理的工場装置（５）のデジタルコピーを提供すること（Ｓ３）と、
    仮想制御データ（ＶＣＤ）を生成すること（Ｓ４）と、
    前記デジタルツイン（６）を用いて前記仮想制御データ（ＶＣＤ）で制御されたときの前記物理的工場装置（５）の動作をシミュレートすること（Ｓ５）と、
    前記制御アプリケーション（４）と相互にやり取りするリアルタイム人工知能（ＡＩ−Ｒ）アプリケーション（９）を用いて、入力として物理的工場装置データ（ＰＤ）と前記制御データ（ＣＤ）とを受け取り且つ出力として第１の改変データ（ＭＤ１）を提供する第１の人工知能アルゴリズム（ＡＩ１）を実行すること（Ｓ６）であって、前記物理的工場装置データ（ＰＤ）が前記物理的工場装置（５）の前記動作を示すデータを含むことと、
    前記第１の改変データ（ＭＤ１）の機能として前記制御データ（ＣＤ）を改変すること（Ｓ７）と、
    前記デジタルツイン（６）と相互にやり取りする汎用人工知能（ＡＩ−Ｇ）アプリケーション（１０）を用いて、入力としてデジタルツインデータ（ＤＤ）と前記仮想制御データ（ＶＣＤ）とを用い且つ出力として第２の改変データ（ＭＤ２）を提供する第２の人工知能アルゴリズム（ＡＩ２）を実行すること（Ｓ８）であって、前記デジタルツインデータ（ＤＤ）が前記デジタルツイン（６）を用いた前記物理的工場装置（５）の前記シミュレーションを示すデータを含むことと、
    前記仮想制御データ（ＶＣＤ）を前記第２の改変データ（ＭＤ２）の機能として改変すること（Ｓ９）と
    を含む、
    方法。

Images