KR20210045476A - 인공 지능 컴퓨팅 디바이스, 제어 방법 및 장치, 엔지니어 스테이션, 및 산업 자동화 시스템 - Google Patents
인공 지능 컴퓨팅 디바이스, 제어 방법 및 장치, 엔지니어 스테이션, 및 산업 자동화 시스템 Download PDFInfo
- Publication number
- KR20210045476A KR20210045476A KR1020217008642A KR20217008642A KR20210045476A KR 20210045476 A KR20210045476 A KR 20210045476A KR 1020217008642 A KR1020217008642 A KR 1020217008642A KR 20217008642 A KR20217008642 A KR 20217008642A KR 20210045476 A KR20210045476 A KR 20210045476A
- Authority
- KR
- South Korea
- Prior art keywords
- computing
- component
- data
- controller
- computing device
- Prior art date
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 271
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000004458 analytical method Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 claims description 137
- 238000004891 communication Methods 0.000 claims description 72
- 238000012549 training Methods 0.000 claims description 41
- 230000005540 biological transmission Effects 0.000 claims description 25
- 238000003745 diagnosis Methods 0.000 claims description 22
- 230000007704 transition Effects 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 8
- 238000011958 production data acquisition Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims 3
- 239000000470 constituent Substances 0.000 claims 2
- 230000006870 function Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000009776 industrial production Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 102100037383 Gasdermin-B Human genes 0.000 description 1
- 101001026281 Homo sapiens Gasdermin-B Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012994 industrial processing Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
- G06F15/163—Interprocessor communication
- G06F15/173—Interprocessor communication using an interconnection network, e.g. matrix, shuffle, pyramid, star, snowflake
- G06F15/17306—Intercommunication techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
- G06F15/163—Interprocessor communication
- G06F15/173—Interprocessor communication using an interconnection network, e.g. matrix, shuffle, pyramid, star, snowflake
- G06F15/1735—Network adapters, e.g. SCI, Myrinet
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/10—Plc systems
- G05B2219/15—Plc structure of the system
- G05B2219/15029—I-O communicates with local bus at one end and with fieldbus at other end
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/10—Plc systems
- G05B2219/15—Plc structure of the system
- G05B2219/15119—Backplane controller
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/23—Pc programming
- G05B2219/23275—Use of parser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25145—I-O communicates with local bus at one end and with fieldbus at other end
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25464—MBO motherboard, backplane special layout
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
- H04L45/08—Learning-based routing, e.g. using neural networks or artificial intelligence
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/40—Network security protocols
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Programmable Controllers (AREA)
- General Factory Administration (AREA)
- Stored Programmes (AREA)
Abstract
산업 자동화 시스템에 적용되는 AI(artificial intelligence) 컴퓨팅 디바이스(20)가 제공된다. 이러한 AI 컴퓨팅 디바이스(20)는 필드 버스 인터페이스에 의해 필드 버스에 접속되고 제어기(40)와 통신된다. AI 컴퓨팅 디바이스(20)는 내장된 AI 컴퓨팅 아키텍처를 사용하여 제어기(40)에 의해 전송되는 데이터를 처리하고, 이러한 데이터를 분석하고, 분석 결과를 제어기(40)에 전송한다. 대응하는 방법 및 장치, 엔지니어 스테이션, 및 산업 자동화 시스템이 또한 제공된다.
Description
본 출원은 산업 자동화의 분야에, 특히 AI(artificial intelligence) 컴퓨팅 디바이스, 제어 방법 및 장치, ES(engineer station), 및 산업 자동화 시스템에 관련된다.
산업 생산의 자율 기술의 긴 주기의 지속적인 개발 후에, 컴퓨터 기술을 사용하여 산업 생산 프로세스들을 제어하는 것이 이제 가능하다. 산업 자동 제어 시스템은 정보 관리 및 자동 제어를 위해 산업 제어 컴퓨터들을 통해 센서들에 의해 수집되는 산업 생산에서의 다양한 파라미터들을 모으고, 분석하고, 정리한다. 현재, 산업 자동화 시스템들에서의 지능형 제어의 구현은 산업 자동화의 분야에서 추세가 되었다. 제어 체인에서의 지능을 실현하기 위해, 종래의 산업 제어기들은 충분한 컴퓨팅 용량을 제공할 수 없고, AI를 제어 시스템에 추가하기 위한 유연한 해결책이 없다는 점이 도전과제이다.
이러한 것을 고려하여, 본 출원의 실시예들은 AI 컴퓨팅 디바이스, 제어 방법 및 장치, 엔지니어 스테이션, 및 산업 자동화 시스템을 제안하고, 이들은 산업 자동화 시스템에서 AI로 폐쇄-루프 제어를 구현하기 위해 그리고 이러한 자동화 시스템의 제어 능력 및 제어 효율을 개선하기 위해 사용된다.
산업 자동화 시스템에 적용되는 본 출원의 실시예들의 AI 컴퓨팅 디바이스는, 백플레인, 통신 컴포넌트, 및 컴퓨팅 컴포넌트를 포함할 수 있고;
백플레인은 백플레인 버스 및 필드 버스 인터페이스를 포함하고, 백플레인 버스는 통신 컴포넌트 및 컴퓨팅 컴포넌트에 접속되고, 필드 버스 인터페이스는 필드 버스 인터페이스를 통해 산업 자동화 시스템의 필드 버스에 접속되고 이와 통신할 수 있고; 산업 자동화 시스템은 적어도 하나의 제어기를 포함하고;
통신 컴포넌트는 제어기와 컴퓨팅 컴포넌트 사이의 데이터 교환을 수행하고;
컴퓨팅 컴포넌트는 통신 컴포넌트를 통해 제어기에 의해 전송되는 데이터를 수신하고, 내장된 AI 컴퓨팅 아키텍처를 사용하여 이러한 데이터를 분석하고, 통신 컴포넌트를 사용하여 제어기에 분석 결과를 전송한다.
각각의 실시예의 AI 컴퓨팅 디바이스는 필드 버스 인터페이스를 갖고, 이는 플러그-앤-플레이 지능형 제어 기능들을 제공하기 위해 산업 자동화 시스템의 필드 버스에 직접 접속될 수 있고 제어 시스템의 처리 용량을 강화한다는 점을 알 수 있다. 동시에, AI 컴퓨팅 디바이스는 필드 버스에 직접 접속되고, 이는 실시간 지능형 폐쇄-루프 제어를 용이하게 하고 시스템의 제어 효율을 개선한다.
산업 자동화 시스템에서의 제어기에 적용되는 본 출원의 실시예들의 제어 방법은,
산업 자동화 시스템에서 데이터를 획득하는 단계;
데이터를 필드 버스에 접속되는 AI(artificial intelligence) 컴퓨팅 디바이스에 전송하는 단계; 및
AI 컴퓨팅 디바이스에 의해 데이터를 분석하는 것에 의해 획득되는 분석 결과를, 필드 버스를 통해, 수신하는 단계, 및 분석 결과를 제어기에서의 의사-결정 장치에 제공하는 단계- 의사-결정 장치가 자동화 제어를 위한 제어 명령어를 생성함 -를 포함한다.
각각의 실시예의 제어 방법은 필드 버스에 접속되는 AI 컴퓨팅 디바이스를 사용하여 데이터를 분석하고, 분석 결과를 사용하여 자동 제어 명령어들을 생성하여, 기존 장비를 대체하지 않고 또는 기존 장비의 처리 용량에 의한 제한 없이 제어기의 처리 용량을 개선하고 실시간 지능형 폐쇄-루프 제어를 실현한다는 점을 알 수 있다.
산업 자동화 시스템에서의 제어기에 적용되는 본 출원의 실시예들의 제어 장치는,
산업 자동화 시스템에서 데이터를 획득하도록 구성되는 생산 데이터 획득 유닛;
필드 버스에 접속되는 AI(artificial intelligence) 컴퓨팅 디바이스에서의 제1 컴퓨팅 컴포넌트에 이러한 데이터를 전송하도록 구성되는 작업 전송 유닛; 및
AI 컴퓨팅 디바이스에 의해 전송되는 분석 결과를, 필드 버스를 사용하여, 수신하도록- 분석 결과는 제1 컴퓨팅 컴포넌트에 의해 데이터를 분석하는 것에 의해 획득됨 -; 그리고 분석 결과를 제어기에서의 의사-결정 장치에 제공하도록- 의사-결정 장치가 자동화 제어를 위한 제어 명령어를 생성함 - 구성되는 결과 수집 유닛을 포함할 수 있다.
각각의 실시예의 제어 장치는 필드 버스에 접속되는 AI 컴퓨팅 디바이스를 사용하여 데이터를 분석하고, 분석 결과를 사용하여 자동 제어 명령어들을 생성하여, 기존 장비를 대체하지 않고 또는 기존 장비의 처리 용량에 의한 제한 없이 제어기의 처리 용량을 개선하고 실시간 지능형 폐쇄-루프 제어를 실현한다는 점을 알 수 있다.
산업 자동화 시스템의 필드 버스에 접속되는 본 출원의 실시예들의 엔지니어 스테이션은 프로세서 및 메모리를 포함할 수 있고, 메모리는 머신 판독가능 명령어들을 포함하고, 이러한 명령어들은,
디바이스 구성 인터페이스를 제공하는 것;
디바이스 구성 인터페이스로부터 디바이스 구성 정보를 수신하는 것- 디바이스 구성 정보는 AI 컴퓨팅 디바이스의 식별자, 및 AI 컴퓨팅 디바이스에서의 적어도 하나의 컴퓨팅 컴포넌트의 컴퓨팅 컴포넌트 식별자를 포함하고, AI 컴퓨팅 디바이스는 필드 버스 인터페이스를 사용하여 필드 버스에 접속됨 -; 디바이스 구성 정보를 산업 자동화 시스템의 제어기에 전송하는 것- 제어기가 디바이스 구성 정보를 사용하여 AI 컴퓨팅 디바이스와 통신함 -; 및
AI 컴퓨팅 디바이스에 대응하는 제어 로직을 획득하는 것, 디바이스 구성 인터페이스로부터, AI 컴퓨팅 디바이스에 대한 제어 구성 정보를 수신하는 것- 제어 구성 정보는 적어도 하나의 컴퓨팅 컴포넌트에서의 제1 컴퓨팅 컴포넌트의 컴퓨팅 파라미터를 포함함 -; 제어 구성 정보를 제어 로직에 로딩하는 것, 및 제어 로직을 제어기에 로딩하는 것- 제어 로직은 제어기로 하여금 제1 컴퓨팅 컴포넌트를 구성할 수 있게 하기 위해 사용됨 -; 분석을 위해 산업 자동화 네트워크에서의 데이터를 제1 컴퓨팅 컴포넌트에 전송하는 것, 및 제1 컴퓨팅 컴포넌트에 의해 피드백되는 분석 결과를 획득하는 것을 위해 프로세서에 의해 실행가능한 것이다.
각각의 실시예의 엔지니어 스테이션은 필드 버스를 통해 제어기를 구성할 수 있어, 산업 자동화 시스템에서의 실시간 지능형 폐쇄-루프 제어를 위해 제어기와 AI 컴퓨팅 디바이스 사이의 통신을 실현한다는 점을 알 수 있다.
본 출원의 실시예의 산업 자동화 시스템은, ES(engineer station), 제어기, 생산 장비 및 AI 컴퓨팅 디바이스, 및 이러한 디바이스들을 접속하는 필드 버스를 포함하고;
ES는,
디바이스 구성 인터페이스를 제공하도록, 디바이스 구성 인터페이스로부터 구성 정보를 수신하도록- 구성 정보는 AI 컴퓨팅 디바이스에 관한 정보를 포함함 -, 그리고 구성 정보를 제어기에 로딩하도록; 그리고
AI 컴퓨팅 디바이스에 대응하는 제어 로직을 획득하도록, 그리고 제어 로직을 제어기에 로딩하도록 구성되고;
제어기는,
제어 로직을 실행하도록, 산업 자동화 시스템에서의 복수의 생산 파라미터들의 값들을 획득하도록, 복수의 생산 파라미터들의 값들을 AI 컴퓨팅 디바이스에 전송하도록; 그리고 AI 컴퓨팅 디바이스에 의해 전송되는 분석 결과를 수신하도록; 그리고
분석 결과에 기초하여 생산 장비에 대한 제어 명령어를 생성하도록 구성되고;
AI 컴퓨팅 디바이스는,
필드 버스를 사용하여, 제어기에 의해 전송되는 복수의 생산 파라미터들의 값들을 수신하도록, 복수의 생산 파라미터들의 값들을 분석하여 분석 결과를 획득하도록, 그리고 분석 결과를 필드 버스를 사용하여 제어기에 전송하도록 구성된다.
각각의 실시예의 산업 자동화 시스템은 필드 버스에 접속되는 AI 컴퓨팅 디바이스를 사용하여 시스템의 제어 능력을 개선하고, 동시에, 이것은 실시간 지능형 폐쇄-루프 제어를 또한 실현할 수 있다는 점을 알 수 있다.
본 출원의 실시예들은 머신 판독가능 명령어들을 저장하는 컴퓨터 판독가능 저장 매체를 또한 제공하고, 이러한 머신 판독가능 명령어들은 프로세서로 하여금 실시예들의 제어 방법을 수행할 수 있게 할 수 있다.
본 출원의 바람직한 실시예들이 도면들을 참조하여 아래에 상세히 설명될 것이므로, 해당 분야에서의 기술자들은 본 출원의 위 및 다른 특징들 및 이점들을 더 잘 이해할 것이다. 도면들에서:
도 1은 본 출원의 실시예들의 산업 자동화 시스템을 예시한다.
도 2는 본 출원의 실시예들의 AI 컴퓨팅 디바이스를 예시한다.
도 3은 본 출원의 실시예들의 AI 컴퓨팅 디바이스의 내부 데이터 통신의 로직을 예시한다.
도 4는 본 출원의 실시예들의 AI 컴퓨팅 디바이스의 내부 데이터 처리의 로직을 예시한다.
도 5는 본 출원의 실시예들의 AI 컴퓨팅 아키텍처의 상태 머신을 예시한다.
도 6은 본 출원의 실시예들의 제어 방법을 예시한다.
도 7은 본 출원의 실시예들의 제어 장치를 예시한다.
도 8은 본 출원의 실시예들의 엔지니어 스테이션을 예시한다.
도 9는 본 출원의 실시예들의 생산 프로세스를 예시한다.
이러한 도면들에서, 다음의 심볼들이 사용된다:
도 1은 본 출원의 실시예들의 산업 자동화 시스템을 예시한다.
도 2는 본 출원의 실시예들의 AI 컴퓨팅 디바이스를 예시한다.
도 3은 본 출원의 실시예들의 AI 컴퓨팅 디바이스의 내부 데이터 통신의 로직을 예시한다.
도 4는 본 출원의 실시예들의 AI 컴퓨팅 디바이스의 내부 데이터 처리의 로직을 예시한다.
도 5는 본 출원의 실시예들의 AI 컴퓨팅 아키텍처의 상태 머신을 예시한다.
도 6은 본 출원의 실시예들의 제어 방법을 예시한다.
도 7은 본 출원의 실시예들의 제어 장치를 예시한다.
도 8은 본 출원의 실시예들의 엔지니어 스테이션을 예시한다.
도 9는 본 출원의 실시예들의 생산 프로세스를 예시한다.
이러한 도면들에서, 다음의 심볼들이 사용된다:
다음의 예시적인 실시예들은 본 출원을 그 목적, 기술적 해결책 및 이점들을 명확히 하기 위해 상세히 추가로 예시할 것이다.
산업 자동화 시스템들의 제어 메커니즘에 대한 제어기의 컴퓨팅 용량의 제한을 극복하기 위해, 본 출원의 실시예들은 인공 지능 컴퓨팅 능력이 있는 AI 컴퓨팅 디바이스를 산업 자동화 시스템들의 제어 루프에 추가하는 것을 제안하고, 그렇게 함으로써 시스템의 자율 제어 능력을 강화하고 제어 체인에서의 지능을 실현한다. 도 1은 본 출원의 실시예들의 산업 자동화 시스템을 예시한다. 산업 자동화 시스템(10)은 자동 제어 및 자동 조절 디바이스를 사용하여 제조 및 생산을 위해 수동으로 동작되는 머신 및 머신 시스템을 대체하는 산업 생산 시스템이다. 도 1에 도시되는 바와 같이, 시스템(10)은, AI 컴퓨팅 디바이스(20), ES(engineer station)(30), 제어기(40), 및 이러한 디바이스들을 접속하는 필드 버스(60)를 포함할 수 있다.
산업 데이터 버스라고 또한 알려진 필드 버스(60)는 산업 생산 현장에서 제어기(40), 데이터 취득 장비(도시되지 않음), 및 액추에이터들(도시되지 않음)과 같은 필드 디바이스들 사이의 디지털 통신, 및 이러한 필드 디바이스들과 (ES(30)과 같은) 고급 제어 시스템들 사이의 정보 전달을 구현하기 위해 사용된다. 필드 버스(60)는, ProfiBus, InterBus, CAN(Controller Area Network) 버스, 및 HART(Addressable Remote Transducer) 버스와 같은, 특정 필드 버스 기술로 구현될 수 있다.
제어기(40)는, PLC(programmable logic) 제어기들, IPC(PC bus industrial computer) 제어기들, DCS(distributed control system) 제어기들, FCS(field bus control system) 제어기들, CNC(computer numerical control) 제어기들 등과 같은, 하나 이상의 산업 제어기일 수 있다. 제어기(40)는 생산 현장에서 (지능형 기기들, 센서들 등과 같은) 다양한 데이터 취득 장비 및 (전류 조절 밸브들, 전압 조절 밸브들, 공급 밸브들 등과 같은) 액추에이터들과 통신할 수 있고, 생산 장비의 생산 프로세스들을 모니터링 및 제어할 수 있다. 생산 장비(도시되지 않음)는, 머신 툴들, 선반들, 어셈블리 라인 장비 등과 같은, 산업 처리 및 제조에 사용되는 하나 이상의 장비의 집합을 지칭한다. 생산 장비가 필드 버스 인터페이스가 있는 프로그램-제어 장비일 때, 제어기(40)는 또한 필드 버스(60)를 통해 생산 장비와 통신하고, 생산 장비의 프로세스 정보를 수집하고, 생산 장비의 생산 프로세스를 모니터링 및 제어할 수 있다.
제어기(40)는 생산 장비의 다양한 파라미터 값들(이하 생산 파라미터 값들 및 생산 프로세스 데이터라고 또한 지칭됨)을 획득하고, 이러한 생산 파라미터 값들에 따라 생산 장비의 동작을 제어할 수 있다. 생산 파라미터들은, 전압, 전류, 모터 속도, 원시 재료들의 공급 속도 등과 같은, 생산 장비의 생산 프로세스에 관련된 임의의 파라미터들일 수 있다. 생산 파라미터들의 값들은 데이터 취득 장비로부터 또는 프로그램-제어 생산 장비로부터 획득될 수 있다. 제어기(40)는 제어 명령어들을 액추에이터들에 전송하는 것에 의해 생산 파라미터들의 값들을 또한 조절할 수 있다. 액추에이터는 제어기(40)의 제어 신호를 수신하고 대응하는 조절 액션들을 수행하여 생산 파라미터의 값을 변경할 수 있다.
AI 컴퓨팅 디바이스(20)는, 필드 버스 인터페이스를 통해 필드 버스에 접속될 수 있는, AI 컴퓨팅 능력이 있는 플러그-앤-플레이 디바이스이다. AI 컴퓨팅 디바이스(20)는, 필드 버스(60)를 사용하여, 제어기(40)에서의 제어 장치(41)에 의해 전송되는 복수의 생산 파라미터들의 값들을 수신하고, 복수의 생산 파라미터들의 값들을 분석하여 분석 결과를 획득하고, 분석 결과를 필드 버스(60)를 사용하여 제어기(40)에 전송할 수 있어, 제어기(40)에서의 의사-결정 장치(42)는 분석 결과에 기초하여 자동 제어를 위한 제어 명령어들을 생성할 수 있다. 일부 실시예들에서, 시스템(10)은 복수의 AI 컴퓨팅 디바이스들(20)에 접속될 수 있다. 복수의 AI 컴퓨팅 디바이스들(20)은 상이한 AI 기능들이 있는 디바이스들을 포함할 수 있거나, 또는 중복 백업 또는 부하 공유를 제공하는 몇몇 동일한 디바이스들을 포함할 수 있다.
제어기(40)로 하여금 AI 컴퓨팅 디바이스(20)를 식별하고 사용할 수 있게 하기 위해, 제어기(40)는 ES(30)에서 AI 컴퓨팅 디바이스(20)를 위해 구성될 수 있다.
ES(30)는 산업 프로세스 제어 엔지니어들에 의해 사용되는 산업 프로세스 모니터링 및 관리 장비를 지칭한다. 이것은 산업 제어 시스템에서 제어기(40)를 구성할 수 있어 제어기(40)는 생산 현장에서 다른 장비와 통신하고, 데이터 처리를 수행하고, 생산 프로세스를 모니터링하고 제어하기 위한 제어 결정들을 행할 수 있다.
ES(30)는 디바이스 구성 인터페이스를 제공하고, 디바이스 구성 인터페이스로부터 AI 컴퓨팅 디바이스(20)에 관한 구성 정보를 수신하고, 이러한 구성 정보를 제어기(40)에 로딩할 수 있다. 제어기(40)는 이러한 구성 정보를 사용하여 AI 컴퓨팅 디바이스(20)와 통신한다.
일부 실시예들에서, ES(30)의 디바이스 구성 인터페이스는 인간-머신 상호작용 인터페이스를 포함할 수 있다. ES(30)는 인간-머신 상호작용 인터페이스를 통해 시스템(10)에서 각각의 디바이스의 구성 및 동작을 디스플레이하고, 인간-머신 상호작용 인터페이스를 통해 구성 인터페이스를 디스플레이할 수 있다. 인간-머신 상호작용 인터페이스에서의 구성 인터페이스 상의 오퍼레이터의 동작에 응답하여, ES(30)는, 디바이스 추가, 삭제, 디바이스 구성 정보 추가, 디바이스 구성 정보 수정, 디바이스 구성 정보 삭제 등과 같은, 다양한 디바이스 구성 동작들을 완료할 수 있다. 디바이스 구성 인터페이스로부터 수신되는 구성 정보는 ES(30)에서 오퍼레이터에 의해 입력되는 (AI 컴퓨팅 디바이스의 ID 및 어드레스 등과 같은) 텍스트 정보, 디바이스 구성 인터페이스를 통해 오퍼레이터에 의해 입력되는 또는 선택되는 경로로부터 획득되는 구성 파일들, 제어 로직 등을 포함할 수 있다. 오퍼레이터에 의해 입력되는 또는 선택되는 경로는 ES(30)의 내장된 저장 디바이스에서의 저장 경로, ES(30)의 외부 확장 저장 디바이스에서의 경로, 또는 (URL 등과 같은) 네트워크 상의 위치일 수 있다. 일부 실시예들에서, 구성 정보는 AI 컴퓨팅 디바이스(20)의 ID(예를 들어, MAC(media access control) 어드레스, 디바이스 명칭 등)를 포함할 수 있어, 제어기(40)는 AI 컴퓨팅 디바이스(20)와 통신할 수 있다. 일부 실시예들에서, 구성 정보는 AI 컴퓨팅 프로세스를 수행하기 위해 AI 컴퓨팅 디바이스(20)에 의해 요구되는 복수의 생산 파라미터들에 관한 정보를 또한 포함할 수 있어, 제어기(40)는 센서들에 의해 수집되는 이러한 생산 파라미터들의 값들을 AI 컴퓨팅 디바이스(20)에 제공할 수 있다.
일부 실시예들에서, ES(30)는 또한 AI 컴퓨팅 디바이스(20)에 대응하는 제어 로직(31)을 획득하고, 제어 로직(31)을 제어기(40)에 로딩할 수 있다. 예를 들어, ES(30)는 디바이스 구성 인터페이스를 통해 오퍼레이터에 의해 입력되는 또는 선택되는 경로로부터 제어 로직(31)을 획득할 수 있다. 오퍼레이터에 의해 입력되는 또는 선택되는 경로는 ES(30)의 내장된 저장 디바이스에서의 저장 경로, ES(30)의 외부 확장 저장 디바이스에서의 경로, 또는 (URL 등과 같은) 네트워크 상의 위치일 수 있다. ES(30)는 또한 제어 로직(31)에 의해 제공되는 인터페이스를 통해 제어 로직(31)의 기능들을 구성 및 편집할 수 있다. 제어기(40)는 제어 로직(31)을 실행하는 것에 의해 AI 컴퓨팅 디바이스(20)를 제어한다. 복수의 생산 파라미터들에 관한 전술한 정보는 또한 제어 로직(31)에 의해 제공되는 인터페이스를 통해 제어 로직(31)에 로딩될 수 있다. 제어기(40)는 제어 로직(31)을 실행하는 것에 의해 이러한 생산 파라미터들의 값들을 획득하고, 이들을 AI 컴퓨팅 디바이스(20)에 제공한다. 일부 실시예들에서, AI 컴퓨팅 디바이스(20)는 통신 컴포넌트(22) 및 하나 이상의 컴퓨팅 컴포넌트(23)를 포함할 수 있다. AI 컴퓨팅 디바이스(20)는 상이한 AI 기능들이 있는 복수의 컴퓨팅 컴포넌트들(23), 또는 동일한 기능이 있는 복수의 컴퓨팅 컴포넌트들을 포함할 수 있다. 상이한 AI 기능들이 있는 컴퓨팅 컴포넌트들(23)은 상이한 제어 로직들(31)에 대응할 수 있고, 상이한 AI 기능들이 있는 컴퓨팅 컴포넌트들(23)은 동일한 제어 로직(31)에 의해 제어될 수 있다.
각각의 실시예의 산업 자동화 시스템은 필드 버스 인터페이스가 있는 AI 컴퓨팅 디바이스를 사용하여 기존의 디바이스들을 대체할 필요 없이 또는 기존의 디바이스들의 처리 용량에 의한 제한 없이 제어 시스템의 플러그-앤-플레이 지능형 제어 기능 및 더 나은 처리 용량을 갖는다. 동시에, AI 컴퓨팅 디바이스는 필드 버스에 직접 접속되고, 생산 프로세스 데이터는 분석되고 현장에서 직접 처리되고, 이는 실시간 지능형 폐쇄-루프 제어를 용이하게 하고 제어 효율을 개선한다.
플러그 앤 플레이를 실현하기 위해, AI 컴퓨팅 디바이스(20)는 필드 버스에 접속될 수 있는 물리 인터페이스를 포함하고, 통신을 위해 산업 자동화 시스템에 의해 사용되는 산업 통신 프로토콜을 지원한다. 다음은 예시를 위한 예로서 AI 컴퓨팅 디바이스(20)의 구현을 취한다. 도 2는 본 출원의 실시예들의 AI 컴퓨팅 디바이스를 예시한다. 도 2에 도시되는 바와 같이, AI 컴퓨팅 디바이스(20)는, 백플레인(21), 통신 컴포넌트(22), 및 컴퓨팅 컴포넌트(23)를 포함할 수 있다;
백플레인(21)은 백플레인 버스(211) 및 필드 버스 인터페이스(212)를 포함한다. 백플레인 버스(211)는 통신 컴포넌트(22)와 컴퓨팅 컴포넌트(23)를 접속하기 위해 사용된다. 필드 버스 인터페이스(212)는 필드 버스 인터페이스를 통해 필드 버스(60)에 접속되고 이와 통신할 수 있다. 필드 버스 인터페이스(212)는, ProfiBus, InterBus, CAN, HART 등과 같은, 필드 버스(60)에 의해 사용되는 필드 버스 기술에 순응하는 인터페이스이다. 백플레인 버스(211)는, 요구된, 또는 기존의 데이터 송신 버스로 설계되는 버스 기술과 같은, 임의의 버스 기술을 사용할 수 있다. 예를 들어, 백플레인 버스(211)에 의해 제공되는 백플레인 버스 인터페이스는 저-전압 차동 시그널링 인터페이스, S422 인터페이스, RS485 인터페이스 등일 수 있다.
통신 컴포넌트(22)는 제어기(40)와 컴퓨팅 컴포넌트(23) 사이의 데이터 교환을 수행한다.
컴퓨팅 컴포넌트(23)는 AI 컴퓨팅 아키텍처를 포함한다. 일부 실시예들에서, AI 컴퓨팅 아키텍처는, 머신 학습 로직과 같은, AI 컴퓨팅 로직, 및 신경망 알고리즘을 포함할 수 있다. 일부 실시예들에서, AI 컴퓨팅 아키텍처는 (GPU, FPGA, ASIC, 신경망 프로세서 등과 같은) AI 컴퓨팅을 위해 맞춤화되는 높은 컴퓨팅 성능이 있는 특수 하드웨어를 또한 포함할 수 있다. 컴퓨팅 컴포넌트(23)는 통신 컴포넌트(22)를 통해 제어기(40)에 의해 전송되는 데이터를 수신하고, 내장된 AI 컴퓨팅 아키텍처를 사용하여 이러한 데이터를 분석하고, 통신 컴포넌트(22)를 사용하여 분석 결과를 제어기(40)에 전송할 수 있다.
각각의 실시예의 AI 컴퓨팅 디바이스(20)는 필드 버스 인터페이스를 갖고, 따라서 산업 자동화 시스템들에서 플러그-앤-플레이 지능형 제어 기능들을 제공하고 제어 시스템의 처리 용량을 강화할 수 있다. 동시에, AI 컴퓨팅 디바이스는 생산 현장에서 생산 프로세스 데이터를 분석하고 처리하며, 이는 실시간 지능형 폐쇄-루프 제어를 용이하게 하고 제어 효율을 개선한다.
일부 실시예들에서, AI 컴퓨팅 디바이스(20)와 제어기 사이의 통신을 실현하기 위해, 통신 컴포넌트(22)는 (PROFINET, EtherCat 등과 같은) 산업 통신 프로토콜에 의해 정의되는 패킷 포맷을 사용하여 필드 버스(60)와 통신할 수 있다. 통신 컴포넌트(22)는 산업 통신 프로토콜에 의해 정의되는 패킷 포맷을 사용하여 제어기(40)에 의해 전송되는 패킷을 파싱하고, 파싱으로부터 획득되는 패킷의 콘텐츠를 컴퓨팅 컴포넌트(23)에 전송할 수 있다. 통신 컴포넌트(22)는 또한 이러한 패킷 포맷을 사용하여 컴퓨팅 컴포넌트(23)에 의해 전송되는 피드백 데이터를 캡슐화하고, 캡슐화된 패킷을 제어기(40)에 전송할 수 있다. 기존 산업 통신 프로토콜 패킷들을 사용하여 제어기(40)와의 통신을 통해, 네트워크를 수정하지 않고 기존 산업 통신 네트워크에서 직접 AI 컴퓨팅 디바이스(20)를 구현하는 것이 용이하다. 일부 실시예들에서, 통신 컴포넌트(22)는 FPGA, ASIC, 집적 회로들, 산업 통신 칩들 등으로서 구현될 수 있다.
AI 컴퓨팅 디바이스(20)는 하나 이상의 컴퓨팅 컴포넌트(23)를 포함할 수 있다. 컴퓨팅 컴포넌트(23)가 AI 컴퓨팅 디바이스(20)에서 제공될 때, 통신 컴포넌트(22)는 컴퓨팅 컴포넌트(23)와 제어기(40) 사이에 데이터를 전달할 수 있다. AI 컴퓨팅 디바이스(20)가 복수의 컴퓨팅 컴포넌트들(23)을 포함할 때, 통신 컴포넌트(22)는 각각의 컴퓨팅 컴포넌트(23)의 컴퓨팅 컴포넌트 식별자를 사용하여 각각의 컴퓨팅 컴포넌트(23)와 제어기(40) 사이의 통신을 실현할 수 있다. 일부 실시예들에서, 통신 컴포넌트(22)는 필드 버스 인터페이스(212)를 통해 제어기(40)에 의해 전송되는 산업 통신 프로토콜에 순응하는 패킷을 수신할 수 있다(이것을 AI 컴퓨팅 디바이스(20)에 의해 전송되는 패킷과 구별하기 위해, 이하에서는 제1 패킷이라고 지칭될 것임). 구체적으로, 제1 패킷은 헤더 및 페이로드를 포함한다. 페이로드는 컴퓨팅 컴포넌트(23)의 하나 이상의 식별자(이하 컴퓨팅 컴포넌트 식별자라고 지칭됨) 및 각각의 컴퓨팅 컴포넌트 식별자에 대응하는 패킷 데이터 또는 콘텐츠를 포함한다. 컴퓨팅 컴포넌트(23)의 컴퓨팅 컴포넌트 식별자는 AI 컴퓨팅 디바이스(20)에서의 각각의 컴퓨팅 컴포넌트(23)를 구별하기 위해 사용된다. 이것은 명칭, 일련 번호 등, 생산 동안 컴퓨팅 컴포넌트(23)에서 구성되는 디바이스 식별 코드, 또는 제어기(40)에 의해 배정되는 다른 식별자일 수 있다. 통신 컴포넌트(22)는 산업 통신 프로토콜에 의해 정의되는 패킷 포맷에 따라 컴퓨팅 컴포넌트(23)의 식별자 및 제1 패킷으로부터의 식별자에 대응하는 패킷 데이터를 파싱하고, 백플레인 버스(211)를 통해 식별자에 대응하는 컴퓨팅 컴포넌트(23)에 패킷 데이터를 전송할 수 있다. 통신 컴포넌트(22)는 또한 백플레인 버스(211)를 통해 제1 컴퓨팅 컴포넌트(23)(제1 컴퓨팅 컴포넌트(23)는 복수의 컴퓨팅 컴포넌트들(23) 중 하나의 컴퓨팅 컴포넌트임)로부터 피드백 데이터를 수신하고, 이러한 피드백 데이터를 패킷 데이터로서 제1 컴퓨팅 컴포넌트(23)의 컴퓨팅 컴포넌트 식별자와 조합하여 산업 통신 프로토콜에 의해 정의되는 패킷 포맷으로 패킷을 생성하고(제어기(40)에 의해 전송되는 패킷과 구별하기 위해, 이하에서는 제2 패킷이라고 지칭됨), 필드 버스 인터페이스(212)를 통해 제어기(40)에 제2 패킷을 전송할 수 있다. 구체적으로, 피드백 데이터는 컴퓨팅 컴포넌트(23)에 의해 메시지 데이터를 처리한 결과이며, 이는 제어기(40)로 하여금 컴퓨팅 컴포넌트(23)의 상태, 분석 결과 등을 획득하여, AI 컴퓨팅 디바이스(20) 또는 (생산 장비, 액추에이터들 등과 같은) 다른 장비에 대한 제어 결정을 생성할 수 있게 하기 위해 사용된다. 예를 들어, 패킷 데이터가 구성 정보일 때, 피드백 데이터는 구성이 완료되었다는 확인 패킷일 수 있고; 패킷 데이터가 트레이닝 명령어일 때, 피드백 데이터는 트레이닝의 결과일 수 있고; 패킷 데이터가 생산 프로세스 데이터일 때, 피드백 데이터는 생산 프로세스 데이터의 분석 결과일 수 있다. 이러한 방식으로, 통신 중인 컴퓨팅 컴포넌트(23)의 식별자를 추가하는 것에 의해, 제어기(40)는 AI 컴퓨팅 디바이스(20)에서의 다수의 컴퓨팅 컴포넌트들(23)과 통신할 수 있다. 단일 AI 컴퓨팅 디바이스(20)는 복수의 컴퓨팅 컴포넌트들(23)을 포함할 수 있으며, 이는 단일 AI 컴퓨팅 디바이스(20)의 컴퓨팅 용량 및 컴퓨팅 능력을 크게 개선한다.
일부 실시예들에서, 컴퓨팅 컴포넌트(23)와 제어기(40) 사이에 교환되는 데이터는 복수의 타입들로 분할될 수 있다. 예를 들어, 이러한 데이터는 우선순위, 송신 시간 요건 등에 의존하여 복수의 타입들로 분할될 수 있다. 통신 컴포넌트(22)는 수신된 데이터의 타입에 대응하는 미리 설정된 처리 전략에 따라 이러한 데이터를 처리할 수 있다. 미리 설정된 처리 전략들은 데이터 처리 시퀀스에 대한 전략, 데이터 송신 시퀀스에 대한 전략, 데이터 송신 방법에 대한 전략 등을 포함할 수 있다. 일부 실시예들에서, 상이한 타입들의 데이터에 대해 상이한 타입들의 논리 송신 채널들이 미리 설정될 수 있다. 통신 컴포넌트(22)는 제어기(40)에 의해 전송되는 제1 패킷에서의 데이터에 대응하는 데이터 채널 식별자에 따라 데이터의 타입을 결정하고, 이러한 타입에 대응하는 처리 전략에 따라 데이터를 처리하고; 백플레인 버스(211)를 통해 제1 컴퓨팅 컴포넌트(23)에 의해 제공되는 데이터 타입을 획득하고, 피드백 데이터의 타입과 대응하도록 미리 설정된 송신 채널을 사용하여 필드 버스 인터페이스(212)를 통해 제어기(40)에 피드백 데이터에 대응하는 제2 패킷을 전송할 수 있다.
도 3은 본 출원의 실시예들의 AI 컴퓨팅 디바이스(20)의 컴퓨팅 컴포넌트(23)와 통신 컴포넌트(22) 사이의 내부 데이터 통신을 예시한다. 도 3에 도시되는 바와 같이, AI 컴퓨팅 디바이스(20)에서의 하나 이상의 컴퓨팅 컴포넌트(23)는 피드백 데이터 및 그 타입을 통신 컴포넌트(22)에 전송할 수 있다. 통신 컴포넌트(22)는 피드백 데이터의 타입에 따라 피드백 데이터를 상이한 데이터 채널들에 매핑하고, 필드 버스 인터페이스(212)를 통해 필드 버스(60)에 이것을 전송한다. 이러한 예에서, 피드백 데이터의 타입들은 주기적 데이터(221), 비주기적 데이터(222), 진단 서비스 데이터(223) 등을 포함할 수 있다.
도 4는 본 출원의 실시예들에서의 상이한 논리 채널들을 통한 AI 컴퓨팅 디바이스(20)의 컴퓨팅 컴포넌트(23)와 제어기(40) 사이의 데이터 통신을 예시한다. 도 4에 도시되는 바와 같이, AI 컴퓨팅 디바이스(20)와 제어기(40) 사이의 논리 채널들(이하 IO 채널(27)이라고 또한 지칭됨)은 제1 송신 채널(271) 및 제2 송신 채널(272)로서 분류된다. 제1 송신 채널(271)은 비주기적 송신 채널이다, 즉, 그 송신 타이밍이 주기적이지 않고 필요할 때만 데이터를 송신한다. 제2 송신 채널(272)은 고정 시간 간격으로 데이터를 송신하는 주기적 송신 채널이다. 제1 송신 채널(271) 및 제2 송신 채널(272)은 그들의 채널 식별자들에 의해 구별될 수 있다.
도 4에서, 컴퓨팅 컴포넌트(23)는 제1 송신 채널(271)을 통해 제어기(40)와 기록 데이터를 교환할 수 있다. 기록 데이터는, (AI 컴퓨팅 아키텍처의 구조의 구성 정보, AI 컴퓨팅 아키텍처(231)의 입력 파라미터들 및 출력 파라미터들의 구성 정보 등과 같은) 구성 정보, 트레이닝 데이터 등과 같은, 실시간 통신을 위한 낮은 중요도 또는 낮은 요건의 데이터일 수 있다. 컴퓨팅 컴포넌트(23)는 구성 정보를 내장된 구성 데이터 저장 모듈(232)에 저장하고, 트레이닝 데이터를 트레이닝 데이터 저장 모듈(233)에 저장할 수 있다. 일부 경우들에서, 컴퓨팅 컴포넌트(23)는 내장된 구성 데이터 저장 모듈(232)에서의 구성 정보를 제1 송신 채널(271)을 통해 제어기(40)에 전송할 수 있고, 제어기(40)는 구성 정보에 따라 다른 모듈들의 컴퓨팅 아키텍처를 조정할 수 있다.
도 4에서, 컴퓨팅 컴포넌트(23)는 또한 제2 송신 채널(272)을 통해 제어기(40)와 제어 데이터를 교환할 수 있다. 예를 들어, 제어 데이터는 제어기(40)에 의해 전송되는 AI 컴퓨팅 아키텍처(231)에 대한 상태 전환 명령어, 제어기(40)에 의해 전송되는 분석될 생산 프로세스 데이터, 컴퓨팅 컴포넌트(23)에 의해 전송되는 AI 컴퓨팅 아키텍처(231)의 상태 보고 등을 포함할 수 있다.
컴퓨팅 컴포넌트(23)는 제어기(40)에 의해 전송되는 상태 전환 명령어에 따라 AI 컴퓨팅 아키텍처(231)의 동작 상태를 변경하기 위한 상태 전환 모듈(235)을 포함할 수 있다. 예를 들어, 상태 전환 모듈(235)은 제2 송신 채널(272)을 사용하여 AI 컴퓨팅 아키텍처(231)의 현재 동작 상태를 통신 컴포넌트(22)를 통해 제어기(40)에 전송하고, 통신 컴포넌트(22)를 통해 제어기(40)에 의해 전송되는 상태 전환 명령어를 수신하고, AI 컴퓨팅 아키텍처(231)를 제1 동작 상태로부터 제2 동작 상태로 전환할 수 있다. 예를 들어, 상태 전환 모듈(235)은 ISW(initial status word)를 사용하여 제2 송신 채널(272)을 통해 AI 컴퓨팅 아키텍처(231)의 상태를 제어기(40)에 전송하고, 제어기(40)에 의해 전송되는 OCW(operation control word)에 따라 AI 컴퓨팅 아키텍처(231)의 상태를 전환할 수 있다.
상태 전환 모듈(235)은 또한 AI 컴퓨팅 아키텍처(231)의 현재 동작 상태에 따라 제어기(40)에 의해 제공되는 현재 동작 상태에 대응하는 데이터를 AI 컴퓨팅 아키텍처(231)에 입력할 수 있다. 예를 들어, AI 컴퓨팅 아키텍처(231)가 트레이닝 상태에 있을 때, 상태 전환 모듈(235)은 제1 송신 채널(271)을 통해 제어기(40)에 의해 전송되는 그리고 트레이닝 데이터 저장 모듈(233)에 저장되는 트레이닝 데이터를 AI 컴퓨팅 아키텍처(231)를 트레이닝하기 위해 AI 컴퓨팅 아키텍처(231)에 입력할 수 있다. 예를 들어, AI 컴퓨팅 아키텍처(231)가 동작 상태에 있을 때, 상태 전환 모듈(235)은 제2 송신 채널(272)을 통해 제어기(40)에 의해 주기적으로 전송되는 분석될 데이터를 AI 컴퓨팅 아키텍처(231)에 입력할 수 있어 AI 컴퓨팅 아키텍처(231)는 분석 결과를 출력할 수 있다. AI 컴퓨팅 아키텍처(231)에 의해 생성되는 분석 결과가 또한 제2 송신 채널(272)을 통해 제어기(40)에 피드백될 수 있다.
이러한 방식으로, 상이한 타입들의 데이터를 전송하기 위해 상이한 송신 채널들을 사용하여, AI 컴퓨팅 디바이스(20)의 데이터 응답 능력 및 처리 효율이 개선된다.
하나 이상의 AI 컴퓨팅 디바이스(20)가 시스템(10)에서 제공될 수 있고, 각각의 AI 컴퓨팅 디바이스(20)는 하나 이상의 컴퓨팅 컴포넌트(23)를 포함할 수 있고, 상이한 컴퓨팅 컴포넌트들(23)은 상이한 기능들이 있는 AI 컴퓨팅 아키텍처들(231)을 가질 수 있다. AI 컴퓨팅 아키텍처(231)가 구현할 수 있는 기능들은, 이에 제한되는 것은 아니지만, 온라인 파라미터 최적화, 프로세스 모니터링, 고장 진단 등을 포함할 수 있다.
예를 들어, AI 컴퓨팅 아키텍처(231)가 온라인 최적화를 위한 최적화 계산 프로세스를 포함할 때, AI 컴퓨팅 아키텍처(231)는 미리 설정된 최적화 계산 프로세스를 수행하여 생산 프로세스 데이터에서의 복수의 생산 파라미터들을 최적화하고, 복수의 생산 파라미터들의 추천 값들을 출력할 수 있다. 일부 예들에서, 컴퓨팅 모듈(23)은 또한 추천 값들을 분석 결과로서 제어기(40)에 의해 식별가능한 생산 조정 추천으로 변환할 수 있다. 생산 조정 추천은 복수의 생산 파라미터들 중 적어도 하나의 생산 파라미터의 추천 값을 포함한다. 일부 예들에서, 추천 값들에 대한 처리 전략은 미리 설정될 수 있다. 예를 들어, 임계값이 미리 설정될 수 있고, 파라미터의 실제 값과 추천 값 사이의 차이가 이러한 임계값보다 크지 않을 때, 파라미터에 대한 조정 추천은 분석 결과로부터 배제될 수 있다. 이러한 것은 생산 파라미터들에 대한 빈번한 그리고 불필요한 변경들을 회피한다.
다른 예를 들어, AI 컴퓨팅 아키텍처(231)가 상태 모니터링을 위한 파라미터 측정 프로세스를 포함할 때, AI 컴퓨팅 아키텍처(231)는 미리 설정된 파라미터 측정 프로세스를 수행하여 생산 프로세스 데이터에서의 복수의 생산 파라미터들을 측정하고, 파라미터 측정의 결과를 출력할 수 있으며, 이는 복수의 생산 파라미터들이 정상인지 표시한다. 일부 예들에서, 컴퓨팅 모듈(23)은 또한 파라미터 측정 결과를 분석 결과로서 제어기(40)에 의해 식별가능한 상태 모니터링 보고로 변환할 수 있고, 이러한 상태 모니터링 보고는 생산 장비의 상태가 정상인지 표시하기 위한 정보를 포함한다.
또 다른 예를 들어, AI 컴퓨팅 아키텍처(231)가 고장 진단 프로세스를 포함할 때, AI 컴퓨팅 아키텍처(231)는 미리 설정된 고장 진단 프로세스를 수행할 수 있고, 이에 의해 생산 프로세스 데이터에서의 복수의 생산 파라미터들의 값들이 고장 진단을 수행하기 위해 사용되고 고장 진단 결과가 출력된다. 고장 진단 결과는 시스템(10)에서의 컴포넌트(예를 들어, 콜렉터, 액추에이터, 생산 장비 등)에 관한 정보를 포함한다. 일부 예들에서, 컴퓨팅 모듈(23)은 또한 고장 진단 결과를 분석 결과로서 제어기(40)에 의해 식별가능한 고장 보고로 변환할 수 있고, 이러한 고장 보고는 컴포넌트들에 관한 정보를 포함한다.
상이한 기능들이 있는 AI 컴퓨팅 아키텍처(231)를 채택하는 것에 의해, 산업 자동화 시스템들의 제어 능력이 개선될 수 있다.
일부 실시예들에서, 컴퓨팅 컴포넌트(23)는 또한 AI 컴퓨팅 아키텍처(231)를 구성하기 위한 구성 유닛(도시되지 않음)을 포함할 수 있다. 이러한 구성 유닛은 통신 컴포넌트(22)를 통해 제어기(40)에 의해 전송되는 구성 파라미터들을 수신하고- 구성 파라미터들은 AI 컴퓨팅 아키텍처(231)의 복수의 속성 값들을 포함함 -; AI 컴퓨팅 아키텍처(231)에 대응하는 복수의 속성들의 값들을 구성 파라미터들에서의 복수의 속성 값들로서 설정할 수 있다. 예를 들어, 복수의 속성 값들은 구조적 속성 값을 포함할 수 있고, 구성 유닛은 구성 파라미터들에서의 구조적 속성 값들을 사용하여, AI 컴퓨팅 아키텍처(231)에서의 신경망의 계층적 구조와 같은, AI 컴퓨팅 아키텍처(231)의 컴포넌트들 및 접속 방법들을 설정할 수 있다. 상이한 AI 기능들 및 상이한 생산 프로세스들은 상이한 컴퓨팅 요건들을 갖는다. ES(30)는 제어기(40)에 대해 요구된 AI 컴퓨팅 아키텍처의 구조 정보를 구성할 수 있고, 제어기(40)는 대응하는 컴퓨팅 컴포넌트들(23)을 구성한다. 다른 예를 들어, 복수의 속성 값들은 제1 파라미터 및 제2 파라미터를 포함할 수 있고, 제1 파라미터는 생산 장비의 하나 이상의 생산 파라미터이다. 구성 유닛은 제1 파라미터를 AI 컴퓨팅 아키텍처(231)의 입력 파라미터로서 설정하고; 제2 파라미터를 AI 컴퓨팅 아키텍처(231)의 출력 파라미터로서 설정할 수 있다. 상이한 생산 프로세스들은 상이한 생산 파라미터들을 갖는다. ES(30)는 제어기(40)에 사용될 생산 파라미터들의 정보를 구성할 수 있고, 제어기(40)는 대응하는 컴퓨팅 컴포넌트들(23)을 구성한다. 구성 유닛은 또한 구성 데이터 저장 모듈(232)에 구성 파라미터들을 저장할 수 있다. 컴퓨팅 컴포넌트(23)의 개방 구성 인터페이스는 AI 컴퓨팅 디바이스(20)의 적용 범위를 확장하고, 상이한 시나리오들에 대한 특수 AI 컴퓨팅 디바이스들(20)의 개발에서의 과도하게 높은 비용의 문제점이 해결될 수 있다.
일부 실시예들에서, 상태 전환 모듈(235)은 또한 상태 머신 메커니즘을 사용하여 AI 컴퓨팅 아키텍처(231)의 동작 상태를 관리할 수 있다. 도 5는 본 출원의 실시예들의 AI 컴퓨팅 아키텍처의 상태 머신을 예시한다. 도 5에 도시되는 바와 같이, AI 컴퓨팅 아키텍처(231)는 7개의 상태들, 즉, 초기화 완료(S1), 트레이닝 준비(S2), 트레이닝(S3), 트레이닝 에러(S4), 동작 준비(S5), 동작(S6), 및 동작 에러(S7)를 가질 수 있다. 동작은 AI 컴퓨팅 아키텍처(231)가 트레이닝된 모델을 사용하여 생산 프로세스 데이터를 분석하는 프로세스를 지칭한다. 따라서, 제어기(40)는 6개의 제어 워드들을 사용하여 AI 컴퓨팅 아키텍처(231)의 상태 전이를 제어할 수 있다. 6개의 제어 워드들은 6개의 신호들에 의해 구현된다. 예를 들어, 6개의 타입들의 제어 워드들을 표현하기 위해 6-비트 정보가 사용될 수 있으며, 각각의 비트는 하나의 명령어를 표현한다. 예를 들어, 비트 1은 트레이닝 준비(S1로부터 S2로의 전이)를 의미하고, 비트 2는 동작 착수(S1로부터 S5로의 전이)를 의미하고, 비트 3은 트레이닝 시작(S2로부터 S3으로의 전이)를 의미하고, 비트 4는 동작 시작(S5로부터 S6으로의 전이)을 의미하고, 비트 5는 트레이닝 종료(S2/ S3으로부터 S1로의 전이)를 의미하고, 비트 6은 동작 종료(S6/ S5로부터 S1로의 전이)를 의미한다. 명령어에 대응하는 비트를 설정하는 것은 AI 컴퓨팅 아키텍처(231)가 명령어에 대응하는 상태 전이 동작을 수행하도록 요구된다는 점을 표시한다. AI 컴퓨팅 아키텍처(231)가 S4 또는 S7의 에러 상태에 진입할 때, 이것은 제어기(40)로부터의 명령어를 대기하지 않고 상태 S4 또는 S7을 제어기(40)에 보고한 후에 S1에 직접 진입할 수 있다. AI 컴퓨팅 아키텍처(231)의 상태 관리를 수행하는 상태 머신으로, AI 컴퓨팅 아키텍처(231)의 동작 제어는 더 표준화되고 관리가 더 용이하다.
제어기(40)는 또한 컴퓨팅 컴포넌트(23)의 상태 머신을 사용하여 복수의 컴퓨팅 컴포넌트들(23)의 병렬 작업들을 동기화할 수 있다. 예를 들어, 제어기(40)는 컴퓨팅 작업들을 복수의 컴퓨팅 컴포넌트들(23)에 할당하고, 각각의 컴퓨팅 컴포넌트(23)는 계산을 완료한 후에 상태 비트를 S1로 설정할 것이다. 다음으로 제어기(40)는 컴퓨팅 컴포넌트들(23)이 현재 동기화되고 다음 사이클의 동작을 위해 준비되어 있다고 결정하기 전에 모든 컴퓨팅 컴포넌트들(23)이 S1로 리턴하기를 대기할 필요만 있다.
일부 실시예들에서, 컴퓨팅 컴포넌트(23)는 제어기(40)의 명령어에 따라 컴퓨팅 컴포넌트(23)의 작동 모드를 변경하기 위한 에너지 절약 유닛(도시되지 않음)을 또한 포함할 수 있다. 에너지 절약 유닛은 통신 컴포넌트(22)를 통해 제어기(40)에 의해 전송되는 제1 명령어를 수신하고, 제1 명령어에 따라 저 전력 소비 모드에 진입하고; 통신 컴포넌트(22)를 통해 제어기(40)에 의해 전송되는 제2 명령어를 수신하고, 제2 명령어에 따라 저 전력 소비 모드를 종료할 수 있다. 예를 들어, PROFINET 프로토콜이 사용될 때, 제어기(40)는 자동화 시스템이 저 전력 소비 모드에 진입하거나 또는 이를 종료할 때 모든 디바이스들에 대해 슬립 또는 웨이크 업하기 위한 PROFIenergy 명령어를 전송할 것이다. 컴퓨팅 컴포넌트(23)는 제어기(40)에 의해 전송되는 PROFIenergy 명령어에 따라 저 전력 소비 모드에 진입하거나 또는 이를 종료할 수 있다. 이러한 것은 자동화 시스템이 저 전력 소비 모드에서 동작하고 있을 때 AI 컴퓨팅 디바이스(20)의 에너지 소비를 감소시킬 수 있다.
일부 실시예들에서, 백플레인(21)은 복수의 슬롯들을 포함할 수 있고, 컴퓨팅 컴포넌트(23)는 플러그가능 확장 카드로서 이러한 슬롯들을 통해 백플레인 버스(211)에 접속된다. 이러한 방식으로, AI 컴퓨팅 디바이스(20)의 컴퓨팅 용량이 확장될 필요가 있을 때, 새로운 컴퓨팅 컴포넌트(23)가 슬롯들을 통해 접속될 수 있다. 컴퓨팅 컴포넌트(23)가 대체될 필요가 있을 때(예를 들어, 파라미터 최적화를 위한 기존의 컴퓨팅 컴포넌트(23)가 고장 진단을 위한 컴퓨팅 컴포넌트(23)로 대체될 필요가 있을 때), 기존의 컴퓨팅 컴포넌트(23)는 슬롯으로부터 제거될 수 있고, 새로운 컴퓨팅 컴포넌트(23)가 삽입될 수 있다. 이러한 플러그가능 설계는 AI 컴퓨팅 디바이스(20)의 컴퓨팅 능력을 용이하게 확장하거나 또는 AI 컴퓨팅 디바이스(20)의 AI 기능들을 변경할 수 있다.
다음은 제어기(40)가 AI 컴퓨팅 디바이스(20)를 제어하는 방법을 설명한다. 도 6은 본 출원의 실시예들의 제어 방법의 흐름도이다. 이러한 방법은 제어기(40)에서의 제어 장치(41)에 의해 구현될 수 있다. 이러한 방법은 다음의 단계들을 포함한다.
단계 S61: 산업 자동화 시스템에서 데이터를 획득함.
단계 S62: 산업 자동화 시스템의 필드 버스(60)를 통해 이러한 데이터를 필드 버스(60)에 접속되는 AI 컴퓨팅 디바이스에 전송함.
단계 S63: AI 컴퓨팅 디바이스(20)에 의해 이러한 데이터를 분석하는 것에 의해 획득되는 분석 결과를, 필드 버스(60)를 통해, 수신하고, 이러한 분석 결과를 제어기(40)에서의 의사-결정 장치(42)에 제공함- 의사-결정 장치가 생산 장비에 대한 제어 명령어를 생성함 -.
각각의 실시예의 제어 방법에서, 생산 프로세스 데이터를 분석하기 위해 필드 버스 인터페이스가 있는 AI 컴퓨팅 디바이스를 사용하여, 산업 자동화 시스템에서 지능형 폐쇄-루프 제어를 구현하고 제어 효율을 개선하는 것이 가능하다.
일부 실시예들에서, AI 컴퓨팅 디바이스(20)에 제공될 필요가 있는 생산 파라미터들을 결정하기 위해, 제어 장치(41)는 미리 설정된 제1 구성 정보에서의 복수의 입력 파라미터들을 복수의 생산 파라미터들로서 설정하고, 생산 프로세스 데이터로서 사용될, 산업 자동화 시스템에서 데이터 취득 장비에 의해 제공되는 데이터로부터 복수의 생산 파라미터들의 값들을 획득할 수 있다. 일부 실시예들에서, 제어 장치(41)는 미리 설정된 시간 길이의 간격으로 생산 프로세스 데이터로서 이전 시간 주기에서 데이터 취득 장비에 의해 제공되는 데이터로부터 복수의 생산 파라미터들의 값들을 획득할 수 있다. 분석을 위해 AI 컴퓨팅 디바이스(20)에 생산 프로세스 데이터를 주기적으로 전송하는 것에 의해, 현재 생산 프로세스의 분석 결과는 비교적 적시의 방식으로 획득될 수 있고, 이는 생산 파라미터들의 적시의 조정을 용이하게 하고 생산 효율을 개선한다.
일부 실시예들에서, 생산 프로세스 데이터를 AI 컴퓨팅 디바이스(20)에 전송할 때, 제어 장치(41)는 미리 설정된 제2 구성의 정보로부터 AI 컴퓨팅 디바이스(20)에서의 제1 컴퓨팅 컴포넌트(23)의 정보를 획득하고; 제1 AI 컴퓨팅 디바이스(20)에서의 제1 컴퓨팅 컴포넌트(23)에 생산 프로세스 데이터를 전송할 수 있다. 구성 정보로부터 컴퓨팅 컴포넌트(23)의 정보를 획득하는 것에 의해, 단순히 컴퓨팅 컴포넌트(23)가 대체되거나 또는 다른 컴포넌트가 추가될 때 구성 정보를 업데이트하는 것을 통해 제어 장치(41)를 적응적으로 조정하는 것이 편리하고 유연하다.
AI 컴퓨팅 디바이스(20)가 복수의 컴퓨팅 컴포넌트들(23)을 포함할 때, 제어 장치(41)는 각각의 컴퓨팅 컴포넌트와의 통신을 위해 이러한 컴퓨팅 컴포넌트들의 정보를 획득할 필요가 있다. 일부 실시예들에서, 제어 장치(41)는, 복수의 컴퓨팅 컴포넌트들의 정보가 기록되는, 제2 구성의 정보를 획득할 수 있다. 일부 실시예들에서, 제어 장치(41)는, 복수의 컴퓨팅 컴포넌트들의 정보가 기록되는, 제2 구성의 정보를 획득할 수 있다.
부하 균형화를 달성하기 위해, 제어 장치(41)는 적어도 하나의 AI 컴퓨팅 디바이스(20)로부터 복수의 컴퓨팅 컴포넌트들(23)의 부하 정보를 획득하고; 이러한 부하 정보에 따라 제1 컴퓨팅 컴포넌트(23)로서 복수의 컴퓨팅 컴포넌트들(23)로부터 하나의 컴퓨팅 컴포넌트(23)를 선택하고, 컴퓨팅 컴포넌트(23)가 속하는 AI 컴퓨팅 디바이스(20)를 AI 컴퓨팅 디바이스(20)로서 설정한다. 예를 들어, 컴퓨팅 컴포넌트(23)는 (컴퓨팅 부하, 프로세서 온도, 컴퓨팅 대역폭(초 당 완료되는 동작들의 수) 등과 같은) 자신의 부하 정보를 I&M(identification and maintenance) 정보를 통해 제어기(40)에 업로드할 수 있다. 제어기(40)는 부하 균형화 알고리즘(예를 들어, 패킹 알고리즘 등)에 따라 계산 작업을 컴퓨팅 컴포넌트(23)에 할당하고, 이러한 계산 작업에 대응하는 생산 프로세스 데이터를 전송할 수 있다. 부하 공유를 위한 복수의 컴퓨팅 컴포넌트들(23)에 의해, 계산 작업들의 수가 많은 경우에도, 제어 시스템의 원활한 동작을 보장하고 동작 효율을 개선하는 것이 가능하다. 계산 작업들을 할당하기 위한 방법은 사용되는 AI 알고리즘에 의존한다. 예를 들어, 복수의 컴퓨팅 컴포넌트들(23)은 상이한 파라미터들을 처리하거나, 또는 상이한 시간 주기들에서 데이터를 처리하거나, 또는 동일한 데이터 세트를 병렬로 처리할 수 있는 등이다.
일부 실시예들에서, 제어 장치(41)는 주기적 데이터를 사용하여 정규화된 생산 프로세스 데이터를 고정된 사이클로 컴퓨팅 컴포넌트(23)에 입력하고, 컴퓨팅 컴포넌트(23)로부터 출력되는 정규화된 출력 데이터를 획득할 수 있다. 컴퓨팅 컴포넌트들(23)의 상이한 구조들은 상이한 양들의 입력 데이터 및 출력 데이터를 생성할 수 있다. 각각의 컴퓨팅 컴포넌트(23)에 의해 사용되는 (16 바이트, 64 바이트 등과 같은) 패킷 길이는 제어 장치(41)의 구성 정보에서 명시될 수 있다. 구성 정보는, 예를 들어, 구성 파일들, 디바이스 설명 파일들 등을 통해 ES(30)에 의해 제어 장치(41)에 제공될 수 있다. 예를 들어, 구성 파일은, 제조자, 통신 포트들, 모듈들 및 서브-모듈들, 경보 진단 등에 관한 정보를 포함할 수 있는, GSDML 파일일 수 있다. 각각의 컴퓨팅 컴포넌트(23)에 의해 지원되는 패킷 길이의 구성을 통해, 제어 장치(41)와 각각의 컴퓨팅 컴포넌트(23) 사이의 데이터 통신은 효율적이고 유연하게 구현될 수 있다.
일부 실시예들에서, 상이한 컴퓨팅 컴포넌트들은 상이한 기능들이 있는 AI 컴퓨팅 아키텍처들(231)을 가질 수 있고, 상이한 기능들이 있는 AI 컴퓨팅 아키텍처들(231)의 출력 데이터 또한 상이하므로, 분석 결과들이 의사-결정 장치에 제공된다.
예를 들어, AI 컴퓨팅 아키텍처(231)가 온라인 최적화를 위한 최적화 계산 프로세스를 포함할 때, AI 컴퓨팅 아키텍처(231)는 복수의 생산 파라미터들을 최적화한다. 제어 장치(41)는 AI 컴퓨팅 아키텍처(231)로부터 출력되는 복수의 생산 파라미터들의 추천 값들을 획득하고, 추천 값들을 의사-결정 장치(42)에 제공되는 분석 결과로서 결정 장치(42)에 의해 식별될 수 있는 생산 조정 추천들로 변환할 수 있다. 이러한 생산 조정 추천들은 복수의 생산 파라미터들 중 적어도 하나의 추천 값을 포함한다.
다른 예를 들어, AI 컴퓨팅 아키텍처(231)가 상태 모니터링을 위한 파라미터 측정 프로세스를 포함할 때, AI 컴퓨팅 아키텍처(231)는 복수의 생산 파라미터들의 값들을 측정한다. 제어 장치(41)는 AI 컴퓨팅 아키텍처(231)로부터 출력되는 파라미터 측정 결과를 획득하고- 파라미터 측정 결과는 복수의 생산 파라미터들의 값들이 정상인지 표시함 -; 파라미터 측정 결과를 분석 결과로서 의사-결정 장치(42)에 제공되는 보고로서 의사-결정 장치(42)에 의해 식별될 수 있는 상태 모니터링 보고로 변환할 수 있다- 상태 모니터링 보고는 생산 장비의 상태가 정상인지 표시하기 위해 사용되는 정보를 포함함 -.
또 다른 예를 들어, AI 컴퓨팅 아키텍처(231)가 고장 진단 프로세스를 포함할 때, AI 컴퓨팅 아키텍처(231)는 복수의 생산 파라미터들의 값들을 사용하여 고장 진단을 수행한다. 제어 장치(41)는 AI 컴퓨팅 아키텍처(231)로부터 출력되는 고장 진단 결과를 획득하고- 고장 진단 결과는 생산 장비의 하나의 컴포넌트에 관한 정보를 포함함 -; 고장 진단 결과를 분석 결과로서 의사-결정 장치(42)에 제공되는 보고로서 의사-결정 장치(42)에 의해 식별될 수 있는 고장 진단 보고로 변환한다- 고장 진단 보고는 컴포넌트에 관한 정보를 포함함 -.
제어 장치(41)에서 AI 계산 결과들을 분석 결과들로 변환하는 것은 컴퓨팅 컴포넌트(23)의 구현을 단순화할 수 있다. 또한, 제어 장치(41)의 제어 프로세스가 구성 및 프로그래밍을 통해 조정될 수 있기 때문에, 제어 장치(41)가 AI 컴퓨팅 아키텍처로부터의 출력 데이터를 처리할 때 조정은 비교적 용이하다.
일부 실시예들에서, 컴퓨팅 컴포넌트의 파라미터들이 구성될 필요가 있을 때, 제어 장치(41)는 미리 설정된 제3 구성 정보로부터 제1 컴퓨팅 컴포넌트(23)의 구성 파라미터들을 획득하고- 구성 파라미터들은 제1 컴퓨팅 컴포넌트(23)에 의해 사용되는 AI 컴퓨팅 아키텍처의 복수의 속성 값들을 포함함 -; 구성 파라미터들을 제1 컴퓨팅 컴포넌트(23)에 전송할 수 있다- 제1 컴퓨팅 컴포넌트(23)가 AI 컴퓨팅 아키텍처의 복수의 속성 값들의 값을 복수의 속성 값들로 설정함 -. AI 컴퓨팅 아키텍처의 복수의 속성 값들은 구조적 속성 값들, 또는 입력 및 출력 파라미터들 등을 포함할 수 있다.
일부 실시예들에서, AI 컴퓨팅 아키텍처의 트레이닝 데이터가 또한 구성 정보로부터 획득될 수 있다. 예를 들어, 제어 장치(41)는 미리 설정된 제4 구성 정보로부터 트레이닝 데이터를 획득하고, 이러한 트레이닝 데이터를 제1 컴퓨팅 컴포넌트(23)에 전송할 수 있어, 제1 컴퓨팅 컴포넌트(23)가 이러한 트레이닝 데이터를 사용하여 제1 컴퓨팅 컴포넌트(23)에서 AI 컴퓨팅 아키텍처를 트레이닝할 수 있다.
각각의 실시예의 제어 방법은 제어기(40)에서 제공되는 제어 장치(41)에 의해 구현될 수 있다. 도 7은 본 출원의 실시예들의 제어 장치를 예시한다. 도 7에 도시되는 바와 같이, 이러한 제어 장치(41)는, 생산 데이터 취득 유닛(411), 작업 전송 유닛(412), 및 결과 수집 유닛(413)을 포함할 수 있다.
생산 데이터 취득 유닛(411)은 산업 자동화 시스템에서의 생산 장비의 생산 프로세스 데이터를 취득할 수 있다. 생산 프로세스 데이터는 생산 장비의 복수의 생산 파라미터들의 값들을 포함한다.
작업 전송 유닛(412)은 산업 자동화 시스템의 필드 버스(60)를 통해 필드 버스(60)에 접속되는 AI 컴퓨팅 디바이스에서의 제1 컴퓨팅 컴포넌트(23)에 생산 프로세스 데이터를 전송할 수 있다.
결과 수집 유닛(413)은 필드 버스(60)를 통해 AI 컴퓨팅 디바이스(20)에 의해 전송되는 분석 결과를 수신하고- 분석 결과는 생산 프로세스 데이터를 사용하여 제1 컴퓨팅 컴포넌트(23)에 의해 생산 장비의 생산 프로세스의 분석으로부터 획득됨 -; 분석 결과를 제어기(40)에서의 의사-결정 장치에 제공할 수 있다- 의사-결정 장치가 생산 장비에 대한 제어 명령어들을 생성함 -.
일부 실시예들에서, 제어 장치는 구성 유닛(414)을 추가로 포함할 수 있다. 이러한 구성 유닛(414)은 미리 설정된 제3 구성 정보로부터 제1 컴퓨팅 컴포넌트(23)의 구성 파라미터들을 획득하고- 구성 파라미터들은 제1 컴퓨팅 컴포넌트(23)의 AI 컴퓨팅 아키텍처의 복수의 속성 값들을 포함함 -; 구성 파라미터를 제1 컴퓨팅 컴포넌트(23)에 전송하여, AI 컴퓨팅 아키텍처의 복수의 속성 값들을 복수의 속성 값들로 설정한다.
일부 실시예들에서, 제어 장치는 트레이닝 유닛(415)을 추가로 포함할 수 있다. 트레이닝 유닛(415)은 미리 설정된 제4 구성 정보로부터 트레이닝 데이터를 획득하고, 이러한 트레이닝 데이터를 제1 컴퓨팅 컴포넌트(23)에 전송할 수 있어, 제1 컴퓨팅 컴포넌트(23)가 이러한 트레이닝 데이터를 사용하여 AI 컴퓨팅 아키텍처를 트레이닝할 수 있다.
본 출원의 실시예의 제어 방법은 소프트웨어 코드로서 또한 구현될 수 있다. 이러한 소프트웨어 코드는 컴퓨터 판독가능 저장 매체에 저장될 수 있다. 이러한 소프트웨어 코드는 (IEC 61131-3과 같은) 산업 제어 프로그래밍 언어들에 대한 표준들을 준수하는 머신-판독가능 명령어들일 수 있다. 일부 실시예들에서, 이러한 소프트웨어 코드는 원격 저장 디바이스, 로컬 저장 디바이스, 또는 (컴팩트 디스크, 플래시 메모리 등과 같은) 이동식 저장 디바이스로부터 ES(30)에 의해 판독될 수 있고, 다음으로 구성 후에 제어기(40)에 로딩될 수 있다. 제어기(40)는 이러한 코드를 실행하여 위 제어 방법을 구현할 것이다.
각각의 실시예에서, ES(30)는 AI 컴퓨팅 디바이스(20)를 제어하기 위해 요구되는 구성 정보 및 제어 로직을 제어기(40)에 제공할 수 있어, 제어기(40)로 하여금 AI 컴퓨팅 디바이스(20)를 제어할 수 있게 한다. 도 8은 본 출원의 실시예들의 ES를 예시한다. 도 5에 도시되는 바와 같이, ES(30)는, 프로세서(32), 메모리(33), 및 통신 디바이스(34)를 포함할 수 있다. 통신 디바이스(34)는 ES(30)로 하여금 네트워크 상의 다른 디바이스들과 통신할 수 있게 하기 위해 사용된다. 메모리(33)는 관리 모듈(37)을 포함할 수 있다.
관리 모듈(37)은 인터페이스 모듈(371), 디바이스 구성 모듈(372), 및 제어 구성 모듈(373)을 포함한다.
인터페이스 모듈(371)은 디바이스 구성 인터페이스들을 제공할 수 있다.
디바이스 구성 모듈(372)은 디바이스 구성 인터페이스로부터 디바이스 구성 정보를 수신하고- 디바이스 구성 정보는 AI 컴퓨팅 디바이스의 식별자 및 AI 컴퓨팅 디바이스(20)에서의 적어도 하나의 컴퓨팅 컴포넌트(23)의 식별자 정보를 포함함 -; 디바이스 구성 정보를 산업 자동화 시스템의 제어기(40)에 전송할 수 있다- 제어기(40)가 디바이스 구성 정보를 사용하여 AI 컴퓨팅 디바이스(20)와 통신함 -.
제어 구성 모듈(373)은 AI 컴퓨팅 디바이스(20)에 대응하는 제어 로직(31)을 획득하고, 디바이스 구성 인터페이스로부터 AI 컴퓨팅 디바이스(20)에 대한 제어 구성 정보를 수신하고- 제어 구성 정보는 적어도 하나의 컴퓨팅 컴포넌트(23)의 제1 컴퓨팅 컴포넌트(23)의 계산 파라미터들을 포함함 -; 제어 구성 정보를 제어 로직(31)에 로딩하고, 제어 로직(31)을 제어기(40)에 로딩할 수 있다. 제어 로직(31)은 제어기(40)로 하여금 제1 컴퓨팅 컴포넌트(23)를 구성하고, 분석을 위해 산업 자동화 네트워크에서의 생산 장비의 생산 프로세스 데이터를 제1 컴퓨팅 컴포넌트(23)에 전송하고, 제1 컴퓨팅 컴포넌트(23)로부터 피드백되는 분석 결과를 획득할 수 있게 할 수 있다.
인터페이스 모듈(371), 디바이스 구성 모듈(372), 및 제어 구성 모듈(373)은 머신-판독가능 명령어들에 의해 구현될 수 있다.
일부 실시예들에서, 메모리(33)는 운영 체제(35) 및 네트워크 통신 컴포넌트(36)를 또한 포함할 수 있다.
일부 실시예들에서, 디바이스 구성 모듈(372)은 디바이스 구성 인터페이스로부터 제1 컴퓨팅 컴포넌트(23)의 채널 정보를 수신하고- 채널 정보는 하나 이상의 채널의 식별자를 포함함 -; 채널 정보를 제어기(40)에 전송할 수 있다- 제어기(40)는 데이터 타입에 대응하는 채널에 기초하여 제1 컴퓨팅 컴포넌트(23)에 데이터를 전송할 수 있음 -.
일부 실시예들에서, 제어 구성 모듈(373)은 디바이스 구성 인터페이스로부터 제1 컴퓨팅 컴포넌트(23)의 아키텍처 정보를 수신하고- 아키텍처 정보는 제1 컴퓨팅 컴포넌트(23)에서의 AI 컴퓨팅 아키텍처의 컴포넌트들 및 접속 방법들을 포함함 -, 아키텍처 정보를 제어 구성 정보로서 제어 로직에 로딩하고; 디바이스 구성 인터페이스로부터 제1 컴퓨팅 컴포넌트(23)의 AI 컴퓨팅 아키텍처의 입력 파라미터들 및 출력 파라미터들을 수신하고, 입력 파라미터들 및 출력 파라미터들을 제어 구성 정보로서 제어 로직에 로딩하고; 디바이스 구성 인터페이스로부터 제1 컴퓨팅 컴포넌트(23)의 트레이닝 데이터를 수신하고, 트레이닝 데이터를 제어 구성 정보로서 제어 로직에 로딩할 수 있다.
다음은 각각의 실시예에서 산업 자동화 시스템들의 제어 메커니즘의 이해를 용이하게 하기 위한 산업 생산 프로세스의 제어의 예이다. 이러한 것은 단순한 예이지만, 다른 실시예들은 더 많은 장비 및 생산 파라미터들을 포함할 수 있다. 도 9는 본 출원의 실시예들의 생산 프로세스를 예시한다. 도 9에 도시되는 바와 같이, 제어기(40)는 3개의 서보 밸브들 K1, K2, K3을 통해 원시 재료들의 흐름을 제어하고, 모터 속도 V를 통해 교반 속도를 제어하고, 온도 조절 장치의 세트 포인트를 통해 온도 T를 제어한다. 생산 프로세스의 출력 파라미터들은 센서들에 의해 측정될 수 있는 품질 Q1 및 출력 Q2이다.
일부 실시예들에서, 제어기(40)는 생산 파라미터들 K1, K2, K3, V, T, Q1, 및 Q2의 샘플 값들의 다수의 세트들을 파라미터 최적화 기능이 있는 컴퓨팅 컴포넌트(23)에 전송하고, K1, K2, K3, V, 및 T를 AI 컴퓨팅 아키텍처의 입력 파라미터들로서 그리고 Q1 및 Q2를 AI 컴퓨팅 아키텍처의 출력 파라미터들로서 구성할 수 있다. 컴퓨팅 컴포넌트(23)는 신경망을 통해 AI 컴퓨팅 아키텍처를 트레이닝하여 생산 프로세스에 대응하는 신경망 모델을 획득할 수 있다. 트레이닝 후에, 제어기(40)는 생산 파라미터들 K1, K2, K3, V, T, Q1, 및 Q2의 실제로 수집된 값들을 컴퓨팅 컴포넌트(23)에 전송한다. 트레이닝을 통해 획득되는 모델에 기초하여, 컴퓨팅 컴포넌트(23)의 AI 컴퓨팅 아키텍처는 생산 파라미터들 K1, K2, K3, V, 및 T에 대한 추천 값들의 세트를 획득할 수 있고, 그에 의해 품질 Q1 및 출력 Q2가 최적화될 수 있다.
일부 실시예들에서, 제어기(40)는 생산 파라미터들 K1, K2, K3, V, T, Q1, 및 Q2의 샘플 값들의 다수의 세트들을 파라미터 측정 기능이 있는 컴퓨팅 컴포넌트(23)에 전송하고, K1, K2, K3, V, 및 T를 AI 컴퓨팅 아키텍처의 입력 파라미터들로서 그리고 Q1 및 Q2를 AI 컴퓨팅 아키텍처의 출력 파라미터들로서 구성할 수 있다. 컴퓨팅 컴포넌트(23)는 신경망을 통해 AI 컴퓨팅 아키텍처를 트레이닝하여 생산 프로세스에 대응하는 신경망 모델을 획득할 수 있다. 트레이닝 후에, 제어기(40)는 생산 파라미터들 K1, K2, K3, V, T, Q1, 및 Q2의 실제로 수집된 값들을 컴퓨팅 컴포넌트(23)에 전송한다. 트레이닝으로부터 획득되는 모델에 기초하여, 컴퓨팅 컴포넌트(23)의 AI 컴퓨팅 아키텍처는 K1, K2, K3, V, 및 T의 실제 값들에 대응하는 Q1 및 Q2의 추정 값들을 획득할 수 있다. Q1 및 Q2의 실제 값들이 추정 값들과 매칭되지 않을 때, 비정상 파라미터 값들을 표시하는 테스트 결과가 출력될 것이다.
일부 실시예들에서, 제어기(40)는 고장 동안 수집되는 생산 파라미터들 K1, K2, K3, V, T, Q1, 및 Q2의 값들을 고장 진단 기능이 있는 컴퓨팅 컴포넌트(23)에 또한 전송할 수 있다. 트레이닝을 통해 컴퓨팅 컴포넌트(23)에 의해 획득되는 AI 컴퓨팅 아키텍처는 각각의 액추에이터의 고장의 확률을 획득할 수 있다. K2 고장의 확률이 가장 크다면, K2 서보 밸브의 고장을 표시하는 고장 진단 결과를 출력할 수 있다.
본 출원의 실시예들의 플러그-앤-플레이 AI 컴퓨팅 디바이스(20)에 의해, 인공 지능이 있는 폐쇄-루프 제어가 기존의 산업 자동화 제어 시스템들에서 편리하게 구현될 수 있고, 그렇게 함으로써 생산 효율을 개선한다는 점을 알 수 있다.
위의 것은 단지 본 출원의 바람직한 실시예들이고, 본 출원을 제한하도록 의도되는 것은 아니다. 본 출원의 동기부여 및 원리를 벗어나지 않고 행해지는 임의의 수정, 등가의 대체 및 개선은 그 범위에 포함될 것이다.
Claims (32)
- 산업 자동화 시스템에 적용되는 AI(artificial intelligence) 컴퓨팅 디바이스(20)로서, 백플레인(21), 통신 컴포넌트(22), 및 컴퓨팅 컴포넌트(23)를 포함하고,
상기 백플레인(21)은 백플레인 버스(211) 및 필드 버스 인터페이스(212)를 포함하고, 상기 백플레인 버스(211)는 상기 통신 컴포넌트(22) 및 상기 컴퓨팅 컴포넌트(23)에 접속되고, 상기 필드 버스 인터페이스(212)는 상기 필드 버스 인터페이스를 통해 상기 산업 자동화 시스템의 필드 버스(60)에 접속되고 이와 통신할 수 있고, 상기 산업 자동화 시스템은 적어도 하나의 제어기(40)를 포함하고;
상기 통신 컴포넌트(22)는 상기 제어기(40)와 상기 컴퓨팅 컴포넌트(23) 사이의 데이터 교환을 수행하고;
상기 컴퓨팅 컴포넌트(23)는 상기 통신 컴포넌트(22)를 통해 상기 제어기(40)에 의해 전송되는 데이터를 수신하고, 내장된 AI 컴퓨팅 아키텍처(231)를 사용하여 상기 데이터를 분석하고, 상기 통신 컴포넌트(22)를 사용하여 상기 제어기(40)에 분석 결과를 전송하는 AI 컴퓨팅 디바이스(20). - 제1항에 있어서, 상기 통신 컴포넌트(22)는,
산업 통신 프로토콜에 의해 정의되는 패킷 포맷을 사용하여 상기 제어기(40)에 의해 전송되는 패킷을 파싱하고, 상기 파싱으로부터 획득되는 패킷의 콘텐츠를 상기 컴퓨팅 컴포넌트(23)에 전송하고;
상기 패킷 포맷을 사용하여 상기 컴퓨팅 컴포넌트(23)에 의해 전송되는 피드백 데이터를 캡슐화하고, 상기 캡슐화된 패킷을 상기 제어기(40)에 전송하는 AI 컴퓨팅 디바이스(20). - 제2항에 있어서, 상기 AI 컴퓨팅 디바이스(20)가 복수의 컴퓨팅 컴포넌트들(23)을 포함하고, 각각의 컴퓨팅 컴포넌트(23)가 하나의 컴퓨팅 컴포넌트 식별자에 대응할 때, 상기 통신 컴포넌트(22)는,
상기 필드 버스 인터페이스(212)를 사용하여, 상기 제어기(40)에 의해 전송되는 제1 패킷을 수신하는 것;
상기 제1 패킷의 패킷 포맷에 기초하여 상기 제1 패킷으로부터 컴퓨팅 컴포넌트 식별자 및 상기 컴퓨팅 컴포넌트 식별자에 대응하는 패킷 데이터를 파싱하는 것; 및
상기 백플레인 버스를 사용하여, 상기 패킷 데이터를 상기 컴퓨팅 컴포넌트 식별자에 대응하는 컴퓨팅 컴포넌트(23)에 전송하는 것이 가능한 AI 컴퓨팅 디바이스(20). - 제2항 또는 제3항에 있어서, 상기 AI 컴퓨팅 디바이스(20)가 복수의 컴퓨팅 컴포넌트들(23)을 포함할 때, 상기 통신 컴포넌트(22)는,
상기 백플레인 버스(211)를 사용하여 제1 컴퓨팅 컴포넌트(23)로부터 피드백 데이터를 수신하는 것- 상기 제1 컴퓨팅 컴포넌트(23)는 상기 복수의 컴퓨팅 컴포넌트들(23) 중 하나의 컴퓨팅 컴포넌트(23)임 -; 및
상기 피드백 데이터 및 패킷 데이터로서의 상기 제1 컴퓨팅 컴포넌트(23)의 제1 컴퓨팅 컴포넌트 식별자를 사용하여 상기 패킷 포맷으로 제2 패킷을 생성하는 것, 및 상기 제2 패킷을 상기 필드 버스 인터페이스(212)를 통해 상기 제어기(40)에 전송하는 것이 가능한 AI 컴퓨팅 디바이스(20). - 제4항에 있어서, 상기 통신 컴포넌트(22)는,
상기 백플레인 버스(211)를 사용하여, 상기 제1 컴퓨팅 컴포넌트(23)에 의해 제공되는 피드백 데이터의 타입을 획득하는 것; 및
상기 피드백 데이터의 타입에 대한 미리 설정된 대응관계를 갖는 송신 채널을 사용하여, 상기 제2 패킷을 상기 필드 버스 인터페이스(212)를 통해 상기 제어기(40)에 전송하는 것이 가능한 AI 컴퓨팅 디바이스(20). - 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 컴퓨팅 컴포넌트(23)는 상태 전환 모듈(235)을 추가로 포함하고, 상기 상태 전환 모듈(235)은,
상기 컴퓨팅 컴포넌트(23)의 현재 동작 상태에 기초하여, 상기 제어기(40)에 의해 제공되는, 현재 동작 상태에 대응하는, 데이터를 상기 AI 컴퓨팅 아키텍처(231)에 입력하는 것이 가능한 AI 컴퓨팅 디바이스(20). - 제6항에 있어서, 상기 상태 전환 모듈(235)은,
상기 통신 컴포넌트(22)를 사용하여 상기 AI 컴퓨팅 아키텍처(231)의 현재 동작 상태를 상기 제어기(40)에 전송하는 것; 및
상기 통신 컴포넌트(22)를 사용하여, 상기 제어기(40)에 의해 전송되는 상태 전환 명령어를 수신하는 것, 및 상기 AI 컴퓨팅 아키텍처(231)를 제1 동작 상태로부터 제2 동작 상태로 전환하는 것이 가능한 AI 컴퓨팅 디바이스(20). - 제6항 또는 제7항에 있어서, 상기 상태 전환 모듈(235)은,
상기 AI 컴퓨팅 아키텍처(231)를 트레이닝하기 위해, 상기 AI 컴퓨팅 아키텍처(231)의 현재 동작 상태가 트레이닝 상태일 때 상기 제어기(40)에 의해 제공되는 트레이닝 데이터를 상기 AI 컴퓨팅 아키텍처(231)에 입력하는 것이 가능한 AI 컴퓨팅 디바이스(20). - 제6항 내지 제8항 중 어느 한 항에 있어서, 상기 상태 전환 모듈(235)은,
상기 AI 컴퓨팅 아키텍처(231)의 현재 동작 상태가 동작 상태일 때 상기 데이터에서의 복수의 생산 파라미터들의 값들을 상기 AI 컴퓨팅 아키텍처(231)에 입력하는 것, 및 상기 AI 컴퓨팅 아키텍처(231)에서 미리 설정된 컴퓨팅 프로세스를 실행하는 것이 가능한 AI 컴퓨팅 디바이스(20). - 제1항 내지 제9항 중 어느 한 항에 있어서, 상기 AI 컴퓨팅 아키텍처(231)는,
미리 설정된 최적화 컴퓨팅 프로세스를 실행하여 상기 데이터에서의 복수의 생산 파라미터들의 값들을 최적화하는 것, 및 상기 복수의 생산 파라미터들의 추천 값들을 출력하는 것이 가능한 AI 컴퓨팅 디바이스(20). - 제1항 내지 제9항 중 어느 한 항에 있어서, 상기 AI 컴퓨팅 아키텍처(231)는,
미리 설정된 파라미터 측정 프로세스를 실행하여 상기 데이터에서의 복수의 생산 파라미터들의 값들을 측정하고, 파라미터 측정 결과를 출력하는 것- 상기 파라미터 측정 결과는 상기 복수의 생산 파라미터들의 값들이 정상인지 표시함 -이 가능한 AI 컴퓨팅 디바이스(20). - 제1항 내지 제9항 중 어느 한 항에 있어서, 상기 AI 컴퓨팅 아키텍처(231)는,
미리 설정된 고장 진단 프로세스를 실행하는 것, 상기 데이터에서의 복수의 생산 파라미터들의 값들을 사용하여 고장 진단을 수행하는 것, 및 고장 진단 결과를 출력하는 것- 상기 고장 진단 결과는 상기 산업 자동화 시스템에서의 컴포넌트에 관한 정보를 포함함 -이 가능한 AI 컴퓨팅 디바이스(20). - 제1항 내지 제12항 중 어느 한 항에 있어서, 상기 컴퓨팅 컴포넌트(23)는 구성 유닛을 추가로 포함하고, 상기 구성 유닛은,
상기 통신 컴포넌트(22)를 사용하여, 상기 제어기(40)에 의해 전송되는 구성 파라미터를 수신하는 것- 상기 구성 파라미터는 상기 AI 컴퓨팅 아키텍처(231)의 구조 속성 값을 포함함 -; 및
상기 구성 파라미터에서의 구조 속성 값을 사용하여 상기 AI 컴퓨팅 아키텍처(231)의 컴포넌트의 구조 속성을 구성하는 것이 가능한 AI 컴퓨팅 디바이스(20). - 제13항에 있어서, 상기 구성 유닛은,
상기 통신 컴포넌트(22)를 사용하여, 상기 제어기(40)에 의해 전송되는 구성 파라미터를 수신하는 것- 상기 구성 파라미터는 제1 파라미터 및 제2 파라미터를 포함하고, 상기 제1 파라미터는 생산 장비의 하나 이상의 생산 파라미터임 -;
상기 AI 컴퓨팅 아키텍처(231)의 입력 파라미터를 상기 제1 파라미터로서 구성하는 것; 및
상기 AI 컴퓨팅 아키텍처(232)의 출력 파라미터를 상기 제2 파라미터로서 구성하는 것이 가능한 AI 컴퓨팅 디바이스(20). - 제1항 내지 제14항 중 어느 한 항에 있어서, 상기 백플레인(21)은 슬롯을 추가로 포함하고, 상기 슬롯을 통해 상기 백플레인 버스(211)에, 플러그가능 확장 카드로서 사용되는, 상기 컴퓨팅 컴포넌트(23)가 접속되는 AI 컴퓨팅 디바이스(20).
- 제1항 내지 제15항 중 어느 한 항에 있어서, 상기 컴퓨팅 컴포넌트(23)는 에너지 절약 유닛을 추가로 포함하고, 상기 에너지 절약 유닛은,
상기 통신 컴포넌트(22)를 사용하여, 상기 제어기(40)에 의해 전송되는 제1 명령어를 수신하도록, 그리고 상기 제1 명령어에 따라 저 전력 소비 모드에 진입하도록; 그리고
상기 통신 컴포넌트(22)를 사용하여, 상기 제어기(40)에 의해 전송되는 제2 명령어를 수신하도록, 그리고 상기 제2 명령어에 따라 상기 저 전력 소비 모드를 종료하도록 구성되는 AI 컴퓨팅 디바이스(20). - 산업 자동화 시스템에서의 제어기에 적용되는 제어 방법으로서,
상기 산업 자동화 시스템에서 데이터를 획득하는 단계;
상기 데이터를 필드 버스에 접속되는 AI 컴퓨팅 디바이스에 전송하는 단계; 및
상기 AI 컴퓨팅 디바이스에 의해 상기 데이터를 분석하는 것에 의해 획득되는 분석 결과를, 상기 필드 버스를 통해, 수신하는 단계, 및 상기 분석 결과를 상기 제어기에서의 의사-결정 장치에 제공하는 단계- 상기 의사-결정 장치가 자동화 제어를 위한 제어 명령어를 생성함 -를 포함하는 제어 방법. - 제17항에 있어서, 상기 산업 자동화 시스템에서 상기 데이터를 획득하는 단계는,
미리 설정된 제1 구성 정보에서의 복수의 생산 파라미터들을 결정하는 단계; 및
상기 산업 자동화 시스템에서 데이터 수집 디바이스에 의해 제공되는 데이터로부터, 상기 복수의 생산 파라미터들의 값들을 상기 데이터로서 획득하는 단계를 포함하는 제어 방법. - 제18항에 있어서, 상기 산업 자동화 시스템에서 데이터 수집 디바이스에 의해 제공되는 데이터로부터, 상기 복수의 생산 파라미터들의 값들을 획득하는 단계는,
이전 시간 주기 내에 상기 데이터 수집 디바이스에 의해 제공되는 데이터로부터, 미리 설정된 시간 간격으로 상기 복수의 생산 파라미터들의 값들을 상기 데이터로서 획득하는 단계를 포함하는 제어 방법. - 제17항 내지 제19항 중 어느 한 항에 있어서, 상기 산업 자동화 시스템의 필드 버스를 사용하여, 상기 데이터를 상기 필드 버스에 접속되는 상기 AI 컴퓨팅 디바이스에 전송하는 단계는,
미리 설정된 제2 구성 정보로부터 상기 AI 컴퓨팅 디바이스에서의 제1 컴퓨팅 컴포넌트에 관한 정보를 획득하는 단계; 및
상기 정보를 사용하여 상기 데이터를 상기 제1 AI 컴퓨팅 디바이스에서의 상기 제1 컴퓨팅 컴포넌트에 전송하는 단계를 포함하는 제어 방법. - 제20항에 있어서, 미리 설정된 제2 구성 정보로부터 상기 AI 컴퓨팅 디바이스에서의 제1 컴퓨팅 컴포넌트에 관한 정보를 획득하는 단계는,
상기 제2 구성 정보로부터 복수의 컴퓨팅 컴포넌트들에 관한 정보를 획득하는 단계;
적어도 하나의 AI 컴퓨팅 디바이스로부터 상기 복수의 컴퓨팅 컴포넌트들의 페이로드 정보를 획득하는 단계; 및
상기 페이로드 정보에 기초하여 상기 복수의 컴퓨팅 컴포넌트들로부터의 컴퓨팅 컴포넌트를 상기 제1 컴퓨팅 컴포넌트로서 선택하는 단계, 및 상기 제1 컴퓨팅 컴포넌트가 속하는 AI 컴퓨팅 디바이스를 상기 AI 컴퓨팅 디바이스로서 결정하는 단계를 포함하는 제어 방법. - 제17항 내지 제21항 중 어느 한 항에 있어서, 상기 데이터를 사용하여 상기 AI 컴퓨팅 디바이스에 의해 상기 생산 디바이스의 생산 프로세스를 분석하는 것에 의해 획득되는 분석 결과를, 상기 필드 버스를 사용하여, 수신하는 단계는,
AI 컴퓨팅 디바이스의 출력 데이터를 획득하는 단계, 및 상기 출력 데이터를 상기 분석 결과로서 상기 의사-결정 장치에 의해 식별될 수 있는 분석 보고로 변환하는 단계를 포함하는 제어 방법. - 제20항에 있어서,
미리 설정된 제3 구성 정보로부터 상기 제1 컴퓨팅 컴포넌트의 구성 파라미터를 획득하는 단계- 상기 구성 파라미터는 상기 제1 컴퓨팅 컴포넌트에 의해 사용되는 AI 컴퓨팅 아키텍처의 복수의 속성 값들을 포함함 -; 및
상기 구성 파라미터를 상기 제1 컴퓨팅 컴포넌트에 전송하는 단계- 상기 제1 컴퓨팅 컴포넌트가 상기 AI 컴퓨팅 아키텍처의 복수의 속성들의 값들을 상기 복수의 속성 값들로 설정함 -를 추가로 포함하는 제어 방법. - 제20항에 있어서,
미리 설정된 제4 구성 정보로부터 트레이닝 데이터를 획득하는 단계, 및 상기 트레이닝 데이터를 상기 제1 컴퓨팅 컴포넌트에 전송하는 단계- 상기 제1 컴퓨팅 컴포넌트가 상기 트레이닝 데이터를 사용하여 상기 제1 컴퓨팅 컴포넌트에서 상기 AI 컴퓨팅 아키텍처를 트레이닝함 -를 추가로 포함하는 제어 방법. - 산업 자동화 시스템에서의 제어기(40)에 적용되는 제어 장치(41)로서, 상기 제어 장치(41)는,
상기 산업 자동화 시스템에서 데이터를 획득하도록 구성되는 생산 데이터 획득 유닛(411);
필드 버스(60)에 접속되는 AI(artificial intelligence) 컴퓨팅 디바이스(20)에서의 제1 컴퓨팅 컴포넌트(23)에 상기 데이터를 전송하도록 구성되는 작업 전송 유닛(412); 및
상기 AI 컴퓨팅 디바이스(20)에 의해 전송되는 분석 결과를, 상기 필드 버스(60)를 사용하여, 수신하도록- 상기 분석 결과는 상기 제1 컴퓨팅 컴포넌트(23)에 의해 상기 데이터를 분석하는 것에 의해 획득됨 -; 그리고 상기 분석 결과를 상기 제어기(40)에서의 의사-결정 장치(42)에 제공하도록- 상기 의사-결정 장치(42)가 자동화 제어를 위한 제어 명령어를 생성함 - 구성되는 결과 수집 유닛(413)을 포함하는 제어 장치(41). - 제25항에 있어서,
구성 유닛(414)을 추가로 포함하고, 이는, 미리 설정된 제3 구성 정보로부터 상기 제1 컴퓨팅 컴포넌트(23)의 구성 파라미터를 획득하도록- 상기 구성 파라미터는 상기 제1 컴퓨팅 컴포넌트(23)의 AI 컴퓨팅 아키텍처(231)의 복수의 속성 값들을 포함함 -; 그리고 상기 구성 파라미터를 상기 제1 컴퓨팅 컴포넌트(23)에 전송하여, 상기 AI 컴퓨팅 아키텍처(231)의 복수의 속성들의 값들을 상기 복수의 속성 값들로 설정하도록 구성되는 제어 장치(41). - 제25항에 있어서,
트레이닝 유닛(415)을 추가로 포함하고, 이는, 미리 설정된 제4 구성 정보로부터 트레이닝 데이터를 획득하도록, 그리고 상기 트레이닝 데이터를 상기 제1 컴퓨팅 컴포넌트(23)에 전송하도록- 상기 제1 컴퓨팅 컴포넌트(23)가 상기 트레이닝 데이터를 사용하여 상기 AI 컴퓨팅 아키텍처(231)를 트레이닝함 - 구성되는 제어 장치(41). - 산업 자동화 시스템의 필드 버스(60)에 접속되는 ES(engineer station)(30)로서, 상기 ES(30)는 프로세서 및 메모리를 포함하고, 상기 메모리는 머신 판독가능 명령어를 포함하고, 상기 명령어는,
디바이스 구성 인터페이스를 제공하는 것;
상기 디바이스 구성 인터페이스로부터 디바이스 구성 정보를 수신하는 것- 상기 디바이스 구성 정보는 AI(artificial intelligence) 컴퓨팅 디바이스(20)의 식별자, 및 상기 AI 컴퓨팅 디바이스(20)에서의 적어도 하나의 컴퓨팅 컴포넌트(23)의 컴퓨팅 컴포넌트 식별자를 포함하고, 상기 AI 컴퓨팅 디바이스(20)는 필드 버스 인터페이스를 사용하여 상기 필드 버스(60)에 접속됨 -; 상기 디바이스 구성 정보를 산업 자동화 시스템의 제어기(40)에 전송하는 것- 상기 제어기(40)가 상기 디바이스 구성 정보를 사용하여 상기 AI 컴퓨팅 디바이스(20)와 통신함 -; 및
상기 AI 컴퓨팅 디바이스(20)에 대응하는 제어 로직을 획득하는 것, 상기 디바이스 구성 인터페이스로부터, 상기 AI 컴퓨팅 디바이스(20)에 대한 제어 구성 정보를 수신하는 것- 상기 제어 구성 정보는 상기 적어도 하나의 컴퓨팅 컴포넌트에서의 제1 컴퓨팅 컴포넌트(23)의 컴퓨팅 파라미터를 포함함 -; 상기 제어 구성 정보를 상기 제어 로직에 로딩하는 것, 및 상기 제어 로직을 상기 제어기(40)에 로딩하는 것- 상기 제어 로직은 상기 제어기(40)로 하여금 상기 제1 컴퓨팅 컴포넌트(23)를 구성할 수 있게 하기 위해 사용됨 -; 분석을 위해 산업 자동화 네트워크에서의 데이터를 상기 제1 컴퓨팅 컴포넌트(23)에 전송하는 것, 및 상기 제1 컴퓨팅 컴포넌트(23)에 의해 피드백되는 분석 결과를 획득하는 것을 위해 상기 프로세서에 의해 실행가능한 ES(30). - 제28항에 있어서, 상기 명령어는,
상기 디바이스 구성 인터페이스로부터 상기 제1 컴퓨팅 컴포넌트(23)의 채널 정보를 수신하는 것- 상기 채널 정보는 적어도 하나의 채널에 관한 정보를 포함함 -; 및
상기 채널 정보를 상기 제어기(40)에 전송하는 것- 상기 제어기(40)가 상기 데이터의 타입에 대응하는 채널을 사용하여 상기 제1 컴퓨팅 컴포넌트(23)에 데이터를 전송함 -을 위해 상기 프로세서에 의해 실행가능한 ES(30). - 제28항 또는 제29항에 있어서, 상기 명령어는,
상기 디바이스 구성 인터페이스로부터 상기 제1 컴퓨팅 컴포넌트(23)의 아키텍처 정보를 수신하는 것- 상기 아키텍처 정보는 상기 제1 컴퓨팅 컴포넌트(23)의 AI 컴퓨팅 아키텍처(231)의 컴포넌트의 구조 속성 값을 포함함 -, 및 상기 아키텍처 정보를 상기 제어 구성 정보로서 상기 제어 로직에 로딩하는 것;
상기 디바이스 구성 인터페이스로부터 상기 제1 컴퓨팅 컴포넌트(23)의 AI 컴퓨팅 아키텍처(231)의 입력 파라미터 및 출력 파라미터를 수신하는 것, 및 상기 입력 파라미터 및 상기 출력 파라미터를 상기 제어 구성 정보로서 상기 제어 로직에 로딩하는 것; 및
상기 디바이스 구성 인터페이스로부터 상기 제1 컴퓨팅 컴포넌트(23)의 트레이닝 데이터를 수신하고, 상기 트레이닝 데이터를 상기 제어 구성 정보로서 상기 제어 로직에 로딩하는 것 중 적어도 하나를 위해 상기 프로세서에 의해 실행가능한 ES(30). - 산업 자동화 시스템으로서, ES(engineer station)(30), 제어기(40), 생산 디바이스, 및 AI(artificial intelligence) 컴퓨팅 디바이스(20), 및 상기 디바이스들을 접속하는 필드 버스(60)를 포함하고,
상기 ES(30)는,
디바이스 구성 인터페이스를 제공하도록, 상기 디바이스 구성 인터페이스로부터 구성 정보를 수신하도록- 상기 구성 정보는 상기 AI 컴퓨팅 디바이스(20)에 관한 정보를 포함함 -, 그리고 상기 구성 정보를 상기 제어기에 로딩하도록; 그리고
상기 AI 컴퓨팅 디바이스(20)에 대응하는 제어 로직을 획득하도록, 그리고 상기 제어 로직을 상기 제어기(40)에 로딩하도록 구성되고;
상기 제어기(40)는,
상기 제어 로직을 실행하도록, 상기 산업 자동화 시스템에서의 복수의 생산 파라미터들의 값들을 획득하도록, 상기 복수의 생산 파라미터들의 값들을 상기 AI 컴퓨팅 디바이스(20)에 전송하도록; 그리고 상기 AI 컴퓨팅 디바이스(20)에 의해 전송되는 분석 결과를 수신하도록; 그리고
상기 분석 결과에 기초하여 상기 생산 장비에 대한 제어 명령어를 생성하도록 구성되고;
상기 AI 컴퓨팅 디바이스(20)는,
상기 필드 버스(60)를 사용하여, 상기 제어기(40)에 의해 전송되는 복수의 생산 파라미터들의 값들을 수신하도록, 상기 복수의 생산 파라미터들의 값들을 분석하여 분석 결과를 획득하도록, 그리고 상기 분석 결과를 상기 필드 버스(60)를 사용하여 상기 제어기(40)에 전송하도록 구성되는 산업 자동화 시스템. - 머신 판독가능 명령어를 저장하는 컴퓨터 판독가능 저장 매체로서, 상기 명령어는 프로세서로 하여금 제17항 내지 제24항 중 어느 한 항에 따른 방법을 수행할 수 있게 할 수 있는 컴퓨터 판독가능 저장 매체.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2018/101973 WO2020037608A1 (zh) | 2018-08-23 | 2018-08-23 | 人工智能计算设备、控制方法及装置、工程师站及工业自动化系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210045476A true KR20210045476A (ko) | 2021-04-26 |
| KR102566324B1 KR102566324B1 (ko) | 2023-08-14 |
Family
ID=69592207
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217008642A KR102566324B1 (ko) | 2018-08-23 | 2018-08-23 | 인공 지능 컴퓨팅 디바이스, 제어 방법 및 장치, 엔지니어 스테이션, 및 산업 자동화 시스템 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20210181695A1 (ko) |
| EP (1) | EP3835898A4 (ko) |
| JP (1) | JP2021536055A (ko) |
| KR (1) | KR102566324B1 (ko) |
| CN (1) | CN112424713A (ko) |
| WO (1) | WO2020037608A1 (ko) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3906508B1 (en) * | 2018-12-31 | 2024-03-13 | Intel Corporation | Securing systems employing artificial intelligence |
| US20220121597A1 (en) * | 2019-04-26 | 2022-04-21 | Mitsubishi Electric Corporation | Data processing device, data processing method, and program |
| DE102020102863A1 (de) * | 2020-02-05 | 2021-08-05 | Festo Se & Co. Kg | Parametrierung einer Komponente in der Automatisierungsanlage |
| EP3958080A1 (en) * | 2020-08-19 | 2022-02-23 | Hitachi Energy Switzerland AG | Method and supervisory system for monitoring performance of a decision-making logic of a controller |
| US20220187773A1 (en) * | 2020-12-14 | 2022-06-16 | Micron Technology, Inc. | Managing energy using artificial intelligence |
| EP4327248A1 (en) * | 2021-05-25 | 2024-02-28 | Siemens Aktiengesellschaft | Data interaction method, apparatus and system for ai inference device and automation controller |
| CN117312388B (zh) * | 2023-10-08 | 2024-03-19 | 江苏泰赋星信息技术有限公司 | 一种人工智能模型控制系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003195913A (ja) * | 2001-12-14 | 2003-07-11 | Robert Bosch Gmbh | 制御ユニットの起動および終了方法および制御ユニットの起動および終了装置 |
| JP2008511938A (ja) * | 2004-08-31 | 2008-04-17 | ワットロー・エレクトリック・マニュファクチャリング・カンパニー | 動作システムの分散された診断システム |
| KR20080059196A (ko) * | 2005-09-12 | 2008-06-26 | 로크웰 오토메이션 테크놀로지스, 인크. | 산업 자동화 환경에서의 투명한 브리징과 라우팅 |
| KR20180082606A (ko) * | 2014-12-01 | 2018-07-18 | 업테이크 테크놀로지스 인코포레이티드 | 예측 모델에 기반하여 데이터 취득 파라미터들을 변경하기 위한 컴퓨터 구조 및 방법 |
Family Cites Families (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5341496A (en) * | 1990-08-29 | 1994-08-23 | The Foxboro Company | Apparatus and method for interfacing host computer and computer nodes using redundant gateway data lists of accessible computer node data |
| DE19933924A1 (de) * | 1999-04-29 | 2000-11-02 | Loher Ag | Mikrosystem zur lokalen Zustandsüberwachung und Zustandsdiagnose von Maschinen, Anlagen und/oder Baugruppen, insbesondere von Antriebssystemen |
| US7062580B2 (en) * | 2002-09-20 | 2006-06-13 | Smar Research Corporation | Logic arrangement, system and method for configuration and control in fieldbus applications |
| CN1419170A (zh) * | 2002-12-17 | 2003-05-21 | 白凤双 | 通用智能自动化系统 |
| JP4394644B2 (ja) * | 2003-08-21 | 2010-01-06 | マイクロソフト コーポレーション | データの編成、検索、および共有のためのストレージプラットフォーム |
| US8055814B2 (en) * | 2005-03-18 | 2011-11-08 | Rockwell Automation Technologies, Inc. | Universal safety I/O module |
| US9411769B2 (en) * | 2006-09-19 | 2016-08-09 | Fisher-Rosemount Systems, Inc. | Apparatus and methods to communicatively couple field devices to controllers in a process control system |
| US8832579B2 (en) * | 2008-08-12 | 2014-09-09 | Rockwell Automation Technologies, Inc. | System for creation and management of industrial automation and information solutions and services |
| JP5339071B2 (ja) * | 2009-04-02 | 2013-11-13 | 横河電機株式会社 | 制御装置及び通信管理方法 |
| US8903773B2 (en) * | 2010-03-31 | 2014-12-02 | Novastor Corporation | Computer file storage, backup, restore and retrieval |
| JP5549455B2 (ja) * | 2010-07-21 | 2014-07-16 | 富士電機株式会社 | プログラマブルコントローラシステムおよびそのプログラム更新方法 |
| JP2012118715A (ja) * | 2010-11-30 | 2012-06-21 | Fuji Electric Co Ltd | Ｐｌｃシステム、その開発支援装置、プログラム |
| DE102011107321A1 (de) * | 2011-07-06 | 2013-01-10 | Abb Ag | System und Verfahren zur Parametrierung von Feldgeräten eines Automatisierungs- oder Steuerungssystems |
| CN102508456B (zh) * | 2011-09-29 | 2013-12-18 | 东南大学 | 振动监视保护装置的背板总线式结构及其通信控制方法 |
| US9143563B2 (en) * | 2011-11-11 | 2015-09-22 | Rockwell Automation Technologies, Inc. | Integrated and scalable architecture for accessing and delivering data |
| JP5911439B2 (ja) * | 2013-01-28 | 2016-04-27 | 三菱電機株式会社 | 監視制御システム |
| WO2014198500A1 (en) * | 2013-06-11 | 2014-12-18 | Siemens Aktiengesellschaft | An industrial control system for monitoring and controlling an automation plant |
| JP6475469B2 (ja) * | 2014-10-29 | 2019-02-27 | 株式会社日立製作所 | 診断ジョブ生成システム、診断ジョブ生成方法及び診断ジョブ生成表示方法 |
| CN105243047A (zh) * | 2015-09-09 | 2016-01-13 | 浪潮(北京)电子信息产业有限公司 | 一种服务器架构 |
| JP6626313B2 (ja) * | 2015-10-21 | 2019-12-25 | 株式会社キーエンス | プログラマブル・ロジック・コントローラ、拡張ユニット、制御方法、プログラム作成支援装置、プログラム作成支援方法およびプログラム |
| CN105721546A (zh) * | 2016-01-20 | 2016-06-29 | 冶金自动化研究设计院 | 一种基于工业物联通讯的多数据集成服务平台 |
| JP6549697B2 (ja) * | 2016-03-31 | 2019-07-24 | 三菱電機株式会社 | ユニット及び制御システム |
| US10613521B2 (en) * | 2016-06-09 | 2020-04-07 | Rockwell Automation Technologies, Inc. | Scalable analytics architecture for automation control systems |
| JP6546566B2 (ja) * | 2016-06-15 | 2019-07-17 | 日本電信電話株式会社 | 並列負荷分散システム、並列負荷分散方法、ｓｄｎコントローラホスト及びプログラム |
| JP6436148B2 (ja) * | 2016-11-18 | 2018-12-12 | 横河電機株式会社 | 情報処理装置、保全機器、情報処理方法、情報処理プログラム及び記録媒体 |
| JP6468313B2 (ja) * | 2017-06-08 | 2019-02-13 | オムロン株式会社 | 制御装置、制御プログラムおよび制御方法 |
| JP6740920B2 (ja) * | 2017-02-01 | 2020-08-19 | 株式会社デンソー | 演算処理装置 |
| EP3493000B1 (de) * | 2017-12-04 | 2023-06-14 | Siemens Aktiengesellschaft | Verfahren zum fehlersicheren erfassen eines messwertes und automatisierungssystem |
| US11249469B2 (en) * | 2018-09-28 | 2022-02-15 | Rockwell Automation Technologies, Inc. | Systems and methods for locally modeling a target variable |
-
2018
- 2018-08-23 WO PCT/CN2018/101973 patent/WO2020037608A1/zh unknown
- 2018-08-23 KR KR1020217008642A patent/KR102566324B1/ko active IP Right Grant
- 2018-08-23 US US17/270,098 patent/US20210181695A1/en active Pending
- 2018-08-23 EP EP18930654.1A patent/EP3835898A4/en active Pending
- 2018-08-23 JP JP2021510083A patent/JP2021536055A/ja active Pending
- 2018-08-23 CN CN201880095710.3A patent/CN112424713A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003195913A (ja) * | 2001-12-14 | 2003-07-11 | Robert Bosch Gmbh | 制御ユニットの起動および終了方法および制御ユニットの起動および終了装置 |
| JP2008511938A (ja) * | 2004-08-31 | 2008-04-17 | ワットロー・エレクトリック・マニュファクチャリング・カンパニー | 動作システムの分散された診断システム |
| KR20080059196A (ko) * | 2005-09-12 | 2008-06-26 | 로크웰 오토메이션 테크놀로지스, 인크. | 산업 자동화 환경에서의 투명한 브리징과 라우팅 |
| KR20180082606A (ko) * | 2014-12-01 | 2018-07-18 | 업테이크 테크놀로지스 인코포레이티드 | 예측 모델에 기반하여 데이터 취득 파라미터들을 변경하기 위한 컴퓨터 구조 및 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210181695A1 (en) | 2021-06-17 |
| CN112424713A (zh) | 2021-02-26 |
| EP3835898A1 (en) | 2021-06-16 |
| EP3835898A4 (en) | 2022-07-27 |
| JP2021536055A (ja) | 2021-12-23 |
| WO2020037608A1 (zh) | 2020-02-27 |
| KR102566324B1 (ko) | 2023-08-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102566324B1 (ko) | 인공 지능 컴퓨팅 디바이스, 제어 방법 및 장치, 엔지니어 스테이션, 및 산업 자동화 시스템 | |
| US9529351B2 (en) | System and method for parameterizing field devices of an automation or control system | |
| CN108833269B (zh) | 一种面向工业现场的智能物联网关 | |
| JP3993243B2 (ja) | プロセス制御ネットワーク用のネットワークアクセス可能なインタフェース | |
| US11734213B2 (en) | Integration of multiple communication physical layers and protocols in a process control input/output device | |
| JP4739515B2 (ja) | 分散制御機能を有するプロセス制御ネットワークにおける遠隔診断 | |
| US7793017B2 (en) | Connection module for sensors | |
| JP4944869B2 (ja) | 分散制御機能を有するプロセス制御ネットワークで用いられる図式ジェネレータ | |
| US11128726B2 (en) | Transmission method | |
| CN111464339B (zh) | 一种基于动态重构的异构工业网络互联方法及通用有线通信模块 | |
| CN110663222B (zh) | 处理过程数据 | |
| CN1232556A (zh) | 带有冗余的现场设备和总线的过程控制网络 | |
| CN112615935B (zh) | 一种终端设备联网参考系统及其交互方法 | |
| EP2131256A1 (de) | Ermitteln von Telegrammlängen | |
| US8630723B2 (en) | Method for controlling behavioral intervention of a submodule | |
| Benzi et al. | Communication architectures for electrical drives | |
| CN108363368B (zh) | 运行自动化系统的方法及自动化系统、现场设备和控制器 | |
| CN110300055B (zh) | 异构现场总线用网关系统 | |
| CN111478799A (zh) | 一种基于动态重构的异构工业网络互联方法及无线模块 | |
| CN111447084A (zh) | 一种异构工业网络的互联融合方法及系统 | |
| Alt et al. | A Survey of Industrial Internet of Things in the Field of Fluid Power: Basic Concept and Requirements for Plug-and-Produce | |
| CN101809941B (zh) | 控制节点网络的控制节点 | |
| CN102576222B (zh) | 用于操作现场总线接口的方法 | |
| CN111526051B (zh) | 实现PROFINET到CANopen转换的系统及方法 | |
| Catalán et al. | Communication types for manufacturing systems. A proposal to distributed control system based on IEC 61499 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) | ||
| GRNT | Written decision to grant |