WO2023186292A1 - Computer-implementiertes verfahren, vorrichtung und system zur steuerung eines technischen geräts - Google Patents

Computer-implementiertes verfahren, vorrichtung und system zur steuerung eines technischen geräts Download PDF

Info

Publication number
WO2023186292A1
WO2023186292A1 PCT/EP2022/058415 EP2022058415W WO2023186292A1 WO 2023186292 A1 WO2023186292 A1 WO 2023186292A1 EP 2022058415 W EP2022058415 W EP 2022058415W WO 2023186292 A1 WO2023186292 A1 WO 2023186292A1
Authority
WO
WIPO (PCT)
Prior art keywords
service
metadata
data
computing device
add1
Prior art date
Application number
PCT/EP2022/058415
Other languages
English (en)
French (fr)
Inventor
Daniel SCHALL
Original Assignee
Siemens Ag Österreich
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Siemens Ag Österreich filed Critical Siemens Ag Österreich
Priority to PCT/EP2022/058415 priority Critical patent/WO2023186292A1/de
Priority to PCT/EP2023/058286 priority patent/WO2023187052A1/de
Publication of WO2023186292A1 publication Critical patent/WO2023186292A1/de

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the invention relates to a computer-implemented method, a device and a system for controlling a technical device.
  • a service request is often too unspecific and does not include any contextual information that could be used to provide a better solution to the service request.
  • the same service request has not occurred before in the system, or a solution exists in a different context.
  • the object according to the invention is achieved by a computer-implemented method for controlling a technical device, the following steps being carried out: a) providing device data, which describe properties of the technical device and/or its operating properties, to a device computing device and forming of abstracted device metadata, for example by classifying the device data, whereby the respective device computing device is connected to the technical device, b) providing service data, which describe the scope and/or properties of a service, to a service computing device and forming abstracted service metadata, for example by classifying the service data.
  • the service computing device is connected to the device computing device, c) transmitting the device metadata to the service computing device, d) calculating prediction data for service metadata using an artificial intelligence-based model Use of at least a subset of the device metadata and at least a subset of the service metadata in the service computing device, e) generating service data using the prediction data by the service computing device, f) transmitting the service data to the device computing device, and controlling the technical device using the service data.
  • the device data includes data relating to the properties of the technical device and/or its operating properties, such as environmental parameters, power consumption, operating temperatures or even error messages that can be assigned to a service request.
  • a service request for the device also includes the context of the device in addition to detailed information about the desired service in the form of an error message.
  • Abstracted service metadata is formed from the service data provided, which services, i.e. solutions to service requests, for example in categories for environmental parameters, Summarize current consumption, operating temperatures or even error messages.
  • the device data and/or service data can be provided automatically by the technical device, or manually via a corresponding operator input.
  • step d) the at least a subset of the device metadata is selected from the device metadata, and the at least a subset of the service metadata is selected from the service metadata, so that they are in are similar to their respective abstracted metadata.
  • the subset can be determined by determining data sets from the service data provided which can be assigned to similar service requests. This can simplify the determination of service data.
  • rejecting partial data from service data can be divided into subgroups and only used in an iterative form when necessary to compare device metadata and service metadata.
  • step c) the device data from the device is additionally te computing device are transmitted to the service computing device, and in step e) the device data is additionally taken into account when generating the service data.
  • the model links device metadata with service metadata and is generated and trained with provided device metadata and service metadata.
  • a system comprises several technical devices and respective connected device computing devices, and respective device data is provided and abstracted device metadata is formed, and respective service data is provided and abstracted Service metadata are formed, and the model in step d) is formed using federated learning from the device metadata of the device computing devices and the service metadata of the service computing device.
  • the model can access a larger data set of device data and/or service data, which improves the solution to service requests. For example, service requests can be addressed that have never been requested before on the requesting system or technical device and therefore no solutions can yet be provided as service data. Without this federated approach, the technical device would try to find the best possible solution locally, which, however, is not the optimal solution if another system can provide a better solution. This can be provided through networking and leveraging a global model using federated learning.
  • the object according to the invention is also achieved by a device comprising a device computing device, which is connected to a technical device, and a service computing device, which is connected to the device computing device, the device being set up to carry out the method according to the invention .
  • the object according to the invention is also achieved by a system comprising the device according to the invention, further comprising several technical devices and respective device computing devices, the device according to the invention being set up to carry out the method according to the invention.
  • the object according to the invention is solved by a computer program comprising commands which, when executed by a computer, cause it to carry out the method according to the invention.
  • Fig. 2 shows an exemplary embodiment of the method according to the invention.
  • Fig. 1 shows an exemplary embodiment of the system 100 according to the invention.
  • a device 1 includes a device computing device 20, which is connected to a technical device 10.
  • system 100 includes further device computing devices 21, 22, each of which is connected to a technical device 11, 12.
  • the system 100 includes several technical devices 10-12 and associated device computing devices 20-22.
  • the respective device data DD1-DD3 is provided and abstracted device metadata ADD1-ADD3 is formed.
  • Respective service data SD1, SD2 are provided and abstracted service metadata ASD1, ASD2 are formed.
  • the model is formed in step d) using federated learning from the device metadata ADD1-ADD3 of the device computing devices 20-22 and the service metadata ASD1, ASD2 of the service computing device 30.
  • federated learning one or more global models can be formed from the device metadata ADD1-ADD3 and/or the service metadata ASD1, ASD2, for example on a connected server (not shown in the figure) of a client-server system, which is provided by the device computing devices 20-22 and the service computing device 30 are provided.
  • Fig. 2 shows an exemplary embodiment of the method according to the invention with the following steps: a) providing device data DD1-DD3, which describe properties of the technical device 10-12 and/or its operating properties, to a device computing device 20-22 and forming of abstracted device metadata ADD1-ADD3, for example by classifying the device data, the respective device computing device 20-22 being connected to the technical device 10-12, b) providing service data SD1, SD2, which describing the scope and/or characteristics of a service to a service computing device 30 and forming abstracted service metadata ASD1, ASD2, for example by classifying the service data, the service computing device 30 being connected to the device computing device 20-22, c) transmitting the device metadata ADD1-ADD3 to the service computing device 30, d) calculating prediction data for service metadata using a model based on artificial intelligence using at least a subset of the device metadata ADDI-ADDI and at least a subset of the service metadata ASD1, ASD2, in the service computing device 30, e). of service data CD1-CD
  • Device data DD1-DD3 can, for example, be understood as a service request from a device.
  • the respective model predicts the service data CD1-CD3, which represents a solution to a service request.
  • the device computing device 20 can provide feedback to the service computing device 30 as to whether the delivered service metadata ASD1, ASD2 has provided a good solution to the service request. This data can be taken into account by the model for future service requests.
  • step d) the at least a subset of the device metadata ADD1-ADD3 is optionally selected from the device metadata ADDI- ADD3 , and at least a subset of the service metadata
  • step c) you can optionally additionally set the device
  • Data DD1-DD3 are transmitted from the device computing device 20-22 to the service computing device 30. Then in step e) the device data DD1-DD3 can also be taken into account when generating the service data CD1-CD3.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

Computer-implementiertes Verfahren zur Steuerung eines technischen Geräts (10-12), gekennzeichnet durch folgende Schritte: a) Bereitstellen von Geräte-Daten (DD1-DD3) an eine Geräte- Rechenvorrichtung (20-22) und Bilden von abstrahierten Geräte-Metadaten (ADD1-ADD3), wobei die jeweilige Geräte- Rechenvorrichtung (20-22) mit dem technischen Gerät (10- 12) verbunden ist, b) Bereitstellen von Dienst-Daten (SD1, SD2) an eine Service-Rechenvorrichtung (30) und Bilden von abstrahierten Dienst-Metadaten (ASD1, ASD2), wobei die Service- Rechenvorrichtung (30) mit der Geräte- Rechenvorrichtung (20-22) verbunden ist, c) Übertragen der Geräte-Metadaten (ADD1-ADD3) an die Service-Rechenvorrichtung (30), d) Berechnen von Prädiktions-Daten für Dienst-Meta-Daten mithilfe eines Modells auf Basis künstlicher Intelligenz unter Verwendung der Geräte-Metadaten (ADD1-ADD1) und der Dienst-Metadaten (ASD1, ASD2), in der Service- Rechenvorrichtung (30), e) Erzeugen von Dienst-Daten (CD1-CD3) mithilfe der Prädiktions-Daten durch die Service-Rechenvorrichtung (30), f) Übermitteln der Dienst-Daten (CD1) an die Geräte- Rechenvorrichtung (20), und Ansteuern des technischen Geräts (10) mithilfe der Dienst-Daten (CD1).

Description

Computer- Implementiertes Verfahren , Vorrichtung und System zur Steuerung eines technischen Geräts
Die Erfindung betri f ft ein computer-implementiertes Verfahren, eine Vorrichtung und ein System zur Steuerung eines technischen Geräts .
In Fabriken müssen häufig Serviceanforderungen einer Anlage oder eines Geräts bedient werden und entsprechende Daten zur Erledigung der Serviceanforderung bereitgestellt werden .
Dabei kann es schwierig sein, die geeignetsten Daten zu identi fi zieren, die am besten dazu geeignet sind die Serviceanforderung zu erfüllen und der Serviceanforderung bereitzustellen .
Eine Serviceanforderung ist oft zu unspezi fisch und bezieht keine Kontextinf ormation mit ein, mithil fe dieser j edoch eine bessere Lösung zur Serviceanforderung erbracht werden könnte .
Beispielsweise ist dieselbe Serviceanforderung im System noch nicht vorher erfolgt , oder es existiert eine Lösung in einem anderen Kontext .
Es ist daher Aufgabe der Erfindung eine Serviceanforderung einer Vorrichtung oder eines Systems besser und ef fi zienter zu bedienen und relevantere Daten auf eine Service-Anfrage zu erhalten .
Die erfindungsgemäße Aufgabe wird durch ein computerimplementiertes Verfahren zur Steuerung eines technischen Geräts gelöst , wobei folgende Schritte ausgeführt werden : a ) Bereitstellen von Geräte-Daten, welche Eigenschaften des technischen Geräts und/oder dessen Betrieb-Eigenschaften beschreiben, an eine Geräte-Rechenvorrichtung und Bilden von abstrahierten Geräte-Metadaten, beispielsweise durch Klassi fi zierung der Geräte-Daten, wobei die j eweilige Ge- räte-Rechenvorrichtung mit dem technischen Gerät verbunden ist , b ) Bereitstellen von Dienst-Daten, welche den Umfang und/oder Eigenschaften eines Dienstes beschreiben, an eine Service-Rechenvorrichtung und Bilden von abstrahierten Dienst-Metadaten, beispielsweise durch Klassi fi zierung der Dienst-Daten, wobei die Service-Rechenvorrichtung mit der Geräte-Rechenvorrichtung verbunden ist , c ) Übertragen der Geräte-Metadaten an die Service- Rechenvorrichtung, d) Berechnen von Prädiktions-Daten für Dienst-Meta-Daten mithil fe eines Modells auf Basis künstlicher Intelligenz unter Verwendung zumindest einer Teilmenge der Geräte- Metadaten und zumindest einer Teilmenge der Dienst- Metadaten, in der Service-Rechenvorrichtung, e ) Erzeugen von Dienst-Daten mithil fe der Prädiktions-Daten durch die Service-Rechenvorrichtung, f ) Übermitteln der Dienst-Daten an die Geräte- Rechenvorrichtung, und Ansteuern des technischen Geräts mithil fe der Dienst-Daten .
Die Geräte-Daten umfassen Daten betref fend Eigenschaften des technischen Geräts und/oder dessen Betrieb-Eigenschaften, wie beispielsweise Umgebungsparameter, Stromaufnahmen, Betriebstemperaturen oder auch Fehlermeldungen, die einer Service- Anfrage zugeordnet werden können .
Durch die Abbildung von Geräte-Daten in abstrahierte Geräte- Metadaten wird erreicht , dass eine Serviceanfrage des Geräts neben der Detailinformation zum gewünschten Service in Form einer Fehlermeldung, auch den Kontext des Geräts mit einbezieht .
Aus bereitgestellten Dienst-Daten werden abstrahierte Dienst- Metadaten gebildet , welche Dienste , also Lösungen zu Serviceanfragen, beispielsweise in Kategorien zu Umgebungsparameter, Stromaufnahmen, Betriebstemperaturen oder auch Fehlermeldungen zusammenfassen .
Wenn nun die Geräte-Metadaten mir den Dienst-Metadaten abgeglichen werden, so kann eine bestmögliche Übereinstimmung gefunden werden, welche für eine Serviceanfrage eine bestmögliche Lösung bereitstellen kann . Ein derartiger Vergleich kann durch Ähnlichkeitstrans formation, also einer Äquivalenz- Relation, oder durch aus der Statistik bekannte Ähnlichkeits- und Distanzmaße durchgeführt werden .
Das Bereitstellen der Geräte-Daten und/oder der Service-Daten kann automatisch durch das technische Gerät , oder auch manuell über eine entsprechende Bediener-Eingabe erfolgen .
In einer Weiterentwicklung der Erfindung ist es vorgesehen, dass im Schritt d) die zumindest eine Teilmenge der Geräte- Metadaten aus den Geräte-Metadaten ausgewählt wird, und die zumindest eine Teilmenge der Dienst-Metadaten aus den Dienst- Metadaten ausgewählt wird, sodass sie in ihren j eweiligen abstrahierten Metadaten ähnlich sind .
Um eine bestmögliche Übereinstimmung zwischen einer Serviceanfrage und einem Dienst zu finden, kann es vorteilhaft sein, nur eine Teilmenge der Geräte-Metadaten aus den Geräte- Metadaten aus zuwählen . Die Teilmenge kann dadurch bestimmt werden, indem aus den bereitgestellten Dienst-Daten ene Datensätze ermittelt werden, welche zu ähnlichen Serviceanfragen zugeordnet werden können . Damit kann die Ermittlung von Dienst-Daten vereinfacht werden . Optional können abweisende Teildaten von Service-Daten in Untergruppen gegliedert werden und erst bei Bedarf in einer iterativen Form zum Abgleich zwischen Geräte-Metadaten und Service-Metadaten herangezogen werden .
In einer Weiterentwicklung der Erfindung ist es vorgesehen, dass im Schritt c ) zusätzlich die Geräte-Daten von der Gerä- te-Rechenvorrichtung an die Service-Rechenvorrichtung übertragen werden, und im Schritt e ) zusätzlich die Geräte-Daten beim Erzeugen der Dienst-Daten berücksichtigt werden .
Dadurch kann der Abgleich zwischen Geräte-Metadaten und Service-Metadaten weiter verbessert werden und die Service- Anfrage dementsprechend besser gelöst werden .
In einer Weiterentwicklung der Erfindung ist es vorgesehen, dass das Modell Geräte-Metadaten mit Dienst-Metadaten verknüpft , und mit bereitgestellten Geräte-Metadaten und Dienst- Metadaten erzeugt und trainiert ist .
Dadurch kann ein besonders genaues Modell geschaf fen werden, welches beim Abgleich zwischen Geräte-Metadaten und Service- Metadaten angewendet wird . Unter dem Begri f f „Genau" kann auch die Tref fsicherheit oder Relevanz von gelieferten Daten verstanden werden, welche einer Service-Anfrage eine möglichst geeignete Lösung erlauben, beispielsweise eine Fehlerbehebung unter Einbeziehung weiterer Betriebs-Eigenschaften des Fehler-verursachenden technischen Geräts .
In einer Weiterentwicklung der Erfindung ist es vorgesehen, dass ein System mehrere technische Geräte und j eweilige verbundene Geräte-Rechenvorrichtungen umfasst , und j eweilige Geräte-Daten bereitgestellt werden und abstrahierte Geräte- Metadaten gebildet werden, sowie j eweilige Dienst-Daten bereitgestellt werden und abstrahierte Dienst-Metadaten gebildet werden, und das Modell im Schritt d) mithil fe föderierten Lernens aus den Geräte-Metadaten der Geräte- Rechenvorrichtungen und den Dienst-Metadaten der Service- Rechenvorrichtung gebildet wird .
Dadurch wird erreicht , dass das Modell auf einen größeren Datensatz von Geräte-Daten und/oder Service-Daten zurückgrei fen kann, was die Lösung der Service-Anfragen verbessert . Es können beispielsweise Service-Anfrage bedient werden, die auf der anfragenden Anlage beziehungsweise des technischen Geräts noch niemals zuvor angefragt wurden und dementsprechend noch keine Lösungen als Service-Daten bereitgestellt werden können . Ohne diesen föderierten Ansatz würde das technische Gerät versuchen lokal eine möglichst gute Lösung zu finden, welche j edoch nicht die optimale Lösung ist , wenn eine andere Anlage eine bessere Lösung vorweisen kann . Diese kann durch Vernetzung und Nutzung eines globalen Modells unter Verwendung föderierten Lernens bereitgestellt werden .
Die erfindungsgemäße Aufgabe wird auch durch eine Vorrichtung gelöst , umfassend eine Geräte-Rechenvorrichtung, welche mit einem technischen Gerät verbunden ist , sowie eine Service- Rechenvorrichtung, welche mit der Geräte-Rechenvorrichtung verbunden ist , wobei die Vorrichtung eingerichtet ist , das erfindungsgemäße Verfahren aus zuführen .
Die erfindungsgemäße Aufgabe wird auch durch ein System gelöst , umfassend die erfindungsgemäße Vorrichtung, ferner umfassend mehrere technische Geräte und j eweilige Geräte- Rechenvorrichtungen, wobei die erfindungsgemäße Vorrichtung eingerichtet ist , das erfindungsgemäße Verfahren aus zuführen .
Die erfindungsgemäße Aufgabe wird durch ein Computerprogramm gelöst , umfassend Befehle , welche bei deren Aus führung durch einen Computer diesen veranlassen, das erfindungsgemäße Verfahren aus zuführen .
Die erfindungsgemäße Aufgabe wird durch einen elektronisch lesbaren Datenträger mit darauf gespeicherten lesbaren Steuerinformationen gelöst , welche zumindest das erfindungsgemäße Computerprogramm umfassen und derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer Recheneinrichtung das erfindungsgemäße Verfahren durchführen . Die erfindungsgemäße Aufgabe wird durch ein Datenträgersignal gelöst, welches das erfindungsgemäße Computerprogramm überträgt .
Ein Ausführungsbeispiel der Erfindung wird nun anhand der nachfolgenden Figuren näher beschrieben. In den Figuren zeigt
Fig. 1 ein Ausführungsbeispiel für das erfindungsgemäße System,
Fig. 2 ein Ausführungsbeispiel für das erfindungsgemäße Verfahren .
Fig. 1 zeigt ein Ausführungsbeispiel für das erfindungsgemäße System 100.
Eine Vorrichtung 1 umfasst eine Geräte-Rechenvorrichtung 20, welche mit einem technischen Gerät 10 verbunden ist.
Ferner umfasst das System 100 weitere Geräte- Rechenvorrichtungen 21, 22, welche jeweils mit einem technischen Gerät 11, 12 verbunden sind.
Eine Service-Rechenvorrichtung 30, welche mit den Geräte- Rechenvorrichtung 20-22 verbunden ist, ist dazu eingerichtet, das erfindungsgemäße Verfahren der Fig. 2 auszuführen.
Das System 100 umfasst mehrere technische Geräte 10-12 und jeweilig verbundene Geräte-Rechenvorrichtungen 20-22.
Die jeweilige Geräte-Daten DD1-DD3 werden bereitgestellt und abstrahierte Geräte-Metadaten ADD1-ADD3 werden gebildet.
Jeweilige Dienst-Daten SD1, SD2 werden bereitgestellt und abstrahierte Dienst-Metadaten ASD1, ASD2 werden gebildet.
Das Modell wird im Schritt d) mithilfe föderierten Lernens aus den Geräte-Metadaten ADD1-ADD3 der Geräte- Rechenvorrichtungen 20-22 und den Dienst-Metadaten ASD1, ASD2 der Service-Rechenvorrichtung 30 gebildet. Für föderiertes Lernen können ein oder mehrere globale Modelle aus den Geräte-Metadaten ADD1-ADD3 und/oder den Service- Metadaten ASD1 , ASD2 beispielsweise auf einem verbundenen Server ( in der Figur nicht dargestellt ) eines Klienten- Server-Systems gebildet werden, welche von den Geräte- Rechenvorrichtungen 20-22 und der Service- Rechenvorrichtung 30 bereitgestellt werden .
Ein oder mehrere globale Modelle können an Klienten verteilt werden, welche auf einem j eweiligen globalen Modell basierend deren lokale Geräte-Metadaten und/oder Dienst-Metadaten bestimmen wollen .
Es kann auch vorgesehen sein, dass beispielsweise nur Geräte- Metadaten in Form eines globalen Modells verarbeitet werden, und die Dienst-Metadaten lokal bereitgestellt werden, falls einzelne lokale Dienste sich von andern stark unterscheiden .
Das globale Modell kann dann von den Geräte- Rechenvorrichtungen 20-22 abgerufen werden und entsprechend lokal angewendet werden .
Fig . 2 zeigt ein Aus führungsbeispiel das erfindungsgemäße Verfahren mit folgenden Schritten : a) Bereitstellen von Geräte-Daten DD1-DD3 , welche Eigenschaften des technischen Geräts 10- 12 und/oder dessen Betrieb-Eigenschaften beschreiben, an eine Geräte- Rechenvorrichtung 20-22 und Bilden von abstrahierten Geräte-Metadaten ADD1-ADD3 , beispielsweise durch Klassi fizierung der Geräte-Daten, wobei die j eweilige Geräte- Rechenvorrichtung 20-22 mit dem technischen Gerät 10- 12 verbunden ist , b) Bereitstellen von Dienst-Daten SD1 , SD2 , welche den Umfang und/oder Eigenschaften eines Dienstes beschreiben, an eine Service-Rechenvorrichtung 30 und Bilden von abstrahierten Dienst-Metadaten ASD1 , ASD2 , beispielsweise durch Klassi fi zierung der Dienst-Daten, wobei die Service-Rechenvorrichtung 30 mit der Geräte- Rechenvorrichtung 20-22 verbunden ist , c) Übertragen der Geräte-Metadaten ADD1-ADD3 an die Service-Rechenvorrichtung 30 , d) Berechnen von Prädiktions-Daten für Dienst-Meta-Daten mit-hil fe eines Modells auf Basis künstlicher Intelligenz unter Verwendung zumindest einer Teilmenge der Geräte-Metadaten ADDI-ADDI und zumindest einer Teilmenge der Dienst-Metadaten ASD1 , ASD2 , in der Service- Rechenvorrichtung 30 , e ) Erzeugen von Dienst-Daten CD1-CD3 mithil fe der Prädikti- ons-Daten durch die Service-Rechenvorrichtung 30 , f ) Übermitteln der Dienst-Daten GDI an die Geräte- Rechenvorrichtung 20 , und Ansteuern des technischen Geräts 10 mithil fe der Dienst-Daten GDI .
Unter Geräte-Daten DD1-DD3 kann beispielsweise eine Service- Anfrage eines Geräts verstanden werden .
Unter Dienst-Daten CD1-CD3 kann eine darauf folgende Datenlieferung zur vorhergehenden Service-Anfrage in Form der Geräte- Daten DD1-DD3 sein .
Das j eweilige Modell prädi ziert die Dienst-Daten CD1-CD3 , welche eine Lösung auf eine Service-Anfrage darstellen .
Optional kann von der Geräte-Rechenvorrichtung 20 eine Rückmeldung an die Service-Rechenvorrichtung 30 gegeben werden, ob die gelieferten Dienst-Metadaten ASD1 , ASD2 eine gute Lösung zur Service-Anfrage geliefert hat . Diese Daten können durch das Modell für zukünftige Service-Anfragen entsprechend berücksichtigt werden .
Im Schritt d) werden optional die zumindest eine Teilmenge der Geräte-Metadaten ADD1-ADD3 aus den Geräte-Metadaten ADDI- ADD3 , und die zumindest eine Teilmenge der Dienst-Metadaten
ASD1 , ASD2 aus den Dienst-Metadaten ASD1 , ASD2 ausgewählt , sodass sie in ihren j eweiligen abstrahierten Metadaten ähnlich sind . Die Ähnlichkeit kann beispielsweise mit Ähnlichkeits- und Distanzmaßen, welche in der Statistik bekannt sind, bestimmt werden .
Im Schritt c ) können optional zusätzlich die Geräte-
Daten DD1-DD3 von der Geräte-Rechenvorrichtung 20-22 an die Service-Rechenvorrichtung 30 übertragen werden . Dann können im Schritt e ) zusätzlich die Geräte-Daten DD1-DD3 beim Erzeugen der Dienst-Daten CD1-CD3 berücksichtigt werden .
Optional kann das Modell Geräte-Metadaten ADD1-ADD3 mit Dienst-Metadaten ASD1 , ASD2 verknüpfen und das Modell mit be- reitgestellten Geräte-Metadaten und Dienst-Metadaten erzeugt und trainiert werden .
Bezugszeichenliste :
1 Vorrichtung
10-12 technischen Gerät
20-22 Geräte-Rechenvorrichtung 30 Service-Rechenvorrichtung
DD1, DD2, DD3 Geräte-Daten
ADDI, ADD2, ADD3 Geräte-Metadaten
SD1, SD2 Dienst-Daten
ASD1, ASD2 Dienst-Metadaten

Claims

Patentansprüche
1. Computer-implementiertes Verfahren zur Steuerung eines technischen Geräts (10-12) , gekennzeichnet durch folgende Schritte : a) Bereitstellen von Geräte-Daten (DD1-DD3) , welche Eigenschaften des technischen Geräts (10-12) und/oder dessen Betrieb-Eigenschaften beschreiben, an eine Geräte- Rechenvorrichtung (20-22) und Bilden von abstrahierten Geräte-Metadaten (ADD1-ADD3) , beispielsweise durch Klassifizierung der Geräte-Daten, wobei die jeweilige Geräte- Rechenvorrichtung (20-22) mit dem technischen Gerät (10— 12) verbunden ist, b) Bereitstellen von Dienst-Daten (SD1, SD2) , welche den Umfang und/oder Eigenschaften eines Dienstes beschreiben, an eine Service-Rechenvorrichtung (30) und Bilden von abstrahierten Dienst-Metadaten (ASD1, ASD2) , beispielsweise durch Klassifizierung der Dienst-Daten, wobei die Service-Rechenvorrichtung (30) mit der Geräte- Rechenvorrichtung (20-22) verbunden ist, c) Übertragen der Geräte-Metadaten (ADD1-ADD3) an die Service-Rechenvorrichtung (30) , d) Berechnen von Prädiktions-Daten für Dienst-Meta-Daten mithilfe eines Modells auf Basis künstlicher Intelligenz unter Verwendung zumindest einer Teilmenge der Geräte- Metadaten (ADDI-ADDI) und zumindest einer Teilmenge der Dienst-Metadaten (ASD1, ASD2) , in der Service- Rechenvorrichtung (30) , e) Erzeugen von Dienst-Daten (CD1-CD3) mithilfe der Prädiktions-Daten durch die Service-Rechenvorrichtung (30) , f) Übermitteln der Dienst-Daten (GDI) an die Geräte- Rechenvorrichtung (20) , und Ansteuern des technischen Geräts (10) mithilfe der Dienst-Daten (GDI) .
2. Verfahren nach dem vorhergehenden Anspruch, wobei im Schritt d) die zumindest eine Teilmenge der Geräte- Metadaten (ADD1-ADD3) aus den Geräte-Metadaten (ADD1-ADD3) ausgewählt wird, und die zumindest eine Teilmenge der Dienst- Metadaten (ASD1, ASD2) aus den Dienst-Metadaten (ASD1, ASD2) ausgewählt wird, sodass sie in ihren jeweiligen abstrahierten Metadaten ähnlich sind.
3. Verfahren nach einem der vorhergehenden Ansprüche, wobei im Schritt c) zusätzlich die Geräte-Daten (DD1-DD3) von der Geräte-Rechenvorrichtung (20-22) an die Service- Rechenvorrichtung (30) übertragen werden, und im Schritt e) zusätzlich die Geräte-Daten (DD1-DD3) beim Erzeugen der Dienst-Daten (CD1-CD3) berücksichtigt werden.
4. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Modell Geräte-Metadaten (ADD1-ADD3) mit Dienst- Metadaten (ASD1, ASD2) verknüpft, und mit bereitgestellten Geräte-Metadaten und Dienst-Metadaten erzeugt und trainiert ist .
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei ein System (100) mehrere technische Geräte (10-12) und jeweilige verbundene Geräte-Rechenvorrichtungen (20-22) umfasst, und jeweilige Geräte-Daten (DD1-DD3) bereitgestellt werden und abstrahierte Geräte-Metadaten (ADD1-ADD3) gebildet werden, sowie jeweilige Dienst-Daten (SD1, SD2) bereitgestellt werden und abstrahierte Dienst-Metadaten (ASD1, ASD2) gebildet werden, und das Modell im Schritt d) mithilfe föderierten Lernens aus den Geräte-Metadaten (ADD1-ADD3) der Geräte- Rechenvorrichtungen (20-22) und den Dienst-Metadaten (ASD1, ASD2) der Service-Rechenvorrichtung (30) gebildet wird.
6. Vorrichtung (1) , umfassend eine Geräte- Rechenvorrichtung (20-22) , welche mit einem technischen Gerät (10-12) verbunden ist, sowie eine Service- Rechenvorrichtung (30) , welche mit der Geräte- Rechenvorrichtung (20-22) verbunden ist, dadurch gekennzeichnet, dass die Vorrichtung (1) eingerichtet ist, das Verfahren nach einem der Ansprüche 1 bis 5 auszuführen.
7. System (100) , umfassend die Vorrichtung (1) nach dem vorhergehenden Anspruch, ferner umfassend mehrere technische Geräte (10-12) und jeweilige Geräte-Rechenvorrichtungen (20— 22) , dadurch gekennzeichnet, dass die Vorrichtung (1) eingerichtet ist, das Verfahren nach Anspruch 5 auszuführen.
8. Computerprogramm, umfassend Befehle, welche bei deren Ausführung durch einen Computer diesen veranlassen, das Verfahren nach einem der Ansprüche 1 bis 5 auszuführen.
9. Elektronisch lesbarer Datenträger mit darauf gespeicherten lesbaren Steuerinformationen, welche zumindest das Computerprogramm nach dem vorhergehenden Anspruch umfassen und derart ausgestaltet sind, dass sie bei Verwendung des Datenträgers in einer Recheneinrichtung das Verfahren nach einem der Ansprüche 1 bis 5 durchführen.
10. Datenträgersignal, welches das Computerprogramm nach Anspruch 8 überträgt.
PCT/EP2022/058415 2022-03-30 2022-03-30 Computer-implementiertes verfahren, vorrichtung und system zur steuerung eines technischen geräts WO2023186292A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/EP2022/058415 WO2023186292A1 (de) 2022-03-30 2022-03-30 Computer-implementiertes verfahren, vorrichtung und system zur steuerung eines technischen geräts
PCT/EP2023/058286 WO2023187052A1 (de) 2022-03-30 2023-03-30 Computer-implementiertes verfahren, vorrichtung und system zur steuerung eines technischen geräts

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/EP2022/058415 WO2023186292A1 (de) 2022-03-30 2022-03-30 Computer-implementiertes verfahren, vorrichtung und system zur steuerung eines technischen geräts

Publications (1)

Publication Number Publication Date
WO2023186292A1 true WO2023186292A1 (de) 2023-10-05

Family

ID=81579850

Family Applications (2)

Application Number Title Priority Date Filing Date
PCT/EP2022/058415 WO2023186292A1 (de) 2022-03-30 2022-03-30 Computer-implementiertes verfahren, vorrichtung und system zur steuerung eines technischen geräts
PCT/EP2023/058286 WO2023187052A1 (de) 2022-03-30 2023-03-30 Computer-implementiertes verfahren, vorrichtung und system zur steuerung eines technischen geräts

Family Applications After (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/058286 WO2023187052A1 (de) 2022-03-30 2023-03-30 Computer-implementiertes verfahren, vorrichtung und system zur steuerung eines technischen geräts

Country Status (1)

Country Link
WO (2) WO2023186292A1 (de)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070118560A1 (en) * 2005-11-21 2007-05-24 Christof Bornhoevd Service-to-device re-mapping for smart items
US20150205713A1 (en) * 2008-09-30 2015-07-23 Interactive TKO, Inc Service modeling and virtualization

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021228404A1 (en) * 2020-05-15 2021-11-18 Huawei Technologies Co., Ltd. Generating high-dimensional, high utility synthetic data

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070118560A1 (en) * 2005-11-21 2007-05-24 Christof Bornhoevd Service-to-device re-mapping for smart items
US20150205713A1 (en) * 2008-09-30 2015-07-23 Interactive TKO, Inc Service modeling and virtualization

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HIESSL THOMAS ET AL: "Cohort-based Federated Learning Services for Industrial Collaboration on the Edge", 6 July 2021 (2021-07-06), XP055883328, Retrieved from the Internet <URL:https://www.techrxiv.org/articles/preprint/Cohort-based_Federated_Learning_Services_for_Industrial_Collaboration_on_the_Edge/14852361/1> [retrieved on 20220125], DOI: 10.36227/techrxiv.14852361.v1 *

Also Published As

Publication number Publication date
WO2023187052A1 (de) 2023-10-05

Similar Documents

Publication Publication Date Title
DE10297609B4 (de) Verfahren und System zum Senden von lokalisierungs- und identitätsabhängiger Information an mobile Endgeräte
DE202017007517U1 (de) Aggregatmerkmale für maschinelles Lernen
EP3876046B1 (de) Rückannotation von operatorselektionen
DE112007000051T5 (de) Dreiteiliges-Modell-basiertes Verfahren zur Informationsgewinnung und -verarbeitung
AT412678B (de) Verfahren zur rechnergestützten erstellung von prognosen für operative systeme sowie system zur erstellung von prognosen für operative systeme
DE102021125856A1 (de) Erkennen von feindlichen angriffen auf ein tiefes neuronales netz (deep neural network (dnn))
WO1997044743A1 (de) Verfahren zur optimierung eines fuzzy-regelsatzes durch einen rechner
WO2023186292A1 (de) Computer-implementiertes verfahren, vorrichtung und system zur steuerung eines technischen geräts
EP3699704B1 (de) System und verfahren zum überprüfen von systemanforderungen von cyber-physikalischen systemen
DE102020107001A1 (de) Verfahren und Vorrichtung zur Ermittlung des Zustands eines elektrischen Bordnetzes eines Fahrzeugs
WO2023036597A1 (de) Verfahren und system zur steuerung einer übertragung von daten in abhängigkeit wenigstens eines attributs einer datei
EP3901713A1 (de) Verfahren und system zum betrieb einer technischen anlage mit einem optimalen modell
DE102019213001A1 (de) Wissensproduktionssystem
EP3026602A1 (de) Verfahren zum rechnergestützten verarbeiten von anfragen zur analyse von daten in einem datenspeicher
DE10213735A1 (de) Verfahren und Vorrichtung zum Vergleichen von Produkteigenschaften
DE19539477A1 (de) Verfahren zur automatisierten optimalen Redundanz-Auslegung von Messungen für die Leittechnik in Kraftwerken
DE102020202463A1 (de) Datenreduzierte Edge-zu-Cloud-Übertragung basierend auf Vorhersagemodellen
DE102011076969A1 (de) Verfahren zum rechnergestützten Lernen einer Regelung und/oder Steuerung eines technischen Systems
Graulich et al. Interactive video experiments–from the idea to the design
Wallner Monitoring and Forecasting of Time Series Data
EP4376452A1 (de) Verfahren zum betreiben einer applikation mit zumindest zwei kommunikationsanweisungen in einem kommunikationsnetzwerk und computer-programmprodukt
DE102021107675A1 (de) System und Verfahren zum Implementieren von intelligenten Fahrzeugfunktionen
Bink et al. Predictive Maintenance in Industrial Practice: Development of a Prognostic Approach Based on Incomplete Information
EP3648022A1 (de) Verfahren und vorrichtung zur ermittlung einer technischen eigenschaft eines programmcodes zur ansteuerung eines elektronischen geräts
DE202024102345U1 (de) Ein auf maschinellem Lernen basierendes System für das Änderungsmanagement zur effektiven Implementierung und Ausführung von Ressourcen

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22720562

Country of ref document: EP

Kind code of ref document: A1