[发明专利]用于操作自动化系统的方法和装置

说明书

本发明一般涉及用于操作自动化系统的方法和装置。用于操作自动化系统的方法包括以下方法步骤：a）为由包括自动化过程的上下文的过程数据（D）所训练的自动化系统提供基于学习的预测模型（M），b）接收关于自动化过程的当前上下文的信息，c）通过将当前上下文与所述过程数据的上下文进行比较来验证上下文变化，d）在任何上下文变化的情况下通过比较漂移过程前数据和漂移过程后数据来验证概念漂移，e）在任何概念漂移的情况下用漂移过程后数据重新训练所述模型（M），f）在没有上下文变化的情况下测试通过验证上下文变化而没有检测到的随机概念漂移，g）在任何随机概念漂移的情况下通过使用包括先前上下文变化的数据来扩展当前上下文，h）否则不需要进一步的方法步骤。

技术领域

本发明一般涉及用于操作自动化系统的方法和装置。

背景技术

由于当今市场的高度易变性和动态性，需要制造商对不断变化的环境更快速地做出反应（例如，频繁转变产品），但仍然确保高效的生产计划和精确的吞吐量估计。一般来说，由于机器的处理时间不是固定的，而是取决于诸如产品类型或材料质量之类的若干变量，因此需要准确估计这些时间可用于作为用于实施生产计划的基础。因此，计算制造业中所涉及的所有活动的处理时间的高精度估计是一项重要的任务。

随着在最近的“行业”4.0视野中通过与价值创造过程相关的所有实例的互连性而即将到来的实时的相关数据的可用性，制造系统需要在制造、业务和产品生命周期过程上进行整合。类似地，最近新兴的关于制造运行管理（MOM）的讨论也强调了完全整合制造的要求，即，扩展到与产品生命周期管理（PLM）和企业资源计划（ERP）无缝连接的制造执行系统（MES）。随着像“OPC UA”、“B2MML”和“AutomationML”的新型信息模型标准的出现，MOM系统已经能够经由标准化的元数据描述来提供上下文信息。

与使用固定或平稳的分布式处理时间的机器的可能的分析方法或模拟模型相对比，这样的时间的在线估计——例如经由统计学习模型——是有挑战性的，因为情境依赖性（例如转变、维护事件、提供的材料质量）可以显著影响机器的处理时间。因此，这种估计模型的使用应该意识到在整个制造过程上跨越的这些依赖性（所谓的上下文），否则生产计划和调度变得无效。这样的上下文例如可以是组件--例如传感器组件--的位置，以及其与制造过程的其他变量的依赖性。

虽然监控诸如机器处理时间之类的过程变量似乎很直截了当，并要求工程师手动指定需要谨慎对待的事件类型，但需要考虑几个陷阱：

不可预测的事件：影响分析、但是甚至域名专家也无法预见的事件可能会破坏决策做出。因此，必须自下而上地获悉这些事件（从造成的情境到决策做出）

动态/灵活制造：在频繁变化的环境（变化的订单、变更的供应商、更换的设备）中，分析的手动重新配置变得无效。

再现的情境：一些情境变化可能会反复再现，例如，在两种产品变体之间来回切换生产。因此，有关以前事件发生的知识应该在这样的事情再次发生时尽快可用。

在所有以前的场景中，关于上下文的知识，即在整个制造过程中的互连数据，可以帮助改善分析应用并确保其结果的适用性。

存在处理动态环境的问题的机器学习方法，即自适应学习，其中底层数据生成过程易于发生所谓的概念漂移。大多数潜在方法的常见缺点是它们打算用于离线分析，并且需要预定义的模拟模型，或者它们忽略了取决于制造系统的上下文的底层数据生成过程中的概念漂移的存在（例如，机器的处理时间的非平稳分布）。

本发明的目的是提供将上下文信息整合到灵活的生产计划和调度场景中的方法。

发明内容

上面提及的目的通过一种包括独立权利要求的特征的用于操作自动化系统的方法和一个或多个装置来实现。在从属权利要求中描述了本发明的优选实施例。