[发明专利]用于生成人工智能模型的方法和系统

说明书

本发明提供了一种用于为工程系统（110）生成AI模型（200）的方法，所述方法包括：‑（S10）在工程框架系统（400）中确定人工智能AI功能（420）；‑通过计算图为AI模型（200）的生成定义（S20）推断路径（422）；‑将AI功能（420）和推断路径（422）转换（S30）成处理格式；‑将经转换的AI功能（420）发送并导出（S40）到AI工作台模块（520）的提取和扩展模块（522）；‑在工程系统（110）的处理模块（310）和/或另外的处理设备上部署（S50）经转换的AI功能（420）；‑将推断路径（422）的扩展计算图从提取和扩展模块（522）传输（S60）到AI框架模块（540）；‑通过使用支持通信协议来使通信适配器（524）与处理模块（310）连续地通信（S70），以用于接收作为AI功能（420）的输入的训练数据，并将它们转发给AI框架模块（540）；‑将AI模型（200）的学习到的参数从AI框架模块（540）的API接口（542）传递（S80）到通信适配器（524），以用于更新AI模型（200）。

本发明涉及一种为工程系统生成人工智能模型的方法和系统。

常规地，在分布式系统中，例如在制造工厂中，执行工程和配置不同的处理涉及来自拥有作为这样的工程的一部分的各种类型的装备的领域知识的专家的贡献。此外，这样的工程的性能很大程度上取决于专家手动引用与装备相关联的工程数据，为装备选择自动化功能实例（即，逻辑表示），以及手动配置分布式系统的工程。然而，当一个处理或一个产品正在被工程设计时，以及当工程正在被实时实现时，未能自动地配置和执行工程典型地会由于缺乏对工程的所执行的验证和确认而造成工程错误。此外，未能自动执行工程配置还造成执行这样的工程所需的时间、成本和工作量的增加，从而影响分布式控制系统的整体操作效率。

更进一步地，在停机、维护或装备更换——其中新的装备被插入到分布式系统中——的情况下，常规的工程方法和系统不能自动更新工程的配置，例如软件配置或网络配置等，以用于合并新插入的装备，因为这些常规的工程方法和系统主要依赖于处理的手动配置。这典型地会导致维护成本增加。

为了使用人工智能方法，AI，或机器学习，ML，对于这样的任务，典型的方法是记录设备和/或系统和/或其他数据源的数据，并且然后将其馈送到AI模型中。利用该数据，AI模型就可以为特定的任务找到解决方案。模型的训练是在诸如Tensorflow^TM或Theano^TM或Caffe^TM或Torch^TM之类的AI框架的环境中执行的，这是在强大的硬件工具上实现的，因为AI模型的训练需要大量的计算能力和内存。

然而，与训练相比，对于最终的经训练的AI模型的执行，只需要一小部分的计算能力和内存。因此，最终的AI模型可以在具有有限计算资源的边缘设备的处理模块上执行，该边缘设备在工业上下文中可以是可编程逻辑控制器（PLC）。可编程逻辑控制器（PLC）或可编程控制器是一种工业数字计算机，其适于控制制造处理，诸如装配线或机器人设备，或需要高可靠性控制和易于编程和处理故障诊断的任何活动。它们被广泛用作适用于工业环境的高可靠性自动化控制器。

出于安全和安保原因，PLC通常是对操作系统的访问有限的封闭平台。因此，客户需要使用工程框架，诸如西门子公司的TIA Portal，来用于PLC的配置和编程。因此，为了在PLC上部署AI模型，需要各种手动和劳动密集型步骤。

更进一步地，在许多情况下，需要这些劳动密集型部署步骤的多次迭代，因为AI模型训练的记录数据并不总是覆盖所有可能的系统状态。对于AI模型架构（例如，添加新的传感器信号）或模型参数（例如，系统行为改变）的更新，需要重复若干次训练和部署步骤。更进一步地，并不总是存在工业系统的数据记录或仿真可用。尤其是对于高度动态的系统，诸如网络流量，需要在线/实时学习方法。