[发明专利]用于工作量估计的系统和方法

说明书

一种用于配置过程工厂的一个或多个组件的方法(600)包括接收(602)变更请求(226)，并且接收(604)与过程工厂对应的系统依赖图(228)。方法(600)进一步包括基于过程工厂的配置来选择(606)多个组件之中的组件的子集(230)，并且通过遍历系统依赖图(228)中的路径来识别(608)多个节点之中的节点的子集(232)。方法(600)还包括基于遍历的路径来计算(610)影响参数(234)的值，并且基于遍历的路径来计算(612)多个变更参数值(236)。方法(600)进一步包括使用机器学习技术基于影响参数(234)的值和多个变更参数值(236)来确定(614)工作量估计(210)。

背景技术

本说明书的实施例一般涉及实现过程工厂中的变更请求，以及更特别地涉及估计用于实现工业自动化系统中的变更请求的工作量（effort）估计。

诸如分布式控制系统(DCS)之类的工业自动化系统的维护和保养要求系统组件(例如但不限于控制器和服务器)的监测并且识别用于优化操作和预防性维修所要求的修改。通常，监测涉及观测工业自动化系统的操作参数，并且参照一个或多个组件和子系统生成‘变更请求’。实现变更请求涉及工业自动化系统的一个或多个组件和/或其功能方面的变更。这些修改通常在用于控制器、现场装置和服务器的文件的重新配置或者改变用于特定于工厂的各种过程的规则的文件证明中反映。实现变更请求除了其他这类系统变更以外还可引起对系统拓扑图、控制逻辑图的修改。

当进行组件变更请求时，自动化工程师需要计划变更请求的实现，并且向客户传递实现变更请求的计划表。要求自动化工程师在变更实现的开始之前向客户提供工作量估计的相当精确估计。通常，工作量估计(或者等效的成本估计)涉及评定被该变更所影响并且因此需要相应地修改的自动化工程系统的全部组件。同时，工程师需要确保所进行的变更没有不利地引入自动化系统中的新差错或非预计变更。

许多工作量估计技术与不同估计(例如Halstead的工作量模型)和回归模型一起使用，所述回归模型通常要求反馈和专家输入，从而导致可能的人为差错和不正确的组件识别。

基于云的软件服务提供和复杂机器学习技术中的新进展已经实现监测和预防工业自动化系统的组件的维护的各个方面中的高级分析的部署。但是，确定用于实现变更请求的最佳计划表仍然是要求人工干预和专家参与的离线活动。

存在对于用于实现工业自动化系统中的变更请求的优良技术的需要。

发明内容