用于工作量估计的系统和方法

摘要

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)。

说明书

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

按照本说明书的另一方面，公开一种用于配置过程工厂的多个组件之中的一个或多个组件的系统。该系统配置成优化过程工厂中部署的工业过程。该系统包括数据获取单元，该数据获取单元在通信上耦合到客户端站，并且配置成接收变更请求。变更请求包括过程工厂的多个组件之中的组件中所要求的修改的规范（specification）。该系统进一步包括数据库单元，该数据库单元在通信上耦合到数据获取单元，并且配置成存储由过程工厂所生成的历史数据以及与多个组件对应的多个配置文件。该系统还包括图表构建器单元（graph builder unit），该图表构建器单元在通信上耦合到数据库单元，并且配置成基于与多个组件对应的多个配置文件来构建与过程工厂对应的系统依赖图。系统依赖图包括多个节点，所述节点表示过程工厂的多个组件。多个链路经由表示依赖性权重的多个链路相互耦合。该系统包括机器学习单元，该机器学习单元在通信上耦合到图表构建器单元，并且配置成基于过程工厂的配置来选择多个组件之中的组件的子集，其中组件的子集与由变更请求所指定的组件相关。机器学习单元进一步配置成通过遍历（traverse）系统依赖图来识别多个节点之中的节点的子集。多个节点对应于组件的子集以及由变更请求所指定的组件。节点的子集对应于组件的多个类别。机器学习单元还配置成基于系统依赖图中的遍历的路径来计算影响参数（impact parameter）值。影响参数表示系统中因组件引起的变更的复杂程度。机器学习单元进一步配置成基于遍历的路径来计算多个变更参数值。多个变更参数表示系统中因组件的多个类别引起的变更的复杂程度。机器学习单元还配置成使用机器学习技术基于影响参数值和多个变更参数值来确定工作量估计。工作量估计包括用于实现变更请求的计划表以及实现变更请求的成本。该方法还包括基于工作量估计来实现变更请求。实现变更请求包括配置过程工厂的一个或多个组件。

按照本发明的一个方面，公开一种用于配置过程工厂的一个或多个组件以优化过程工厂中部署的工业过程的方法。该方法包括由数据获取系统经由客户端站接收变更请求。变更请求包括过程工厂的多个组件之中的组件中所要求的修改的规范。该方法进一步包括从数据库接收与过程工厂对应的系统依赖图。系统依赖图包括多个节点，所述多个节点表示过程工厂的多个组件。多个链路经由表示依赖性权重的多个链路相互耦合。该方法还包括基于过程工厂的配置来选择多个组件之中的组件的子集。多个组件与由变更请求所指定的组件相关。该方法进一步包括通过遍历系统依赖图来识别多个节点之中的节点的子集。多个节点对应于组件的子集以及由变更请求所指定的组件。节点的子集对应于组件的多个类别。该方法还包括基于系统依赖图中的遍历的路径来计算影响参数值。影响参数表示系统中因组件引起的变更的复杂程度。该方法包括基于遍历的路径来计算多个变更参数值。多个变更参数表示系统中因组件的多个类别引起的变更的复杂程度。该方法进一步包括使用机器学习技术基于影响参数值和多个变更参数值来确定工作量估计。工作量估计包括用于实现变更请求的计划表以及实现变更请求的成本。该方法还包括基于工作量估计来实现变更请求。实现变更请求包括配置过程工厂的一个或多个组件。

附图说明

在参照附图阅读以下详细描述时，本发明的实施例的这些及其他特征和方面将变得更好理解，在附图中，相似字符在附图中通篇表示相似部件，其中：

图1图示按照示范实施例的具有工作量估计器的工业自动化基础设施；

图2是按照示范实施例的用于估计用于实现图1的工业自动化系统中的变更请求的工作量的系统；

图3是按照示范实施例的由图2的工作量估计器所使用的系统依赖图(SDG)；

图4是图示按照示范实施例的影响参数的计算的示意图；

图5是图示按照示范实施例的复杂度对变更实现中涉及的工作量的影响的图表500。

图6是用于与图1的工业自动化系统中的变更请求对应的工作量估计的方法的流程图。

具体实施方式

如下文将详细描述，提出用于工业系统的监测的技术。更特别是，提出状况监测装置以及对工业系统中的电气设备进行状况监测的对应方法。

术语‘工业系统’可表示通常在单个地理位置中所调试的发电厂（power plant）或制造单元。术语‘过程工厂’用来表示采用预先设计过程并且组成工业系统的整体或部分的工业设施。术语‘设备’用来表示工业系统的一个或多个装置、机器或子系统。术语‘组件’用来表示设备的一部分或者过程工厂的一部分。短语‘变更请求’表示对变更或修改组件或者组件的功能的要求。要求变更请求以优化过程工厂中部署的工业过程和/或工业自动化系统。短语‘工作量估计’用来表示用来实现变更请求所要求的工作量和/或资源的估计。工作量估计基于被变更请求所影响的组件的评定、用来实现变更请求所要求的时间以及实现变更请求的成本。

图1图示按照示范实施例的具有用于工作量估计的系统的工业自动化基础设施100。工业自动化基础设施100包括多个现场装置102、104、106，所述多个现场装置102、104、106配置成感测来自工业资产的信号并且执行工程测量。现场装置102、104、106可包括传感器、通信设备和计算机。现场装置102、104、106经由多个路由器108、110与其他一个或多个现场装置和/或与服务器112、114在通信上耦合。服务器112、114被提供有客户端终端116或工程工作站118，以用于访问现场装置102、104、106、控制路由器108、110并且与服务器112、114进行通信。客户端终端116和工程工作站118还配置成与云服务器120进行通信，该云服务器120配置成提供先进技术数据分析、监督和控制功能性。工业自动化基础设施100配置成监测过程工厂的操作、评定操作性能、诊断问题并且实现过程工厂和/或工业自动化系统中的修改。系统升级、故障或者对组件变更的需要要求工业自动化基础设施100中的修改。工业自动化基础设施进一步配置成接收和/或生成变更请求，并且执行变更请求的实现。在一些实施例中，工业自动化基础设施100还可帮助现场工程师或其他工程资源有效地实现变更请求。变更请求的实现需要实现变更请求中涉及的工作量的精确估计，并且确定用于这种实现的计划表。在本说明书的实施例中，公开一种用于估计实现变更请求中涉及的工作量的系统。在一个示例中，服务器112包括用于估计工作量的系统122。在另一个实施例中，云服务器120包括用于工作量估计的系统122。用于估计工作量的系统122配置成接收变更请求，并且使用系统配置信息和历史变更请求数据来提供实现变更请求中涉及的工作量的精确估计。

图2是按照示范实施例的用于估计图1的工业自动化系统中的变更请求的工作量的系统200。系统200是如图1中所图示的云120中实现的块122的详细版本。系统200包括数据获取模块212、机器学习单元214、处理器单元216、数据库单元218、图表构建器单元220和存储器单元222，它们经由通信总线224在通信上相互耦合。系统200与客户端和工程工作站202、204在通信上耦合，并且配置成接收从操作员或者从自动化服务器所提供的变更请求226。系统200还配置成利用（leverage）与工厂的操作相关的历史数据、先前生成的变更请求以及对于实现变更请求所要求的对应工作量细节。系统200进一步配置成生成用来实现变更请求所要求的工作量的估计210以及用于实现变更请求的活动的计划表。

数据获取单元212在通信上耦合到客户端站202和工程工作站204的至少一个，并且配置成接收变更请求226。变更请求226包括过程工厂的多个组件之中的组件中所要求的修改的规范。数据获取单元212包括用来从工作站202、204接收数据的通信电路系统。数据获取单元212还包括信号调节机构，其用来执行信号调节操作和数据处理功能。在一个实施例中，数据获取单元212配置成访问数据库单元218，以检索历史数据。此外，数据获取单元212还配置成访问用于训练机器学习模型所要求的标记数据集以及用于工作量估计所要求的训练机器学习模型。

数据库单元218在通信上耦合到数据获取单元212，并且配置成存储由过程工厂所生成的历史数据以及与多个组件对应的多个配置文件。数据库单元218可包括存储器存储装置，并且可支持一个或多个数据库方案。由数据库单元218所支持的数据库方案的非限制性示例包括结构查询语言(SQL)数据库、关系数据库管理系统(RDBMS)、no-SQL数据库(例如Mango数据库)。数据库单元218还配置成存储机器学习模型以及由图表构建单元220所要求的工业工厂和/或工业自动化基础设施的结构信息。

图表构建器单元220在通信上耦合到数据库单元218，并且配置成基于用来操作多个组件的多个配置文件来构建与过程工厂对应的系统依赖图(SDG)228。系统依赖图228是工业工厂和/或工业自动化系统的抽象表示，并且包括多个节点，所述多个节点表示经由表示依赖性权重的多个链路相互耦合的过程工厂的多个组件。通过系统依赖图228的节点所表示的组件包括标签、人机接口组件、拓扑元素、控制逻辑图、功能、程序组织单元(POU)、控制器和应用中的至少一个。

机器学习单元214在通信上耦合到图表构建器单元220，并且配置成基于过程工厂的配置来选择与由变更请求所指定的组件相关的多个组件之中的组件的子集230。机器学习单元214进一步配置成通过遍历系统依赖图228来识别与组件的子集230以及由变更请求所指定的组件对应的多个节点之中的节点的子集232。节点的子集232对应于组件的多个类别。机器学习单元还配置成基于系统依赖图228中的遍历的路径来计算影响参数234的值。影响参数234表示系统中因组件引起的变更的大小和变更的复杂程度。在一个实施例中，变更的大小通过遍历的路径中的节点的数量来表示。在另一个实施例中，变更的大小通过沿遍历的路径的链路权重的总和来表示。此外，变更的复杂度通过与遍历的路径关联的功能代码的数量来表示。在一个实施例中，机器学习单元214进一步配置成使用幂律模型来修改影响参数234的值以虑及（account for）变更的复杂度。特别地，基于幂律所计算的校正因子使用与受影响功能代码的数量对应的功能代码的数量。在一个示例中，与系统依赖图中的功能代码对应的变更参数可用来确定校正因子。在一个实施例中，使用幂律对影响参数234的校正通过xa

机器学习单元214进一步配置成基于遍历的路径来计算多个变更参数值236。多个变更参数值236表示系统中因组件的多个类别引起的变更的复杂程度。在一些实施例中，多个变更参数值236也可通过用来修改影响参数234的幂律来修改。机器学习单元214还配置成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来确定工作量估计。工作量估计包括用于实现变更请求的计划表以及实现变更请求的成本。机器学习单元214还配置成基于工作量估计来实现变更请求。实现变更请求包括配置过程工厂的一个或多个组件。实现变更请求中涉及的活动还包括但不限于自动重新配置工业工厂和/或工业自动化基础设施的一个或多个组件，在完成变更请求实现之后修改由工业工厂和/或工业自动化基础设施所使用的配置文件。

在一个实施例中，机器学习单元214进一步配置成基于与变更请求相关的多个标记数据集和对应工作量值来确定机器学习模型。特别地，使用标记数据集来训练机器学习模型以获得所要求精度。训练的机器学习模型对标记数据集的子集被验证，并且被存储在数据库单元218中，以用于部署阶段中。

处理器单元216在通信上耦合到通信总线224，并且配置成执行用于估计用于实现变更请求的工作量所要求的各种计算任务。处理器单元216进一步配置成访问存储器单元222和数据库单元218。在一个实施例中，处理器单元216包括一个或多个微处理器或控制器，所述一个或多个微处理器或控制器配置成支持数据获取单元212、机器学习单元214和图表构建器单元220中的一个或多个的功能性。处理器单元216也可以是数字信号处理器(DSP)、现场可编程门阵列(FPGA)或者专门设计成支持功能单元212、214、220中的一个的专用集成电路(ASIC)。

存储器单元222在通信上耦合到处理器单元216，并且配置成存储由各种单元212、214、220所要求的软件代码和数据。在一个实施例中，存储器单元222还可执行数据库单元218的功能性。在本文中可注意，存储器单元222可包括多个存储模块，例如随机存取存储器(RAM)和只读存储器(ROM)。存储器单元222还可包括可编程ROM(PROM)、可擦PROM(EPROM)和闪速存储器单元。

图3是按照示范实施例的由图2的系统所使用的系统依赖图(SDG)300。SDG 300是图2的SDG 228的详细版本。SDG 300由图表构建器单元220来生成，并且是通过在图2中的参考数字228所表示的SDG的详细版本。在所图示的实施例中，SDG 300包括多个节点302、304、306、308，所述多个节点302、304、306、308表示工业自动化基础设施100的多种类型的元素。节点302表示标签元素，节点304表示功能代码，节点306表示控制逻辑图，节点308表示图形元素，以及节点310表示图形图。SDG 300进一步包括连接多个节点的多个链路312、314、316、318。可注意，为了便于说明，只有SDG 300的多个节点的一些和多个链路的一些通过参考数字来表示。SDG 300表示其中将要实现变更请求的工业自动化基础设施架构和/或工厂架构。基于工业工厂和/或对应工业自动化基础设施及关联功能性的知识来构建SDG 300。多个链路312、314、316、318的每个连接两个节点，第一节点在本文中称作‘源节点’，而第二节点在本文中称作‘目标节点’。这些链路的每个与本文中称作‘权重’的数值关联。SDG 300中的每个节点表示工业工厂的组件或子系统。SDG 300的链路表示对应源与目标节点之间的关系和依赖性。与链路关联的权重表示与链路关联的目标节点对于对应源节点的依赖性。基于与先前生成的请求变更相关的历史数据先验地确定SDG 300的多个权重。

图4是图示按照示范实施例的复杂度对变更实现中涉及的工作量的影响的图表400。图表400包括表示功能代码的百分比的x轴402。图表400还包括表示与对应功能代码关联的改变输入-输出端口的y轴404。图表400包括与具有240个功能代码的情况对应的第一曲线406。图表400包括与具有120个功能代码的情况对应的第二曲线408以及与具有60个功能代码的第三情况对应的第三曲线410。在生成全部三个曲线406、408、410中考虑40个功能代码的平均数。曲线呈现复杂度因子对用于估计用于实现变更请求的工作量的影响参数234的非线性影响。

图5是图示按照示范实施例的影响参数234的计算的图表500。图表500对应于图示按照本说明书的影响参数的示例计算的图3的SDG。该示例对应于指定要求变更的示例组件的示例变更请求。示例组件在SDG 500中被绘制为节点502和504。节点502是标签组件，并且用作用于图表遍历的起始点。基于所涉及组件的功能性以及工厂和/或工业自动化基础设施的结构的知识来执行图表遍历。识别与示例组件相关的其他组件，并且遍历SDG 500中的对应节点。在所图示的示例中，沿覆盖节点506、508、510、512的路径顺序遍历图表500。从节点508，在SDG500中遍历覆盖节点514、516和518的平行路径。从节点516和518进一步遍历SDG 500，以分别覆盖节点520和522。类似地，还从节点502遍历SDG 500，从而覆盖节点524、526和510。对于影响参数的确定考虑遍历的路径528、530、532、534、536、538、540、542、544、546、548中的链路。添加所考虑链路的权重，以获得19.9的影响参数。

图6是用于与图1的工业自动化系统中的变更请求对应的工作量估计的方法的流程图600。该方法包括由数据获取系统经由客户端站接收变更请求，如在步骤602中所图示。变更请求包括过程工厂的多个组件之中的组件中所要求的修改的规范。在一些情况下，变更请求还可指定要求修改的多于一个组件。

在步骤604处，该方法进一步包括从数据库接收与过程工厂对应的系统依赖图(图2的参考数字228)。系统依赖图228包括多个节点，所述多个节点表示经由表示依赖性权重的多个链路相互耦合的过程工厂的多个组件。通过系统依赖图228的节点所表示的组件包括标签、功能代码、图形元素、控制逻辑图和图形元素中的至少一个。节点还可表示人机接口组件、拓扑元素、控制逻辑图、功能、程序组织单元(POU)、控制器和应用。系统依赖图228的节点的每个通过三元组来表示，该三元组包括唯一标识符、组件的类型和显示名称。

多个链路的每个通过五元组来表示，该五元组包括唯一标识符、源节点、目标节点、参照考虑中的链路的系统组件之间的关系以及源节点与目标节点之间的权重值。基于使用多个应用程序接口(API)所收集的依赖性数据来构造系统依赖图228。

该方法还包括基于过程工厂的配置来选择与由变更请求所指定的组件相关的多个组件之中的组件的子集230，如在606中所图示。组件的子集230可在SDG上被绘制为用作用于图表遍历的初始节点的节点的不同初始集合。

在步骤608处，该方法进一步包括通过遍历系统依赖图228来识别与组件的子集230以及由变更请求所指定的组件对应的多个节点之中的节点的子集232。节点的子集232对应于组件的多个类别。通过基于与变更请求相关的自动化系统信息识别到初始节点的全部所连接节点来执行遍历。识别具有与节点的子集232对应的链路的子集的遍历的路径。

该方法还包括基于系统依赖图228中的遍历的路径来计算影响参数234的值，如在步骤610中所图示。影响参数234表示系统中因组件引起的变更的复杂程度。基于与在步骤608中所识别的链路的子集关联的权重的总和来确定影响参数234的初始值。然后通过考虑实现变更请求的复杂度来计算影响参数234的最终值。在一个实施例中，基于与遍历的路径对应的功能代码的数量来计算影响参数234的最终值。特别地，使用幂律来修改影响参数234的初始值。与功能代码的数量关联的输入-输出端口的数量(遍历路径)用作用于幂律的参数。从功能代码的数量来确定输入-输出端口的数量。

方法600包括在步骤612处基于遍历的路径来计算多个变更参数

在步骤614处，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来确定工作量估计。工作量估计包括用于实现变更请求的计划表以及实现变更请求的成本。在一个实施例中，基于标记数据集来确定机器学习技术，该标记数据集包括多个请求变更和对应多个实际工作量估计。可注意，机器学习技术可包括但不限于基于神经网络的学习和回归技术。

方法600还包括基于工作量估计来实现变更请求，如在步骤616中所图示。在一个实施例中，实现变更请求包括向客户传递工作量估计，自动配置过程工厂的一个或多个组件，并且在实现变更请求之后更新由工业工厂和/或工业自动化系统所要求的配置文件。