CN111882084B - 用于对工厂中的现场设备进行维护的方法和装置 - Google Patents

Abstract

本公开的实施例提出了一种用于对工厂中的现场设备进行维护的方法，包括：获取现场设备的设备数据，设备数据表示现场设备当前发生的事件；利用现场设备的知识模型，基于设备数据生成针对事件的推荐动作，其中，知识模型包括对于现场设备可能的事件类型和每个事件类型的对应动作；以及提供推荐动作，以对现场设备进行维护。通过上述方法，提高了现场设备的知识集成度和透明度，并且能够为现场人员推荐准确的维护建议。现场人员不仅无需再花费精力和时间学习不同现场设备的维护手册，还能快速有效地对现场设备进行维护，保证了维护的准确性和高效性，提高了工厂的生产效率。另外，随着知识模型不断扩充和积累知识，能够实现更智能化和更准确的推荐。

Description

用于对工厂中的现场设备进行维护的方法和装置

技术领域

本公开涉及工业制造的技术领域，更具体地说，涉及用于对工厂中的现场设备进行维护的方法、装置、计算设备、计算机可读存储介质和程序产品。

背景技术

目前的汽车工业高度自动化，为了提高生产能力和效率，在汽车工业中使用了许多先进的现场设备，例如机器人、AGV(自动导航车)等自动化设备。然而，随着现场设备越来越高效和智能，对这些现场设备的维护仍面临着巨大挑战。较差的维护将影响工厂的生产能力，而频繁的生产中断也会使工厂造成巨大损失。

一些工厂建立了数据异常警报系统来辅助现场设备的维护。这种系统通过设置数据阈值形成异常警报，生成维护工单并派遣现场人员到现场检查和维护现场设备。目前也有一些现场设备制造商提供了单个现场设备的维护系统，其集成了该现场设备的维护信息支持和辅助维护。

发明内容

现有的数据异常警报系统只能简单地识别异常事件的发生，而工厂中存在大量不同类型和来自不同制造商的现场设备，因此仍为现场人员带来了很高的维护压力。而且，不同现场设备具有不同的并且单独存储的维护手册，这使现场人员不仅需要花费大量精力学习不同现场设备的维护知识，还难以查询和定位发生异常事件的原因。另外，专家知识和经验也很难得到推广和应用。

虽然单个现场设备的维护系统能支持和辅助维护，但其仅集成了某个现场设备的维护信息，因此对于整个工厂而言，这些单个现场设备的维护系统是分散的，而不是一个统一的维护系统。而且，单个现场设备的维护系统中的维护信息也不能灵活地扩展和累积。

本公开的第一实施例提出了一种用于对工厂中的现场设备进行维护的方法，包括：获取现场设备的设备数据，设备数据表示设备当前发生的事件；利用现场设备的知识模型，基于设备数据生成针对事件的推荐动作，其中，知识模型包括对于现场设备可能的事件类型和每个事件类型的对应动作；以及提供推荐动作，以对现场设备进行维护。

通过为工厂中的现场设备建立知识模型，能够将现场设备的不同知识源的维修知识集成在一起，提高了现场设备的知识集成度和透明度。并且，能够利用知识模型对现场设备的当前设备数据进行分析，从而为现场人员推荐准确的维护建议。现场人员不仅无需再花费时间和精力学习不同现场设备的维护手册，而且还能利用知识模型中包含的不同知识源的维修知识，快速有效地对现场设备进行维护，保证了维护的准确性和高效性，提高了工厂的生产效率。另外，知识模型易于扩展，随着知识模型不断扩充和积累知识，能够实现更智能化和更准确的推荐。

本公开的第二实施例提出了一种用于对工厂中的现场设备进行维护的装置，包括：数据获取单元，其被配置为获取现场设备的设备数据，设备数据表示现场设备当前发生的事件；动作推荐单元，其被配置为利用现场设备的知识模型，基于设备数据生成针对事件的推荐动作，其中，知识模型包括对于现场设备可能的事件类型和每个事件类型的对应动作；以及动作提供单元，其被配置为提供推荐动作，以对现场设备进行维护。

本公开的第三实施例提出了一种计算设备，该计算设备包括：处理器；以及存储器，其用于存储计算机可执行指令，当计算机可执行指令被执行时使得处理器执行第一实施例中的方法。

本公开的第四实施例提出了一种计算机可读存储介质，该计算机可读存储介质具有存储在其上的计算机可执行指令，计算机可执行指令用于执行第一实施例的方法。

本公开的第五实施例提出了一种计算机程序产品，该计算机程序产品被有形地存储在计算机可读存储介质上，并且包括计算机可执行指令，计算机可执行指令在被执行时使至少一个处理器执行第一实施例的方法。

附图说明

结合附图并参考以下详细说明，本公开的各实施例的特征、优点及其他方面将变得更加明显，在此以示例性而非限制性的方式示出了本公开的若干实施例，在附图中：

图1示出了根据本公开的一个实施例的用于对工厂中的现场设备进行维护的方法；

图2示出了根据本公开的一个实施例的用于实现图1中的方法的系统架构图；

图3示出了使用图2的系统进行现场设备维护的工作流程；

图4示出了在图2的实施例中建立的现场设备的本体模型的一部分的示意图；

图5示出了在图2的实施例中建立的一个AGV的知识模型的一部分的示意图；

图6示出了在图2的实施例中将当前事件和历史事件映射到矢量空间中并进行分组的示意图；

图7示出了在图2的实施例中基于规则的动作查询的示意图；

图8示出了在图2的实施例中基于关系的动作推理的示意图；

图9示出了根据本公开的一个实施例的用于对工厂中的现场设备进行维护的装置；以及

图10示出了根据本公开的一个实施例的用于对工厂中的现场设备进行维护的计算设备的框图。

具体实施方式

以下参考附图详细描述本公开的各个示例性实施例。虽然以下所描述的示例性方法、装置包括在其它组件当中的硬件上执行的软件和/或固件，但是应当注意，这些示例仅仅是说明性的，而不应看作是限制性的。例如，考虑在硬件中独占地、在软件中独占地、或在硬件和软件的任何组合中可以实施任何或所有硬件、软件和固件组件。因此，虽然以下已经描述了示例性的方法和装置，但是本领域的技术人员应容易理解，所提供的示例并不用于限制用于实现这些方法和装置的方式。

此外，附图中的流程图和框图示出了根据本公开的各个实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意，方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以使用专用硬件与计算机指令的组合来实现。

本文所使用的术语“包括”、“包含”及类似术语是开放性的术语，即“包括/包含但不限于”，表示还可以包括其他内容。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”等等。

图1示出了根据本公开的一个实施例的用于对工厂中的现场设备进行维护的方法。参考图1，方法100从步骤101开始。在步骤101中，获取现场设备的设备数据，设备数据表示设备当前发生的事件。现场设备可以是工厂中任何在工业现场的设备，例如用于生产、制造和运输的设备。每个现场设备都包括多个部件，现场设备当前发生的事件表示现场设备的某个部件当前出现异常情况。设备数据包括发生的事件的事件类型，例如，马达温度异常、马达振动异常、工业现场总线错误等。现场设备维护不仅包括在现场设备或其部件损坏之前对其进行的各类定期和非定期维护(如预测性维护)，也包括必要时对现场设备或其部件的维修。

在一些实施例中，图1的方法由服务器设备基于web应用来执行。服务器设备可以是位于工厂中的现场服务器或工厂外部的云服务器。与服务器设备网络连接的多个边缘设备分别接收多个现场设备的实时的过程数据。边缘设备根据接收到的过程数据和预先设置的数据阈值来判断现场设备的某个部件是否出现异常情况，即是否发生事件。如果发生事件，边缘设备则确定当前发生的事件的事件类型(如马达温度异常)并生成设备数据。除了当前发生的事件的事件类型之外，设备数据还包括现场设备标识和现场设备当前的状态数据。状态数据用于表示现场设备的状态，例如，现场设备的位置、速度、负载情况、电流值、电压值、马达温度值、马达振动值等。随后，边缘设备通过网络将设备数据上传至服务器设备处或其它设备处的事件数据库中。为了形成统一的维护系统，所有现场设备的设备数据都被保存在统一的事件数据库中。服务器设备可以周期性地访问该事件数据库，读取某个现场设备的设备数据。在另一些实施例中，判断事件是否发生及确定事件的事件类型可以由服务器设备来完成。

继续参考图1，在步骤102中，利用现场设备的知识模型，基于设备数据生成针对事件的推荐动作，其中，知识模型包括对于现场设备可能的事件类型和每个事件类型的对应动作。为了建立知识模型(或称为知识图)，首先可以通过现有的任何本体模型创建软件或工具来建立与现场设备的维护相关的本体模型。该本体模型描述与现场设备的维护相关的所有类(抽象概念)和它们之间的关系。类可以包括设备类型、部件、事件、动作、手段、人员、任务、状态、相关的其它设备/部件等。例如，设备类型可以包括运动设备和升降机设备，运动设备又可以包括AGV设备的类；部件可以包括父部件、子部件等。关系可以包括整体和部分关系、类属关系、属性关系等。例如，运动设备和AGV设备之间属于类属关系，AGV设备与其部件之间属于整体和部分关系，动作与手段和人员之间属于属性关系。动作可以是由于发生事件所需的维护/维修动作，也可以是现场设备的部件定期需要的维护动作。

在建立本体模型之后，针对每个现场设备，将该现场设备所涉及的设备类型、部件、事件、动作、手段、人员、任务、状态、相关的其它设备/部件等类的具体实例作为节点，并将这些实例之间的关系作为节点之间的关系来对本体模型进行实例化，从而生成该现场设备的知识模型并保存在知识数据库中。知识数据库可以例如为适于体现节点及节点之间关系的图数据库。因此，知识模型包括现场设备的层级结构、对于现场设备可能的事件类型和每个事件类型的对应动作、以及现场设备或其部件与其它设备或部件的关联关系。知识模型还可以包括现场设备的部件所需的定期维护动作。

知识模型中的具体实例可以来自于与现场设备有关的知识源数据，例如，现场设备的维护手册、现场设备的维护/维修记录和现场设备的专家维护知识等。维护手册通常由设备制造商提供，其包括现场设备的层级结构信息、现场设备可能发生的事件及对应的现场设备的状态数据、设备制造商指导的针对事件的维护/维修动作和定期维护动作等内容。现场设备的维护/维修记录通常包括现场设备在工厂的生产过程中曾发生的事件及现场设备对应的状态数据、现场人员针对该事件的维护/维修动作、以及对现场设备的部件的定期维护动作等内容。现场设备的专家维护知识通常包括专家根据现场设备的状态数据判断各种事件的发生、针对各种事件所采取的维护/维修动作、以及对现场设备部件的定期维护动作等内容。

在一些实施例中，方法100还包括(图1中未示出)：获取与现场设备有关的知识源数据；以及基于该知识源数据生成现场设备的知识模型。由于知识源数据通常分散地存储在各个地方或者由专家自身掌握，因此可以通过常用格式的文档(例如，word文档、PDF文档、Excel文档等)导入、API接口获取和手动输入等方式，将知识源数据集成到一起。可以通过语义搜索和/或人工方式从这些知识源数据中查找建立某个现场设备的知识模型所需要的数据，随后将这些数据作为本体模型中的类的具体实例来生成现场设备的知识模型。在建立知识模型时，可以为各类知识源数据进行优先级排序，使得知识模型更加准确和有效。例如，可以将专家维护知识设为具有最高优先级，将现场设备的维护/维修记录设为具有次高优先级，而将现场设备的维护手册设为具有最低优先级。可以周期性地或者在需要时重新建立知识模型。

如上面提及的，现场设备的知识模型集成了该现场设备的层级结构、对于现场设备可能的事件类型和每个事件类型的对应动作、以及现场设备或其部件与其它设备或部件的关联关系的相关知识。因此，可以利用该知识模型，基于该现场设备当前的设备数据生成针对当前发生的事件的推荐动作。知识模型中事件类型的对应动作可以是一个或多个动作，每个动作都可以包括实现该动作的手段和人员(如维修工、技术员)。同样，推荐动作也可以是一个或多个动作。另外，还可以利用该知识模型，生成该现场设备的部件定期维护所需的推荐动作。知识模型中部件的定期维护动作也可以是一个或多个动作，每个动作都可以包括实现该动作的手段、频率和人员(如维修工、技术员)。在一些实施例中，知识模型中的每个动作都标注了优先级指数，因此，可以在输出推荐动作之前对生成的推荐动作进行优先级排序。

在一些实施例中，利用现场设备的知识模型，基于设备数据生成针对事件的推荐动作进一步包括：根据事件的事件类型，在知识模型中查询该事件类型的对应动作；以及基于对应动作生成推荐动作。具体地，预先建立部件-事件类型-动作之间的规则，并通过基于规则的动作查询来生成针对事件的推荐动作。该规则可以是“某个部件发生某个事件类型的事件，该事件类型需要某个动作，则对该部件应用该动作”。根据设备数据中包括的事件类型，在知识模型中查询该事件类型的对应动作，该对应动作即为应用于发生该事件的部件的动作。查询到对应动作后，将该对应动作作为推荐动作。在这种方式中，推荐动作是知识模型中与特定的事件类型和特定的部件有关的动作。可以将推荐动作保存在上面所提及的事件存储器中。

在一些实施例中，利用预先建立的现场设备的知识模型，基于设备数据生成针对事件的推荐动作进一步包括：基于知识模型确定与事件相关的关联设备或部件；根据事件的事件类型，在知识模型中查询该事件类型的对应动作和关联设备或部件的关联动作；以及基于对应动作和关联动作生成推荐动作。在这些实施例中，通过基于关系的动作推理来生成针对事件的推荐动作。在一些情况下，现场设备的一个部件发生的事件可能与现场设备的其它部件或环境中的其它设备或其它设备的部件有关。例如，AGV的工业现场总线出现错误可能是工业现场总线本身发生故障，也有可能是与其连接的传感器或甚至是包括传感器的整个导航系统发生故障。另外，现场设备的多个部件同时发生的事件可能与该多个部件所属的同一个父部件有关。例如，机械臂上的两根轴同时断裂可能是整个机械臂发生故障。因此，除了发生事件的部件以外，还需要确定与事件相关的关联设备或部件。关联设备或部件可以是与发生事件的部件在同一现场设备上的部件，也可以是其它设备或其它设备上的部件。在获取设备数据后，在知识模型中查询到该事件类型对应的部件，再根据知识模型中该部件与其它设备或部件的关联关系来确定关联设备或部件。之后，查询该事件类型的对应动作和所确定的关联设备或部件的关联动作，并将它们作为推荐动作。在这种方式中，推荐动作是知识模型中与多个部件有关的动作。同样，可以将推荐动作保存在上面所提及的事件存储器中。

在一些实施例中，利用现场设备的知识模型，基于设备数据生成针对事件的推荐动作进一步包括：获得针对类似历史事件的历史推荐动作，其中，历史推荐动作是先前根据知识模型生成的；以及基于历史推荐动作生成推荐动作。在这些实施例中，基于事件相似性识别来生成针对事件的推荐动作。如上所述，事件数据库除了保存边缘设备提供的设备数据之外，还保存针对每个事件的推荐动作。因此，所有针对历史事件的历史推荐动作都保存在其中。这些针对类似历史事件的历史推荐动作可用于为当前事件提供参考。类似历史事件的事件类型可以与当前事件的事件类型相同，但发生类似历史事件时的现场设备的历史状态数据与当前的现场设备的状态数据相近。

在一些实施例中，方法100进一步包括：确定与事件的事件类型相同的历史事件；以及基于状态数据从历史事件中选择类似历史事件。在事件数据库中，根据设备数据中的事件类型和现场设备标识查询在相同类型的现场设备上发生的、且事件类型相同的多个历史事件的历史状态数据。根据这些历史事件对应的历史状态数据对历史事件进行分组(或分类)，并选择历史状态数据与当前的状态数据最接近的一组(或一类)历史事件。将所选择的一组历史事件作为类似历史事件。在其它实施例中，也可以采用其它方式来选择类似历史事件。

在确定类似历史事件之后，获得针对这些类似历史事件的一个或多个历史推荐动作。如上面所描述的，历史推荐动作是先前根据知识模型生成的并被保存在事件数据库中。之后，将所获得的历史推荐动作作为推荐动作。

在一些实施例中，知识模型中的每个动作都标注了优先级指数，因此生成的历史推荐动作也标注了优先级指数。当类似历史事件的历史推荐动作为多个时，可以根据优先级指数对这些历史推荐动作进行排序，并将排序后的历史推荐动作作为推荐动作。

在一些实施例中，可以同时通过基于规则的动作查询、基于关系的动作推理和事件相似性识别中的任何两种方式或全部来生成针对事件的推荐动作。在这些实施例中，可以在分别通过不同方式生成多个推荐动作之后，再根据每个动作所标注的优先级指数对这些推荐动作进行优先级排序，并将排序后的推荐动作作为最终的推荐动作保存在事件数据库中。

接下来，在步骤103中，提供推荐动作，以对现场设备进行维护。如上面所描述的，将生成的推荐动作保存在事件数据库中。经由客户端设备(如手持设备)向现场人员通知现场设备发生的事件和推荐动作。除了针对事件的推荐动作之外，还可以按照知识模型中现场设备部件的定期维护所需的频率，定期向现场人员发送维护的推荐动作。客户端设备接收到现场设备发生的事件和推荐动作，以网页形式进行显示。现场人员前往该现场设备处查看发生的事件，参考推荐动作对对现场设备进行维护。

在一些实施例中，方法100还包括(图1中未示出)：获取对推荐动作的反馈数据；以及基于反馈数据对知识模型进行调整。在对现场设备维护后，现场人员可以对推荐动作进行反馈，其可以在推荐动作中选择实际采取的动作，或者当未使用推荐动作时输入新动作。这些反馈数据经由客户端设备发送至并保存在事件数据库中。服务器设备周期性地读取事件数据库，并从中获取对推荐动作的反馈数据。反馈数据可以作为新的知识源对现场设备的知识模型进行扩充和/或更新。

在一些实施例中，基于反馈数据对知识模型进行调整进一步包括：在知识模型中修改该事件的事件类型的对应动作和/或改变对应动作的优先级。如果反馈数据中包括现场人员输入的新动作，则可以在知识模型中增加该事件类型的对应动作。如果反馈数据中包括现场人员在推荐动作中所选择的实际采取的动作，则可以在知识模型中增加该实际采取的动作的优先级指数。另外，在一些情形下，还可以在知识模型中删除优先级指数较低的一个或多个动作。在一些实施例中，还可以使用反馈数据对历史事件分组(或分类)算法进行调整，以在将来获得与当前事件更类似的类似历史事件。

通过基于现场人员的反馈数据对知识模型进行调整，能够不断地扩充和改进知识模型，从而进一步提高推荐动作的准确性和现场设备的维护效率，并能够进一步减少对个人经验的依赖。

在上面的实施例中，通过为工厂中的各现场设备建立知识模型，能够将现场设备的不同知识源的维护知识集成在一起，并能够利用知识模型对现场设备的设备数据进行分析，从而为现场人员准确地推荐维护建议。现场人员不仅无需再花费精力和时间学习不同现场设备的维护手册，还能利用知识模型中包含的各知识源的维修知识，更好地理解故障的根源，快速有效地对现场设备进行维护，因此提高了现场设备的知识集成度和透明度，确保了维护的准确性和高效性。而且，将所有现场设备的知识模型和事件数据都保存在统一的数据库中，能够在工厂中实现统一的现场设备维护系统，还增加了整个工厂的生产和维护效率。另外，知识模型易于扩展，随着知识模型不断扩充和积累知识，能够实现更智能化和更准确的推荐。

下面参照一个具体的实施例来说明图1中用于对工厂中的现场设备进行维护的方法。

同时参考图2-图8来说明该实施例。图2示出了根据本公开的一个实施例的用于实现图1中的方法的系统架构图，图3示出了使用图2的系统进行现场设备维护的工作流程。

在图3中，工作流程300首先包括步骤301，获取与现场设备有关的知识源数据，并基于知识源数据生成现场设备的知识模型。参考图2，由系统200中的知识获取模块20获取知识源数据。系统200被部署在工厂内的服务器设备处或工厂外部的云端设备处。在本实施例中，知识获取模块20包括三个子模块，分别是手册读取模块201、记录读取模块202和专家知识读取模块203。手册读取模块201用于从现场设备的维护手册获取数据，记录读取模块202用于从现场设备的维护/维修记录获取数据，专家知识读取模块203用于通过人工输入或读取文档的方式从专家处获取数据。在其它实施例中，还可以从其它知识源获取数据。

知识获取模块20的各子模块将获取的知识源数据提供给模型生成模块21。模型生成模块21在生成现场设备的知识模型之前，预先建立与现场设备的维护相关的本体模型。图4示出了在图2的实施例中建立的现场设备的本体模型的一部分的示意图。参考图4，设备类型、升降机设备类、运动设备类、AGV设备类、部件、子部件、事件、联合事件、动作、手段、频率、人员、状态、工作站、任务、区域都属于类，类与类之间的连线表示它们之间的关系。类之间的关系包括整体和部分关系、类属关系和属性关系等。例如，在图4中，升降机设备类和运动设备类都属于设备类型的子类，升降机设备类具有部件，部件具有子部件，AGV设备类属于运动设备系统类的子类，AGV设备类具有部件，部件具有子部件。子部件发生事件，事件需要动作，动作包括手段和人员。多个子部件还可能联合发生联合事件，联合事件形成该多个子部件的父部件所发生的事件，该事件和联合事件都需要动作。另外，部件在不需要事件触发的情况下还应用动作(如定期维护动作)，该动作包括手段、频率和人员。AGV设备类具有状态，状态位于工作站中且具有任务，该任务在工作站中工作，工作站位于区域中。因此，现场设备的本体模型描述了与现场设备的维护相关的所有类和它们之间的关系。

模型生成模块21包括三个子模块，分别是设备描述模块211、事件和动作描述模块212和系统关系描述模块213。设备描述模块211提取知识源数据中的现场设备的层级结构信息，并将本体模型中的相关的类实例化。事件和动作描述模块212提取知识源数据中的现场设备可能发生的事件的事件类型和该事件类型的对应动作以及现场设备的定期维护动作，并将本体模型中的相关的类实例化。系统关系描述模块213提取知识源数据中的现场设备及其部件与其它设备或部件的关联关系，并将本体模型中的相关的类实例化。实例化后的本体模型构成了现场设备的知识模型(或称为知识图)。

在建立知识模型时，如果在不同知识源中同一事件类型的对应动作不同，则为这些不同的动作进行优先级排序，标注不同的优先级指数，并将它们都包括在知识模型中。在本实施例中，为来自专家维护知识的动作标注最高的优先级指数，为来自维护/维修记录的动作标注次高的优先级指数，并为来自维护手册的动作标注最低的优先级指数。模型生成模块21为工厂中需要维护的每个现场设备都建立这样的知识模型，并将建立好的现场设备的知识模型保存在图数据库22中。可以从图数据库22中导出知识模型在其它系统中使用。还可以在需要时重新建立该知识模型或在其基础上扩展。所建立的知识模型可以经由可视化模块23进行显示，以供人工修改和/或查看。

图5示出了在图2的实施例中建立的一个AGV的知识模型的一部分的示意图。如图5中示出的，设备AGV1的知识模型描述了AGV1的层级结构、对于AGV1可能的事件类型和每个事件类型的对应动作、以及AGV1的部件与部件之间的关联关系。下面以该AGV1为例具体说明维护动作的推荐过程。

返回图3，步骤302包括获取AGV1的设备数据，该设备数据表示AGV1当前发生的事件。由边缘设备从AGV1接收实时的过程数据，并判断是否发生事件。如果发生事件，则由边缘设备确定事件的事件类型并生成设备数据。设备数据包括设备标识AGV1、事件类型和AGV1的状态数据。在本实施例中，事件类型可以包括马达温度异常、马达振动异常和工业现场总线错误等，状态数据可以包括AGV1的位置、速度、负载、马达温度值和马达振动值等。随后，边缘设备将设备数据上传至系统200的事件数据库24中。除了当前获得的设备数据以外，事件数据库24中还保存历史事件的历史设备数据和针对历史事件的历史推荐动作。另外，现场人员对这些推荐动作的反馈数据也都保存在事件数据库24中。

接下来，步骤303包括利用AGV1的知识模型，基于设备数据生成针对AGV1发生的事件的推荐动作。该步骤由系统200的事件处理模块25和动作推荐模块26完成。事件处理模块25从事件数据库24中获取AGV1的设备数据，并提供给动作推荐模块26。动作推荐模块26包括三个子模块，分别是事件相似性识别模块261、基于规则的动作查询模块262和基于关系的动作推理模块263。它们分别基于设备数据生成针对AGV1发生的事件的推荐动作，推荐动作包括具体手段和所需人员。

事件相似性识别模块261经由事件处理模块25从事件数据库24中查询类似历史事件。具体地，以AGV1当前发生的事件的事件类型为马达振动异常为例，事件相似性识别模块261经由事件处理模块25在事件数据库24中查询设备类型为AGV且事件类型为马达振动异常的历史设备数据和对应的历史推荐动作。这些历史设备数据表示在相同类型的现场设备(在本实施例中，即AGV)上曾发生过相同类型的历史事件。之后，事件相似性识别模块261使用预先设置的算法，按照历史设备数据中的历史状态数据对这些历史事件进行分组。图6示出了在图2的实施例中将当前事件和历史事件映射到矢量空间中以进行分组的示意图。如图6中示出的，这些历史事件按照历史状态数据被分成三个组A、B和C，并分别用不同的形状表示。“×”表示当前事件，其与A组的历史事件最接近，因此将其包括在A组中。同时，选择A组的历史事件作为当前事件的类似历史事件。确定类似历史事件后，事件相似性识别模块261获得针对类似历史事件的多个历史推荐动作，并根据历史推荐动作的优先级指数对这些历史推荐动作进行排序后作为推荐动作。

基于规则的动作查询模块262根据设备数据中包括的事件类型，在AGV1的知识模型中查询该事件类型的对应动作，并将查询到的对应动作作为推荐动作。具体地，仍以AGV1的当前事件的事件类型为马达振动异常为例，图7示出了在图2的实施例中基于规则的动作查询的示意图。如图7中示出的，预先建立的规则为“马达1发生马达振动异常事件，马达振动异常事件需要针对马达振动异常的动作，则对马达1应用该动作”。针对马达振动异常的动作例如可以是检查是否存在外部碰撞或碎片。基于规则的动作查询模块262根据当前事件的马达振动异常的事件类型在图5所示的AGV1的知识模型中查询到马达振动异常这一事件类型和对应的针对马达振动异常的动作，并将该动作作为应用于马达1的推荐动作。

基于关系的动作推理模块263在AGV1的知识模型中查询事件的事件类型并确定与该事件有关的关联设备或部件，并将该事件类型的对应动作和关联设备或部件的关联动作作为推荐动作。具体地，以AGV1的当前事件的事件类型为工业现场总线错误为例，图8示出了在图2的实施例中基于关系的动作推理的示意图。如图8中示出的，基于关系的动作推理模块263从AGV1的知识模型中查询到工业现场总线错误这一类型的事件发生在工业现场总线上，工业现场总线链接到追踪传感器，追踪传感器的父部件为导航部件。基于关系的动作推理模块263将追踪传感器及追踪传感器的父部件导航部件确定为与工业现场总线错误有关的关联部件，并将针对追踪传感器的动作和针对导航部件的动作作为关联部件的关联动作。基于关系的动作推理模块263将针对工业现场总线错误的动作、针对追踪传感器的动作和针对导航部件的动作均作为推荐动作。同样，可以按照优先级指数对这些推荐动作进行排序。

在适用时，对于同一事件类型，可以同时使用事件相似性识别模块261、基于规则的动作查询模块262和基于关系的动作推理模块263分别生成推荐动作。在每个子模块分别生成推荐动作之后，将这些推荐动作按照优先级指数进行排序，并作为最终的推荐动作提供给事件处理模块25。事件处理模块25将最终的推荐动作保存在事件数据库24中。

接下来返回图3，在步骤304中，现场人员根据推荐动作对现场设备进行维护并对推荐动作进行反馈。具体地，现场人员经由客户端设备从事件数据库24中获得设备数据和推荐动作，并根据推荐动作中包括的具体手段和所需人员对AGV1进行维护，以处理发生的事件。在步骤305中，现场人员在维护结束后，经由客户端设备从推荐动作中选择实际采取的动作，或者在未使用推荐动作的情况下输入实际采取的新动作。反馈数据经由客户端设备保存在事件数据库24中。

在步骤306中，基于反馈数据对知识模型进行调整。该步骤由系统200中的模型调整模块27和模型生成模块21执行。模型调整模块27从事件数据库24中获取对推荐动作的反馈数据，并提供给模型生成模块21以对知识模型进行扩充和/或更新。模型生成模块21可以在知识模型中增加反馈数据中实际采取的动作的优先级指数和/或增加新动作及该新动作与相应部件和事件类型的关系。

此外，尽管图2中未示出具体的模块，动作推荐模块26还可以根据现场设备的知识模型中的定期维护动作的频率来定期地生成推荐动作，用于对现场设备执行定期维护。

通过为工厂中的各现场设备建立知识模型，能够将现场设备的不同知识源的维护知识集成在一起，并能够利用知识模型对现场设备的设备数据进行分析，从而为现场人员准确地推荐维护建议。现场人员不仅无需再花费精力和时间学习不同现场设备的维护手册，还能利用知识模型中包含的各知识源的维修知识，更好地理解故障的根源，快速有效地对现场设备进行维护，因此提高了现场设备的知识集成度和透明度，确保了维护的准确性和高效性。而且，将所有现场设备的知识模型和事件数据都保存在统一的数据库中，能够在工厂中实现统一的现场设备维护系统，增加了整个工厂的生产和维护效率。另外，知识模型易于扩展，随着知识模型不断扩充和积累知识，能够实现更智能化和更准确的推荐。

图9示出了根据本公开的一个实施例的用于对工厂中的现场设备进行维护的装置。参照图9，装置900包括数据获取单元901、动作推荐单元902和动作提供单元903。数据获取单元901被配置为获取现场设备的设备数据，设备数据表示现场设备当前发生的事件。动作推荐单元902被配置为利用现场设备的知识模型，基于设备数据生成针对事件的推荐动作，其中，知识模型包括对于现场设备可能的事件类型和每个事件类型的对应动作。动作提供单元903被配置为提供推荐动作，以对现场设备进行维护。图9中的各单元可以利用软件、硬件(例如集成电路、FPGA等)或者软硬件结合的方式来实现。

在一些实施例中，动作推荐单元903被进一步配置为：根据事件的事件类型，在知识模型中查询该事件类型的对应动作；以及基于对应动作生成推荐动作。

在一些实施例中，知识模型还包括现场设备及其各部件与其它设备或部件的关联关系，并且，动作推荐单元903被进一步配置为：基于知识模型确定与事件有关的关联设备或部件；根据事件的事件类型，在知识模型中查询该事件类型的对应动作和关联设备或部件的关联动作；以及基于对应动作和关联动作生成推荐动作。

在一些实施例中，动作推荐单元903被进一步配置为：获得针对类似历史事件的历史推荐动作，其中，历史推荐动作是先前根据知识模型生成的；以及基于历史推荐动作生成推荐动作。

在一些实施例中，设备数据包括现场设备的状态数据，并且，动作推荐单元被进一步配置为：确定与事件的事件类型相同的历史事件；以及基于状态数据从历史事件中选择类似历史事件。

在一些实施例中，装置900还包括反馈获取单元和模型调整单元(图9中未示出)。反馈获取单元被配置为获取对推荐动作的反馈数据，模型调整单元被配置为基于反馈数据对知识模型进行调整。

在一些实施例中，模型调整单元被进一步配置为：在知识模型中修改事件的事件类型的对应动作和/或改变该对应动作的优先级。

在一些实施例中，装置900还包括知识获取单元和模型生成单元(图9中未示出)。知识获取单元被配置为获取与现场设备有关的知识源数据。模型生成单元被配置为基于该知识源数据生成现场设备的知识模型，其中，知识源数据包括以下各项中的至少一项：现场设备的维护手册、现场设备的维护/维修记录和现场设备的专家维护知识。

在一些实施例中，现场设备的知识模型被保存在知识数据库中，并且，该知识数据库中进一步保存工厂中的至少一个其它现场设备的知识模型。

图10示出了根据本公开的一个实施例的用于对工厂中的现场设备进行维护的计算设备的框图。从图10中可以看出，用于对工厂中的现场设备进行维护的计算设备1000包括处理器1001以及与处理器1001耦合的存储器1002。存储器1002用于存储计算机可执行指令，当计算机可执行指令被执行时使得处理器1001执行以上实施例中的方法。

此外，替代地，上述方法能够通过计算机可读存储介质来实现。计算机可读存储介质上载有用于执行本公开的各个实施例的计算机可读程序指令。计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

因此，在另一个实施例中，本公开提出了一种计算机可读存储介质，该计算机可读存储介质具有存储在其上的计算机可执行指令，计算机可执行指令用于执行本公开的各个实施例中的方法。

在另一个实施例中，本公开提出了一种计算机程序产品，该计算机程序产品被有形地存储在计算机可读存储介质上，并且包括计算机可执行指令，该计算机可执行指令在被执行时使至少一个处理器执行本公开的各个实施例中的方法。

一般而言，本公开的各个示例实施例可以在硬件或专用电路、软件、固件、逻辑，或其任何组合中实施。某些方面可以在硬件中实施，而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实施。当本公开的实施例的各方面被图示或描述为框图、流程图或使用某些其他图形表示时，将理解此处描述的方框、装置、系统、技术或方法可以作为非限制性的示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备，或其某些组合中实施。

用于执行本公开的各个实施例的计算机可读程序指令或者计算机程序产品也能够存储在云端，在需要调用时，用户能够通过移动互联网、固网或者其他网络访问存储在云端上的用于执行本公开的一个实施例的计算机可读程序指令，从而实施依据本公开的各个实施例所公开的技术方案。

虽然已经参考若干具体实施例描述了本公开的实施例，但是应当理解，本公开的实施例并不限于所公开的具体实施例。本公开的实施例旨在涵盖在所附权利要求的精神和范围内所包括的各种修改和等同布置。权利要求的范围符合最宽泛的解释，从而包含所有这样的修改及等同结构和功能。

Claims (15)

1.用于对工厂中的现场设备进行维护的方法，包括：

获取所述现场设备的设备数据，所述设备数据表示所述现场设备当前发生的事件；

利用所述现场设备的知识模型，基于所述设备数据生成针对所述事件的推荐动作，其中，所述知识模型包括对于所述现场设备可能的事件类型和每个事件类型的对应动作；以及

提供所述推荐动作，以对所述现场设备进行维护；

所述利用所述现场设备的知识模型，基于所述设备数据生成针对所述事件的推荐动作进一步包括：

获得针对类似历史事件的历史推荐动作，其中，所述历史推荐动作是先前根据所述知识模型生成的；以及

基于所述历史推荐动作生成所述推荐动作；其中，所述设备数据包括所述现场设备的状态数据，并且，所述方法进一步包括：

根据所述设备数据中的事件类型和现场设备标识，查询在相同类型的现场设备上发生的、且事件类型相同的多个历史事件的历史状态数据；以及

根据所述多个历史事件的历史状态数据对所述多个历史事件进行分组，并选择历史状态数据与所述现场设备的状态数据最接近的一组历史事件；

将所选择的一组历史事件作为所述类似历史事件。

2.根据权利要求1所述的方法，其中，利用所述现场设备的知识模型，基于所述设备数据生成针对所述事件的推荐动作进一步包括：

根据所述事件的事件类型，在所述知识模型中查询所述事件类型的对应动作；以及

基于所述对应动作生成所述推荐动作。

3.根据权利要求1所述的方法，其中，所述知识模型还包括所述现场设备及其各部件与其它设备或部件的关联关系，并且，利用预先建立的所述现场设备的知识模型，基于所述设备数据生成针对所述事件的推荐动作进一步包括：

基于所述知识模型确定与所述事件相关的关联设备或部件；

根据所述事件的事件类型，在所述知识模型中查询所述事件类型的对应动作和所述关联设备或部件的关联动作；以及

基于所述对应动作和所述关联动作生成所述推荐动作。

4.根据权利要求1所述的方法，还包括：

获取对所述推荐动作的反馈数据；以及

基于所述反馈数据对所述知识模型进行调整。

5.根据权利要求4所述的方法，其中，基于所述反馈数据对所述知识模型进行调整进一步包括：

在所述知识模型中修改所述事件的事件类型的对应动作和/或改变所述对应动作的优先级。

6.根据权利要求1所述的方法，还包括：

获取与所述现场设备有关的知识源数据；以及

基于所述知识源数据生成所述现场设备的知识模型，其中，

所述知识源数据包括以下各项中的至少一项：所述现场设备的维护手册、所述现场设备的维护/维修记录和所述现场设备的专家维护知识。

7.根据权利要求1所述的方法，其中，所述现场设备的所述知识模型被保存在知识数据库中，并且，所述知识数据库中进一步保存所述工厂中的至少一个其它现场设备的知识模型。

8.用于对工厂中的现场设备进行维护的装置，包括：

数据获取单元，其被配置为获取所述现场设备的设备数据，所述设备数据表示所述现场设备当前发生的事件；

动作推荐单元，其被配置为利用所述现场设备的知识模型，基于所述现场设备数据生成针对所述事件的推荐动作，其中，所述知识模型包括对于所述现场设备可能的事件类型和每个事件类型的对应动作；以及

动作提供单元，其被配置为提供所述推荐动作，以对所述现场设备进行维护；

其中，所述动作推荐单元被进一步配置为：

获得针对类似历史事件的历史推荐动作，其中，所述历史推荐动作是先前根据所述知识模型生成的；以及

基于所述历史推荐动作生成所述推荐动作；

所述设备数据包括所述现场设备的状态数据，并且，所述动作推荐单元被进一步配置为：

根据所述设备数据中的事件类型和现场设备标识，查询在相同类型的现场设备上发生的、且事件类型相同的多个历史事件的历史状态数据；以及根据所述多个历史事件的历史状态数据对所述多个历史事件进行分组，并选择历史状态数据与所述现场设备的状态数据最接近的一组历史事件；将所选择的一组历史事件作为所述类似历史事件。

9.根据权利要求8所述的装置，其中，所述动作推荐单元被进一步配置为：

根据所述事件的事件类型，在所述知识模型中查询所述事件类型的对应动作；以及

基于所述对应动作生成所述推荐动作。

10.根据权利要求8所述的装置，其中，所述知识模型还包括所述现场设备及其各部件与其它设备或部件的关联关系，并且，所述动作推荐单元被进一步配置为：

基于所述知识模型确定与所述事件有关的关联设备或部件；

根据所述事件的事件类型，在所述知识模型中查询所述事件类型的对应动作和所述关联设备或部件的关联动作；以及

基于所述对应动作和所述关联动作生成所述推荐动作。

11.根据权利要求8所述的装置，还包括：

反馈获取单元，其被配置为获取对所述推荐动作的反馈数据；以及

模型调整单元，其被配置为基于所述反馈数据对所述知识模型进行调整。

12.根据要求11所述的装置，其中，所述模型调整单元被进一步配置为：

在所述知识模型中修改所述事件的事件类型的对应动作和/或改变所述对应动作的优先级。

13.计算设备，包括：

处理器；以及

存储器，其用于存储计算机可执行指令，当所述计算机可执行指令被执行时使得所述处理器执行根据权利要求1-7中任一项所述的方法。

14.计算机可读存储介质，所述计算机可读存储介质具有存储在其上的计算机可执行指令，所述计算机可执行指令用于执行根据权利要求1-7中任一项所述的方法。

15.计算机程序产品，所述计算机程序产品被有形地存储在计算机可读存储介质上，并且包括计算机可执行指令，所述计算机可执行指令在被执行时使至少一个处理器执行根据权利要求1-7中任一项所述的方法。