用于控制用于工业车间的虚拟助理的方法与流程

本发明涉及一种用于控制用于工业车间的虚拟助理的方法和虚拟助理。

背景技术：

1、典型地，如今车间操作是高度自动化的活动。然而，各种情况需要人工干预，这包括维护/支持过程、提高效率/质量的干预、或解决过程中的异常的干预。

2、这些情况具有信息要求：操作者需要数据，特别是预测。在系统的设计和初始配置期间，需要哪些数据和预测通常是不可预见的。需要允许自动生成相应数据分析和预测的机制。

3、操作者具有在控制系统的设计期间不可预见的信息需求。

4、这些需求在操作期间出现，并且可以包括时间序列值的估计，对各种类型的模式匹配的不同数据类型的异常检测。这种类型的数据分析可以被认为是先进的，因为它特别倾向于需要分析专业知识和有时的努力来选择模型和产生相应的选择。在需要将拓扑信息和资产标识符设置成与传感器和相应历史数据相关的车间设置中，活动是困难的。

5、复杂性的结果是信息需求通常不与基于分析模型与当前情况的匹配的预测相匹配，而是主要通过应用于传感器数据的生活流(lifestream)的经验和直觉来解决。

6、虽然用于工业应用的虚拟助理被用来帮助操作者，但是上述问题还没有被解决。

技术实现思路

1、因此，本发明的目的是提供一种用于控制用于工业车间的虚拟助理的改进方法。该目的通过根据权利要求1的方法和根据权利要求15的虚拟助理来实现。

2、另外的优选实施例从从属专利权利要求中显而易见。

3、根据本发明，一种用于控制工业车间的虚拟助理的方法包括：由输入接口接收信息请求，其中该信息请求包括用于接收关于该工业车间的至少部分的信息的至少一个请求。该方法还包括由控制单元使用所接收的信息请求来确定模型规范。该方法还包括由模型管理器使用模型规范来确定机器学习模型。该方法还包括由控制单元使用所确定的机器学习模型提供对信息请求的响应。

4、优选地，输入接口包括自然语言接口和/或动态用户接口。换言之，虚拟助理接收来自用户的呈用户的自然语言形式的信息请求或经由图形用户界面gui输入的信息请求。

5、对用户的信息请求的响应优选地包括工业车间的至少部分的过程变量值、事件和/或警报。

6、因此，提供了一种用于控制虚拟助理的改进方法。

7、在优选实施例中，该方法包括：由控制单元使用所接收的信息请求来标识信息意图，并且使用所述信息意图来确定模型规范。

8、因此，机器学习模型基于信息意图来被确定。

9、如这里所使用的，术语“信息意图”涉及用户向虚拟助理制定请求的意图。信息意图优选地包括请求选项。请求选项最好是预定的请求选项。此外，信息意图优选地包括意图的形式化声明(formalized declaration)。此外，信息意图优选地包括指定的响应期望。

10、优选地，信息意图指示要被寻址的工业车间的车间部件和与该车间部件相关的信息需求。例如，信息意图覆盖在特定位置(例如在特定扇区中)的特定车间部件(例如罐)的即将到来的行为的信息。例如，用户通过说“告诉我关于扇区ab123中的罐的即将到来的行为”来将信息意图输入到虚拟助理中。其他示例包括：“估计何时扇区abc123中的罐达到20％的填充水平”；“预测直到车间区段b中的温度达到50℃的时间”。

11、此外，信息意图优选地包括必须处理的任务的列表。特别地，这样的任务列表可以包括必须被检查的复杂前提条件。

12、优选地，使用信息意图确定模型规范包括将信息意图分解为模型规范。

13、优选地，确定模型输入包括使用工业车间的拓扑信息和信息意图将工业车间的车间部件映射到工业车间的相应传感器。换句话说，拓扑信息被用于找到需要被读出以便确定响应的传感器。

14、这里使用的术语“模型规范”涉及机器学习模型的功能。换言之，模型规范指示能够确定对信息意图的响应所需的机器学习模型的技术要求。

15、考虑请求用户的意图允许用户通过增加由虚拟助理提供的情境意识来更好地操作。

16、优选地，向用户提供与使用信息意图的信息请求相关的数据分析和/或预测。

17、因此，提供了一种用于控制虚拟助理的改进方法。

18、在优选实施例中，确定机器学习模型包括：使用模型规范检查合适的机器学习模型是否被存储在模型数据库中。

19、换句话说，基于模型规范，产生请求，从满足模型规范的模型管理器请求机器学习模型，并且因此可用于确定对信息请求的响应，特别是考虑到信息意图。

20、这里使用的术语“合适的机器学习模型”涉及可以用于确定对信息请求的响应的机器学习模型，特别是考虑到信息意图。

21、因此，提供了一种用于控制虚拟助理的改进方法。

22、在优选实施例中，如果确定合适的机器学习模型被存储在模型数据库中，则该方法包括通过使用所存储的机器学习模型来确定对信息请求的响应的步骤。

23、因此，用户的信息请求能够被实时响应。

24、因此，提供了一种用于控制虚拟助理的改进方法。

25、在优选实施例中，确定对信息请求的响应包括由控制单元提供模型输入，其中通过使用信息意图来确定模型输入，以及通过将模型输入输入到机器学习模型中来确定响应。

26、在优选实施例中，如果确定没有合适的机器学习模型该存储在模型数据库中，则该方法包括向用户提供延迟响应的步骤。

27、优选地，延迟响应包括估计的延迟时间。这样，可以实时地通知用户他必须等待对他的信息请求的响应多长时间。

28、因此，提供了一种用于控制虚拟助理的改进方法。

29、在优选实施例中，如果确定没有合适的机器学习模型被存储在模型数据库中，则该方法包括以下步骤：通过automl流水线，使用信息意图来确定机器学习模型候选；测试机器学习模型候选的模型质量；如果模型质量是可接受的，则使用机器学习模型候选来确定机器学习模型；以及如果模型质量是不可接受的，则向用户通知模型生成不成功。

30、换言之，在automl流水线中，使用信息意图来确定机器学习模型候选的参数化。

31、优选地，模型数据库中的机器学习模型被贴标签，特别是与它们的功能相关。换言之，将模型规范与模型数据库中的机器学习模型的标签进行比较。

32、换句话说，automl流水线的使用直接取决于所提供的信息意图。例如，信息意图包括特定机器学习模型被使用的频率和/或时间相关性的信息，换言之，特定机器学习模型在特定时间帧被使用的频率。

33、基于信息意图的机器学习模型的自动生成允许实现交互的自动化，否则需要耗时的手动交互。

34、因此，提供了一种用于控制虚拟助理的改进方法。

35、在优选实施例中，标识信息意图包括将信息请求转换为机器可理解的格式。

36、换言之，分解信息意图包括将信息请求转换为机器可理解的格式。例如，如果信息请求是用户的自然语言形式，则用户的自然语言被转换为控制单元能够处理的机器可理解的格式。

37、因此，提供了一种用于控制虚拟助理的改进方法。

38、在优选实施例中，提供响应包括将所确定的响应转换为用户可理解的格式。

39、因此，提供了一种用于控制虚拟助理的改进方法。

40、在优选实施例中，该方法包括以下步骤：由会话管理器确定与所跟踪的个体用户的动作和上下文信息有关的用户动作信息；由会话管理器使用接收的用户动作信息来确定个体用户信息；由状态管理器基于个体用户信息来请求服务概览信息；由状态管理器使用接收的服务概览信息来确定全局信息；以及由会话管理器使用全局信息来确定用户的响应。

41、优选地，所确定的个体用户信息被提供给状态管理器。

42、优选地，所确定的全局信息被提供给会话管理器。

43、优选地，会话管理器跟踪个体用户的用户动作和上下文信息以确定用户动作信息。

44、优选地，用户动作信息包括用户的信息请求。

45、用户动作信息优选地经由输入接口被接收。

46、这里使用的术语“全局信息”包括关于工业车间的正在进行的过程、工作流、任务和动作的信息。这例如包括位置、用户的关联角色、活动用户、过程的基本目标、进度要求、规章、操作程序、安全规章、对其它系统的依赖性、影响和风险分析。全局信息是全局共享的，并且不直接与单个用户相关联。优选地，全局信息由状态管理器管理。

47、这里使用的术语“个体用户信息”包括个体用户的动作和/或上下文信息。个体用户信息是个性化的并且总是正好属于一个用户。优选地，由会话管理器跟踪个体用户信息。上下文信息优选地包括与用户的总体上下文有关的信息，例如用户的操作角色。

48、优选地，会话管理器和状态管理器由于个体用户与其操作角色的关联和活动中的参与而被链接。

49、优选地，由用户触发的动作和请求将更新个体用户信息，或者换句话说，更新会话管理器的状态。

50、优选地，虚拟助理处理以下步骤：将信息请求转换为机器可理解的格式、准备和执行相关的所需技术查询、处理和聚集输入结果、以及将机器生成的响应转换为能够向用户呈现的响应。

51、个体用户信息，特别是个体用户信息中的变化，被提供给状态管理器。个体用户信息的这种传播影响会话管理器。换句话说，个体用户信息用于确定全局信息。例如，当用户执行通常由个体用户信息指示的安全相关任务时，该个体用户信息与用于调整全局信息的会话管理器相关，在这种情况下，警告另一用户的安全相关任务区域中的其它用户。换句话说，个体用户信息和会话管理器的状态的更新优选地触发状态管理器中的更新，从而触发全局信息中的更新。进一步优选地，状态管理器中的更新优选地触发会话管理器的更新，从而触发所有相关用户的个体用户信息的更新。

52、现有的辅助系统可以由多个用户操作，然而在单个交互期间，焦点是在单个个体上。个体的上下文被稀疏地使用。最经常使用的信息是个人偏好和设定、用于相关技术系统的位置和标识。很少考虑诸如天气或假日季节之类的环境信息。因为这样的助理通常不知道更大的(社会)结构和其他个体和系统的参与。此外，由于辅助系统通常集中于从预定义的数据库传递信息并委托给所选择的预定义的服务，所以请求者的潜在动机、完整度和满意度以及对其他用户的影响从未被评估并且结合到未来的动作中。

53、考虑全局信息和个体用户信息允许在不同用户和/或系统之间改进协作，同时确保透明性、可追溯性、安全性和一致性。

54、此外，虚拟助理向工作场所提供个人助理的可用性和舒适性。

55、因此，提供了一种用于控制虚拟助理的改进方法。

56、在优选实施例中，确定个体用户信息包括跟踪个体用户的动作和上下文信息。

57、因此，提供了一种用于控制虚拟助理的改进方法。

58、在优选实施例中，该方法包括收集时间段内的用户动作，分析用户动作，从而识别用户动作的模式，使用所识别的模式确定预测的信息意图，使用预测的信息意图确定预测的机器学习模型，以及使用预测的信息意图确定预测的响应。

59、因此，提供了一种用于控制虚拟助理的改进方法。

60、在优选实施例中，分析用户动作的步骤以预定频率被重复。

61、因此，提供了一种用于控制虚拟助理的改进方法。

62、在优选实施例中，该方法包括接收针对期望的信息意图的语义信息和使用所接收的语义信息确定信息意图的步骤。

63、优选地，通过使用所接收的语义信息来确定信息意图包括由用户将信息意图教导给虚拟助理。

64、由于虚拟助理能够通过自然语言接口来被寻址，所以有时会发生虚拟助理不能从用户交互中导出信息意图。然后用户被迫改述他的问题或使用不同的输入接口来获得期望的信息或提交命令。在其它情况下，虚拟助理可能能够导出用户的信息意图，但响应可能不充分或甚至不正确。这种虚拟助理的典型用户不知道如何在虚拟助理使用的信息意图数据库中制定和输入新的信息意图。

65、因此，虚拟助理知道与创建新信息意图有关的信息意图。当创建新信息意图的信息意图由用户触发时，虚拟助理引导用户通过特定工作流并且收集信息意图的必要信息，如意图的名称、关键字、期望的动作、条件和必要的上下文。

66、此外，虚拟助理知道与反馈信息意图相关的信息意图。该反馈信息意图优选地由用户用“错误的”线触发。反馈信息意图触发虚拟助理中的工作流，询问用户错误发生的确切位置，并且取决于用户的附加输入，统计再训练负责所提供的响应的机器学习模型。备选地，将用户的反馈转发给相应的服务。

67、当评估机器学习模型的模型质量时，如果模型质量具有相对低的得分，则虚拟助理被配置为主动地向用户询问反馈信息意图。例如，虚拟助理询问用户“你想检查阀门123吗？”。

68、优选地，信息意图的必要信息包括信息意图的名称、典型短语、用户用来说出事件、重要关键字、要执行的动作(例如执行新的分析服务或遵循要定义的工作流)、已知信息意图的组合、信息意图的有效上下文和/或由虚拟助理给出的响应文本。

69、优选地，反馈信息意图包括声音误解、错误短语意图匹配和/或信息检索服务的结果中的错误。

70、优选地，虚拟助理提供用于用户的意图编辑器，其中用户能够插入期望的信息意图。

71、因此，虚拟助理使用被用户认为是不同行为的新信息意图的能力被增强。此外，用户能够在回答不充分的情况下给出反馈。

72、根据一个方面，虚拟助理被配置用于执行如本文所述的方法。

73、优选地，虚拟助理包括模型评分器，其被配置用于确定机器学习模型候选的模型质量是否是可接受的。

74、优选地，提供了一种计算机程序，包括指令，当所述程序由计算机执行时，所述指令使所述计算机执行如本文所述的方法。

75、优选地，提供了一种计算机可读数据载体，其上存储有如本文所述的计算机程序。