CN104238491A - 用于基于工业自动化流的数据处理的信息平台 - Google Patents

Abstract

本发明涉及用于基于工业自动化流的数据处理的信息平台。提供了一种工业自动化环境中的预测设备的将来行为的装置。该装置包括：非暂态计算机可读存储介质，其被配置成存储程序指令；以及程序指令，其存储在该非暂态计算机可读存储介质上。程序指令指示基于流的处理系统内的处理器从第一制造数据源接收第一原始数据流，并且针对与第一制造数据源相对应的行为数据来分析第一原始数据流。程序指令还指示处理器基于对第一原始数据流和对应于第一制造数据源的行为数据的分析来预测与第一制造数据源相关联的一个或更多个设备的将来行为，并且基于所述一个或更多个设备的所预测的将来行为来执行动作。

Description

用于基于工业自动化流的数据处理的信息平台

相关申请

本申请在此要求于2013年6月20日提交的、标题为“INFORMATIONPLATFORM FOR INDUSTRIAL AUTOMATION STREAM-BASEDDATA PROCESSING”的第61/837,339号美国临时专利申请的权益和优先权，并且其全部内容通过引用并入本文中。

技术领域

本发明涉及数据处理的技术领域，具体地涉及用于基于工业自动化流的数据处理的信息平台。

背景技术

工业自动化环境在正常操作期间通常产生大量的原始数据如操作条件。该数据被用于确定在工业自动化环境中的处理如何进行操作。通常，工程师和操作者将会周期性地分析数据组，以确定该设备是否在期望限值范围内进行操作。

例如，工程师使用控制图来分析关键参数如膜厚度、温度、压力等的趋势。当检测到趋势时，工程师们可以在有缺陷的产品被生产之前选择调节、修理或更换该设备。软件工具可以帮助生成以及分析控制图和其它数据分析工具。通常，这些软件工具被配置成在原始数据已被收集并存储在计算机之后周期性地分析原始数据。

发明内容

在一个实施方式中，提供了一种在工业自动化环境中预测设备的将来行为的装置。该装置包括：非暂态计算机可读存储介质，其被配置成存储程序指令；以及程序指令，其存储在该非暂态计算机可读存储介质上。

该程序指令指示基于流的处理系统内的处理器从第一制造数据源接收第一原始数据流，并且针对与第一制造数据源相对应的行为数据来分析第一原始数据流。该程序指令还指示处理器基于对第一原始数据流和对应于第一制造数据源的行为数据的分析来预测与第一制造数据源相关联的一个或更多个设备的将来行为，并且基于所述一个或更多个设备的所预测的将来行为来执行动作。

在另一个实施方式中，提供了一种在工业自动化环境中，用于操作基于流的处理引擎以预测设备的将来行为的方法。该方法包括：从第一制造数据源接收第一原始数据流；以及针对与第一制造数据源相对应的行为数据来分析第一原始数据流。该方法还包括：基于对第一原始数据流和对应于第一制造数据源的行为数据，预测与第一制造数据源相关联的一个或更多个设备的将来行为；以及基于所述一个或更多个设备的所预测的将来行为来执行动作。

在又一个实施方式中，提供了一种基于流的处理引擎。该基于流的处理引擎包括：输入设备，其被配置成从制造数据源接收原始数据流；以及存储系统，其被耦接到被配置成存储行为数据和程序指令的输入端口。

该基于流的处理引擎还包括：处理器，其被配置成执行程序指令。响应于程序指令，该处理器被配置成针对与所述制造数据源相对应的行为数据来分析原始数据流；基于对原始数据流和对应于制造数据源的行为数据的分析，预测与制造数据源相关联的一个或更多个设备的将来行为；以及基于所述一个或更多个设备的所预测的将来行为来执行动作。基于流的处理引擎还包括耦接到处理器的显示器，该显示器被配置成向用户显示与该动作有关的信息。

提供本概述以简化形式介绍概念的选择，下面在技术公开内容中对此进一步描述。应当理解的是，本概述并不旨在识别所要求保护的主题的关键特征或必要特征，也不旨在用于限制所要求保护的主题的范围。

附图说明

图1示出了工业自动化环境中的预测设备的将来行为的基于流的处理引擎的操作。

图2示出了工业自动化环境中的预测设备的将来行为的基于流的处理引擎的框图。

图3示出了工业自动化环境中的预测设备的将来行为的基于流的处理引擎中使用的客户设备的矩阵。

图4示出了工业自动化环境中的预测设备的将来行为的基于流的处理引擎的框图。

图5示出了工业自动化环境中的预测设备的将来行为的基于流的处理引擎内的示例性数据流的框图。

图6示出了工业自动化环境中的执行包括预测设备的将来行为的复杂事件检测的基于流的处理引擎内的示例性数据流的框图。

图7示出了工业自动化环境中的执行包括预测设备的将来行为的复杂事件检测的基于流的处理引擎的框图。

具体实施方式

下面的描述和相关联的附图教导本发明的最佳模式。为了教导发明原理，可以简化或省略最佳模式的一些常规方面。下面的权利要求指定本发明的范围。注意，如权利要求所指定的那样，最佳模式的一些方面可能没有落入本发明的范围内。因此，本领域的普通技术人员将会理解根据在本发明的范围内的最佳模式的变型。本领域的普通技术人员将会理解，可以以各种方式组合以下描述的特征来形成本发明的多种变型。作为结果，本发明并不限于以下描述的具体实施方式，而是仅受限于权利要求及其等同物。

图1示出了工业自动化环境中的预测设备的将来行为的基于流的处理引擎的操作。在工业自动化环境中的操作基于流的处理引擎以预测设备的将来行为的方法的示例性实施方式中，使用一个或更多个基于流的处理引擎来处理第一原始数据流。该方法的各种操作可以由一个或更多个处理引擎来执行，并且由于通用计算机可以被配置成如能够执行本文所描述的方法的操作那样进行操作，所以不需要将任何操作束缚于任何特定处理引擎。

基于流的处理引擎从第一制造数据源接收第一原始数据流(操作100)。第一原始数据流通过如设备或机器在它们的操作中制造数据源而产生，并且被推送到基于流的处理引擎，而不需要针对来自基于流的处理引擎的数据的任何请求。

设备可以包括但不限于包括机器、控制器、工业控制部件、电机控制设备、感应设备、安全技术设备、安全设备、驱动器、软件以及传感器的任何工业设备。设备还可以包括制造设备、处理机、处理设备以及计量设备，所有这些都可以是潜在的数据源。通常，设备包括被配置成移动、测量、处理、存储、工作、辅助或以其它方式执行任务的任何机械装置。同样地，制造数据源可以包括以上描述的任何设备或能够产生原始数据流的任何设备。

在该示例中，基于流的处理引擎针对与第一制造数据源相对应的行为数据来分析第一原始数据流(操作102)。由于原始数据流被实时创建，基于流的处理引擎接收原始数据流。针对与第一制造数据源相对应的行为数据来分析该流。这个操作中所使用的行为数据可以采取任意各种形式。在一个简单的示例中，行为数据可以包括设备或机器的操作限值，并且将原始数据流与这些操作限值相比，以确定设备或机器何时在其操作限值之外操作。

行为数据的其它示例可以包括来自第一制造源或者来自与第一制造源类似的其它源的历史数据。例如，在多个相同设备或机器使用处，行为数据可以包括来自除了对应于第一原始数据流的设备或机器之外的所有设备或机器的历史数据。这些设备或机器可以在物理上位于各种不同的地理位置处的各种不同的工作操作环境中。

行为数据还可以包括类似设备和机器何时经历故障的指示，并且当设备表明行为与其它设备在发生故障之前所表明的行为类似时，基于对第一原始数据流的分析，可以使用该行为数据来发信号。这允许在实际发生故障之前修理或更换设备。

基于对第一原始数据流和行为数据的分析，预测与第一制造数据源相关联的一个或更多个设备的将来行为(操作104)。设备的将来行为的这种预测可以用于预期维护、修理或更换设备，而不需要等待设备实际上发生故障。

基于一个或更多个设备的所预测的将来行为，基于流的处理引擎执行动作(操作106)。这个动作可以包括：显示或发出警告或报警、显示经处理的统计数据、触发报警或警报等。

在其它实施方式中，可以同时接收并分析两个或更多个原始数据流。例如，在包括两个相同设备或机器的工业自动化环境中，可以针对与两个设备或机器相关的行为数据或与多个类似机器相关的行为数据来同时分析它们的原始数据流。在配置成从多个客户所拥有的多个机器接收原始数据流的实施方式中，可以针对来自其它客户所使用的类似设备的行为数据来分析原始数据流。在这样的示例中，通过多个基于流的处理引擎将原始数据流收集在数据中心处。行为数据可以从多个客户进行编译并且可以用于对输入的原始数据的分析，而不需要各个客户对来自其它客户的数据的任何访问。

这允许在中央数据中心的基于流的处理引擎将集合的行为数据用于输入的原始数据流的分析中，以预测相关联的设备或机器的将来表现，而不需要各个客户必须共享任何机密数据。可选地，可以针对原始数据流来更新行为数据，以包括原始数据流内所包含的任意期望的历史数据或操作数据。

现在参照图2，基于流的处理引擎200及相关联的讨论意在提供对在其中可以实施图1中所示的过程的合适计算环境的简要且概括的描述。可以采用计算设备和软件计算系统的许多其它配置，以实施用于在人机界面上显示多个错误的系统。

基于流的处理引擎200可以是任意类型的计算系统如服务器计算机、客户端计算机、互联网设备或其任意组合或变型。随后更详细地讨论的图4提供了示例性的基于流的处理引擎的更详细的图示。实际上，基于流的处理引擎200可以实施成单个计算系统，但还可以以分布方式跨越多个计算系统实施。例如，基于流的处理引擎200可以代表服务器系统(未示出)，在该服务器系统内，运行软件206的计算机系统(未示出)可以通信，以能够使基于流的处理系统起作用。然而，基于流的处理引擎200还可以代表运行软件206的计算机系统。实际上，基于流的处理引擎200作为通用计算系统的示例被提供，其在执行图1中所示的方法时成为能够作为基于流的处理引擎进行操作的专用系统，以预测在工业自动化环境中的设备的将来行为。

基于流的处理系统200包括处理器202、存储系统204以及软件206。处理器202与存储系统204以通信方式耦接。存储系统204存储数据和基于流的处理软件206，其在由处理器202执行时指示基于流的处理引擎200如在图1中所示的方法所描述的来进行操作。

还参考图2，处理器202可以包括微处理器和其它电路，其它电路从存储系统204对基于流的处理软件206进行检索并执行。处理器202可以在单个处理设备中实施，但还可以跨以执行程序指令协作的多个处理设备或子系统分布。处理器202的示例包括通用中央处理单元、专用处理器和图形处理器，以及任意其它类型的处理设备。

存储系统204可以包括处理器202可读的并且能够存储数据和基于流的处理软件206的任意存储介质。存储系统204可以包括以任意方法或技术实施的用于存储信息的易失性和非易失性、可移除和不可移除的介质如计算机可读指令、数据结构、程序模块或其它数据。存储系统204可以实施成单个存储设备，但还可以跨多个存储设备或子系统实施。存储系统204可以包括能够与处理器202通信的附加元件如控制器。

存储介质的示例包括随机存取存储器、只读存储器、磁盘、光盘和闪存，以及其任意组合或变型或任意其它类型的存储介质。在一些实施中，存储介质可以是非暂态存储介质。在一些实施中，存储介质的至少一部分可以是暂态的。应当理解，存储介质不可能是传送的信号。

基于流的处理软件206包括计算机程序指令、固件或具有图1中示出的方法的至少一些部分嵌入其中的一些其它形式的机器可读处理指令。基于流的处理软件206可以实施成单个应用，但还可以实施成多个应用。基于流的处理软件206可以是独立的应用，但还可以在分布在多个设备上的其它应用内实施，包括但不限于其它基于流的处理软件和操作系统软件。

通常，基于流的处理软件206可以在被加载到处理器202中并被执行时，如通过图1中示出的方法和其相关联的讨论所描述的将处理器202和基于流的处理引擎200整体从通用计算系统转变成客户化的专用计算系统，以作为基于流的处理引擎起作用。

对基于流的处理软件206进行编码还可以转变存储系统204的物理结构。在该描述的不同实施中，物理结构的具体转变可以取决于各种因素。这样的因素的示例可以包括但不限于：用于实施存储系统204的存储介质的技术，而不考虑计算机存储介质以一级存储还是二级存储等为特征。

例如，如果计算机存储介质被实施成基于半导体的存储器，则当其中软件被编码时基于流的处理软件206可以转变半导体存储器的物理状态。例如，基于流的处理软件206可以对构成半导体存储器等的晶体管、电容器或其它分立的电路元件的状态进行转变。

针对磁介质或光学介质可以发生类似的转变。在不脱离本描述的范围的情况下，物理介质的其它转变是可以的，而提供前述示例仅以帮助这个讨论。

再次参照图1和图2，通过基于流的处理引擎200采用基于流的处理软件206的操作，对原始数据流208进行转变，从而导致动作210。作为示例，通过其中所包含的图形误差数据的各种元素的转变，原始数据流208可以被认为从一个状态转变到另一个状态。

基于流的处理引擎200可以具有另外的设备、特征或功能。可选地，基于流的处理引擎200可以具有输入设备如键盘、鼠标、语音输入设备或触摸输入设备以及类似的输入设备。输出设备如显示器、扬声器、打印机和其它类型的输出设备也可以被包括在内。基于流的处理引擎200还可以包含通信连接装置和设备，该通信连接装置和设备允许基于流的处理引擎200如基于分布式计算和通信环境中的有线或无线网络与其它设备进行通信。这些设备在现有技术中是公知的，因此不需要在此详细讨论。

图3示出了工业自动化环境中的预测设备的将来行为的基于流的处理引擎中所使用的客户设备矩阵300。在这个示例中，十个不同的客户在它们的各种工业自动化环境中具有六种不同设备的各种组合。在矩阵内，各种识别标签用于设备中的每个设备。每个识别标签对应于通过基于流的处理引擎200接收的一个或更多个原始数据流。

在这个示例中，客户A、B、E、G和J各自具有生产中设备A的至少一个示例。对应于ID AA、ID BA、ID EA、ID GA和ID JA的数据流可以用来生成行为数据，然后，可以针对来自设备A的每个示例的每个单独数据流来分析该行为数据，以预测当前设备的将来行为。没有客户可以看到来自其它客户中的每个客户的数据，但所有的数据均被用于编译行为数据。

针对行为数据来对原始数据的流的分析可以采取许多不同的形式。在一个简单用例中，行为数据包含操作限值，并且将原始流数据与该操作限值进行比较，并且当原始流数据超过那些限值时，对原始流数据进行标记。另外，更复杂的用例可以提供与设备的将来表现有关的更多信息。这些不同的用例被实施成基于流的规则和操作码(operator)，该基于流的规则和操作码在基于流的处理引擎200上运行并且作为软件206被存储在存储系统204中。这提供了深的对称性，以允许在那三个层中使用相同的技术组。用例处理软件模块可以认为是配置成与通用的基于流的处理引擎200耦接的可互换模块。每个用例处理软件模块可以被设计成对原始数据流208和行为数据执行特定分析，并且多个用例处理软件模块可以用于单个应用中。随着通过通用的基于流的处理引擎200接收原始数据流208，这些用例处理软件模块对原始数据流208进行实时操作。

多种不同的用例处理模块可以被配置成对原始数据流208执行各种分析。例如，用例处理模块可以被配置成用于数据清除和/或异常检测，其中，基于聚类分析或时间序列异常检测来去除数据点异常。这个用例处理模块可以用于降低噪声。

另一用例处理模块可以被配置成用于数据验证和/或传感器诊断，其中，引擎确定由传感器返回的值是否超出了传感器的最小/最大范围。其还可以确定从附接至罐的多个温度传感器获取的值是否与可能的温度分布是一致的。

另一用例处理模块可以被配置成用于统计过程控制，其中，引擎使用统计过程控制方法如由对连续的数据点进行操作的西方电气规则(WesternElectric rule)所示出的那些方法来检测过程不稳定性。

另一用例处理模块可以被配置成用于设备故障检测，其中，引擎检测电机在何时由于没有负载而导致旋转过快。此外，引擎还关联多个值如确定通过阀的流量是否大于零(或小的阈值)，即使阀表明其是闭合的(针对“阀打开”情况使用相反的逻辑)。此外，引擎还基于时间周期来观测情况，如确定阀是否花费比预期长的时间以从闭合改变到打开或从打开改变到闭合，或者在电机启动之后的一段给定时间，电动机是否已达到最小期望速度。

另一用例处理模块可以被配置成用于对不正确的使用模式的检测。不正确的使用模式如过于频繁且连续的电机启动可能表示设备故障。这个引擎可以用于生成显示有关保修索赔的设备的误用的证据。该引擎还可以用于通过检测电压峰值的数值来确定输入到设备的电源的质量，并且可以通过持续时间和高度对电压峰值进行加权。

另一用例处理模块可以被配置成用于预测性维护和分析，例如通过监视过滤器的正面与背面之间的压差随着时间而增大的速率，其表示何时需要替换过滤器。如果设备是新的，则引擎可以被配置成应用不同的规则，并且根据原料的供应商来应用不同的规则。

更复杂的使用包括：配置用例处理模块，以提供嵌套报警或者在报警之前提供警告。由于对原始数据流208进行实时处理，所以该模块可以配置成确定原始数据流208高于或低于阈值的持续时间。

用例处理模块还可以被配置成用于时间周期检测，以基于批(batch)开始和批结束两个事件来建立批记录。在批结束上，引擎等待一段时间，然后收集基于批覆盖时间周期上的集合。这个引擎还可以被配置成允许简单或复杂的变化规则(shift rule)，该变化规则包括法定节假日等的特殊情况。引擎可以被配置成基于各个值转变如嵌套的LoLo、Lo、Hi、HiHi报警层级来提供嵌套的状态管理。

另一用例处理模块可以被配置成用于确定总体设备效率(OEE)。可以如下等式来计算总体设备效率：

这个引擎还可以被配置成保持基于相对短的时间周期所集合的(优先化的或分级的)停机状态的跟踪。此外，当系统处于给定状态时，如果发生变化改变或产品改变，给定状态可能需要被分成多个时间周期。在没有保持跟踪详细状态信息的情况下，可以计算OEE分数，但不指示为什么任意给定OEE分数在100％以下。

另一用例处理模块可以被配置成时间序列存储装置，其中，引擎通过送入多个集合流来历史化(historize)原始数据流。例如，被配置成计算五分钟平均的引擎可以送入被配置成使用五分钟平均来集合小时上平均的另一个引擎，该小时上平均的另一个引擎可以被送入另外的引擎以集合每日平均。在图5中示出了串行操作的多个用例处理模块这样的示例。

另一简单用例处理模块可以被配置成提供对机器数据的重放历史。例如，通常对现场值进行操作的仪表板可以针对来自所记录历史的(可能以较慢或较快的速度)重放的数据流进行操作。

通过以上描述可以看出，可以使用任意数量的用例处理模块作为(在串行和/或并行配置中的)构建基于流的处理器的模块，其将一个或更多个原始机器数据处理成可用输出。

此外，多个通用的基于流的处理引擎200可以用在构建基于流的处理器中，其允许将多个原始数据流会聚在任意数量的用例处理模块中。

目前，针对以上列出的多个用例存在有点解决方案，然而，它们被实施成点解决方案并且通常需要完全不同的应用。不存在重复使用的规则块。目前不支持由多个规则块单独构成的链接。

现今被实施的OEE可以作为替代物用于属于该种类的许多应用。这是后扩充应用的典型示例。因此，OEE具有其自己的内部数据结构和特定配置。OEE在内部保持非常有价值的近实时信息，但因为该应用与其它潜在用户隔离，所以很难或几乎不可能将该信息挂接到一般的警报管理和通知功能中。同样重要的是，除非重复全部实施，否则OEE应用不能受益于上面所列出的数据清除、计算等。

部分地由于这些限制的副作用，但主要是由于之前不可用的框架，上面所列出的许多用例被实施为后处理步骤，即查询所记录历史和工作于所查询数据的组块(chunk)。

另一个副作用是，即使设备维修预测、设备故障分析和许多其它更高级的用例对运营商至关重要，上面所列出的许多用例也不能简单地用于对实时数据单独操作(如人机界面(HMI)应用或控制器系统)的应用。

图4示出了工业自动化环境中的预测设备的将来行为的基于流的处理引擎的框图。如图4所示，对一个或更多个基于流的处理引擎400实施图1中所示的方法。基于流的处理引擎400包括通信接口402、显示器404、输入设备406、输出设备408、处理器410和存储系统412。处理器410链接至通信接口402、显示器404、输入设备406、输出设备408和存储系统412。存储系统412包括非暂态存储设备，该非暂态存储设备存储基于流的软件414、行为数据416以及事件和通知模块418。

通信接口402包括基于通信链路进行通信的部件如网卡、端口、射频收发器、处理电路和软件，或一些其它通信设备。通信接口402可以被配置成基于金属性的、无线或光链路进行通信。通信接口402可以被配置以使用TDM、IP、以太网、光纤网络、无线协议、通信信令或一些其它通信设计(包括其组合)。

显示器402可以是能够向用户呈现信息的任意类型显示器。在一些实施方式中，显示器可以包括触摸屏。输入设备406包括能够捕获用户输入并将它们传输到计算机辅助设计系统400的任意设备。输入设备406可以包括键盘、鼠标、触摸垫或一些其它的用户输入装置。输出设备408包括能够将来自计算机辅助设计系统400的输出传输给用户的任何设备。输出设备408可以包括打印机、投影仪、显示器、或一些其它用户输出装置。在一些示例中，显示器404、输入设备406和输出设备408可以在计算机辅助设计系统400的外部或者被省略。

处理器410包括微处理器和检索并执行来自存储系统412的基于流的软件414的其它电路。存储系统412包括磁盘驱动器、闪存驱动器、数据存储电路、或一些其它的非暂态存储器设备。基于流的软件414包括计算机程序、固件、或一些其它形式的机器可读处理指令。基于流的软件414可以包括操作系统、应用程序、驱动程序、网络接口、应用软件、或一些其它类型的软件。当通过处理电路来执行时，基于流的软件414指示处理器410根据图1中所示的方法来操作基于流的处理引擎400。

在该示例中，基于流的软件414包括基于流的处理指令420，该基于流的处理指令420指示处理器410根据图1中所示的方法来进行操作。基于流的软件414还包括用例处理/分析模块422、424和426。各种用例模块指示处理器410针对行为数据416来分析原始数据流以预测对应于该原始数据流的设备的将来行为。

在该示例中，基于流的处理引擎400执行作为基于流的软件414存储在存储系统412内的多个方法。这些方法的结果经由显示器404或输出设备408显示给用户。输入设备406允许一个或更多个的机器将原始机器数据流发送至基于流的处理器400。

例如，处理器410从通信接口402或输入设备406接收原始数据流。然后，处理器410对原始机器数据流进行操作，以执行可以在显示器404上显示或者通过输出设备408输出的动作。

图5示出了工业自动化环境中的预测设备的将来行为的基于流的处理引擎400内的示例性数据流的框图。基于流的数据流的主要优势之一是基于时间周期链接、结合、分割流以及推断的能力。图5示出了相当典型的数据流。几乎所有所示出流块包括基于算法的时间周期，在一些实例(异常/反常检测器、维护预测器和报警逻辑)中，该算法可以是任意复杂的。

这个示例性数据流从设备502和警报确认532接收原始机器数据流504作为输入。通过通用的基于流的处理引擎(未示出)将原始机器数据流504处理成机器数据，然后多个用例处理引擎使用该机器数据，以处理该机器数据。基于流的处理引擎是除了“机器”、“历史化(Historize)”和“通知”模块之外所有模块在其上运行的构造。在生成机器数据之后，基于流的处理引擎并没有结束其工作。例如，五分钟平均集合模块508是配置成处理机器数据的用例处理引擎之一。在这个示例中，其提供机器数据的五分钟集合。然后，这个模块508的输出被提供给一小时平均集合模块510，一小时平均集合模块510基于机器数据的五分钟集合来提供机器数据的一小时集合。然后，数据分析模块历史化506使用这个输出，以提供机器数据的五分钟和一小时集合的控制图或其它表示。

用于生成用于历史化模块506的数据的其它用例处理引擎包括五分钟最小集合模块512、一小时最小集合模块514、五分钟最大集合模块516以及一小时最大集合模块518。

使用四种不同的用例处理引擎来触发通知。异常检测器模块520提供通知522。维护预测器模块524提供通知526。警报逻辑模块528提供由警报ACK输入532选通的通知530。提示/催促(reminder/nagging)模块基于警报逻辑模块528和警报ACK输入 532的输出来提供通知536。虽然通过该示例所示的用例处理引擎不特定地包括将来行为的预测，但通过修改处理引擎来捕获当前状态和它们的历史，可以很容易地将行为预测添加至该示例。

图6示出了工业自动化环境中的执行包括预测设备的将来行为的复杂事件检测的基于流的处理引擎400内的示例性数据流的框图。注意，可以使用多个通用的基于流的处理引擎400来对多个原始机器数据流进行操作。在该示例中，设备602生成原始流604，而设备606生成原始流608。然后，可以将这两个流结合以生成处理的流610。

在这种情况下，表示逻辑移入流执行块，并且作为结果，实时自动计算处理的流。注意，处理的流是基于非常简单的表示如“流1+流2”，并且以相同方式插入到基础架构中，该方式即对显著更加复杂的、基于时间的表示(如“在最后五分钟期间多次输入的值在给定阈值以上”)进行编码。目前这两种“表示”需要根本上不同的引擎，并且同时其中一个的输出可能被另一个消耗，这样做是非常低效的。因此，很少这样做。

图7示出了工业自动化环境中，基于流的处理引擎400执行包括预测设备的将来行为的复杂事件检测的框图。该用例处理模块提供计算的标签。这些计算的标签依赖于为计算提供输入的其它标签。因为更高等级的计算标签依赖于较低等级的计算标签，这形成了嵌套的分级依赖链。针对流存在有同样的嵌套依赖性。这意味着引入的变化可能需要在非常大量的流间慢慢地移动(trickle)。在较大的系统中，很可能的是，所涉及的流将驻留在不同的进程(工作者角色)中。图7示出了整组的流如何被分成跨多个工作者角色(或服务器机器内部部署)展开的存储桶(bucket)。

如本领域的普通技术人员将会理解的，随着流的数量增加，内存需求也增大，并且可以作为对同时被处理的数据流的数量的限制器起作用。另外值得关注的是，在服务器(工作者角色)重新启动之前，可能需要保持各种流的状态。在启动时，则所有的被保持的流将需要在新数据被接受之前重新组建。

在正常情况下，数据依次到达；即具有不断增大的时间戳。然而，如果云网关失去与云的连接，则云网关进入存储和转发模式，从而在本地暂存(spooling)数据。一旦重新连接，网关继续发送当前实时值，并且在后台中上传先前暂存的数据。作为结果，暂存数据在最新实时值被上传之后到达。如果在初次上传之后手动上传或手动校正数据，则可能发生类似的情况。通用的基于流的处理引擎可能需要被配置成适当地处理乱序数据。

上面的描述和相关联的附图教导本发明的最佳模式。以下的权利要求指定本发明的范围。注意，最佳模式的一些方面可能不落入本发明的如所指定的权利要求的范围内。本领域的普通技术人员将会理解，可以以各种方式组合以上描述的特征来形成本发明的多种变型。作为结果，本发明并不限于以上所述的具体实施方式，而是仅受限于所附权利要求及其等同物。

Claims (20)

1.一种在工业自动化环境中预测设备的将来行为的装置，包括：

非暂态计算机可读存储介质，其被配置成存储程序指令；以及

程序指令，其存储在所述非暂态计算机可读存储介质上，所述程序指令指示基于流的处理系统内的处理器以进行以下步骤：

从第一制造数据源接收第一原始数据流；

针对与所述第一制造数据源相对应的行为数据来分析所述第一原始数据流；

基于对所述第一原始数据流和对应于所述第一制造数据源的所述行为数据的分析，预测与所述第一制造数据源相关联的一个或更多个设备的将来行为；以及

基于预测的所述一个或更多个设备的将来行为来执行动作。

2.根据权利要求1所述的装置，其中，存储在所述非暂态计算机可读存储介质上的所述程序指令进一步指示所述基于流的处理系统内的所述处理器以进行以下步骤：

基于所述第一原始数据流来更新所述行为数据。

3.根据权利要求1所述的装置，其中，所述第一制造数据源是来自与所述第一制造数据源相关联的所述一个或更多个设备的控制器。

4.根据权利要求1所述的装置，其中，所述第一制造数据源是来自与所述第一制造数据源相关联的所述一个或更多个设备的传感器。

5.根据权利要求1所述的装置，其中，所述行为数据包括来自所述第一制造数据源的历史数据。

6.根据权利要求1所述的装置，其中，所述行为数据包括来自多个制造数据源的历史数据。

7.根据权利要求1所述的装置，其中，当预测的所述一个或更多个设备的将来行为包括故障时，所执行的动作是警报。

8.根据权利要求1所述的装置，其中，存储在所述非暂态计算机可读存储介质上的所述程序指令进一步指示所述基于流的处理系统内的所述处理器以进行以下步骤：

从第二制造数据源接收第二原始数据流；

针对与所述第一制造数据源和所述第二制造数据源相对应的行为数据来分析所述第一原始数据流和所述第二原始数据流；

基于对所述第一原始数据流和所述第二原始数据流以及与所述第一制造数据源和所述第二制造数据源相对应的行为数据的分析，预测与所述第一制造数据源和所述第二制造数据源相关联的一个或更多个设备的将来行为；以及

基于预测的所述一个或更多个设备的将来行为来执行动作。

9.根据权利要求8所述的装置，其中，所述第一制造数据源和所述第二制造数据源处在分开的物理位置处的不同工业自动化环境内。

10.一种用于在工业自动化环境中操作基于流的处理引擎以预测设备的将来行为的方法，所述方法包括：

从第一制造数据源接收第一原始数据流；

针对与所述第一制造数据源相对应的行为数据来分析所述第一原始数据流；

基于对所述第一原始数据流和对应于所述第一制造数据源的所述行为数据的分析，预测与所述第一制造数据源相关联的一个或更多个设备的将来行为；以及

基于预测的所述一个或更多个设备的将来行为来执行动作。

11.根据权利要求10所述的方法，还包括基于所述第一原始数据流来更新所述行为数据。

12.根据权利要求10所述的方法，其中，所述第一制造数据源是来自与所述第一制造数据源相关联的所述一个或更多个设备的控制器。

13.根据权利要求10所述的方法，其中，所述第一制造数据源是来自与所述第一制造数据源相关联的所述一个或更多个设备的传感器。

14.根据权利要求10所述的方法，其中，所述行为数据包括来自所述第一制造数据源的历史数据。

15.根据权利要求10所述的方法，其中，所述行为数据包括来自多个制造数据源的历史数据。

16.根据权利要求10所述的方法，其中，当预测的所述一个或更多个设备的将来行为包括故障时，所执行的动作是警报。

17.根据权利要求10所述的方法，还包括：

从第二制造数据源接收第二原始数据流；

针对与所述第一制造数据源和所述第二制造数据源相对应的行为数据来分析所述第一原始数据流和所述第二原始数据流；

基于对所述第一原始数据流和所述第二原始数据流以及与所述第一制造数据源和所述第二制造数据源相对应的行为数据的分析，预测与所述第一制造数据源和所述第二制造数据源相关联的一个或更多个设备的将来行为；以及

基于预测的所述一个或更多个设备的将来行为来执行动作。

18.根据权利要求17所述的方法，其中，所述第一制造数据源和所述第二制造数据源处在分开的物理位置处的不同工业自动化环境内。

19.一种基于流的处理引擎，包括：

输入设备，其被配置成从制造数据源接收原始数据流；

存储系统，其被耦接到配置成存储行为数据和程序指令的输入端口；

处理器，其被配置成执行程序指令，并且响应于所述程序指令以进行以下步骤：

针对与所述制造数据源相对应的行为数据来分析所述原始数据流；

基于对所述原始数据流和对应于所述制造数据源的所述行为数据的分析，预测与所述制造数据源相关联的一个或更多个设备的将来行为；并且

基于预测的所述一个或更多个设备的将来行为来执行动作；以及显示器，其被耦接到所述处理器，并且所述显示器被配置成向用户显示与所述动作有关的信息。

20.根据权利要求19所述的基于流的处理引擎，其中，所述行为数据包括来自多个制造数据源的历史数据。