Industrielle Agenten basierend auf LLMs und Zeitreihendaten
Große Sprachmodelle, o LLMs, Ermöglichen Sie die Verwendung natürlicher Sprache als gemeinsame Schnittstelle für den Zugriff auf diese Informationen. Der Benutzer kann eine Frage stellen, ohne den genauen Namen der Variablen zu kennen, die Struktur der Datenbank oder die Position einer Prozedur innerhalb eines Handbuchs. Aus dieser Frage, Das System interpretiert die Absicht und wählt die am besten geeignete Wissensquelle aus, um dem Benutzer die am besten geeignete Antwort zu geben.
Es gibt Techniken wie RAG (Retrieval-Augmented Generation) [1], die es Ihnen ermöglichen, Handbücher und technische Dokumentationen in natürlicher Sprache zu konsultieren. Dafür, Das System lokalisiert die Fragmente, die am meisten mit der Frage zu tun haben, und verwendet sie als Kontext, um die Antwort zu entwickeln. Jedoch, wenn es darum geht, die Bedeutung von Konzepten darzustellen, Terminologie vereinheitlichen oder Beziehungen zwischen Elementen des Prozesses herstellen, es ist angemessener, auf Ontologien zurückzugreifen.
Eine semantische Struktur organisiert Informationen so, dass die Bedeutung ihrer Elemente und die Beziehungen zwischen ihnen sowohl für Menschen als auch für Computersysteme explizit und verständlich sind.. Ontologien ermöglichen die Formalisierung dieser Struktur, Definieren der Konzepte einer Domäne, ihre Eigenschaften und die Beziehungen, die zwischen ihnen bestehen.
In einer Bearbeitungsanwendung, Eine Ontologie kann ein Stück mit dem verwendeten Material in Beziehung setzen, die verwendete Maschine, Qualitätsanforderungen, Inspektionen durchgeführt, die aufgezeichneten Signale und die erkannten möglichen Probleme. Wie in der Abbildung gezeigt 1, Das bearbeitete Teil fungiert als zentrales Element und verbindet sich mit den relevantesten Informationen seines Herstellungszyklus, So können wir gemeinsam erfahren, wie es hergestellt wurde, welche Ressourcen verwendet wurden, welche Daten erfasst wurden, wie die Qualität überprüft wurde und welches Ergebnis erzielt wurde. Auf diese Weise, Die Ontologie schafft ein gemeinsames Vokabular, das die Verbindung zwischen der von den Bedienern verwendeten Sprache und den in verschiedenen Industriesystemen gespeicherten Informationen erleichtert..
Jedoch, Eine Ontologie ermöglicht es uns, die Bedeutung von Konzepten und die Beziehungen zwischen ihnen zu beschreiben., aber es allein zeigt nicht, was während eines bestimmten Herstellungsprozesses passiert ist. Zur Beantwortung von Fragen zu Maximalwerten, Tendenzen, Vergleiche zwischen Zeiträumen oder Signalen, die vor einem Alarm aufgezeichnet wurden, Es ist außerdem erforderlich, die von der Maschine gespeicherten Prozessdaten einzusehen. Das System entwickelt sich somit zu einem industriellen Agenten, der in der Lage ist, die Frage zu interpretieren, Entscheiden Sie, ob die Ontologie oder die Zeitreihendatenbank abgefragt werden soll, Führen Sie eine kontrollierte Operation aus und präsentieren Sie das Ergebnis in natürlicher Sprache. Sein Zweck besteht darin, die Analyse zu erleichtern und die Entscheidungsfindung zu unterstützen, ohne Parameter zu ändern oder direkt auf die Maschine einzuwirken.
Fragen zur Bedeutung und Organisation von Variablen werden durch die Ontologie gelöst, zum Beispiel:
- Was ist der zulässige Betriebsbereich der Maschinenservomotoren??
- Welche Variable repräsentiert den zweiten Spindelstrom??
Andererseits, Fragen darüber, was während des Prozesses passiert ist, erfordern die Konsultation der aufgezeichneten Signale, zum Beispiel:
- Was war der maximale Drehmomentwert während des letzten Zyklus??
- Welche Temperaturen wurden dazwischen gemessen? 16 Januar und 12 Februar?
In diesem Artikel wird eine industrielle Agentenarchitektur vorgestellt, die auf die Abfrage von semantischem Wissen und Prozessdaten abzielt.. Das System kombiniert ein lokal ausgeführtes Sprachmodell, eine Ontologie, die industrielle Konzepte mit Maschinenvariablen und einer TimescaleDB-Zeitreihendatenbank in Beziehung setzt. Als Anwendungsfall, seine Anwendung in einer Räummaschine wird vorgeschlagen, Hier kann der Benutzer Fragen sowohl zur Bedeutung der Signale als auch zu den während des Prozesses aufgezeichneten Werten stellen.
TimescaleDB als Prozessdaten-Repository
In der industriellen Überwachung, Prozessgrößen werden üblicherweise als Zeitreihen erfasst, nämlich, Folgen von Werten, geordnet nach dem Zeitpunkt ihrer Erfassung. Diese Struktur ermöglicht es uns, die Entwicklung des Prozesses zu rekonstruieren und das Verhalten der Signale in bestimmten Intervallen zu analysieren., Erleichterung der Identifizierung von Trends, Veränderungen oder Anomalien [2].
TimescaleDB [3] ist eine Open-Source-Datenbank, die auf PostgreSQL basiert und für die Speicherung und Analyse großer Mengen temporärer Daten geeignet ist. Im Prototyp entwickelt, Informationen werden organisiert, wie in der Tabelle gezeigt 1, in einer Struktur, in der jede Zeile einen Erfassungszeitpunkt darstellt und jede Spalte einer Maschinenvariablen entspricht.
Diese Signale können von der CNC kommen, aus der SPS, von externen Sensoren oder Erfassungsgeräten, die an der Maschine installiert sind. Der Agent ersetzt diese Systeme nicht, sondern bietet vielmehr eine einfachere Möglichkeit, auf gespeicherte Informationen zuzugreifen. Bevor Sie eine Anfrage stellen, Überprüfen Sie, welche Variablen tatsächlich in der Datenbank vorhanden sind, Vermeiden Sie die Verwendung falscher oder nicht vorhandener Namen. Auf diese Weise, Der Benutzer muss weder die Struktur der Tabellen kennen noch SQL-Abfragen schreiben, Stattdessen können Sie Ihre Fragen im normalen Produktions- oder Wartungsvokabular stellen..
Betrieb des Industrievertreters
Sobald die beiden Informationsquellen definiert wurden, sowohl die Ontologie als auch die Zeitreihendatenbank, Im nächsten Schritt erfolgt die Koordination Ihrer Beratung. Dafür, Der Agent folgt dem in Abbildung gezeigten Ablauf 2. Zuerst, Das Sprachmodell interpretiert die Anfrage und erstellt einen strukturierten Plan, der identifiziert, welche Informationen angefordert werden, über welches Element der Maschine, welche Operation durchgeführt werden soll und welcher Zeitraum analysiert werden soll. Zum Beispiel, Auf die Frage „Wurde ein abnormaler Wert beim Spindeldrehmoment festgestellt?“ 1 zwischen den 10:00 und die 10:30 von 10 Juli 2026?”, Das System identifiziert das Signal, das dem Drehmoment der ersten Spindel entspricht, schränkt die Abfrage auf den angegebenen Zeitraum ein und analysiert die aufgezeichneten Werte, um festzustellen, ob ungewöhnliche Verhaltensweisen vorliegen.
Bevor Sie die Abfrage ausführen, Das System normalisiert die Frage, um Datumsangaben korrekt zu interpretieren, höchstens äquivalente Begriffe und Ausdrücke, Minimum, Medien, letzter Wert oder Entwicklung. Aus dieser Interpretation, LangGraph [4] Koordinieren Sie den Fluss und wählen Sie die entsprechende Quelle aus. Fragen zu Einheiten, Definitionen, Synonyme oder Variablennamen beziehen sich auf die Ontologie, bei Anfragen zu Namenspapieren, Zeitliche Entwicklungen oder Vergleiche werden an TimescaleDB gesendet.
Die Ontologie fungiert als Verbindungsschicht zwischen dem von den Operatoren verwendeten Vokabular und der internen Nomenklatur der Datenbank.. Wie in der Abbildung gezeigt 3, Begriffe wie gerade, Spindeldrehmoment oder -kraft sind mit der gleichen Größe verbunden, während der Verweis auf die Spindel 1 ermöglicht es Ihnen, das entsprechende Feld zu identifizieren, in diesem Fall PAR1. Damit, Der Benutzer kann die Informationen mithilfe gängiger Ausdrücke aus der Produktionsumgebung abfragen, ohne die technischen Namen der gespeicherten Signale kennen zu müssen.
Der Zugriff auf TimescaleDB erfolgt über kontrollierte, schreibgeschützte Abfragen. Das System prüft zuvor, ob die angeforderten Variablen vorhanden sind, und schränkt die zulässigen Operationen ein, Verhindern, dass das Sprachmodell Informationen ändert oder löscht. Sobald das Ergebnis vorliegt, diese wird an das LLM zurückgegeben, Dies wandelt es in eine klare und verständliche Antwort um, ohne die wiederhergestellten Werte zu verändern.
Die lokale Ausführung des Modells ermöglicht die Beantwortung von Fragen durch die Betreiber, Variablennamen und Produktionsergebnisse verbleiben in der Infrastruktur des Unternehmens. Daher, Prozessinformationen müssen nicht an externe Dienste gesendet werden, Dies erleichtert die Kontrolle über die Daten und trägt zur Wahrung ihrer Vertraulichkeit bei, eine besonders wichtige Anforderung im industriellen Umfeld.
Anwendungsfall in CFAA: Elektromechanische Räummaschine EKIN A218
Im Aeronautical Advanced Manufacturing Center (CFAA) [5], Der Prototyp wurde auf einer elektromechanischen Vertikalräummaschine EKIN A218 eingesetzt., deren Erfassungssysteme (ergänzt durch ein Savvy Data Systems Edge-Gerät) Sie erfassen Signale der CNC (Fagor 8070) und der SPS, wie das Paar, die Macht, die jetzige, die Geschwindigkeit und Position der Antriebe. Wie in der Abbildung zu sehen 4, Das Räumen erfolgt in einem einzigen linearen Durchgang, bei dem die Zähne der Bürste nach und nach mit dem Werkstück in Kontakt kommen und nacheinander Material abtragen..
Damit der Agent in diesen Begriffen argumentieren kann, Die Ontologie beschreibt nicht nur Größen und Handlungen, sondern auch die Entitäten des Prozesses: das Schneidwerkzeug, die Vergangenheit (der letzte Blowjob), die aktive Schnittzone und den Werkzeugzustand. Danke für das, Ein Ausdruck wie seit dem letzten Pinselwechsel ist keine mehrdeutige Referenz mehr und wird zu einem konkreten Intervall, in dem gearbeitet werden soll.
Die Figur 5 fasst die Funktionsweise des Anwendungsfalls zusammen. Auf der linken Seite ist die Räummaschine EKIN A218 zusammen mit den wichtigsten überwachten Variablen dargestellt. Basierend auf einer Frage des Betreibers, Der Agent interpretiert die Anfrage, konsultiert die Ontologie, um die verwendeten Begriffe mit den entsprechenden Variablen in Beziehung zu setzen, und greift auf TimescaleDB zu, um die erforderlichen Daten abzurufen. Endlich, Das Ergebnis wird in natürlicher Sprache und in einem klaren Format dargestellt, das vom Bediener direkt interpretiert werden kann..
Schlussfolgerungen und zukünftige Arbeit
Die vorgestellte Arbeit zeigt, wie die Kombination von Sprachmodellen erfolgt, Ontologien und Zeitreihendatenbanken können den Zugang zu Industrieinformationen durch in natürlicher Sprache formulierte Fragen erleichtern. Im Fall der Räummaschine EKIN A218, Der Agent ermöglicht es Ihnen, das von den Bedienern verwendete Vokabular mit den von der Maschine aufgezeichneten Signalen in Beziehung zu setzen und Werte abzufragen, Entwicklungen und Zeitintervalle, ohne die interne Struktur der Datenbank kennen zu müssen.
Der Hauptbeitrag der Architektur liegt nicht allein in der Verwendung eines LLM, sondern es in einen kontrollierten Fluss zu integrieren. Die Ontologie liefert die Bedeutung von Konzepten, LangGraph koordiniert die Quellenauswahl und TimescaleDB stellt die eigentlichen Prozessdaten bereit.
Als zukünftige Arbeit, Es wird vorgeschlagen, die Architektur mit industriellen Interoperabilitätstechnologien zu integrieren. Einerseits, Erwägen Sie die Verwendung der Asset Administration Shell (AAS) um Maschineninformationen gemeinsam zu organisieren, Komponenten und Prozesse, Erleichterung der Verbindung mit Geräten verschiedener Hersteller. Zweitens, Die Verwendung des Model Context Protocol wird untersucht (MCP) als Mechanismus zur Standardisierung der Verbindung des Agenten zu neuen Datenquellen und externen Tools.
Außerdem wird es notwendig sein, das System anhand realer Fragen von Betreibern und Ingenieuren zu validieren., Auswertung der Interpretation von Abfragen, Variablenauswahl, Überprüfen Sie die Reaktionszeit und ihren Nutzen, bevor Sie sie auf andere Prozesse ausweiten.
