Способ обнаружения обучающих данных для машинного обучения компьютерной системы промышленного интернета вещей с питанием от перезаряжаемой батареи Российский патент 2024 года по МПК G06F1/32 G06N5/02 G16Y30/00 G16Y40/00 

Область техники, к которой относится изобретение

Изобретение относится к области вычислительной техники, а конкретнее к компьютерным системам промышленного интернета вещей с автономным питанием. С помощью изобретения решается техническая проблема увеличения времени автономной работы компьютерной системы промышленного интернета вещей с питанием от текущего заряда перезаряжаемой батареи при использовании машинного обучения. Технический результат заключается в сохранении текущего значения потребления энергии от перезаряжаемой батареи компьютерной системой промышленного интернета вещей до получения сигнала с сообщением об обнаружении контекстуализированных обучающих данных и с последующим увеличением расхода заряда перезаряжаемой батареей для запуска программы машинного обучения.

Уровень техники

Раскрытие уровня техники осуществлено в той степени, в какой это известно заявителям. Работы изобретателей, согласно описанию, посвящены основам и аспектам описания изобретения, которые могут квалифицироваться как предшествующий уровень техники, необходимый для понимания сущности изобретения и экспертизы заявки. Уровень техники определяется следующими известными заявителю аналогами изобретения.

Известен аналог изобретения «Способы и системы для оценки обучающих объектов посредством алгоритмов машинного обучения» (RU 2672394 C1, МПК G06N 5/02 (2006.01), G06N 99/00 (2010.01), 26.07.2017), где группа изобретений относится к области машинного обучения и может быть использована для оценки обучающих объектов. Техническим результатом является повышение эффективности алгоритма машинного обучения при экономии вычислительных ресурсов. Способ содержит получение первого набора обучающих образцов, содержащего множество признаков, итеративное обучение первой прогнозирующей модели на основе множества признаков и формирование соответствующего первого показателя ошибки прогнозирования; анализ соответствующего первого показателя ошибки прогнозирования для каждой итерации, чтобы определить точку «сверхподгонки», и определение по меньшей мере одной начальной точки оценивания; получение данных нового набора обучающих объектов и итеративное переобучение с использованием по меньшей мере одного обучающего объекта первой прогнозирующей модели, начиная с по меньшей мере одной начальной точки оценивания, для получения множества переобученных первых прогнозирующих моделей, и формирование соответствующего показателя ошибки прогнозирования после переобучения. На основе множества показателей ошибки прогнозирования после переобучения и множества соответствующих первых показателей ошибки прогнозирования выполняется выбор одного из первых наборов обучающих образцов и по меньшей мере одного обучающего объекта.

Техническая проблема увеличения времени автономной работы компьютерной системы промышленного интернета вещей с питанием от текущего заряда перезаряжаемой батареи при использовании машинного обучения при осуществлении аналога изобретения не может быть решена, потому что в аналоге изобретения не раскрыт способ обнаружения первого набора обучающих образцов, что не позволяет получить сигнал с сообщением об обнаружении контекстуализированных обучающих данных и с последующим увеличением расхода заряда перезаряжаемой батареей для запуска программы машинного обучения.

Известен аналог изобретения «Knowledge transfer in smart environments» (US 9,251,463 B2, МПК G06N 5/02 (2006.01), G06K 9/00 (2006.01), G06K 9/62 (2006.01) 2.02.2016), где шаблоны действий устройств генерируются из одной или нескольких существующих интеллектуальных сред (например, исходных пространств) на основе данных датчиков из одной или более существующих интеллектуальных сред, которые отвечают известным видам деятельности. Затем создается целевой шаблон активности, который генерируется для новой интеллектуальной среды, например, целевого пространства. Шаблоны деятельности исходного пространства затем сопоставляются с шаблонами целевых действий, чтобы обеспечить распознавание действий на основе сенсорных данных, полученных из целевого пространства. При этом генерирование шаблонов исходной активности из множества исходных пространств включает в себя получение данных сенсорных событий из множества исходных пространств. Пространства: распознавание видов деятельности на основе последовательных последовательностей и объединение схожих видов деятельности для формирования шаблонов исходных видов деятельности; генерирование шаблонов целевой деятельности для целевого пространства; сопоставление шаблонов исходной активности с шаблонами целевой активности на основе, по меньшей мере, пространственного сходства между видами деятельности источника шаблонов деятельности и деятельности, связанной с шаблонами целевой деятельности, или временного сходства между действиями исходных шаблонов деятельности и деятельности, связанной с шаблонами целевой деятельности. Допускается маркировка шаблонов целевой деятельности для обеспечения возможности распознавания деятельности на основе сенсорных данных из целевого пространства.

Техническая проблема увеличения времени автономной работы компьютерной системы промышленного интернета вещей с питанием от текущего заряда перезаряжаемой батареей при использовании машинного обучения при осуществлении аналога изобретения не может быть решена, потому что в аналоге для определения шаблонов действий устройств по видам деятельности применяется объединение схожих видов деятельности либо сопоставление шаблонов деятельности исходного пространства с шаблонами целевых действий, чтобы обеспечить распознавание действий на основе сенсорных данных, полученных из целевого пространства, в результате чего нельзя предварительно, на этапе формирования шаблона деятельности исходного пространства, оценить соответствие содержания интеллектуальной среды и содержания предметной области шаблона целевой деятельности, чтобы повысить достоверность получения шаблонов целевой деятельности для целевого пространства, что не позволяет получить сигнал с сообщением об обнаружении контекстуализированных обучающих данных и с последующим увеличением расхода заряда перезаряжаемой батареей для запуска программы машинного обучения.

Известен аналог изобретения «Transfer learning for predictive model development» (US 2015/0235143 A1, МПК G06N 5/02 (2006.01), G06N 99/00 (2006.01), 7.02.2015), где методы, системы и устройства, включая компьютерные программы, используются для переноса обучения в рамках прогностической модели. Система может получать данные для обучения прогностической модели, причем данные обучения и один или несколько методов обучения используются для обучения нескольких прогностических моделей. Переменные и прогностическая модель затем выбираются из обученных прогнозирующих моделей. Выбранные переменные затем переносятся в выбранный тип прогностической модели до тех пор, пока они уменьшают значение ошибки предсказания. При этом осуществляется получение множества обучающих данных прогностического моделирования, разделение обучающих данных на множество подвыборок, обучение множества различных типов прогностических моделей с использованием одной или более из множества подвыборок и одного или более методов обучения.

Техническая проблема увеличения времени автономной работы компьютерной системы промышленного интернета вещей с питанием от текущего заряда перезаряжаемой батареи при использовании машинного обучения при осуществлении аналога изобретения не может быть решена, потому что в аналоге изобретения не раскрыт способ получения обучающих данных для прогностического моделирования, что не позволяет получить сигнал с сообщением об обнаружении контекстуализированных обучающих данных и с последующим увеличением расхода заряда перезаряжаемой батареей для запуска программы машинного обучения.

Известен аналог изобретения «Адаптивное управление энергопотреблением» (RU 2436144 C2, МПК G06F 1/32 (2006.01), G06F 9/44 (2006.01), G06F 1/26 (2006.01), 8.03.2007), где предложен способ, который реализует меры сбережения энергии на основании величины мощности, которая доступна из источника питания и включает в себя идентификацию текущего количества энергии, которая доступна из источника питания. Затем производится определение того, является ли текущее количество энергии ассоциированным с состоянием пониженной производительности. Если текущее количество энергии ассоциировано с состоянием пониженной производительности, способ изменяет конфигурацию энергопотребляющих устройств для перевода компьютера в состояние пониженной производительности.

Техническая проблема увеличения времени автономной работы компьютерной системы промышленного интернета вещей с питанием от текущего заряда перезаряжаемой батареи при использовании машинного обучения при осуществлении аналога изобретения не может быть решена, поскольку предлагаемый способ с применением опроса прикладной программы не раскрывает сущность и причины передачи сигнала для запуска программы машинного обучения, чтобы идентифицировать величину оставшейся мощности.

Известен аналог изобретения «Операции мобильного устройства с оптимизацией расхода заряда батареи» (RU 2609136 C2, МПК G06F 1/32 (2006.01), G06F 9/44 (2006.01), 6.06.2012), где техническим результатом является сохранение электроэнергии батареи в устройствах посредством задержки задач. Раскрыт способ для сбережения электроэнергии батареи в устройстве с батарейным питанием, содержащий этапы, на которых ставят в очередь по меньшей мере одну допускающую задержку задачу для исполнения впоследствии; обнаруживают начало события зарядки батареи устройства после упомянутой постановки в очередь; прогнозируют, что событие зарядки является длительным событием зарядки, на основании профиля зарядки для устройства, причем длительное событие зарядки является событием зарядки с длительностью больше, чем предварительно заданный порог, для разрешения выполнения или исполнения допускающей задержку задачи из упомянутой по меньшей мере одной допускающей задержку задачи во время события зарядки; и разрешают исполнение поставленной в очередь по меньшей мере одной допускающей задержку задачи во время события зарядки после того, как истек заранее определенный промежуток времени после упомянутого обнаружения.

Техническая проблема увеличения времени автономной работы компьютерной системы промышленного интернета вещей с питанием от текущего заряда перезаряжаемой батареи при использовании машинного обучения при осуществлении аналога изобретения не может быть решена, поскольку предлагаемый способ с постановкой в очередь программы предусматривает задержку запуска программы машинного обучения относительно промежутка времени от начала события зарядки батареи устройства, а не относительно сигнала с сообщением об обнаружении контекстуализированных обучающих данных и с последующим увеличением расхода заряда перезаряжаемой батареей для запуска программы машинного обучения.

Аналогом, наиболее близким к изобретению - прототипом - является «Распределенная встроенная система управления данными и знаниями, интегрированная с архивом данных ПЛК» (RU 2701845 C1, МПК G05B 19/05 (2006.01), G06N 5/02 (2006.02) 10.12.2015), где изобретение относится к вычислительной технике. Технический результат заключается в обеспечении доступности данных локального архива данных в распределенной инфраструктуре данных. Система хранения данных в промышленной производственной среде содержит распределенную систему управления данными, сохраненную на множестве устройств интеллектуальных программируемых логических контроллеров, включая компонент распределенного управления данными; компонент контекстуализации для генерирования контекстуализированных данных путем аннотирования содержимого области изображения процесса контекстной информацией системы автоматизации, компонент архива данных для локального сохранения содержимого области изображения процесса и контекстуализированных данных и обеспечения доступа к содержимому в распределенной системе управления данными через компонент распределенного управления данными и компонент аналитики данных для исполнения одного или нескольких алгоритмов рассуждений для анализа данных с использованием компонента управления распределенными данными. В рассматриваемом прототипе применяются контекстуализированные данные, получаемые путем аннотирования содержимого компонента изображения процесса контекстной информацией системы автоматизации для облегчения ее последующей интерпретации. Контекстная информация может включать в себя любую информацию, которая описывает значение данных. Например, контекст данных в системах автоматизации может включать в себя информацию об устройстве, которое генерировало данные (например, датчик), о структуре системы автоматизации (например, топологию предприятия), о рабочем режиме системы (например, время простоя), о программном обеспечении автоматизации и его статусе во время генерирования данных и/или о продукте/партии, которые производились во время генерирования данных. Контекст может быть представлен стандартным языком моделирования (например, Web Ontology Language, язык описания веб-онтологий OWL), Resource Description Framework (среда описания ресурса), где формально определяется значение языковых конструкций. При этом одна или несколько моделей декларативных знаний, используемых компонентом контекстуализации каждого соответствующего устройства интеллектуального программируемого логического контроллера, содержат онтологии, выраженные с использованием языка описания онтологий OWL.

Техническая проблема увеличения времени автономной работы компьютерной системы промышленного интернета вещей с питанием от текущего заряда перезаряжаемой батареи при использовании машинного обучения при осуществлении прототипа изобретения не может быть решена, потому что в прототипе изобретения система хранения данных используется только для указанного множества устройств интеллектуальных программируемых логических контроллеров и использует один или несколько алгоритмов рассуждений для анализа данных, сохраненных в распределенной системе только этим множеством устройств интеллектуальных программируемых логических контроллеров, что не позволяет осуществить обнаружение контекстуализированных данных за пределами указанной промышленной системы хранения данных и отсутствуют процессы и устройства, использующие вычислительные методы, позволяющие учиться на контекстуализированных данных после получения сигнала с сообщением об обнаружении контекстуализированных обучающих данных и с последующим увеличением расхода заряда перезаряжаемой батареей для запуска программы машинного обучения.

Раскрытие сущности изобретения

Технический результат заключается в сохранении текущего значения потребления энергии от перезаряжаемой батареи компьютерной системой промышленного интернета вещей до получения сигнала с сообщением об обнаружении контекстуализированных обучающих данных и с последующим увеличением расхода заряда перезаряжаемой батареей для запуска программы машинного обучения.

Сущность заявляемого способа состоит в предварительном обнаружении контекстуализированных обучающих данных, относимых к контексту предметной области IIoT, посредством определения меры семантической близости онтологии предметной области IIoT и семантической аннотации обучающих данных, хранимых в удаленных базах данных различных форматов, где данные предварительно семантически описаны на основе знаний, где при обнаружении формируют и передают командный сигнал для увеличения текущего расхода энергии перезаряжаемой батареей для запуска программы машинного обучения компьютерным устройством промышленного интернета вещей IIoT.

Для обнаружения контекстуализированных обучающих данных вручную или полуавтоматически в компьютерной системе обработки и хранения обучающих данных создают удаленные базы данных с обучающими данными.

Следующим действием является создание экспертом на основе знаний о контексте обучающих данных вручную или полуавтоматически организованной структуры из наборов фактов предметной области в виде машиночитаемой онтологии соответствующей предметной области промышленного интернета вещей с применением определенных правил и процедур, которые не относятся к области настоящего раскрытия, причем для создания онтологии описание семантического смысла данных производят определенными далее способами.

К определенным способам можно отнести описание фактов предметной области посредством стандартного языка моделирования, например, Ontology Web Language, (язык описания веб-онтологий, OWL), Resource Description Framework (среда описания ресурса RDF), но не ограничиваясь ими, которые формально определяют значение языковых конструкций для формализованного описания фактов предметной области промышленного интернета вещей IIoT. При этом фактами в рамках настоящего раскрытия считаются сведения, содержащиеся в совокупности данных в объективной форме представления, причем обучающие данные представлены в виде машиночитаемых баз данных с семантической аннотацией, включающей описание объектов баз данных, параметров объектов, которые в рамках OWL рассмотрены как концепты и атрибуты соответственно.

Следующим действием является передача онтологии предметной области в машиночитаемой форме в компьютерную систему обнаружения обучающих данных для хранения и обработки данных посредством программного контроллера обучающих данных.

Следующим действием является автоматическое создание или создание экспертом полуавтоматически описания контекста обучающих данных в виде семантической аннотации в компьютерной системе обработки и хранения обучающих данных, при этом в рамках настоящего раскрытия создание семантической аннотации может проходить без применения онтологии предметной области.

Семантическая аннотация рассматривается в рамках настоящего раскрытия как информационный компонент семантической проводки спецификации предприятия согласно ГОСТ Р ИСО/МЭК 15414-2017 «Информационные технологии. Открытая распределенная обработка. Эталонная модель. Язык описания предприятия», который позволяет определить, что конкретные объекты, смоделированные в спецификациях компьютерной системы промышленного интернета вещей IIoT и объекты, описанные в спецификациях баз данных с обучающими данными, являются фактически одним и тем же объектом, и такое описание таких совпадающих объектов относится к контекстуализированным обучающим данных.

Семантическая аннотация описана, но не ограничиваясь только указанным далее, в источнике Сулейманова, А. М., Яковлев, Н. Н. Семантическая аннотация и многоаспектная модель данных в управлении требованиями. Программные продукты и системы. №2. 2011. С. 45-48; онтологический подход к аннотированию описан в источнике Ле Хоай, Тузовский А. Ф. Семантическое аннотирование документов в электронных библиотеках. Известия Томского политехнического университета. 2013. Том 323. №5. С. 157-164; способом составления семантической аннотации, но не ограничиваясь им, являются простые семантические сети, описанные в источнике Артюшина, Л. А. Методы представления информации в простых семантических сетях. Научно-технический вестник информационных технологий, механики и оптики. 2020. Т. 20. № 3. С. 382-393; стохастические модели описаны в источнике Вознесенская, Т. В., Леднов, Д. А. Система автоматического аннотирования текстов с помощью стохастической модели. Машинное обучение и анализ данных, 2018. Том 4, №4. С. 266-279.

Следующим действием является передача семантической аннотации программным адаптерам обучающих данных с семантической аннотацией в виде машиночитаемых данных для хранения и обработки компьютерной системой обработки и хранения обучающих данных, где обучающие данные хранятся в удаленных базах данных в различных форматах представления и кодирования данных, причем понятие «удаленных» в рамках настоящего раскрытия означает нахождение компьютерной системы обработки и хранения обучающих данных вне локальной сети компьютерной системы промышленного интернета вещей с питанием от перезаряжаемой батареи или вне прямого физического подключения компьютерной системы промышленного интернета вещей с питанием от перезаряжаемой батареи к компьютерной системе обработки и хранения обучающих данных.

Следующим действием является формирование, при помощи эксперта или автоматически, на устройстве, применяющим результат машинного обучения в составе компьютерной системы промышленного интернета вещей с питанием от перезаряжаемой батареи, сведений об объектах промышленного интернета вещей, параметрах этих объектов в объективной форме представления машиночитаемой программы обработки данных.

Следующим действием является формирование устройством, применяющим результат машинного обучения, набора сведений об объектах промышленного интернета вещей IIoT, параметрах этих объектов в машиночитаемой форме в виде запроса об обнаружении контекстуализированных обучающих данных, который, но не ограничиваясь им, соответствует программной службе адаптации параметров предварительного национального стандарта ПНСТ 423-2020 (ИСО/МЭК 20005:2013 «Информационные технологии. Сети сенсорные. Службы и интерфейсы, поддерживающие совместную обработку данных в интеллектуальных сенсорных сетях») для обеспечения необходимой вычислительной мощности в случае динамических изменений требований устройства, применяющего машинное обучение.

Следующим действием является передача запроса об обнаружении контекстуализированных обучающих данных устройству межсистемной связи IIoT компьютерной системы промышленного интернета вещей с питанием от перезаряжаемой батареи.

Следующим действием, основанным на получении запроса об обнаружении контекстуализированных обучающих данных, является формирование командного сигнала устройством межсистемной связи IIoT для переноса информации запроса об обнаружении контекстуализированных обучающих данных с описанием типов объектов, их параметров в машиночитаемой форме.

Следующим действием, основанным на формировании командного сигнала устройством межсистемной связи IIoT для переноса информации запроса об обнаружении контекстуализированных обучающих данных, является передача командного сигнала по коммуникационной сети Интернет от устройства межсистемной связи IIoT в направлении интеллектуального периферийного устройства компьютерной системы управления доступом к обучающим данным, при этом интеллектуальное периферийное устройство рассматривается как устройство, обладающее возможностью самостоятельно выполнять часть функций центрального процессора по обработке информации, командный сигнал рассматривается как командное сообщение в машиночитаемой форме представления, предназначенное для передачи по каналам и линиям проводной и беспроводной связи в виде сигнала электросвязи.

Следующим действием, основанным на приеме интеллектуальным периферийным устройством командного сигнала для переноса информации запроса об обнаружении контекстуализированных обучающих данных, является манипулирование данными запроса об обнаружении контекстуализированных обучающих данных программным контроллером обучающих данных путем соотнесения принятых сведений с описанием типов объектов, их параметров в машиночитаемой форме с онтологией предметной области для обнаружения совпадающих либо близких по семантическим свойствам концептов и атрибутов концептов онтологии предметной области, и формирование правил обнаружения контекстуализированных обучающих данных в машиночитаемой форме, причем правила могут быть реализованы средствами дескриптивной логики, но не ограничиваясь ею, при этом способ манипуляции, заключающийся в соотнесении концепта и сведений программы обработки данных с описанием типов объектов, их параметров и способ формирования правил обнаружения контекстуализированных обучающих данных не относится к настоящему раскрытию, но соответствует, не ограничиваясь, методами и способами, описанными в источнике Палагин, А. В., Петренко, Н. Н. К вопросу системно-онтологической интеграции знаний предметной области. Математические машины и системы. 2007. С. 63-75; формирование правил обнаружения обучающих данных, но не ограничиваясь, могут быть сформированы методами в диссертации Лещевой, И. А. Метод автоматизированного наполнения баз данных онтологического типа: диссертация на соискание ученой степени кандидата технических наук по специальности 2.3.5. Санкт-Петербургский государственный университет, 2022 год, 204 с. с приложениями.

Следующим действием, основанным на формировании правил обнаружения контекстуализированных обучающих данных, является формирование командного сигнала на интеллектуальном периферийном устройстве с правилами обнаружения контекстуализированных обучающих данных в машиночитаемой форме.

Следующим действием, основанным на формировании командного сигнала с правилами обнаружения контекстуализированных обучающих данных является передача командного сигнала по коммуникационной сети Интернет от интеллектуального периферийного устройства компьютерной системы управления доступом к обучающим данным к устройству межсистемной связи хранилища данных компьютерной системы обработки и хранения обучающих данных, при этом командный сигнал рассматривается как командное сообщение в машиночитаемой форме представления, предназначенное для передачи по каналам и линиям проводной и беспроводной связи в виде сигнала электросвязи.

Следующим действием, основанным на передаче командного сигнала с правилами обнаружения контекстуализированных обучающих данных по коммуникационной сети Интернет, является прием командного сигнала с правилами обнаружения контекстуализированных обучающих данных на устройстве межсистемной связи хранилища данных.

Следующим действием, основанным на приеме устройством межсистемной связи хранилища данных командного сигнала с правилами обнаружения контекстуализированных обучающих данных по коммуникационной сети Интернет является передача правила обнаружения контекстуализированных обучающих данных с описанием концептов IIoT, атрибутов концептов IIoT в машиночитаемой форме на программный адаптер обучающих данных с семантической аннотацией.

Следующим действием, основанным на передаче правил обнаружения контекстуализированных обучающих данных в машиночитаемой форме, является исполнение правил обнаружения контекстуализированных обучающих данных программным адаптером для определения меры совпадения семантической аннотации концептам IIoT и атрибутам концептов IIoT, причем способ определения соответствия не относится к настоящему раскрытию, но может быть реализован в виде, но не ограничиваясь им, в виде информационной системы Semantic Query-based Annotation, P2P Sharing System (Семантической одноуровневой системы аннотации, основанной на запросах) согласно источнику Fernandez-Garcia, N., Blazquez-del-Toro, J. M., Sanchez-Fernandez, L., Luque, V. Exploiting User Queries and Web Communities in Semantic Annotation. 5^th International Workshop on Knowledge Markup and Semantic Annotation (SemAnnot 2005), 2005, Galway, Ireland, Vol.185.

Следующим действием, основанным на обнаружении совпадения семантической аннотации и концептов IIoT, атрибутов концептов IIoT, является формирование и передача программным адаптером обучающих данных с семантической аннотацией межмашинного ответного сообщения от компьютерной системы обработки и хранения сенсорных данных в сторону компьютерной системы обнаружения обучающих данных об обнаружении контекстуализированных обучающих данных или отсутствие передачи межмашинного ответного сообщения.

Следующим действием, основанным на передаче межмашинного ответного сообщения об обнаружении контекстуализированных обучающих данных, является передача по коммуникационной сети Интернет от устройства межсистемной связи хранилища данных в интеллектуальное периферийное устройство сигнала с межмашинным ответным сообщением.

Следующим действием, основанным на передаче межмашинного ответного сообщения об обнаружении контекстуализированных обучающих данных, является получение интеллектуальным периферийным устройством сигнала с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных.

Следующим действием, основанным на получении сигнала с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных, является передача сигнала с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных от интеллектуального периферийного устройства в устройство межсистемной связи IIoT по коммуникационной сети Интернет.

Следующим действием, основанным на передаче сигнала с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных, является прием сигнала с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных на устройстве межсистемной связи IIoT.

Следующим действием, основанным на приеме сигнала с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных, является передача от устройства межсистемной связи IIoT внутрисистемного командного сигнала на срабатывание для увеличения расхода заряда перезаряжаемой батареей.

Следующим действием, основанным на передаче от устройства межсистемной связи IIoT внутрисистемного командного сигнала на срабатывание для увеличения расхода, является увеличение расхода заряда перезаряжаемой батареей для запуска устройством, применяющим машинное обучение программы машинного обучения в компьютерной системе интернета вещей с питанием от перезаряжаемой батареи.

Осуществление изобретения

Осуществление заявляемого изобретения, выраженного в увеличении времени автономной работы компьютерной системы промышленного интернета вещей с питанием от текущего заряда перезаряжаемой батареи путем сохранения текущего значения потребления энергии от перезаряжаемой батареи компьютерной системой промышленного интернета вещей и увеличения потребления энергии от перезаряжаемой батареи компьютерной системой промышленного интернета вещей для запуска программы машинного обучения только при получении сигнала с сообщением об обнаружении контекстуализированных обучающих данных производится в одном или в нескольких одинаковых или различных вариантах осуществления.

Наиболее очевидный вариант осуществления обозначен как «предпочтительный» для раскрытия существенных признаков, а термины «содержащий», «включающий», «имеющий», «позволяющий» и т.п., используются в отношении варианта осуществления и являются синонимами.

Следует понимать, что могут использоваться и другие варианты осуществления и структурные или логические изменения заявляемого способа, что может быть выполнено без выхода за рамки предпочтительного варианта осуществления изобретения и соответствующего ему примера раскрытия, другие варианты осуществления и раскрытия могут быть описаны иным, наиболее полезным, для понимания заявленного, способом и примером. Следовательно, последующее подробное описание не следует рассматривать в ограничительном смысле, набор вариантов осуществления определен прилагаемой формулой изобретения.

В предпочтительном варианте осуществления экспертом используется онтологический подход, позволяющий соотнести описание объектов промышленного интернета вещей IIoT в виде концептов IIoT и атрибутов IIoT с семантической аннотацией обучающих данных, для определения соответствия семантической аннотации концептам IIoT и атрибутам концептов IIoT, и далее автоматически определяется семантическое соответствие контекстуализированных обучающих данных и предметной области промышленного интернета вещей IIoT, после чего автоматически формируется межмашинное сообщение об обнаружении контекстуализированных обучающих данных, которое автоматически преобразуется во внутрисистемный командный сигнал на срабатывание для увеличения расхода заряда перезаряжаемой батареей, что необходимо для запуска программы машинного обучения устройством, применяющим машинное обучение, причем до получения внутрисистемного командного сигнала сохраняется предшествующий получению сигнала текущий расход заряда перезаряжаемой батареи, что увеличивает время автономной работы компьютерной системы промышленного интернета вещей при использовании машинного обучения.

В целях настоящего раскрытия, но не ограничиваясь им, далее представлен пример компьютерной системы промышленного интернета вещей с питанием от перезаряжаемой батареи, где устройство, применяющее машинное обучения имеет вид устройства дистанционного контроля температуры объектов электрических сетей в том числе обмоток трансформаторов и магнитопроводов, которое после запуска программы машинного обучения получает по телекоммуникационной сети Интернет контекстуализированные обучающие данные о температуре обмоток, и использует программу машинного обучения например, но не ограничиваясь, для классификации состояния трансформатора по температуре обмоток и магнитопроводов в целях предотвращения появления ложных аварийных сообщений, а также для предсказания значений температуры обмоток и магнитопроводов для прогноза моментов максимальной, минимальной и нештатной температуры для решения задач проактивного менеджмента и предиктивной технической эксплуатации.

В предпочтительном варианте осуществления экспертом первоначально формируется онтология предметной области для описания знаний об объектах промышленного интернета вещей, а именно о сенсорах, датчиках и их параметрах, но не ограничиваясь ими, являющимися объектами управления и контроля с помощью программы машинного обучения, например в части предсказания выхода из строя, классификации для выявления аномальных показаний и нештатного режима работы промышленных объектов, но не ограничиваясь ими.

Онтология предметной области формируется в рамках семантического информационного подхода к технологии создания баз знаний из предметной области промышленного интернета с применением обусловленных задачей правил, процедур.

В другом варианте осуществления экспертом используется ранее разработанная онтология предметной области, которая используется «как есть», либо с дополнениями и изменениями, которые вносит эксперт.

В предпочтительном варианте осуществления определения концептов, атрибутов онтологии и связей между ними могут описываться с помощью формального или логического языка описания, что позволяет использовать логический вывод для получения фактов из существующей информации предметной области.

В качестве концептов в предпочтительном варианте осуществления рассматриваются обобщенные описания объектов промышленного интернета вещей. При этом физическое устройство рассматривается как сущность, обладающая материальным существованием в реальном мире, а концепт есть представление эксперта о некотором техническом сущем, части этого сущего, имеющее определенную структуру, выраженную разными группами признаков, отображаемых соответствующими языковыми способами и средствами с помощью онтологии. Свойства объектов описываются посредством параметров, которые семантически выражают свойства объектов согласно техническому паспорту изделия.

В предпочтительном варианте осуществления могут быть определены, но не ограничиваясь ими, нижеследующие концепты и соответствующие им атрибуты, совокупно требуемые для осуществления изобретения.

Под атрибутом концепта понимают параметр или характеристику рассматриваемого объекта в виде отдельной информационной структуры.

Концепт «Сенсор температуры» представляет объект промышленного интернета вещей, который измеряет температуру одной или нескольких физических сущностей и выводит цифровые данные, которые могут быть переданы по коммуникационной сети Интернет в машиночитаемой форме в предметной области раскрытия.

Концепт «Обмотка трансформатора» представляет собой описание данных в машиночитаемой форме, который описывает совокупность витков, образующих электрическую цепь с целью получения одного из напряжений трансформатора и является объектом промышленного интернета вещей в предметной области раскрытия.

Концепт «Температура поверхности» представляет собой описание данных в машиночитаемой форме, которые количественно выражает различную степень нагретости поверхности физических тел и является объектом промышленного интернета вещей в предметной области раскрытия.

Концепт «Температура поверхности» имеет атрибут «Значение температуры».

В предпочтительном варианте осуществления для описания предметной области промышленного интернета вещей требуется определить множество понятий для описания семантических соответствий с помощью онтологии предметной области. В другом варианте осуществления используется готовое описание предметной области промышленного интернета вещей в машиночитаемой форме как есть или с изменениями и дополнениями.

В предпочтительном варианте осуществления множество понятий для описания сенсорных данных на примере «сенсора температуры» и «температура поверхности» задаётся обобщенным множеством концептуальных определений, но не ограничиваясь ими, которое формально записывается с помощью знака «$$\equiv$$», который означает семантическое соответствие:

{сенсор$$\equiv$$сенсор температуры, температура$$\equiv$$температура поверхности, температура$$\equiv$$градус Цельсия, температура$$\equiv$$Celsius, температура$$\equiv$$градус Фаренгейта, температура$$\equiv$$Fahrenheit, температура$$\equiv$$Кельвин, температура$$\equiv$$Kelvin, градус Цельсия$$\equiv$$°C, градус Фаренгейта$$\equiv$$°F, Кельвин$$\equiv$$K, Celsius$$\equiv$$°C, Fahrenheit$$\equiv$$°F, Kelvin$$\equiv$$K},

где «сенсор» есть концепт, соответствующий понятию «сенсор температуры»;

«температура» есть концепт для описания измеряемого свойства среды соответствующий понятию «температура поверхности»;

«градус Цельсия», «градус Фаренгейта», «Кельвин», «Celsius», «Fahrenheit», «Kelvin» есть атрибуты, которые соответствуют понятием для описания производных единиц величин атрибута «Значение температуры»;

«°C», «°F», «K» - соответствуют понятием для описания единиц измерения производных единиц величин.

Формирование в машиночитаемой форме описания каждого типа объекта и параметра объекта IIoT программой обработки данных, запускаемой устройством, применяющим машинное обучения в составе компьютерной системы промышленного интернета вещей с питанием от перезаряжаемой батареи, производится автоматизировано с участием эксперта или автоматически.

Описание каждого типа объекта IIoT и параметра объекта IIoT может осуществляться, но не ограничиваясь, в формате расширяемого языка гипертекстовой разметки XML, в примере для раскрытия:

где item - обозначение элемента, являющегося частью массива элементов;

addr - параметр адреса компьютерной системы промышленного интернета вещей (в пример указан IP адрес);

name - название объекта как обозначение области применения машинного обучения (в примере указана обмотка трансформатора);

type - тип объекта компьютерной системы промышленного интернета вещей (в примере указан сенсор температуры);

value - параметр, указывающий на значение всех показаний сенсора температуры.

Для формирования запроса об обнаружении контекстуализированных обучающих данных с описанием типов объектов IIoT и параметров объектов IIoT в рамках настоящего раскрытия, но не ограничиваясь им, применяется запрос, соответствующий формату описания запросов согласно ПНСТ 423-2020 (ИСО/МЭК 20005:2013):

С помощью запроса на обнаружения контекстуализированных обучающих данных «QoS-PROFILE-ESTABLISH.request» устройство, применяющее машинное обучение, запрашивает установление профиля качества сервиса QoS (Quality of Service) для управления программой машинного обучения в смысле наличия контекстуализированных обучающих данных. В структуре запроса в рамках предпочтительного варианта осуществления предлагается использовать параметры запроса в таблице 1.

Таблица 1
Параметры запроса об обнаружении контекстуализированных обучающих данных Имя параметра запроса Описание содержимого параметра, предлагаемого в рамках настоящего раскрытия QoSRequestorID Идентификатор компьютерной системы промышленного интернета. QoSProfileManagerID Идентификатор и связанное семантическое описание области применения контекстуализированной обучающей последовательности (например, «Температура обмотки трансформатора»). QoSProfileID Идентификатор и описание каждого концепта в контексте использования обучающей последовательности (например, «Сенсор температуры»). QoSProfileObjectList Список концептов и связанных с ними атрибутов (например, значение показателей сенсора).

Другим вариантом осуществления является присвоение значения параметрам «QoSProfileManagerID», «QoSProfileID», «QoSProfileObjectList» по информационным ссылкам на готовую онтологию предметной области.

В предпочтительном варианте осуществления с помощью устройства межсистемной связи IIoT формируются командные сигналы для переноса информации запроса об обнаружении контекстуализированных обучающих данных с описанием типов объектов, их параметров в машиночитаемой форме, причем запрос об обнаружении контекстуализированных обучающих данных рассматривается как командный сегмент в составе межмашинного сообщения, где командный сегмент состоит из командного слова, которое в рамках настоящего раскрытия, но не ограничиваясь им, обозначается «QoS-PROFILE-ESTABLISH.request», а слова данных командного сегмента формируются параметрами QoSProfileManagerID», «QoSProfileID», «QoSProfileObjectList» и значениями параметров согласно положениям ГОСТ Р 53074-2003 «Интерфейс магистральный последовательный системы электронных модулей. Тестирование серийных образцов интерфейсных модулей, функционирующих в режиме контроллера шины. Общие требования к методам контроля».

В предпочтительном варианте осуществления предпочтительный способ передачи сигналов для переноса информации есть кодированная побитовая передача через средства связи коммуникационной сети Интернет, использующая на физическом уровне проводную или беспроводную, в том числе радиоэфир, среду передачи с методами кодирования, но не ограничиваясь ими, методы кодирования NRZ, 2B1Q, 4B/5B; использующая на канальном уровне асинхронные и(или) синхронные протоколы передачи сигналов IEEE 802.x, LLC2, LLC3, HDLC, но не ограничиваясь ими; использующая на сетевом уровне протоколы межсетевого взаимодействия IP v4, IP v6 в рамках оптических сетей связи SDH и DWDM, сетей фиксированного широкополосного доступа PON и xTTP, сетей беспроводного широкополосного доступа WiFi, сетей сотовой связи поколений 2G/3G/4G/5G.

В предпочтительном варианте осуществления предпочтительным для описания метаданных профиля является среда описания ресурсов RDF (Resource Description Framework), как части концепции «семантической паутины» (Semantic Web), где сущностью в предпочтительном варианте осуществления является сенсор.

Онтологический подход в предпочтительном варианте осуществления используется для представления знаний о предметной области промышленного интернета вещей, а также для описания семантических правил поиска обучающей последовательности. Автоматизированная обработка сведений (метаинформации) об объектах промышленного интернета вещей, представленных в соответствии с онтологией предметтной области, осуществляется посредством различных информационных технологий и инструментов, а именно язык правил семантической веб-сети SWRL (Semantic Web Rule Language), язык ограничений форм SHACL (Shapes Constraint Language), где ограничения записываются на языке и протоколе запросов к данным, представленным по модели RDF SPARQL (Semantic Protocol and RDF Query Language), при этом описание данных транслируются в OWL и связываются с классами онтологии.

В рамках настоящего раскрытия для понимания сущности изобретения, но не ограничиваясь только рассматриваемыми далее правилами, правила обнаружения обучающих данных записываются посредством ограничений, по которому методом (SELECT) выбираются данные со значениями измерений физической величины (testresult) только в ресурсе, определяемом методом (WHERE), где согласно используемой онтологии предметной области для описания сенсорных данных «Сенсор-Измерение-Выборка-Актуализация» SOSA (Sensor-Observation-Sampling-Actuator Ontology) выбираются значения наблюдений с помощью класса объектов (OBSERVATION), имеющие своим результатом свойство (hasResult) в виде концепта температуры (?Temp) для объекта со свойствами (hasFeatureOfInterest) концепта, обозначающего температуру обмотки трансформатора (?TransformerWinding), причем температура является объектом класса онтологии (Result), причем запрос в отношении температуры объединяет методом (UNION) выборки контекстуализированных данных измерений в виде класса артефактов (SAMPLE), причем выборка обладает свойством включения (isSampleOf) в результат запроса показателей температуры (?Temp) с указанием того, что температура относится на физический объект в виде обмотки трансформатора (?TransformerWinding), что в совокупности для формирования правила поиска обучающей последовательности может быть записано в нижеследующей унифицированной форме, не ограничиваясь ею, и вне зависимости от конкретного формата базы данных:

В рассматриваемом случае ссылка вида «http://www.w3.org/ns/sosa» есть внешняя ссылка на существующую онтологию SOSA для использования в качестве онтологии предметной области. Кроме онтологии SOSA для описания предметной области, ограничений, построения информационной модели и унифицированных запросов могут быть использованы иные программные технологии, средства, форматы и инструменты, кроме заявленных в рамках настоящего раскрытия.

В рамках настоящего раскрытия получение командного сигнала для переноса информации запроса об обнаружении контекстуализированных обучающих данных компьютерной системой обнаружения обучающих данных приводит к запуску программного контроллера обучающих данных, который запускает онтологию предметной области, путем манипулирования данных и правил обнаружения обучающих данных, и интеллектуальное периферийное устройство формирует запрос обнаружения контекстуализированных обучающих данных с описанием, в рамках настоящего раскрытия, обозначающего температуру обмотки трансформатора (?TransformerWinding), и концепта температуры (?Temp) в нижеследующей унифицированной форме, но не ограничиваясь ею:

где параметр SELECT DISTINCT означает выделение различных или уникальных значений концепта;

параметр FROM FILE - означает чтение метаданных доступных баз данных из файла temperature.rdf, причем метаописание баз данных расположены по http адресу dataset/sensor;

параметр WHERE - означает выделение значений концептов температуры ?temp для концептов обмоток силовых трансформаторов ?transformerwinding.

В рамках настоящего раскрытия командный сигнал для переноса информации запроса об обнаружении контекстуализированных обучающих данных от интеллектуального периферийного устройства компьютерной системой обнаружения обучающих данных к устройству межсистемной связи хранилища данных формируется в рамках предпочтительного варианта осуществления, как сообщение, командный сегмент которого состоит из командного слова, которое в рамках настоящего раскрытия, но не ограничиваясь им, обозначается методом «SELECT», а слова данных командного сегмента формируются параметрами после «SELECT» и до конца формы согласно положениям ГОСТ Р 53074-2003 в машиночитаемой форме.

В предпочтительном варианте осуществления в составе компьютерной системы обработки и хранения обучающих данных для анализа запроса с запроса об обнаружении контекстуализированных обучающих данных использован программный адаптер обучающих данных с предварительно разработанной экспертом или сформированной автоматически семантической аннотацией в формате, заявляемого в рамках настоящего раскрытия с помощью языка RDF, но не ограничиваясь им, а именно:

где параметр RDF указывает на используемый стандарт и нотацию;

параметр xmlns содержит гипертекстовую ссылку на используемую нотацию rdf;

параметр rdf:Description about содержит текстовое описание данных файлов баз данных, в данном примере температура трансформатора;

параметр sen:type указывает, что данные содержат сведения о температуре;

параметр xs:datatype указывает, что температура измеряется в градусах Цельсия (Celsius);

параметр sen:item указывает, что сенсорные данные о температуре представлены списком;

параметр sen:time указывает на момент времени сбора данных;

параметр sen:value указывает на значение температуры;

параметр http://Dataset/temperature указывает на путь для считывания содержания файла с описанием баз данных c температурой temperature.

В предпочтительном варианте осуществления файл с описанием баз данных c температурой «temperature» формируется с помощью языка RDF в рамках раскрытия, но не ограничиваясь им, а именно, в примере:

где параметры Database1:fileX, Database2:fileY определяют условное наименование массивов данных и файлов данных;

параметры dc:title определяют описание заголовка массива данных, в примере температура обмотки и температура наружного воздуха;

параметры Database1:partno, Database2:partno определяют тип марку источника данных, в примере марка силового трансформатора.

В рамках предпочтительного варианта осуществления компьютерная система обработки и хранения обучающих данных при получении командного сигнала от устройства межсистемной связи IIoT с запросом об обнаружении контекстуализированных обучающих данных с описанием концептов IIoT, атрибутов концептов IIoT запускает программный адаптер обучающих данных с семантической аннотацией, который в машиночитаемой форме сравнивает содержимое семантической аннотации и файла temperature.rdf с запросом об обнаружении контекстуализированных обучающих данных с описанием типов концептов IIoT, атрибутов концептов IIoT в машиночитаемой форме.

В рамках настоящего раскрытия программный адаптер обучающих данных с семантической аннотацией обнаруживает путем сравнения семантическое совпадение описания концепта ?temp с семантической аннотацией и определенное совпадение концепта ?transformerwinding c содержанием заголовка массива данных dc:title «Winding_Temperature» и со значением rdf:Description about «Transformer temperature», причем способ определения семантического совпадения не относится к настоящему раскрытию. В результате контекстуализированные обучающие данные считаются обнаруженным в базе данных Database1:fileX, а содержимое базы данных Database2:fileY в рамках настоящего раскрытия считается неконтекстуализированным.

В предпочтительном варианте осуществления программный адаптер обучающих данных с семантической аннотацией формирует межмашинное ответное сообщение об обнаружении контекстуализированных обучающих данных в сторону компьютерной системы обнаружения обучающих данных, которое формируется с помощью языка XML в рамках раскрытия, но не ограничиваясь им, в примере сообщения:

где SEND ON CONVERSATION - инструкция для передачи данных в рамках диалога с идентификатором @annotation_handle (обработка аннотации), где указанный идентификатор и диалог предварительно описаны в программном адаптере в машиночитаемой форме;

MESSAGE TYPE - указание на тип отправляемого сообщения, в настоящем раскрытии это сообщение с указанием на путь для чтения метаописания базы данных [//Dataset/temperature] с контекстуализированными обучающим данными;

@FindingTrainingDataset - выражение, представляющее содержание ответного сообщения.

В рамках настоящего раскрытия межмашинное ответное сообщение от программного адаптера обучающих данных с семантической аннотацией об обнаружении контекстуализированных обучающих данных при обнаружении соответствия семантической аннотации концептам IIoT и атрибутам концептов IIoT передается в машиночитаемой форме от устройства межсистемной связи хранилища данных к интеллектуальному периферийному устройству компьютерной системой обнаружения обучающих данных в виде ответного сообщения, которое состоит из ответных слов, которые в рамках настоящего раскрытия, но не ограничиваясь им, обозначаются инструкциями «SEND ON CONVERSATION» и инструкцией «SEND ON CONVERSATION», и присоединенных к инструкциям слов данных [//Dataset/temperature], @annotation_handle, @FindingTrainingDataset соответственно согласно положениям ГОСТ Р 53074-2003 в машиночитаемой форме.

В настоящем раскрытии сигнал с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных переданный по коммуникационной сети Интернет от устройства межсистемной связи хранилища данных и принятый интеллектуальным периферийным устройством приводит к срабатыванию интеллектуального периферийного устройства, в результате срабатывания формируется межмашинное ответное сообщение об обнаружении контекстуализированных обучающих данных в направлении устройства межсистемной связи IIoT, соответствующее в рамках настоящего раскрытия формату описания запросов согласно ПНСТ 423-2020 (ИСО/МЭК 20005:2013), а именно:

Здесь QoS-PROFILE-ESTABLISH.confirm подтверждает обнаружение контекстуализированных сенсорных данных для устройства, применяющего машинное обучение.

В структуре сообщения в рамках настоящего раскрытия предлагается использовать параметры QoS со значением в таблице 2.

Таблица 2
Предлагаемые параметры запроса службы управления QoS Имя параметра Описание содержимого параметра, предлагаемого в рамках настоящего раскрытия. QoSRequestorID Идентификатор компьютерной системы промышленного интернета. QoSProfileManagerID Идентификатор и связанное семантическое описание области применения контекстуализированной обучающей последовательности (например, «Температура обмотки трансформатора»). QoSProfileID Идентификатор и описание каждого концепта в контексте использования обучающей последовательности (например, «Сенсор температуры», «Температура»). QoSProfileDBList Путь для чтения базы данных с контекстуализированными обучающим данными (например, //Dataset/temperature).

В рамках настоящего раскрытия межмашинное ответное сообщение от интеллектуального периферийного устройства об обнаружении контекстуализированных обучающих данных передается в машиночитаемой форме с помощью сигналов устройству межсистемной связи IIoT в виде ответного сообщения, для управления программой машинного обучения, которое состоит из ответного слова, которое в рамках настоящего раскрытия, но не ограничиваясь им, обозначается словом «QoS-PROFILE-ESTABLISH.confirm» и присоединенных к нему слов данных «QoSRequestorID», «QoSProfileManagerID», «QoSProfileID», «QoSProfileDBList», согласно положениям ГОСТ Р 53074-2003, в машиночитаемой форме.

В предпочтительном варианте осуществления сигналы с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных принимаются на устройстве межсистемной связи IIoT.

В предпочтительном варианте осуществления устройство межсистемной связи IIoT получив сигналы с ответным словом «QoS-PROFILE-ESTABLISH.confirm» формирует внутрисистемный командный сигнал на срабатывание для увеличения расхода заряда перезаряжаемой батареей.

В предпочтительном варианте осуществления внутрисистемный командный сигнал на срабатывание для увеличения расхода заряда перезаряжаемой батареей передается по физическим проводам со значением м с продолжительностью по времени необходимой и достаточной для срабатывания блока контроля и управления батареей, который увеличивает расход заряда перезаряжаемой батареей для запуска устройством, применяющим машинное обучение, программы машинного обучения в компьютерной системе интернета вещей с питанием от перезаряжаемой батареи.

При этом в предпочтительном варианте осуществления батарея есть система, которая включает в себя один или несколько перезаряжаемых аккумуляторов, модулей или батарейных блоков согласно ГОСТ Р МЭК 62620-2016 «Аккумуляторы и аккумуляторные батареи, содержащие щелочной или другие некислотные электролиты. Аккумуляторы и батареи литиевые для промышленных применений», при этом аккумулятор в составе перезаряжаемой батареи, но не ограничиваясь, предназначен для электрического перезаряда.

В предпочтительном варианте осуществления перезаряжаемая батарея конструктивно рассматривается как два или более элемента, оборудованные устройствами, необходимыми для использования, например: корпусом, клеммами, и устройствами защиты; под разрядом понимается процесс, при котором электрическая энергия источника тока при определенных условиях выдается во внешнюю электрическую цепь, причем электрическая энергия вырабатывается в аккумуляторе согласно требованиям ГОСТ Р МЭК 6427-2-2016 «Аккумуляторы и аккумуляторные батареи для возобновляемых источников энергии. Общие требования и методы испытаний. Часть 2. Сетевое применение» или ГОСТ Р МЭК 62620-2016.

В предпочтительном варианте осуществления блок контроля и управления батареей есть электронная система, связанная с батареей, функции которой полностью выполняет сама аккумуляторная батарея для контроля и/или управления своим состоянием.

Предлагаемый в предпочтительном варианте осуществления способ позволяет описать представление одних и тех же объектов IIoT и параметров объектов IIoT для различных форматов баз данных как способов хранения обучающих данных, аннотировать семантическое содержание данных в различных базах данных, семантически сравнивать обучающие данные из различных баз данных для обеспечения полноты и целостности обучающих данных без увеличения расхода заряда перезаряжаемой батареей устройства, применяющего машинное обучение и для различных моделей машинного обучения.

Описанные объекты, параметры, концепты, атрибуты, запросы и ответные сообщения, используемые онтологии, сигналы могут реализовываться в ином порядке, чем в предпочтительном варианте осуществления. Возможны различные дополнительные типы объектов, параметров объектов, концепты, атрибуты, онтологии, выполняемые операции и/или описанные операции, методы машинного обучения, которые могут быть реализованы в дополнительных вариантах осуществления по отношению к предпочтительному варианту осуществления.

Краткое описание чертежей

В нижеследующем подробном описании сделаны ссылки на прилагаемые чертежи, которые составляют часть подробного описания, на которых одинаковые цифры обозначают одинаковые части на всем протяжении, и в котором в качестве иллюстрации показан вариант осуществления, который наиболее полно отражает раскрытие сущности изобретения, но не является при этом единственно возможным вариантом, который может быть реализован на практике.

На фигуре 1 представлена структурная схема системы для реализации взаимосвязи компьютерных систем и коммуникационной сети Интернет для реализации способа обнаружения обучающих данных для машинного обучения компьютерной системы промышленного интернета вещей с питанием от перезаряжаемой батареи.

На фигуре 2 представлена функциональная схема способа обнаружения обучающих данных для машинного обучения компьютерной системы промышленного интернета вещей с питанием от перезаряжаемой батареи.

На фиг.1 схематично показана коммуникационная сеть Интернет (101) (далее «Сеть 101»), которая организует связь между компьютерной системой обработки и хранения обучающих данных (105) (далее «Система 105»), и компьютерной системой обнаружения обучающих данных (115) (далее «Система 115») и компьютерной системой промышленного интернета вещей с питанием от перезаряжаемой батареи (125) (далее «Система 125»).

«Система 105» технически состоит из оборудования информационных технологий, способного хранить, обрабатывать обучающие данные в определенном формате баз данных, принимать и обрабатывать сигналы и запросы по «Сети 101» в машиночитаемой форме от «Системы 115», формировать и выдавать ответные сообщения и сигналы в машиночитаемой форме в сторону «Системы 115», поддерживать функционирование системного и прикладного программного обеспечения «Системы 105».

«Система 115» технически состоит из оборудования информационных технологий, способного по «Сети 101» формировать, передавать запросы и сигналы в машиночитаемой форме в «Систему 105», принимать запросы, сигналы в машиночитаемой форме от «Системы 125» по «Сети 101», формировать и передавать ответные сообщения, сигналы в машиночитаемой форме от «Системы 125» по «Сети 101», поддерживать функционирование системного и прикладного программного обеспечения «Системы 115».

«Система 125» технически состоит из оборудования информационных технологий, способного по «Сети 101» формировать, передавать запросы, сигналы в машиночитаемой форме в сторону «Системы 115», принимать и обрабатывать ответные сообщения, сигналы в машиночитаемой форме от «Системы 115», поддерживать функционирование системного и прикладного программного обеспечения «Системы 125».

На фиг. 2 представлена функциональная схема способа обнаружения обучающих данных для машинного обучения компьютерной системы промышленного интернета вещей с питанием от перезаряжаемой батареи.

«Обучающие данные» (202) (далее «Данные 202») представляют оборудование информационных технологий и данные в машиночитаемой форме для формирования обучающей последовательности в формате базы данных «NoSQL», «MySQL», «PostgreSQL», но не ограничиваясь только этими форматами.

«Контекстуализированные обучающие данные» (204) (далее «Данные 204») представляют собой оборудование информационных технологий и контекстуализированные обучающие данные в машиночитаемой форме для формирования обучающей последовательности машинного обучения предметной области в формате базы данных в формате базы данных «NoSQL», «MySQL», «PostgreSQL», но не ограничиваясь только этими форматами.

«Запрос на обнаружение контекстуализированных обучающих данных (210) (далее «Запрос 210») представляет собой сигналы с сообщением в машиночитаемой форме, передаваемый по «Сети 101» в «Систему 105», с описанием концептов IIoT, атрибутов концептов IIoT в машиночитаемой форме.

«Межмашинное ответное сообщение» (212) (далее «Сообщение 212») представляет собой сигналы с сообщением в машиночитаемой форме, передаваемые по «Сети 101» от «Системы 105» с указанием на обнаружение контекстуализированных обучающих данных, позволяющих использовать «Данные 204» для машинного обучения.

«Устройство межсистемной связи хранилища данных» (208) представляет собой оборудование связи для приема и обработки «Запроса 210», обработки и передачи «Сообщения 212» по «Сети 101» в виде сигналов.

«Программный адаптер обучающих данных с семантической аннотацией» (206) представляет собой компьютерную программу для определения соответствия семантической аннотации концептам IIoT и атрибутам концептов IIoT на оборудовании информационных технологий при получении «Запроса 210» с формированием «Сообщения 212» с описанием обнаруженных контекстуализированных обучающих данных или с отсутствием формирования «Сообщения 212» при необнаружении контекстуализированных обучающих данных.

«Программный контроллер обучающих данных» (214) представляет собой компьютерную программу оборудования информационных технологий для поддержки онтологии предметной области промышленного интернета вещей, семантических правил обнаружения обучающей последовательности, формирования запросов и ответных сообщений в машиночитаемой форме.

«Онтология предметной области» (216) представляет собой программное обеспечение и информационные технологии для поддержки обработки данных запросов в машиночитаемой форме для определения концептов IIoT, атрибутов IIoT и семантического описания связей между ними, включая точное и объективное описание терминов, определяющих каждый концепт.

«Правила обнаружения обучающих данных» (218) представляют собой программные команды, данные и информационные технологии для поддержки формирования в машиночитаемой форме сведений о семантических взаимосвязях концептов IIoT, атрибутов IIoT для интерпретации семантических аннотаций содержания баз данных, хранящих «Данные 202», «Данные 204».

«Запрос на обнаружение контекстуализированных обучающих данных (222) (далее «Запрос 222») представляет собой командные сигналы с запросом об обнаружении контекстуализированных обучающих данных в машиночитаемой форме, передаваемый по «Сети 101» от «Системы 125» к «Системе 115», с описанием объектов IIoT, параметров объектов IIoT в машиночитаемой форме.

«Межмашинное ответное сообщение» (224) (далее «Сообщение 224») представляет собой сигналы с межмашинным ответным сообщением в машиночитаемой форме, передаваемые по «Сети 101» от «Системы 115» к «Системе 125» об обнаружении контекстуализированных обучающих данных, позволяющих использовать «Данные 204» для машинного обучения.

«Интеллектуальное периферийное устройство» (220) представляет собой процессорную систему с программным обеспечением и информационными технологиями для поддержки сигналов для переноса информации «Запроса 210», «Сообщения 212», «Запроса 222», «Сообщения 224» в машиночитаемой форме для обнаружения контекстуализированных обучающих данных.

«Устройство, применяющее машинное обучение» (226) представляет собой оборудование информационных технологий, управления и контроля для поддержки программного обеспечения, использующего методы, и алгоритмы машинного обучения для достижения целей промышленного интернета вещей.

«Программа обработки данных» (228) представляет собой программное обеспечение и информационные технологии для обеспечения производительности «Системы 125» в случае динамических изменений требований программы, применяющей машинное обучение, для автоматизированного описания объектов IIoT и параметров объектов IIoT.

«Программа машинного обучения» (230) (далее «Программа 230») представляет собой программное обеспечение и информационные технологии для обеспечения функционирования компьютерных моделей машинного обучения на оборудовании информационных технологий в «Системе 125».

«Перезаряжаемая батарея» (236) (далее «Батарея 236») представляет собой один, два или более аккумуляторных элемента с технической возможностью многократного заряда, оборудованные устройствами, необходимыми для использования, в том числе блоком контроля и управления батареей.

«Внутрисистемный командный сигнал» (234) (далее «Сигнал 234») представляет собой аппаратный сигнал, программный командный сигнал, но не ограничиваясь им, для срабатывания «Батареи 236» и увеличения расхода заряда «Батареи 236» и запуска «Программы 230».

«Устройство межсистемной связи IIoT» (232) представляет собой оборудование связи для приема и обработки «Запроса 222», обработки и передачи «Сообщения 224» по «Сети 101» в виде сигналов, формирования и передачи «Сигнала 234».

Изобретение относится к способу обнаружения обучающих данных для машинного обучения компьютерной системы промышленного интернета вещей с питанием от перезаряжаемой батареи. Технический результат заключается в увеличении времени автономной работы компьютерной системы промышленного интернета вещей с питанием от текущего заряда перезаряжаемой батареи при использовании машинного обучения. В способе осуществляют взаимодействие между системой промышленного интернета вещей IIoT, системой обнаружения обучающих данных и системой обработки и хранения обучающих данных, в процессе которого выполняют обнаружение контекстуализированных обучающих данных в удаленных базах данных в компьютерных системах обработки и хранения обучающих данных с доступом через коммуникационную сеть Интернет с помощью анализа соответствия семантической аннотации обучающих данных и семантического описания объектов и параметров промышленного интернета вещей в виде концептов и атрибутов концептов онтологии предметной области промышленного интернета вещей, в результате которого формируют командный сигнал на увеличение расхода заряда перезаряжаемой батареи для запуска устройством, применяющим машинное обучение, программы машинного обучения в компьютерной системе интернета вещей с питанием от перезаряжаемой батареи. 1 з.п. ф-лы, 2 ил., 2 табл.

1. Способ обнаружения обучающих данных для машинного обучения компьютерной системы промышленного интернета вещей с питанием от перезаряжаемой батареи, отличающийся тем, что увеличение расхода заряда перезаряжаемой батареи для запуска программы машинного обучения происходит по сигналу об обнаружении контекстуализированных обучающих данных, для чего:

создают удаленные базы данных с обучающими данными в компьютерной системе обработки и хранения обучающих данных, и

создают описание знаний о контексте обучающих данных в виде машиночитаемой онтологии предметной области в программном контроллере обучающих данных компьютерной системы обнаружения обучающих данных, и

создают описание контекста обучающих данных в виде семантической аннотации в компьютерной системе обработки и хранения обучающих данных, и

создают описание каждого типа объекта и параметра объекта компьютерной системы промышленного интернета вещей IIoT в виде машиночитаемой программы обработки данных для устройства, применяющего машинного обучение, и

выполняют формирование запроса об обнаружении контекстуализированных обучающих данных с описанием типов объектов IIoT и параметров объектов IIoT в машиночитаемой форме, и

выполняют формирование устройством межсистемной связи IIoT командных сигналов c запросом об обнаружении контекстуализированных обучающих данных с описанием типов объектов, их параметров в машиночитаемой форме, и

направляют командные сигналы с запросом об обнаружении контекстуализированных обучающих данных по коммуникационной сети Интернет от устройства межсистемной связи IIoT в направлении интеллектуального периферийного устройства компьютерной системы управления доступом к обучающим данным, и

принимают командные сигналы от устройства межсистемной связи IIoT с запросом об обнаружении контекстуализированных обучающих данных с описанием типов объектов, их параметров в машиночитаемой форме на интеллектуальном периферийном устройстве, и

формируют семантическое описание обучающих данных в машиночитаемой форме по запросу об обнаружении контекстуализированных обучающих данных с описанием типов объектов в виде концептов IIoT, параметров объектов в виде атрибутов концептов IIoT путем манипулирования данными онтологии предметной области в виде правил обнаружения контекстуализированных обучающих данных в программном контроллере обучающих данных компьютерной системы обнаружения обучающих данных, и

формируют командные сигналы с запросом на обнаружение контекстуализированных обучающих данных с описанием концептов IIoT, атрибутов концептов IIoT на интеллектуальном периферийном устройстве, и

передают командные сигналы с запросом на обнаружение контекстуализированных обучающих данных от интеллектуального периферийного устройства к устройству межсистемной связи хранилища данных компьютерной системы обработки и хранения обучающих данных по коммуникационной сети Интернет, и

принимают командные сигналы с запросом на обнаружение контекстуализированных обучающих данных с описанием концептов IIoT, атрибутов концептов IIoT на устройстве межсистемной связи хранилища данных компьютерной системы обработки и хранения обучающих данных, и

передают от устройства межсистемной связи хранилища данных запрос на обнаружения контекстуализированных обучающих данных с описанием концептов IIoT, атрибутов концептов IIoT в машиночитаемой форме на программный адаптер обучающих данных с семантической аннотацией, и

сравнивают на программном адаптере обучающих данных с семантической аннотацией хранимую семантическую аннотацию и концепты IIoT и атрибуты концептов IIoT, и

формируют межмашинное ответное сообщение от программного адаптера обучающих данных с семантической аннотацией об обнаружении контекстуализированных обучающих данных при обнаружении соответствия семантической аннотации и концептов IIoT и атрибутов концептов IIoT, и

передают сигналы с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных по коммуникационной сети Интернет от устройства межсистемной связи хранилища данных в интеллектуальное периферийное устройство, и

получают с помощью интеллектуального периферийного устройства сигналы с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных, и

передают с помощью интеллектуального периферийного устройства сигналы с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных в устройство межсистемной связи IIoT по коммуникационной сети Интернет, и

принимают сигналы с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных на устройстве межсистемной связи IIoT, и

передают от устройства межсистемной связи IIoT внутрисистемный командный сигнал на срабатывание для увеличения расхода заряда перезаряжаемой батареи, и

увеличивают расход заряда перезаряжаемой батареи для запуска устройством, применяющим машинное обучение, программы машинного обучения в компьютерной системе интернета вещей с питанием от перезаряжаемой батареи.

2. Способ обнаружения обучающих данных для машинного обучения компьютерной системы промышленного интернета вещей с питанием от перезаряжаемой батареи, по п. 1, отличающийся тем, что не формируют межмашинное ответное сообщение от программного адаптера обучающих данных с семантической аннотацией об обнаружении контекстуализированных обучающих данных при не обнаружении соответствия семантической аннотации и концептов IIoT и атрибутов концептов IIoT, и не передают сигналы с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных по коммуникационной сети Интернет от устройства межсистемной связи хранилища данных в интеллектуальное периферийное устройство, и не получают с помощью интеллектуального периферийного устройства сигналы с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных, и не передают с помощью интеллектуального периферийного устройства сигналы с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных в устройство межсистемной связи IIoT по коммуникационной сети Интернет, и не принимают сигналы с межмашинным ответным сообщением об обнаружении контекстуализированных обучающих данных на устройстве межсистемной связи IIoT, и не передают от устройства межсистемной связи IIoT внутрисистемный командный сигнал на срабатывание для увеличения уровня расхода заряда перезаряжаемой батареи, и не увеличивают расход заряда перезаряжаемой батареи для запуска устройством, применяющим машинное обучение, программы машинного обучения в компьютерной системе интернета вещей с питанием от перезаряжаемой батареи.