利用大语言模型（KIMI）构建控制信息模型

          数字化的核心是数字化建模，为一个事物构建数字模型是一项十分复杂的工作。不同的应用场景，对事物的关注重点的不同的。例如，对于一个智能传感器而言，从商业的角度看，产品的信息模型中应该包括产品的类型，名称，制造商，技术规格，产品图片，3D模型，安全论证等信息。而对于应用工程师而言，关心的是产品的接口，协议和控制方法。产品的商业信息和使用信息是不同的。信息模型也不同。

   于是，产品的商业信息和使用信息采用的建模方式和标准也是不同的。产品信息主要标准包括GS-1，ETIM，ECL@SS。而控制模型包括OPC UA 和工业4.0 管理壳（AAS）。

  本文探讨在ETIM 模型的基础上扩展基于JSON 的控制信息模型。并且通过转换软件将JSON 控制模型转换成OPCUA 模型

     采用JSON 的原因是JSON 更具有可读性。适合大语言模型构建产品模型。笔者认为 大语言模型是生成产品信息模型的最佳工具。

智能产品信息模型   

  对于智能化技术产品而言，产品的信息包含下面几个方面：

  1. 产品的基本信息
  2. 产品的技术指标
  3. 产品的操作过程
  4. 产品的几何图形
  5. 产品的商务信息

   这些信息除了商务信息之外，通常包含在产品的数据表(DataSheet) 中，对于复杂的智能产品，为了帮助用户使用产品，还提供了辅助的技术文档。 商务信息在销售部门的报价单或者ERP 系统中。

           数字化的主要工作之一是构建生产过程中所有资产的数字化模型。产品的基本信息，技术指标和几何图形通常包含在产品分类目录中（例如ETIM，GS-1，ECL@SS)。产品的商务信息包含在电子商务平台信息模型中。而产品的操作过程包含在技术文档中。

  产品操作过程的模型

  在工业4.0 的相关标准中，数字资产的数字化模型被称为资产管理壳（AAS），其中包含了操作数据和服务，这是模型能够转换成自动控制系统中的信息模型，例如OPCUA 信息模型。

       资产管理壳和OPC UA 是相对比较复杂的形式化信息模型，构建这些信息模型要借助专业的设计工具，并且具备一定的AAS和OPCUA 背景知识，笔者关注的重点是使用更加便捷，高效的方法描述产品的信息模型。特别是ChatGPT 技术的出现。为使用自然语言描述信息模型带来了新的机会。在我看来，chatGPT 为代表的大语言模型最强大的能力是将人类自然语言的内容转换成为机器能够识别的形式化信息。

JSON LD 物模型

JSON -LD 的全称是（JSON linked data），是Google公司提出来的，W3C 发布 JSON-LD 1.1 正式推荐标准。

       JSON-LD 是一种轻量级链接数据格式。它 对人类来说很容易读写。它基于已经 成功的 JSON 格式，并提供了一种帮助 JSON 数据互操作的方法。

JSON-LD的初衷是提供了一种更简单的方法来从网站创建机器可读数据以提升搜索结果。

        具体来说，使用 <script type="application/ld+json"> 标签可以让网页中的元素被编码为一个 JSON-LD 对象，并将其嵌入到页面中。这个 JSON-LD 对象可以包含诸如实体名称、描述、图像、地址、联系方式等属性信息，让搜索引擎更好地理解网页的含义和结构。

        通过使用结构化数据，网站管理员可以帮助搜索引擎更好地了解他们网站的内容和结构，并且有助于提高网站在搜索引擎中的排名和可见度。另外，使用 JSON-LD 还可以使您的网站在 Google 的搜索结果中显示富媒体的搜索结果，例如公司地址、电话号码、评分等等。

在网页正文中嵌入结构化数据，例如描述组织、产品或事件的相关信息。以下是一个示例：
 

<!DOCTYPE html>
<html>
  <head>
    <script type="application/ld+json">
    {
      "@context": "https://schema.org/",
      "@type": "Organization",
      "name": "Example Company",
      "url": "https://www.example.com/",
      "logo": "https://www.example.com/logo.png"
    }
    </script>
  </head>
  <body>
    <h1>Welcome to Example Company</h1>
    <p>Visit our website at <a href="https://www.example.com/">www.example.com</a></p>
  </body>
</html>

JSON-LD 被用于物联网（Web of thing ）描述物模型，下面是一个例子：

{
    "id": "urn:dev:wot:com:example:servient:lamp",
    "name": "MyLampThing",
    "securityDefinitions": {
        "basic_sc": {"scheme": "basic"}
    },
    "security": ["basic_sc"],
    "properties": {
        "status" : {
            "type": "string",
            "forms": [{"href": "https://mylamp.example.com/status"}]
        }
    },
    "actions": {
        "toggle" : {
            "forms": [{"href": "https://mylamp.example.com/toggle"}]
        }
    },
    "events":{
        "overheating":{
            "data": {"type": "string"},
            "forms": [{
                "href": "https://mylamp.example.com/oh",
                "subprotocol": "longpoll"
            }]
        }
    },
    "annotation": {
      "@context": {
        "@base": "http://example.org/data/",
        "vendor": "http://vendor.org/product/"
      }
      "@type": "vendor:color-light",
      "isAbstractionOf": "appartment/134#light-1"
    }
}

 受到WoT 使用JSON LD 建模的启发，我们可以利用JSON构建控制过程的模型：

  • JSON 更适合人类阅读和书写
  • JSON 更适合LLM 生成

这是产品的控制模型： 

{
    "name":"mydevice",
    "description":"description of mydevice",
    "group_id":"group id",
    "class_id":"class_id",
    "properties":[{
        "name":"status",
        "type":"string",
        "description":"the status of device"
        },
        {
            "name":"temperature",
            "type":"numeric",
            "description":"the temperature of device",
            "max":"max of value",
            "min":"min of value",
            "value":"the default value"
            }
     ],
    "actions":[{
        "name":"the name og action",
        "description":"the description of the action",
        "arguments":{
            "inputs":[],
            "output"[]
        }
    }],
    "events":[{
        "name":" the name of event",
        "description":"description of the event"
    }]
}

大语言模型的使用

        笔者曾经尝试使用LLM 直接生成产品信息模型，结果发现，LLM 的输出存在不一致的现象，在数字化建模中是无法接受的。而LLM是基于语言的实例来学习语言的语法。它目前无法学习schima 规范。因此，我放弃了直接生成产品模型的想法，而是为LLM 提供一个JSON 模型，让LLM 完成模型的实例化.通过阅读产品的datasheet ，提取相关信息，填入预先定义的JSON 模型中，并且将JSON 模型中未定义的属性作为专用属性增补在后面。

输入产品控制模型的描述

这是产品的信息
名称 温度传感器
属性：
     温度
      最大值：180
      最小值： -30
      初始值：0
电流
  初始值：0
电压
初始值：24
动作：
初始化
   输入：
输入1：电流初始值
   输出：无
读取温度：
  输入：无
  输出：
输出1当前温度
复位：
  输入：无
输出：无

将产品模型和产品信息上传给kimi 大模型，结果为：

{
  "name": "温度传感器",
  "properties": {
    "temperature": {
      "max": 180,
      "min": -30,
      "initial_value": 0
    },
    "current": {
      "initial_value": 0
    },
    "voltage": {
      "initial_value": 24
    }
  },
  "actions": [
    {
      "name": "initialize",
      "description": "初始化设备，设置电流的初始值",
      "arguments": {
        "inputs": [
          {
            "name": "current_initial_value",
            "description": "电流的初始值"
          }
        ],
        "outputs": []
      }
    },
    {
      "name": "read_temperature",
      "description": "读取设备当前的温度值",
      "arguments": {
        "inputs": [],
        "outputs": [
          {
            "name": "current_temperature",
            "description": "当前的温度值"
          }
        ]
      }
    },
    {
      "name": "reset",
      "description": "复位设备到初始状态",
      "arguments": {
        "inputs": [],
        "outputs": []
      }
    }
  ]
}

非常完美！

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/589852.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

ESD管 AZ5825-01F国产替代型号ESDA05CPX

ESD管 AZ5825-01F国产替代型号ESDA05CPX

已经有很多客户选用雷卯的ESDA05CPX替代Amazing 的 AZ5825-01F&#xff0c; 客户可以获得更好的价格和更快的交期&#xff0c;主要应用于对5V供电和4.5V供电电流较大的Vbus线路插拔保护等。 雷卯ESDA05CPX优势&#xff1a; 带回扫 &#xff0c;钳位电压Vc 低&#xff0c;IPP为…
阅读更多...
逻辑漏洞：水平越权、垂直越权靶场练习

逻辑漏洞：水平越权、垂直越权靶场练习

目录 1、身份认证失效漏洞实战 2、YXCMS检测数据比对弱&#xff08;水平越权&#xff09; 3、MINICMS权限操作无验证&#xff08;垂直越权&#xff09; 1、身份认证失效漏洞实战 上一篇学习了水平越权和垂直越权的相关基本知识&#xff0c;在本篇还是继续学习&#xff0c;这…
阅读更多...
利用亚马逊云科技GenAI企业助手Amazon Q Business构建企业代码开发知识库

利用亚马逊云科技GenAI企业助手Amazon Q Business构建企业代码开发知识库

2024年五一节假日的前一天&#xff0c;亚马逊云科技正式重磅发布了云计算行业期待已久的服务——Amazon Q Business。Amazon Q Business是专为企业用户打造的一个开箱即用的完善而强大企业GenAI助手。企业用户只需要将Amazon Q Business连接到现有的企业内部数据源&#xff0c;…
阅读更多...
整合文本和知识图谱嵌入提升RAG的性能

整合文本和知识图谱嵌入提升RAG的性能

我们以前的文章中介绍过将知识图谱与RAG结合的示例&#xff0c;在本篇文章中我们将文本和知识图谱结合&#xff0c;来提升我们RAG的性能 文本嵌入的RAG 文本嵌入是单词或短语的数字表示&#xff0c;可以有效地捕捉它们的含义和上下文。可以将它们视为单词的唯一标识符——捕获…
阅读更多...
文件传送协议

文件传送协议

壹、文件传输协议FTP 一、FTP简介 文件传送协议FTP曾是互联网上使用最广泛的协议&#xff1b; 在互联网发展的早期阶段&#xff0c;用FTP传送文件约占整个互联网的通信量的三分之一&#xff1b;知道1995年&#xff0c;www的通信量才首次超过FTP。 FTP实现的是通过网络实现异…
阅读更多...
EasyRecovery2024汉化版电脑数据恢复软件下载

EasyRecovery2024汉化版电脑数据恢复软件下载

EasyRecovery是一款功能强大的数据恢复软件&#xff0c;其主要功能包括但不限于以下几点&#xff1a; 硬盘数据恢复&#xff1a;能够扫描本地计算机中的所有卷&#xff0c;建立丢失和被删除文件的目录树&#xff0c;实现硬盘格式化、重新分区、误删数据、重建RAID等硬盘数据恢…
阅读更多...
基于GWO灰狼优化的CNN-LSTM-Attention的时间序列回归预测matlab仿真

基于GWO灰狼优化的CNN-LSTM-Attention的时间序列回归预测matlab仿真

目录 1.算法运行效果图预览 2.算法运行软件版本 3.部分核心程序 4.算法理论概述 4.1卷积神经网络&#xff08;CNN&#xff09;在时间序列中的应用 4.2 长短时记忆网络&#xff08;LSTM&#xff09;处理序列依赖关系 4.3 注意力机制&#xff08;Attention&#xff09; 4…
阅读更多...
细说SVPWM原理及软件实现原理，关联PWM实现

细说SVPWM原理及软件实现原理，关联PWM实现

细说SVPWM原理及软件实现原理&#xff0c;关联PWM实现 文章目录 细说SVPWM原理及软件实现原理&#xff0c;关联PWM实现1. 前言2. 基础控制原理回顾2.1 FOC 原理回顾2.2 细说 SVPWM2.2.1 矢量扇区计算2.2.2 矢量作用时间计算 2.2.3 如何理解 U4 U6 2/3Udc?2.2.4 如何理解 U4m…
阅读更多...
Linux系统编程--信号与管道

Linux系统编程--信号与管道

1、信号与管道是什么&#xff1f; 首先了解信号与管道的意义&#xff0c;我们需要了解Linux系统中进程之间是如何通信的。Linux操作系统下&#xff0c;以进程为单位来分配或者管理资源&#xff0c;进程之间不能直接访问资源&#xff0c;因此&#xff0c;要求进程间的资源和信息…
阅读更多...
上位机图像处理和嵌入式模块部署（树莓派4b与消息分发）

上位机图像处理和嵌入式模块部署（树莓派4b与消息分发）

【 声明&#xff1a;版权所有&#xff0c;欢迎转载&#xff0c;请勿用于商业用途。 联系信箱&#xff1a;feixiaoxing 163.com】 和多线程相比较&#xff0c;多进程最大的好处就是安全。一个进程挂了&#xff0c;不影响其他进程的运行。但是多线程也有自己的优点&#xff0c;那…
阅读更多...
Ex1-C6油气化工防爆轮式巡检机器人

Ex1-C6油气化工防爆轮式巡检机器人

Ex1系列防爆轮式巡检机器人整机采用防爆设计&#xff0c;防爆等级为Exd II CT4 Gb。机器人通过无轨3D形态导航技术&#xff0c;结合360度防爆云台和无线防爆充电桩&#xff0c;实现整套防爆标准&#xff0c;可广泛应用于石油、燃气、化工、冶金等II类爆炸环境中&#xff0c;代替…
阅读更多...
程序员缓解工作压力——方法分享

程序员缓解工作压力——方法分享

前言 作为一名初级程序员&#xff0c;我承认自己在应对工作压力方面还有待提高。在日常工作中&#xff0c;我时常感到压力山大&#xff0c;尤其是在面对复杂问题或紧迫的项目期限时。然而&#xff0c;为了保持高效和持久的工作热情&#xff0c;我还是积极寻求并使用了一…
阅读更多...
Python 贪吃蛇

Python 贪吃蛇

文章目录 效果图&#xff1a;项目目录结构main.pygame/apple.pygame/base.pygame/snake.pyconstant.py 效果图&#xff1a; 项目目录结构 main.py from snake.game.apple import Apple # 导入苹果类 from snake.game.base import * # 导入游戏基类 from snake.game.snake im…
阅读更多...
Linux之命令行参数与环境变量

Linux之命令行参数与环境变量

命令行参数&环境变量 命令行参数 main函数也是一个函数&#xff0c;其实也可以携带参数的 int main( int argc, char *argv[ ], char *envp[ ] ) {program-statements } 那这里是有三个参数的: 第一个参数&#xff1a; argc 是个整型变量&#xff0c;表示命令行参数的个数…
阅读更多...
WIFI/BT中蓝牙的硬件资源是如何调度的 UART和PCM接口传输的是什么信号

WIFI/BT中蓝牙的硬件资源是如何调度的 UART和PCM接口传输的是什么信号

安卓或IOS手机中&#xff0c;wifi/bt中的蓝牙是如何调度硬件资源的&#xff0c;尤其是UART和PCM是如何分配的。M.2 wifi/bt模块或其他形式的模块中&#xff0c;蓝牙是如何调度硬件资源的&#xff0c;尤其是UART和PCM是如何分配的。今天我们就图文并茂的解决这个问题。 蓝牙文件…
阅读更多...
SQL 基础 | AS 的用法介绍

SQL 基础 | AS 的用法介绍

SQL&#xff08;Structured Query Language&#xff09;是一种用于管理和操作数据库的标准编程语言。 在SQL中&#xff0c;AS关键字有几种不同的用法&#xff0c;主要用于重命名表、列或者查询结果。 以下是AS的一些常见用法&#xff1a; 重命名列&#xff1a;在SELECT语句中&a…
阅读更多...
Vue生命周期都有哪些？

Vue生命周期都有哪些？

定义 Vue的生命周期就是实例从创建到销毁的一个过程&#xff0c;即从创建、初始化数据、编译模板、挂载Dom($el)->渲染、更新->渲染&#xff0c;卸载等一系列的过程。el是挂载点如<div id"app"></div>。 Vue的生命周期分为八个阶段 1.beforeCreate…
阅读更多...
重看Spring聚焦BeanDefinition分析和构造

重看Spring聚焦BeanDefinition分析和构造

目录 一、对BeanDefinition的理解 &#xff08;一&#xff09;理解元信息 &#xff08;二&#xff09;BeanDefinition理解分析 二、BeanDefinition的结构设计分析 &#xff08;一&#xff09;整体结构体会 &#xff08;二&#xff09;重要接口和类分析 三、构造 BeanDef…
阅读更多...
保姆级IDEA安装与配置教程（含视频+资料）

保姆级IDEA安装与配置教程（含视频+资料）

课程简介 本套课程主要针对 Java 基础开发相关的工具安装和使用&#xff0c;主要包含有 IDEA 的下载、安装、配置、使用、快捷键的使用等。 本套视频是作为新手最为实用的课程&#xff0c;IDEA 是 Java 企业级开发最为常用的继承开发环境。如果熟练使用 IDEA 的话&#xff0c…
阅读更多...
【中断】【ARM64】学习总结

【中断】【ARM64】学习总结

optee中的异常向量表解读–中断处理解读 https://mp.weixin.qq.com/s/gBsy4YDYTHGRsy2zcVr6Vg
阅读更多...
最新文章

Copyright @ 2022~2023