利用大语言模型（KIMI）构建智能产品的控制信息模型

          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 模型的模板，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：http://www.mfbz.cn/a/590519.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

Mysql的关联查询以及语句

Mysql的关联查询以及语句

一、mysql的连接查询 1、等值连接 这里是三张表的等值连接 select rp.role_id,rp.permission_id from role_permission rp, role r, permission p where rp.role_idr.id and rp.permission_idp.id 2、内连接&#xff1a; 角色&#xff1a;系统管理员 是否拥有权限&#xf…
阅读更多...
DHCPv4_CLIENT_ALLOCATING_03: 发送DHCPREQUEST - 必须包含‘服务器标识符‘

DHCPv4_CLIENT_ALLOCATING_03: 发送DHCPREQUEST - 必须包含‘服务器标识符‘

测试目的&#xff1a; 验证客户端发送的DHCPREQUEST消息中是否包含“服务器标识符”选项&#xff0c;以指示它选择的服务器。 描述&#xff1a; 本测试用例旨在确保DHCP客户端在广播DHCPREQUEST消息时&#xff0c;必须包含“服务器标识符”选项。该选项用于指明客户端选择了…
阅读更多...
2024-5-1我把QQ群聊天记录分析工具重写了一下

2024-5-1我把QQ群聊天记录分析工具重写了一下

【下载地址】 https://www.lanzoub.com/b00rn0g47e 密码:9hww 【项目背景】 2020年我用Tkinter写过一个QQ群聊天记录分析的工具exe&#xff0c;后续也写过一个纯JS前端的版本&#xff0c;前阵子有个用户反馈不能用了&#xff0c;顺便看能不能加入一个分析关键词的功能&…
阅读更多...
第76天：WAF攻防-信息收集识别被动探针代理池仿指纹白名单

第76天：WAF攻防-信息收集识别被动探针代理池仿指纹白名单

目录 基础知识 案例一: 信息收集-被动扫描-黑暗引擎&三方接口 案例二: 信息收集-目录扫描-Python 代理加载脚本 案例三: 信息收集-爬虫扫描-Awvs&Xray&Goby内置 基础知识 什么是 WAF &#xff1f; Web Application Firewall &#xff08; web 应用防火墙&am…
阅读更多...
jvm垃圾回收机制介绍

jvm垃圾回收机制介绍

JVM&#xff08;Java虚拟机&#xff09;是Java程序的运行环境&#xff0c;它负责执行字节码文件。JVM的工作原理主要包括以下几个部分&#xff1a;类加载器、执行引擎、垃圾收集器和内存管理。类加载器负责加载字节码文件并将其转换成Java平台上的机器码&#xff0c;执行引擎负…
阅读更多...
三维图形学知识分享---求平面与模型相交线

三维图形学知识分享---求平面与模型相交线

在CGAL&#xff08;Computational Geometry Algorithms Library&#xff09;中&#xff0c;Polygon_mesh_processing模块提供了用于处理多边形网格数据结构的功能。其中&#xff0c;surface_intersection函数是用来计算模型的表面相交线的工具。 CGAL_Mesh mesh_orcl;std::vect…
阅读更多...
容器组_生命周期

容器组_生命周期

&#x1f4d5;作者简介&#xff1a; 过去日记&#xff0c;致力于Java、GoLang,Rust等多种编程语言&#xff0c;热爱技术&#xff0c;喜欢游戏的博主。 &#x1f4d8;相关专栏Rust初阶教程、go语言基础系列、spring教程等&#xff0c;大家有兴趣的可以看一看 &#x1f4d9;Jav…
阅读更多...
张大哥笔记：如何选择项目和未来发展方向，实现10倍增长

张大哥笔记：如何选择项目和未来发展方向，实现10倍增长

在过去的10年里&#xff0c;我加入了众多社群&#xff0c;接触了不少行业精英&#xff0c;还参与了各式各样的交流圈。这段时间&#xff0c;我一直在考虑一个问题&#xff1a;未来的发展道路究竟在何方&#xff1f;起初我认为只有那些具有长期积累价值的事业才有真正的前景&…
阅读更多...
傅里叶变换理论2

傅里叶变换理论2

1. 逆变换 2. 时间域和频率域 3. 波的基本单位
阅读更多...
C语言例题29：在屏幕上显示一个等腰三角形

C语言例题29：在屏幕上显示一个等腰三角形

#include <stdio.h>void main() {int i, j;int x;printf("输入等腰三角形行数&#xff1a;");scanf("%d", &x);for (i 1; i < x; i) {for (j i; j < x; j) {printf(" "); //输出空格占位}for (j 1; j < 2 * i; j) {printf…
阅读更多...
【计算机毕业设计】基于SpringBoot+Vue企业车辆管理系统设计与实现

【计算机毕业设计】基于SpringBoot+Vue企业车辆管理系统设计与实现

目录 一、项目介绍 二、项目主要技术 三、系统体系结构 四、系统实现 五、实现代码 一、项目介绍 本系统采用Mysql数据库和java语言&#xff0c;SpringBoot框架进行开发而成&#xff0c;极大程度上的保证了系统的稳定性。管理人员可以管理个人中心、驾驶员管理、用户管…
阅读更多...
FR-TSN4206获得“时间敏感网络产业链名录计划”测试认证证书，TSN交换机助力智能工业发展

FR-TSN4206获得“时间敏感网络产业链名录计划”测试认证证书，TSN交换机助力智能工业发展

TSN技术&#xff0c;即时间敏感网络技术&#xff0c;已成为智能工业、自动驾驶等领域的核心。它通过时钟同步、数据调度等功能&#xff0c;确保低延迟、高可靠性的数据传输。 为推动TSN技术在我国的发展&#xff0c;工业互联网产业联盟联合多家单位启动了“时间敏感网络产业链名…
阅读更多...
AI制作《曼达洛人4》电影宣传片

AI制作《曼达洛人4》电影宣传片

AI制作《曼达洛人》电影宣传片 Bounty hunters, legends, and a galaxy in turmoil. The Mandalorian rises. 赏金猎人、传奇和混乱的星系。曼达洛人崛起。 In the shadows of the Outer Rim, a lone warrior walks the path of honor. 在外围边缘的阴影中&#xff0c;一名独…
阅读更多...
esp32-cam 2. python opencv 拉取摄像头内容

esp32-cam 2. python opencv 拉取摄像头内容

0. 环境 - win10 python3 - pycharm - esp32-cam http://192.168.4.1 1. 创建工程 File -> Create Project -> -> Location: E:\Workspaces\PycharmProjects\esp32cam_opencv -> Create 2. opencv hello 2.1 添加脚本 File -> New -> Python f…
阅读更多...
【跟马少平老师学AI】-【神经网络是怎么实现的】（五）梯度消失问题

【跟马少平老师学AI】-【神经网络是怎么实现的】（五）梯度消失问题

一句话归纳&#xff1a; 1&#xff09;用sigmoid激活函数时&#xff0c;BP算法更新公式为&#xff1a; 用sigmoid函数&#xff0c;O取值为0~1&#xff0c;O(1-O)最大值为0.25&#xff0c;若神经网络层数多&#xff0c;则会造成更新项趋近于0&#xff0c;称为梯度消失。 2&#…
阅读更多...
我使用Python开发网站的3个主要框架库，值得推荐

我使用Python开发网站的3个主要框架库，值得推荐

虽然Python不是主打后端开发的语言&#xff0c;但目前市场仍有很多大公司在用Python开发网站和软件&#xff0c;比如Youtube、Reddit、Dropbox、Douban等。 目前Python生态有几个受欢迎的后端框架&#xff0c;主要是Django、Flask、FastAPI&#xff0c;咱们如果做Python后端开…
阅读更多...
【C++】1.贪心算法：零钱兑换的奇妙之旅

【C++】1.贪心算法：零钱兑换的奇妙之旅

欢迎来CILMY23的博客 本篇主题为 贪心算法&#xff1a;零钱兑换的奇妙之旅 个人主页&#xff1a;CILMY23-CSDN博客 个人专栏&#xff1a; Python | C | C语言 | 数据结构与算法 上一篇C博客&#xff1a;掌握C函数重载和引用开启代码优化的新篇章 感谢观看&#xff0c;支…
阅读更多...
vue2项目webpack3.x打包文件分割优化加载

vue2项目webpack3.x打包文件分割优化加载

vue2项目webpack3.x打包文件分割优化加载 0. 项目目录和依赖信息1. 开启 gzip&#xff08;建议&#xff09;2. vue2项目配置懒加载&#xff08;建议&#xff09;3. 拆分 vendor 包注意&#xff1a;webpack3使用CommonsChunkPlugin实现 本文使用 3 种方案进行叠加优化 优先级按以…
阅读更多...
05.Git标签管理

05.Git标签管理

Git标签管理 #创建一个标签 [rootgitlab ~/demo]#git tag -a "v1.1" -m "first" [rootgitlab ~/demo]# git tag v1.1 #查看标签信息 [rootgitlab ~/demo]# git show v1.1 tag v1.1 Tagger: quyunlong <quyunlongfoxmail.com> Date: Tue Oct 18…
阅读更多...
httpcanary抓包某游戏思路及教程[第1期]

httpcanary抓包某游戏思路及教程[第1期]

游戏介绍&#xff1a; 这期在线读档0花购买教程&#xff0c;存档版教程。下一期在线购买无限鲜花累计充值安卓全系统适配修改教程。 小白勿入&#xff0c;技术流资料 网盘自动获取 链接&#xff1a;https://pan.baidu.com/s/1lpzKPim76qettahxvxtjaQ?pwd0b8x 提取码&#x…
阅读更多...
最新文章

Copyright @ 2022~2023