的方法
技术领域
背景技术
[0002] US2016/110478A1涉及
块化和特征化从至少一个
传感器收集的时间序列数据。根据描述所述数据中的模式的特征模型将输入的时间序列数据划分为具有共同属性（特征）的块。所述块可以是重叠的或不重叠的。产生的特征块被注释有特征信息和语义含义。
[0003] 尽管原理上可应用于采用数据模型的任何数据处理系统，但是下面将结合处理本地获取的
传感器数据的工业系统来描述本发明及其基本问题。
[0004] 工业系统的智能控制需要能够随着时间的推移自动提高其性能的设备。例如，本地设备通过测量数据来
感知其环境，并基于测量到的数据自动确定适当的动作。为了优化该系统，可以在本地设备的
控制器上采用
机器学习。但是，由于设备的限制，本地设备上的机器学习也受到限制，例如受到可用
存储器、计算能
力或
能量消耗的限制。比如西
门子思维球（Mindsphere）之类的
云基础结构通常具有大量可用资源。相应地，这些资源实现增强的机器学习。但是，为了执行这种增强的机器学习，必须将来自本地设备的数据提供给云基础结构，机器学习必须在云基础结构中执行，并且必须接连地将机器学习的结果传送回到本地设备。因此，必须在本地设备和云之间传输大量数据。
[0005] 针对这种背景，本发明解决的问题是提供一种智能机器学习。特别地，本发明目的是在本地分布的设备的环境中为数据处理模型提供改进的参数生成。
发明内容
[0006] 本发明提供一种具有
权利要求1的特征的数据处理设备，具有权利要求6的特征的数据分析设备，具有权利要求10的特征的数据处理设备以及具有权利要求11的特征的用于处理数据的方法。
[0007] 在第一方面，提供了一种数据处理设备，该数据处理设备包括传感器
数据库、模型数据库、控制器、模型生成器、数据
滤波器和接收器。传感器数据库被适配为存储由一定数量的传感器测量到的传感器数据。模型数据库被适配为存储系统模型的模型参数。控制器被适配为处理由所述一定数量的传感器测量到的传感器数据。特别地，基于存储在模型数据库中的模型参数来处理所述传感器数据。模型生成器被适配为基于存储在测量数据库中的传感器数据来计算系统模型的模型参数。通过应用第一模型方案来计算模型参数。模型生成器把计算出的系统模型的模型参数存储在模型数据库中。数据滤波器被适配为对存储在传感器数据库中的传感器数据进行滤波。此外，数据滤波器被适配为将经滤波的传感器数据转发到外部数据分析设备。所述接收器被适配为接收由所述外部数据分析设备提供的另外的模型参数。所述接收器还被适配为将接收到的另外的模型参数存储在数据处理设备的模型数据库中。
[0008] 在第二方面，提供了一种数据分析设备，所述数据分析设备包括接收器、传感器数据库、第一模型生成器、第二模型生成器和数据分析器。所述接收器被适配为从外部数据处理设备接收传感器数据。传感器数据库被适配为存储接收到的传感器数据。第一模型生成器被适配为计算系统模型的第一模型参数。通过应用第一模型方案，基于存储在传感器数据库中的传感器数据来计算第一模型参数。第二模型生成器被适配为计算系统模型的第二模型参数。通过应用第二模型方案，由第二模型生成器基于存储在传感器数据库中的传感器数据来计算第二模型参数。数据分析器被适配为将第一模型参数与第二模型参数进行比较。此外，数据分析器被适配为：如果第一模型参数和第二模型参数之间的差超过预定
阈值，则将第二模型参数发送到数据处理设备。
[0009] 在第三方面，提供了一种数据处理系统，所述数据处理系统包括根据第一方面的数据处理设备和根据第二方面的数据分析设备。
[0010] 在第四方面，提供了一种用于处理数据的方法，所述方法包括以下步骤：
测量传感器数据；将测量到的传感器数据存储在数据处理设备的传感器数据库中；在数据处理设备中，通过应用第一模型方案，基于存储在测量数据库中的传感器数据，计算系统模型的在线模型参数；将计算出的所述系统的在线模型参数存储在数据处理设备的模型数据库中；由数据处理设备对存储在传感器数据库中的传感器数据进行滤波；将经滤波的传感器数据从数据处理设备转发到数据分析设备；由数据处理设备接收从数据分析设备发送的另外的模型参数；将接收到的另外的模型参数存储在数据处理设备的模型数据库中；以及由数据处理设备基于存储在模型数据库中的模型参数处理测量到的传感器数据。
[0011] 本发明基于以下事实：智能工业控制系统中的本地分布的设备通常仅具有有限的计算资源。因此，诸如计算或改进用于在本地设备上处理传感器数据的数据模型之类的机器学习受到限制。此外，计算资源（例如云计算系统的计算资源）的使用需要在本地设备和云计算系统之间传输大量数据。
[0012] 从这一事实出发，本发明试图通过如下方式来改进机器学习：经由在本地设备中的系统模型参数的本地计算与减少向提供大量计算资源的外部计算系统的数据传输之间的折衷来优化本地分布的设备中的系统模型。因此，利用本地设备的有限计算资源，可以几乎实时地改进本地设备中的系统模型。另外，可以通过在比如云计算系统之类的外部设备上计算增强的系统模型来执行改进的机器学习。为此目的，将本地设备的相关数据从本地设备传送到云计算系统。通过限制传送的数据，可以最小化所需的数据传送，并且因此，可以减少通信网络的负荷。
[0013] 存储在传感器数据库中的传感器数据可以由一定数量的（即，一个或多个）传感器来提供。特别地，所述传感器可以是任何种类的传感器。例如，传感器可以测量
温度、湿度、压强、力、
加速度、方向、速度、流量或传感器可以感测到的任何其他参数。应当理解，传感器可以通过数字数据或通过模拟
信号来提供其测量结果。如果以模拟形式提供信号，则可以由
模数转换器将
模拟信号转换为
数字信号。此外，有可能可以对测量到的传感器数据应用进一步处理。例如，测量到的传感器数据可以被缩放、限制到预定范围、滤波等。测量到的传感器数据可以例如通过传感器数据
接口接收。因此，传感器和传感器数据库可以通过适当的通信线路（例如网络，比如总线系统、特别是工业总线系统、以太网络或任何其他适当的通信网络）以通信方式耦合。传感器接口可以接收传感器数据，并将接收到的传感器数据转发到传感器数据库和/或任何其他相关设备，特别是基于接收到的传感器数据执行控制的控制器。
[0014] 控制器可以接收测量到的传感器数据并处理所述传感器数据以控制相关系统。例如，相关系统可以是比如
燃气轮机之类的工业系统或可以基于接收到的传感器数据进行控制的任何其他系统。控制器可以使用所述系统的数值模型以便分析测量到的传感器数据。例如，控制器可以将测量到的传感器数据应用于所述系统的模型以计算所述系统的预测。
此外，通过将测量到的传感器数据应用于所述系统的模型来计算用于控制所述系统的一个或多个参数也可以是可能的。
[0015] 对于智能工业系统，所述系统的模型可以随着时间的推移自动改进。为此目的，可以将测量到的传感器数据存储在传感器数据库中，并且可以由模型生成器分析所存储的测量到的传感器数据，以便生成所述系统的模型或改进所述系统的现有模型。特别地，所述系统的模型可以由一定数量的（即一个或多个）参数来表征。在这种情况下，所述模型生成器可以计算或适配相应的参数，以进一步改进所述系统的模型。为此目的，可以基于任何适当的
算法，例如机器学习算法，例如使用
人工智能。但是，应当理解，用于计算或适配模型参数的任何其他方法也可以是可能的。
[0016] 由于本地分布的设备中的模型生成器的计算资源通常是有限的，因此用于计算模型参数的相应算法可能非常简单。此外，在计算模型参数时可以仅考虑少量测量到的传感器数据。换句话说，用于在本地设备中计算模型参数的方案基于少量计算资源来应用模型参数的计算。例如，可以仅考虑有限时间段的传感器数据或有限数量的测量到的传感器数据。此外，将在本地设备中的模型参数的计算仅限于特定的测量到的传感器数据可能是可以的。为此目的，可以仅考虑满足预定条件（比如例如预定偏差、预定范围或任何其他预定特性）的传感器数据。然而，应该理解，用于选择用来计算所述模型参数的测量到的传感器数据的任何其他方案也可能是可以的。
[0017] 本地设备中的模型生成器可以计算所谓的在线模型，并将计算出的在线模型或表征相应在线模型的参数存储在模型数据库中。因此，所述控制器可以参考存储在模型数据库中的模型参数，并基于存储在模型数据库中的模型参数来应用所述系统的模型，以处理测量到的传感器数据。以这种方式，可以基于测量到的传感器数据来连续地适配所述系统模型的参数。然而，由于本地设备中有限的计算资源，因此计算出的模型参数的
质量可能受到限制。因此，为了进一步改进系统的模型，特别是用于表征所述系统的模型的参数，可以由具有扩大的计算资源的外部设备来计算另外的模型。例如，这样的外部设备可以位于云或
数据中心中。
[0018] 因此，必须将测量到的传感器数据从本地设备发送到所述外部设备，并且计算增强模型的结果可以从外部设备被传输回到本地设备。为了限制必须在本地设备和外部设备之间传输的数据量，数据滤波器对传感器数据进行滤波，并且仅将相关传感器数据从本地设备转发到外部设备。为此目的，可以应用任何预定的滤波方案。此外，也可能可以将所有测量到的传感器数据从本地设备转发到外部设备。但是，为了限制数据量，数据滤波器可以评估所述测量到的传感器数据并识别与计算或增强所述系统的模型可能有关的传感器数据。例如，仅在传感器数据的值不同于先前获得的传感器数据的值时，数据滤波器可以将数据发送到外部设备。此外，也可能可以仅在当前传感器数据和先前测量到的传感器数据之间的差超过预定阈值的情况下转发传感器数据。但是，用于选择/滤波将被转发到外部设备的传感器数据的任何其他方案也可能是可以的。例如，还可能可以基于在本地设备的模型生成器中使用的模型方案，确定在使用相应的传感器数据来计算模型参数时所述相应的传感器数据是否可能导致
修改的模型参数。如果相应的传感器数据不会导致在本地设备中计算的在线模型中的模型参数发生改变，则相应的传感器数据也可以不被转发到外部设备。此外，相应的传感器数据也可以在本地设备的传感器数据库中被删除。
[0019] 外部设备可以接收由本地设备转发的传感器数据，并将接收到的传感器数据存储在另外的传感器数据库中。因此，所述另外的传感器数据库中的传感器数据可以对应于本地设备的传感器数据库中的传感器数据。以这种方式，外部设备（特别是在云或数据中心中的外部设备）可能能够通过应用与本地设备中使用的用于计算模型参数的相同方案来计算由本地设备计算的在线模型参数。此外，所述外部设备可以应用用于计算增强的系统模型的另一方案。为此目的，可以使用扩大的计算资源。因此，通过应用用于计算系统模型（尤其是系统模型的参数）的第二方案可以提高系统模型的准确度。如果所述外部设备识别出存在差异，特别是超过预定阈值的显著差异，则所述外部设备可以将增强的系统模型的相应模型参数发送给本地设备。因此，本地设备可以接收增强的模型参数，并且在本地设备的模型数据库中替换或添加系统模型的增强参数。
[0020] 因此，本发明可以通过在设备中本地计算系统模型的参数来实现在线机器学习。此外，可以借助于云或数据中心的大量计算资源来计算增强的系统模型。因此，本地设备可以使用基于智能机器学习算法的系统的模型，而无需在本地设备中拥有大量昂贵的计算资源。
[0021] 在可能的
实施例中，数据滤波器对于对以下内容具有预定影响的传感器数据进行滤波：模型生成器对模型参数的计算。通过考虑相应传感器数据对模型参数的结果的影响，可以容易地确定相应传感器数据是否可能与计算模型参数有关。因此，可以进一步减少在本地设备和外部设备之间传输的数据量。特别地，可以确定模型参数是否已经改变，或者先前的模型参数与通过相应的传感器数据计算出的模型参数之间的数学差是否超过预定阈值。可以通过任何数学距离度量来计算数学差，例如可以确定第一模型参数与第二模型参数之间的差是否大于预定阈值。此外，当应用来自传感器数据库的历史数据的模型参数时，可能可以确定在数学范数（特别是数学范数）方面计算的值的差是否大于预定值。此外，也可能可以确定通过应用相应模型参数的模型函数的结果是否改变超过预定阈值。
[0022] 在可能的实施例中，模型生成器被适配为：如果计算出的模型参数不同于存储在模型数据库中的模型参数，则通知数据滤波器。以这种方式，数据滤波器可以容易地识别出相应传感器数据是否应当被转发到外部数据分析设备。
[0023] 在可能的实施例中，数据滤波器被适配为基于预定的删除策略来删除传感器数据库中的传感器数据。
[0024] 在可能的实施例中，删除策略可以包括识别以下各项：未完成模型数据计算的传感器数据；超过预定期限的传感器数据，即传感器数据在预定时间点之前已经被确定；对模型数据的计算的影响低于预定阈值的传感器数据；和/或具有超出预定值范围的值的传感器数据。
[0025] 通过删除传感器数据库中的相应传感器数据，可以限制在数据处理设备中为了计算模型参数要考虑的数据量。此外，还可以向外部数据分析设备通知数据处理设备的传感器数据库中传感器数据的删除。相应地，数据分析设备中的传感器数据库也可以相应地通过删除相应的传感器数据而被适配。
[0026] 在数据分析设备的可能实施例中，由第一模型生成器应用的第一模型方案对应于由数据处理设备的模型生成器应用的模型方案。因此，数据处理设备和数据分析设备二者都采用相同的方案，并且因此，数据分析设备知道在数据处理设备中使用的模型参数，而无需必须在数据处理设备和数据分析设备之间传输相应模型参数。
[0027] 在可能的实施例中，第二模型生成器以预定的时间间隔或每当数据分析设备的接收器接收到预定数量的传感器数据时执行第二模型参数的计算。通过把第二模型参数的计算限制到预定条件，用于计算第二模型参数的数据分析设备的计算负荷也可以受到限制。
[0028] 在可能的实施例中，计算第二模型参数的计算负荷大于用于计算第一模型参数的计算负荷。因此，用于计算第二模型参数的方案可能更加复杂，并且因此更加精确。因此，第二模型参数提供了系统模型的更详细说明。在另一方面，由于在数据处理设备中应用的用于计算所述模型参数的方案较小，因此对于数据处理设备的模型生成器仅需要较少的计算资源。
[0029] 在可能的实施例中，仅当满足预定条件时，数据分析设备才将第二模型参数发送到数据处理设备。所述预定条件可以包括：比较数据分析设备的模型数据库中的复制的模型参数与基于第二模型方案计算的增强的模型参数之间的数学差。此外，所述预定条件可以包括使用相应的模型参数来计算模型函数的数学差。
[0030] 在该方法的可能实施例中，传感器数据的滤波步骤可以包括：识别对在线模型数据的计算有影响的传感器数据。
[0031] 在该方法的可能实施例中，该方法还可以包括以下步骤：删除数据处理设备和/或数据分析设备的传感器数据库中的传感器数据。特别地，可以删除满足预定条件的传感器数据。
附图说明
[0032] 为了更完整地理解本发明及其优点，现在参考结合附图理解的以下描述。下面使用在附图的示意图中规定的示例性实施例更详细地解释本发明，其中：图1示出了根据本发明的数据处理系统的实施例的
框图；和
图2示出了根据本发明的用于处理数据的方法的实施例的
流程图。
[0033] 附图旨在提供对本发明的实施例的进一步理解。所图示的实施例并结合描述有助于解释本发明的原理和概念。根据附图，所提到的其他实施例和许多其他优点变得显而易见。
具体实施方式
[0034] 图1示出了根据实施例的数据处理系统的示意性框图。所述数据处理系统包括以下称为边缘设备10的数据处理设备10和以下称为云或数据中心20的数据分析设备20。边缘设备包括一定数量的（即一个或多个）传感器19、传感器数据库11、模型数据库12、模型生成器13、控制器14、数据滤波器15和接收器16。数据中心20包括传感器数据库21、第一模型生成器23、第二模型生成器24、数据分析器25和接收器26。
[0035] 因此，一个或多个传感器19可以测量与感测到的参数有关的值并提供对应的传感器数据。例如，传感器19可以测量环境参数、状态或与系统（特别是工业系统）有关的另一参数。例如，传感器19可以测量温度、湿度、压强、速度、加速度、方向、强度、体积流量、
位置、
角度或可以感测到的任何其他参数。因此，可以通过数字值直接提供与感测到的参数相对应的值。替代地，感测到的参数可以作为模拟信号被提供并且由模数转换器转换为数字信号。此外，还可以执行对感测到的参数的任何其他处理，例如滤波、在预定时间段内的平均等。
例如，可以通过数字连接或比如以太网、工业总线系统等之类的网络来提供感测到的测量结果。特别地，感测到的测量结果可以作为传感器数据被提供并由传感器接口（未图示）接收。例如，传感器接口可以接收传感器数据并将传感器数据转发到边缘设备10的传感器数据库11和/或处理器14。特别地，传感器接口还可以缓冲所述传感器数据或对所述传感器数据执行任何其他操作。
[0036] 可以将测量到的传感器数据提供给处理器14。因此，处理器14可以处理测量到的传感器数据，以允许对相关系统的控制。特别地，控制器14可以使用比如相关系统的数值模型之类的系统模型，以便分析和处理由传感器19提供的传感器数据。例如，控制器14可以计算所述系统的一个或多个预定表征参数的预测或估计，基于与相关的系统模型相关联的测量到的传感器数据来控制所述系统。为此目的，控制器14可以参考存储在模型数据库12中的模型参数。例如，存储在模型数据库12中的模型参数可以规定模型函数的参数，该模型函数的参数描述将被控制的相关系统。在示例中，要控制的系统可以是燃气轮机，并且相关模型可以是描述该燃气轮机的温度特性的模型。因此，可以基于测量到的传感器数据和相关模型来确定燃气轮机的温度行为的预测。然而，应当理解，本发明还可以应用于可以相应地建模的任何其他系统，尤其是任何其他工业系统。
[0037] 用于表征相关系统或所述系统的至少一个或多个表征参数的模型可以是任何适当的系统。例如，在非常简单的情况下，模型可以是结合测量到的传感器数据来描述系统的属性的函数，例如线性函数、具有多个系数的函数等。在示例中，所述模型可以描述一个或多个测量到的传感器数据（比如压强、转速等）与温度的关联发展之间的相关性。然而，应理解，取决于测量到的传感器数据的系统的特性参数的任何其他建模也可以是可能的。特别是，所述系统的模型可以在系统的生命周期期间被适配。例如，所述系统的模型可以被机器学习算法或类似物适配。例如，可以使用预定函数，该预定函数可以通过修改相关模型函数的一个或多个参数来适配。但是，用于对相关系统进行建模的任何其他方案也可以是可能的。
[0038] 所述系统的模型（特别是这种模型的参数）可以被规则地或连续地适配。为此目的，可以分析测量到的传感器数据，并且可以基于先前测量到的传感器数据来计算用于规定相关模型的参数。为此目的，由传感器19提供的测量到的传感器数据可以本地存储在边缘设备10的传感器数据库11中。为了限制存储在边缘设备10的传感器数据库11中的数据量，可以有可能将所述数据限制为预定时间段的数据或预定数量的传感器数据。然而，用于限制存储在传感器数据库11中的传感器数据的任何其他方案也可以是可能的。
[0039] 边缘设备10的模型生成器13可以读取存储在传感器数据库11中的传感器数据。基于存储在传感器数据库11中的传感器数据，模型生成器13可以计算系统模型的模型参数。特别地，特定的第一模型方案可以用于由模型生成器11计算所述系统的模型参数。由于边缘设备10（特别是模型生成器13）的计算资源有限，因此模型生成器13可以仅应用用于计算模型参数的简单方案，其中该方案仅需要比如CPU负荷、存储器等之类的少量的计算资源。
可以将计算出的模型参数存储在边缘设备10的模型数据库12中。以这种方式，边缘设备10可以直接在边缘设备10中计算针对系统模型的参数，而不需要任何外部资源。因此，相应模型参数立即可用。例如，可以连续地执行模型参数的计算。因此，可以几乎实时地适配模型参数。此外，还可以有可能基于预定条件由模型生成器13发起模型参数的计算。例如，可以在满足预定条件时发起由模型生成器13进行的模型参数的另外的计算。例如，所述预定条件可以是：接收到预定数量的新测量到的传感器数据；接收到满足预定条件的测量到的传感器数据，例如超过预定值的测量到的传感器数据，等。但是，应当理解，也可以应用任何其他条件来发起模型参数的计算。
[0040] 当由模型生成器13计算模型参数时，可能可以确定特定传感器数据是否对计算到的模型参数有影响。例如，可以确定计算出的模型参数是否与先前计算的模型参数相同或几乎相同，即使另外的传感器数据已经存储在传感器数据库11中并且所述另外的传感器数据也用于计算所述模型参数。如果检测到新添加的传感器数据对计算出的模型参数没有任何影响，则可以在传感器数据库11中删除这种传感器数据。此外，可以将传感器数据对模型参数的计算的影响通知数据滤波器15。
[0041] 数据滤波器15可以分析存储在传感器数据库11中的传感器数据，以确定是否可以将相应传感器数据转发到数据中心20。为此目的，可以应用用于对存储在传感器数据库11中的数据进行滤波或分析的任何适当方案。例如，仅当相应的传感器数据与由边缘设备10的模型生成器13进行的模型参数的计算有关时，数据滤波器15才可以将该传感器数据发送到数据中心20。如果模型生成器不使用存储在边缘设备10的传感器数据库11中的所述相应传感器数据，则这样的传感器数据不被数据滤波器15发送到数据中心20。此外，数据滤波器15也可以不把在由边缘设备10的模型生成器13计算模型参数时对所述模型参数没有任何影响的这种传感器数据发送到边缘设备20。但是，应当理解，用于选择应当从边缘设备10发送到数据中心20的传感器数据的任何其他或另外方案也可以是可能的。特别地，数据滤波器15可以将传感器数据库11的为了获得由模型生成器13计算出的模型参数所需的所有传感器数据发送到边缘设备20。
[0042] 以下描述涉及数据中心20。数据中心20的接收器26接收由边缘设备10的数据滤波器15发送的传感器数据。此外，接收器26将接收到的传感器数据转发到数据中心20的传感器数据库21。由于数据滤波器15转发为了获得由边缘设备10的模型生成器13计算出的模型参数所需的所有传感器数据，因此数据中心20的传感器数据库21还包括用于计算这些模型参数的所有相关传感器数据。因此，数据中心20的第一模型生成器23能够计算与由边缘设备的模型生成器13所计算出的模型参数相同的模型参数。为此目的，数据中心20的模型生成器23应用与边缘设备10的模型生成器13所使用的相同的模型方案。此外，数据中心20可以由第二模型生成器24来计算相关系统的增强模型。由于数据中心20包括大量计算资源，因此第二模型生成器24可以应用更复杂的方案来计算模型参数。特别地，可以使用大量传感器数据和/或可以将用于计算模型参数的更复杂的方案应用于传感器数据以计算相应的模型参数。因此，可以基于由数据中心20的第二模型生成器24计算出的增强模型参数来实现系统的更详细和精确的建模。
[0043] 为了最小化数据中心20的计算负荷，第二模型生成器24对增强模型参数的计算可以被限于预定条件。例如，可以以预定的时间间隔（例如每分钟一次、每小时一次、每天一次等）执行增强模型参数的计算。此外，也可以在接收到预定数量的新传感器数据时发起由第二模型生成器24进行的增强模型参数的计算。然而，应当理解，也可以应用用于发起由第二模型生成器24进行的增强模型参数的计算的任何其他准则。
[0044] 在第二模型生成器24已经计算出增强模型参数之后，可以将增强模型参数与由数据中心20的第一模型生成器23计算出的模型参数进行比较。如上面已经提到的，第一模型生成器23计算出的模型参数对应于在边缘设备10中计算出的模型参数。如果由第二模型生成器24计算出的增强模型参数与由第一模型生成器23计算出的模型参数不同，则数据分析器25可以将增强模型参数发送到边缘设备10。为此目的，数据分析器25可以将由第二模型生成器24计算出的增强模型参数与由第一模型生成器23计算出的模型参数进行比较。替代地，也可以可能的是，应用增强模型参数和由第一模型生成器23计算出的模型参数来计算模型函数的结果，以及比较相应函数的结果。如果结果超过预定阈值，则可以将增强模型参数发送到边缘设备10。因此，如果增强模型参数不同于由第一生成器23计算出的模型参数，则仅有必要将增强模型参数从数据中心20发送到边缘设备10，由第一生成器23计算出的模型参数对应于已经存储在边缘设备10的模型数据库12中的模型参数。因此，可以避免不必要的数据传输。
[0045] 边缘设备10可以由接收器16从数据中心20接收增强模型参数。因此，接收器16可以将接收到的增强模型参数存储在边缘设备10的模型数据库10中。可以存储接收到的增强模型参数以及由边缘设备的模型生成器13计算的模型参数。替代地，接收到的增强模型参数可以替换先前存储在边缘设备10的模型数据库13中的所有模型参数。
[0046] 图2示出了根据实施例的用于处理数据的方法的流程图。图2中的方法的特征对应于由已经结合所述图1描述的数据处理系统的组件执行的特征。因此，上面结合数据处理系统描述的所有操作也可以通过以下描述的方法执行，并且因此，由以下方法执行的所有步骤也可以由上述数据处理系统执行。为了清楚起见，以上结合图1提及的附图标记将被保持用于所述方法的以下描述。
[0047] 在步骤S1中，尤其是由一个或多个传感器19来测量传感器数据。在步骤S2中，所述方法将传感器数据存储在边缘设备10的传感器数据库11中。在步骤S3中，边缘设备10（尤其是边缘设备10的模型生成器13）计算系统模型的在线模型参数。通过应用第一模型方案，基于存储在边缘设备10的测量数据库11中的传感器数据来计算在线模型参数。在步骤S4中，计算出的所述系统的在线模型参数被存储在边缘设备10的模型数据库12中。在步骤S5中，由边缘设备10（特别是由边缘设备10的数据滤波器15）对存储在边缘设备10的传感器数据库11中的传感器数据进行滤波。在步骤S6中，将经滤波的传感器数据从边缘设备10转发到数据中心20。在步骤S7中，边缘设备10（尤其是边缘设备10的接收器16）从数据中心20接收另外的模型参数。在步骤S8中，将接收到的另外的模型参数存储在边缘设备10的模型数据库12中。在步骤S9中，基于存储在边缘设备10的模型数据库12中的模型参数来处理测量到的传感器数据。
[0048] 该方法还可以包括以下步骤：由边缘设备20接收转发的经滤波的传感器数据；将转发的经滤波的传感器数据存储在边缘设备20的另外的模型数据库21中；计算与边缘设备10中的在线模型参数相对应的复制的模型参数；基于数据中心20中的第二模型方案计算另外的模型参数；以及如果复制的模型参数与所述另外的模型参数之间的数学差大于预定阈值，则将第二模型参数从数据中心20发送到边缘设备10。
[0049] 特别地，如果复制的模型参数与所述另外的模型参数之间的数学差超过预定阈值和/或使用复制的模型参数的模型函数和使用所述另外的模型参数的模型函数的差超过预定阈值，则该方法可以将所述另外的模型参数发送到边缘设备10。
[0050] 在边缘设备10中对传感器数据的滤波可以包括：识别对在线数据模型的计算有影响的传感器数据。因此，对在线模型数据的参数没有任何影响的传感器数据被滤除并且不转发到数据中心20。
[0051] 该方法可以进一步包括：如果满足预定条件，则删除边缘设备10的传感器数据库11中的对应于数据中心20的传感器数据库21的传感器数据。
[0052] 总而言之，本发明涉及用于智能数据处理设备的数据模型的增强计算。数据处理设备可以是具有有限计算资源的设备。因此，在本地设备中计算用于处理数据的系统模型。另外，可以在比如云或数据中心之类的远程设备中计算增强模型。为此目的，向云或数据中心提供经滤波的数据以用于计算增强模型。如果增强模型比本地生成的模型更好，则云或数据中心可以计算增强模型并将相应模型转发到本地设备。
