动态模型的确定方法、装置、存储介质及电子设备

技术领域

本发明涉及软件构建领域，且更具体地，涉及动态模型的确定方法、装置、存储介质及电子设备。

背景技术

随着工业软件的迅速发展，工业软件系统越来越复杂，功能越来越强大，因此对工业软件的设计要求越来越高，而工业软件有着特殊性，通用的软件常常无法满足工程师的具体需求，因此专业化、定制化的工业软件架构具有至关重要的意义。然而专业化、定制化的工业软件架构面对的对象较为复杂，获取到能够面向用户使用的工业软件难度较大。

发明内容

本发明提供了动态模型的确定方法、装置、存储介质及电子设备，以解决现有技术中获取到能够面向用户使用的工业软件难度较大的技术问题。

根据本发明的第一方面，提供了一种动态模型的确定方法，应用于模型驱动的工业软件架构中，包括：

对工业系统对应的工业行为进行划分，得到行为单元；

基于所述工业系统对应的系统层、参数层和数据层，确定所述行为单元对应的参数信息；其中所述系统层用于定义对象；所述参数层用于定义所述对象的参数；所述数据层用于定义所述参数的值；

基于所述参数信息和已创建的算法信息，建立所述参数信息中自变量参数和因变量参数间的函数关系，以得到动态模型。

可选地，在所述行为单元为设计单元的情况下，所述基于所述参数信息和已创建的算法信息，建立所述参数信息中自变量参数和因变量参数间的函数关系，以得到动态模型，包括：

在所述参数信息中，确定出作为自变量参数的设计输入参数和作为因变量参数的设计输出参数；

在所述已创建的算法信息中，为所述设计输入参数和所述设计输出参数配置第一目标算法，以建立保存有所述设计输入参数和所述设计输出参数间的函数关系的动态链接库，得到所述设计单元对应的包括所述参数信息和所述动态链接库的动态模型。

可选地，在所述得到所述设计单元对应的包括所述参数信息和所述动态链接库的动态模型的步骤后，所述方法还包括：

在所述参数信息中，提取出运算输入参数；

基于所述运算输入参数和所述动态链接库，得到运算输出参数；

基于所述运算输出参数，更新所述参数信息。

可选地，在所述行为单元为制造单元的情况下，所述基于所述参数信息和已创建算法，建立所述参数信息中自变量参数和因变量参数间的函数关系，得到所述行为单元对应的动态模型，包括：

在所述参数信息中，确定出作为自变量参数的控制参数和作为因变量参数的检测参数；

在所述已创建的算法信息中，为所述控制参数和所述检测参数配置在边缘设备运算的第二目标算法；以建立保存有所述控制参数和所述检测参数间的函数关系的边缘计算程序库，得到所述制造单元对应的包括所述参数信息和所述边缘计算程序库的动态模型。

可选地，所述得到所述制造单元对应的包括所述参数信息和所述边缘计算程序库的动态模型，包括：

在所述参数信息中，提取出运算控制参数；

基于所述运算控制参数、所述边缘计算程序库和所述边缘设备，得到运算检测参数；

基于所述运算检测参数，更新所述参数信息。

可选地，所述方法还包括：

基于更新的所述参数信息，构建数据仓库；

基于所述数据仓库，确定所述工业系统对应的统计信息；

可选地，所述方法还包括：基于所述参数信息和更新的所述参数信息，训练机器学习模型。

可选地，所述自变量参数为多个；所述方法还包括：

确定所述多个自变量参数对应的顺序信息；

将所述自变量参数、所述因变量参数、所述自变量参数与所述因变量参数间的函数关系，按照所述顺序信息进行有序组合，得到流程模板信息。

可选地，在所述自变量参数中存在目标自变量参数，所述目标自变量参数对应目标因变量参数，所述目标因变量参数为所述自变量参数中一个。

根据本发明的第二方面，提供了一种动态模型的确定装置，设置于模型驱动的工业软件架构中，包括：

行为划分模块，用于对工业系统对应的工业行为进行划分，得到行为单元；

参数确定模块，用于基于所述工业系统对应的系统层、参数层和数据层，确定所述行为单元对应的参数信息；其中所述系统层用于定义对象；所述参数层用于定义所述对象的参数；所述数据层用于定义所述参数的值；

模型确定模块，用于基于所述参数信息和已创建的算法信息，建立所述参数信息中自变量参数和因变量参数间的函数关系，以得到动态模型。

根据本发明的第三方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述动态模型的确定方法。

根据本发明的第四方面，提供了一种电子设备，所述电子设备包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述的动态模型的确定方法。

与现有技术相比，本发明提供的动态模型的确定方法、装置、计算机可读存储介质及电子设备，至少包括以下有益效果：

本发明的技术方案对工业系统对应的工业行为进行划分，得到行为单元。然后确定工业系统对应的系统层、参数层和数据层，其中系统层用于定义对象，参数层用于定义对象的参数，数据层用于定义参数的值，从而可以根据工业系统对应的系统层、参数层和数据层，确定行为单元对应的参数信息。进一步根据参数信息与已创建的算法信息，建立参数信息中自变量参数和因变量参数间的函数关系，得到动态模型。在本发明的技术方案中，通过对工业行为拆分，细化研究对象，降低复杂程度，并通过系统层、参数层和数据层准确把握研究对象，并根据参数信息和已创建的算法信息高效、准确地确定出动态模型，该动态模型中明确参数信息中自变量参数、因变量参数和自变量参数和因变量参数间的函数关系，可以实现对工业系统中的参数进行统一求解，简化工业软件中参数求解的复杂程度，简单化的参数求解流程便于用户进行使用，从而有效降低获取到能够面向用户使用的工业软件难度。

附图说明

为了更清楚地说明本的技术方案，下面将对本发明的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一示例性实施例提供的动态模型的确定方法的流程示意图；

图2是本发明一示例性实施例提供的动态模型的确定方法中动态模型的示意图；

图3是本发明一示例性实施例提供的动态模型的确定方法中建模过程的流程示意图；

图4是本发明一示例性实施例提供的动态模型的确定方法中模型运算过程的流程示意图；

图5是本发明一示例性实施例提供的动态模型的确定方法中数据应用的流程示意图；

图6是本发明一示例性实施例提供的动态模型的确定装置的结构示意图；

图7是本发明一示例性实施例提供的电子设备的结构图。

具体实施方式

下面将结合本中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有创造性劳动前提下所获得的所有其他实施例，都属于本实施例保护的范围。

图1是本发明一示例性实施例提供的动态模型的确定方法的流程示意图，应用于模型驱动的工业软件架构中，至少包括如下步骤：

步骤11，对工业系统对应的工业行为进行划分，得到行为单元。

其中，工业系统为工业软件对应的目标对象，例如工业系统可以为工业机器人系统；工业行为为贯穿工业系统全流程行为数据，该行为数据主要为与工业软件相关的行为，具体与工业产品的动态计算无关模型CIM相对应。对工业系统对应的工业行为进行划分，不同的划分粒度，会得到不同的行为单元。通过对工业行为进行划分，细化研究对象，降低复杂程度。

在一种可能的实现方式中，如图2所示，对工业行为进行划分，得到设计单元、制造单元、运维和管理单元，此时行为单元与设计单元、制造单元和管理单元相对应。

在另一种可能的实现方式中，如图2所示，对工业行为进行划分，得到设计单元、制造单元、运维和管理单元；对设计单元进行进一步地划分，得到分析子单元和设计子单元；对制造单元进行进一步地划分，得到检测子单元和控制子单元；对运维和管理单元进行进一步地划分，得到大数据子单元和人工智能子单元，此时的行为单元与分析子单元、设计子单元、检测子单元、控制子单元、大数据子单元和人工智能子单元相对应。

步骤12，基于所述工业系统对应的系统层、参数层和数据层，确定所述行为单元对应的参数信息；其中所述系统层用于定义对象；所述参数层用于定义所述对象的参数；所述数据层用于定义所述参数的值。

具体地，预先对工业系统对应的模型驱动进行设计，在设计的模型驱动中工业系统对应有系统层、参数层和数据层。

其中，系统层用于定义对象，该对象为工业系统中客观存在的事务，如时间、产品和人员。

参数层用于定义对象的参数，主要包括参数类别和参数名称。通过类别名对参数类别进行区分，一个类别名表示一组同类型的参数。一个类型的参数就是一个向量空间。以产品的参数为例，产品的参数类别主要包含几何参数、材料参数、性能参数等。而参数类别中又包含具体的参数名称，以几何参数为例，它包含长、宽、高等参数名称。进一步地，在参数层除了定义参数类别和参数名称外，还定义各个参数的边界条件和关联关系。

数据层用于定义参数的值，参数值和参数名称对应，参数值也是向量空间结构，与参数名称的空间向量是一一对应关系。以产品的参数值为例，针对同一类型的产品，不同的参数值对应着这种产品的不同型号。

在系统层定义对象后，参数层进一步定义的对象的参数，数据层进一步定义参数的值，从而逐层递进的方式确定出多维数据集，在该多维数据集中存在所需的参数信息，因此在对行为单元进行研究时，对系统层、参数层和数据层确定出多维数据集进行进一步的利用。

在一种可能的实现方式中，基于所述工业系统对应的系统层、参数层和数据层，对系统层、参数层和数据层确定的多维数据集进行抽取，确定出行为单元对应的参数信息。当然在另外一种可能的实现方式中，行为单元对应的参数信息为系统层、参数层和数据层确定的多维数据集。

需要说明的是，在进行模型驱动设计时，不仅存在系统层、参数层和数据层，还存在单元层，单元层主要通过树形结构来定义单元对象的拓扑结构，单元对象的树形层次结构元素间的隶属关系可以通过命名规则来定义和存储，除了树形层次结构末级，树形层次结构中的对象名称实际对应的都是对象组名。

步骤13，基于所述参数信息和已创建的算法信息，建立所述参数信息中自变量参数和因变量参数间的函数关系，以得到动态模型。

具体地，预先进行算法信息的创建，将创建的算法信息进行存储，得到已创建的算法信息，例如已创建的算法信息可以与图2中的数学运算相对应，包括但不限于函数、极值、统计分析和神经网络等，这与动态平台无关模型(PIM)相对应。对参数信息和已创建的算法信息进行配置，以建立起参数信息中自变量参数和因变量参数间的函数关系，得到动态模型。调用该动态模型即可以根据自变量参数和函数关系快速、准确地确定出因变量参数，实现对统一模型驱动架构中的参数的统一求解。

在一实施例中，在所述行为单元为设计单元的情况下，所述步骤13，包括：

步骤131，在所述参数信息中，确定出作为自变量参数的设计输入参数和作为因变量参数的设计输出参数。

具体地，对设计单元的参数信息进行抽取，确定出设计输入参数和设计输出参数，其中设计输入参数为设计阶段需要进行输入的参数，该设计输入参数为自变量参数，设计输出参数为设计输入参数对应的因变量参数。

步骤132，在所述已创建的算法信息中，为所述设计输入参数和所述设计输出参数配置第一目标算法，以建立保存有所述设计输入参数和所述设计输出参数间的函数关系的动态链接库，得到所述设计单元对应的包括所述参数信息和所述动态链接库的动态模型。

具体地，在已创建的算法信息中，为设计输入参数和设计输出参数配置第一目标算法，第一目标算法决定了设计输入参数和设计输出参数间的函数关系，建立保存有设计输入参数、设计输出参数间函数关系的动态链接库，也就是该动态链接库中存储有设计输入参数、设计输出参数和第一目标算法的对应关系，得到设计单元对应的动态模型，该动态模型包括参数信息和动态链接库。

在本实施例中，在参数信息中选取出自变量参数和因变量参数，并为自变量参数和因变量参数确定第一目标算法，以建立动态链接库，通过动态链接库可以实现参数的快速统一求解。

具体地，设计单元对应的建模过程如图3中上半部“设计”所示，设计单元对应的参数信息为图3中心区域的多维数据集，该多维数据集包括产品维、人员维和时间维，在多维数据集中度量出设计输入参数(图3中的输入参数)和设计输出参数(图3中的输出参数)，对设计输入参数和设计输出参数进行赋值，以准确地衡量出设计输入参数和设计输出参数间的函数关系，以配置出动态链接库，并通过维度成员名称建立动态链接库与多维数据集间的关联，使得后续若在多维数据集中抽取出相同的设计输入参数时，可以通过动态链接库计算出设计输出参数。即使在设计单元的建模阶段，设计输入参数、设计输出参数与多维数据集间的关系也是循环的，即可以不断的进行数据的抽取生成新的数据，利用生成的新的数据进一步对多维数据集进行更新。

在一实施例中，在步骤132后，所述方法还包括：

步骤133，在所述参数信息中，提取出运算输入参数。基于所述运算输入参数和所述动态链接库，得到运算输出参数。

具体地，以运算输入参数为自变量参数。根据动态链接库存储的设计输入参数、设计输出参数和第一目标算法间的对应关系，确定出运算输入参数对应的第一目标算法，调用第一目标算法进行运算，得到运算输出参数，实现参数的设计阶段的快速求解。

需要说明的是，设计输入参数和运算输入参数的本质均为设计阶段输入的参数，在设计建模阶段，在多维数据库中抽取出各种可能存在的输入参数，因此进行模型运算阶段，在多维数据库中抽取出的运算输入参数为设计输入参数中的一个或多个。

步骤134，基于所述运算输出参数，更新所述参数信息。

其中，运算输出参数为计算出的新数据，利用该运算输出参数，对参数信息进行更新。具体地，如图4上半部设计所示，从多维数据集中提取初值作为运算输入参数(图4中的输入参数)，利用动态链接库确定出运算输出参数(图4中的输出参数)，并利用运算输出参数对多维数据集进行更新。

在本实施例中，通过运算输入参数和动态链接库，计算出运算输出参数，通过该运算输出参数对参数信息进行更新，丰富数据信息，保证数据的多样性。

在一实施例中，所述方法还包括：基于更新的所述参数信息，构建数据仓库；基于所述数据仓库，确定所述工业系统对应的统计信息。

在本实施例中，根据在设计阶段中产生的数据，构建出新的多维数据集和数据仓库，如图5所示可以利用根据数据仓库内容利用OLAP(OnLine Analytical Processing，联机分析处理)得到工业系统多维数据集的统计信息(图5中的统计数据)，并可以对统计信息进行可视化展示。实现对工业系统的多维数据集进行进一步利用。

在一实施例中，所述方法还包括：基于所述参数信息和更新的所述参数信息，训练机器学习模型。

在本实施例中，可以根据设计阶段产生的数据，构建出新的多维数据集，如图5所示可以利用各个阶段的多维数据集更新前的参数信息和更新后的参数信息进行数据挖掘，利用机器学习手段训练机器学习模型，利用该机器学习模型进行数据判断或数据预测，实现对工业系统的多维数据集进行进一步利用。

在一实施例中，在所述行为单元为制造单元的情况下，所述步骤13，包括：

步骤135，在所述参数信息中，确定出作为自变量参数的控制参数和作为因变量参数的检测参数。

具体地，对制造单元的参数信息进行抽取，确定出控制参数和检测参数，其中控制参数为制造阶段需要进行输入的参数，制造阶段主要通过对参数进行控制实现制造，因此将需要进行控制的参数统称为控制参数，该控制参数为自变量参数，检测参数为控制参数对应的因变量参数，检测参数为制造阶段对应的输出的参数，将该输出的参数统称为检测参数。

步骤136，在所述已创建的算法信息中，为所述控制参数和所述检测参数配置在边缘设备运算的第二目标算法；以建立保存有所述控制参数和所述检测参数间的函数关系的边缘计算程序库，得到所述制造单元对应的包括所述参数信息和所述边缘计算程序库的动态模型。

具体地，在已创建的算法信息中，为控制参数和检测参数配置在边缘设备上运算的第二目标算法，第二目标算法决定了控制参数和检测参数间的函数关系，建立保存有控制参数、检测参数间函数关系的边缘计算程序库，也就是该边缘计算程序库中存储有控制参数、检测参数和第二目标算法的对应关系，得到制作单元对应的动态模型，该动态模型包括参数信息和边缘计算程序库。其中，边缘设备的存在目的在于减轻中心运算压力，提高运算速度，优化软件运算流程。

在本实施例中，在参数信息中选取出自变量参数和因变量参数，并为自变量参数和因变量参数确定第二目标算法，以建立边缘计算程序库，通过边缘计算程序库可以实现参数的快速统一求解。

具体地，制造单元对应的建模过程如图3中下半部“设计”所示，制造单元对应的参数信息为图3中心区域的多维数据集，该多维数据集包括产品维、人员维和时间维，在多维数据集中度量出控制参数和检测参数，对控制参数和检测参数进行赋值，以准确地衡量出控制参数和检测参数间的函数关系，以配置出边缘计算程序，并通过维度成员名称建立边缘计算程序与多维数据集间的关联，使得后续若在多维数据集中抽取出相同的控制参数时，可以直接通过边缘计算程序计算出检测参数。即使在制造单元的建模阶段，控制参数、检测参数与多维数据集间的关系也是循环的，即可以不断的进行数据的抽取生成新的数据，利用生成的新的数据进一步对多维数据集进行更新。

在一实施例中，所述步骤136，包括：

步骤137，在所述参数信息中，提取出运算控制参数；基于所述运算控制参数、所述边缘计算程序库和所述边缘设备，得到运算检测参数。

具体地，以运算控制参数为自变量参数。根据边缘计算程序存储的控制参数、检测参数和第二目标算法间的对应关系，确定出对应的边缘设备和控制参数对应的第二目标算法，调用该第二目标算法进行运算，得到运算检测参数，实现参数在制造阶段的快速求解。

需要说明的是，控制参数和运算控制参数的本质均为制造阶段的输入参数，在制造建模阶段，在多维数据库中抽取出各种可能存在的控制参数，因此在模型运算阶段，在多维数据库中抽取出的运算控制参数为控制参数中的一个或多个。

步骤138，基于所述运算检测参数，更新所述参数信息。

其中，运算检测参数为计算出的新数据，利用该运算检测参数，对参数信息进行更新。具体地，如图4下半部制造所示，从多维数据集中提取初值作为运算控制参数(图4中的控制参数)，利边缘计算程序确定出运算检测参数(图4中的检测参数)，并利用运算检测参数对多维数据集进行更新。

在本实施例中，通过运算控制参数和边缘计算程序库，计算出运算检测参数，通过该运算检测参数对参数信息进行更新，丰富数据信息，保证数据的多样性。

在一实施例中，所述方法还包括：基于更新的所述参数信息，构建数据仓库；基于所述数据仓库，确定所述工业系统对应的统计信息。

在本实施例中，根据在制造阶段中产生的数据，构建出新的多维数据集和数据仓库，如图5所示可以利用根据数据仓库内容利用OLAP(OnLine Analytical Processing，联机分析处理)得到工业系统多维数据集的统计信息(图5中的统计数据)，并可以对统计信息进行可视化展示。实现对工业系统的多维数据集进行进一步利用。当然也可以利用设计阶段和制造阶段中产生的数据，构建出新的多维数据集和数据仓库。

在一实施例中，所述方法还包括：基于所述参数信息和更新的所述参数信息，训练机器学习模型。

在本实施例中，可以根据制造阶段产生的数据，构建出新的多维数据集，如图5所示可以利用各个阶段的多维数据集更新前的参数信息和更新后的参数信息进行数据挖掘，利用机器学习手段训练机器学习模型，利用该机器学习模型进行数据判断或数据预测，实现对工业系统的多维数据集进行进一步利用。当然也可以利用设计阶段和制造阶段产生的数据，构建出新的多维数据集，利用各个阶段的多维数据集进行数据挖掘。

在一实施例中，在行为单元为运维和管理单元的情况下，行为单元对应的参数信息为进行设计阶段和制造阶段中更新前和更新后的数据，因此可以利用已创建的算法信息中的统计分析算法和神经网络相关算法建立参数信息中自变量参数和因变量参数间的函数关系，得到相应的联机分析处理模型和数据挖掘模型。

在经过对行为单元、制造单元、运维和管理单元分别对应的参数信息中的自变量参数和因变量参数间的函数关系进行建立后，即可以得到如图1所示的软件过程所示的动态链接库、边缘计算程序、OLAP模型、数据挖掘模型，这与动态平台相关模型(PSM)相对应。通过对自变量参数和因变量参数间的函数关系进行建立，将工业系统中复杂的流程进行清晰的表示，快速实现参数求解，降低用户的使用难度，从而降低获取到能够面向用户使用的工业软件难度。

在上述实施例中，对工业系统对应的工业行为进行划分，得到行为单元。然后确定工业系统对应的系统层、参数层和数据层，其中系统层用于定义对象，参数层用于定义对象的参数，数据层用于定义参数的值，从而可以根据工业系统对应的系统层、参数层和数据层，确定行为单元对应的参数信息。进一步根据参数信息与已创建的算法信息，建立参数信息中自变量参数和因变量参数间的函数关系，得到动态模型。在本发明的技术方案中，通过对工业行为拆分，细化研究对象，降低复杂程度，并通过系统层、参数层和数据层准确把握研究对象，并根据参数信息和已创建的算法信息高效、准确地确定出动态模型，该动态模型中明确参数信息中自变量参数、因变量参数和自变量参数和因变量参数间的函数关系，可以实现对工业系统中的参数进行统一求解。

在一实施例中，所述自变量参数为多个；所述方法还包括：

步骤14，确定所述多个自变量参数对应的顺序信息；

步骤15，将所述自变量参数、所述因变量参数、所述自变量参数与所述因变量参数间的函数关系，按照所述顺序信息进行有序组合，得到流程模板信息。

在本实施例中，在建立出自变量参数、因变量参数间的函数关系后，可以根据自变量参数和对应的函数关系，求解出因变量参数，在自变量参数为多个的情况下，不同的自变量参数存在先后的求解顺序，因此需要确定出多个自变量参数对应的顺序信息。按照该顺序信息对自变量参数、因变量参数和函数关系的有序组合，得到流程模板信息，根据该流程模型信息可以实现多个自变量参数先后顺序的求解，进一步简化参数求解的复杂性。并且在确定流程模板信息后，在不同的工业系统中即使参数值不同，也可以用同样的流程模板，解决相同的问题。

进一步地，本实施例中提及的自变量参数可以是来源不同的行为单元，例如自变量参数可以来自于设计单元、制作单元、运维和管理单元。从而将不同的独立的行为单元的自变量参数按照顺序信息进行先后有序的组合，形成工业系统全流程模板，将该流程模板可以应用于合适的其他工业系统中，大大提高了动态模型的复用性，降低工业软件的设计难度。

在一实施例中，在所述自变量参数中存在目标自变量参数，所述目标自变量参数对应目标因变量参数，所述目标因变量参数为所述自变量参数中一个。

在本实施例中，在自变量参数中存在目标自变量参数，目标自变量参数对应的因变量参数为目标因变量参数，目标因变量参数为自变量参数中的一个。也就是说因变量参数和自变量参数间存在传值的关系，即一个自变量参数对应一个因变量参数，而该因变量参数为下一个自变量参数。

进一步地，若将一个自变量参数通过函数关系计算出一个因变量参数的求解视为流程中的一个流程元，从而流程元之间不仅可以有先后的顺序关系，还可以具有传值的关系。在流程中每个流程元都遵循自变量参数通过函数关系计算得到因变量参数，该因变量参数是下一个流程元的自变量参数。此时可以根据传值关系和多个自变量参数的顺序信息制作流程模板，进一步简化求解过程的复杂性。

基于与本发明方法实施例相同的构思，本发明实施例还提供了一种动态模型的确定装置。

图6示出了本发明一示例性实施例提供的动态模型的确定装置的结构示意图，设置于模型驱动的工业软件架构中，包括：

行为划分模块61，用于对工业系统对应的工业行为进行划分，得到行为单元；

参数确定模块62，用于基于所述工业系统对应的系统层、参数层和数据层，确定所述行为单元对应的参数信息；其中所述系统层用于定义对象；所述参数层用于定义所述对象的参数；所述数据层用于定义所述参数的值；

模型确定模块63，用于基于所述参数信息和已创建的算法信息，建立所述参数信息中自变量参数和因变量参数间的函数关系，以得到动态模型。

在本发明一示例性实施例中，在所述行为单元为设计单元的情况下，所述模型确定模块，包括：

第一参数确定单元，用于在所述参数信息中，确定出作为自变量参数的设计输入参数和作为因变量参数的设计输出参数；

第一配置处理单元，用于在所述已创建的算法信息中，为所述设计输入参数和所述设计输出参数配置第一目标算法，以建立保存有所述设计输入参数和所述设计输出参数间的函数关系的动态链接库，得到所述设计单元对应的包括所述参数信息和所述动态链接库的动态模型。

在本发明一示例性实施例中，所述装置还包括：参数更新模块；

所述参数更新模块，用于在所述参数信息中，提取出运算输入参数；基于所述运算输入参数和所述动态链接库，得到运算输出参数；基于所述运算输出参数，更新所述参数信息。

在本发明一示例性实施例中，在所述行为单元为制造单元的情况下，所述模型确定模块，包括：

第二参数确定单元，用于在所述参数信息中，确定出作为自变量参数的控制参数和作为因变量参数的检测参数；

第二配置处理单元，用于在所述已创建的算法信息中，为所述控制参数和所述检测参数配置在边缘设备运算的第二目标算法；以建立保存有所述控制参数和所述检测参数间的函数关系的边缘计算程序库，得到所述制造单元对应的包括所述参数信息和所述边缘计算程序库的动态模型。

在本发明一示例性实施例中，所述装置还包括：参数更新模块；

所述参数更新模块，用于在所述参数信息中，提取出运算控制参数；基于所述运算控制参数、所述边缘计算程序库和所述边缘设备，得到运算检测参数；基于所述运算检测参数，更新所述参数信息。

在本发明一示例性实施例中，所述装置还包括：统计处理模块；

所述统计处理模块，用于基于更新的所述参数信息，构建数据仓库；基于所述数据仓库，确定所述工业系统对应的统计信息。

在本发明一示例性实施例中，所述装置还包括：训练处理模块；

所述训练处理模块，用于基于所述参数信息和更新的所述参数信息，训练机器学习模型。

在本发明一示例性实施例中，所述自变量参数为多个；所述装置还包括：模板确定模块；

所述模板确定模块，用于确定所述多个自变量参数对应的顺序信息；将所述自变量参数、所述因变量参数、所述自变量参数与所述因变量参数间的函数关系，按照所述顺序信息进行有序组合，得到流程模板信息。

在本发明一示例性实施例中，在所述自变量参数中存在目标自变量参数，所述目标自变量参数对应目标因变量参数，所述目标因变量参数为所述自变量参数中一个。

图7图示了根据本发明实施例的电子设备的框图。

如图7所示，电子设备70包括一个或多个处理器71和存储器72。

处理器71可以是中央处理单元(CPU)或者具有动态模型的确定能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备70中的其他组件以执行期望的功能。

存储器72可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器71可以运行所述程序指令，以实现上文所述的本发明的各个实施例的动态模型的确定方法以及/或者其他期望的功能。

在一个示例中，电子设备70还可以包括：输入装置73和输出装置74，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

当然，为了简化，图7中仅示出了该电子设备70中与本发明有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备70还可以包括任何其他适当的组件。

第六方面，除了上述方法和设备以外，本发明的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的动态模型的确定方法中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本发明的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本发明各种实施例的动态模型的确定方法中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本发明的基本原理，但是，需要指出的是，在本发明中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本发明的各个实施例必须具备的。另外，上述发明的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本发明为必须采用上述具体的细节来实现。

本发明中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本发明的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本发明的等效方案。

提供所发明的方面的以上描述以使本领域的任何技术人员能够做出或者使用本发明。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本发明的范围。因此，本发明不意图被限制到在此示出的方面，而是按照与在此发明的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本发明的实施例限制到在此发明的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。