OPC UA遇见chatGPT

最近opc 基金会将召开一个会议，主题是”OPC UA meets IT“。由此可见，工业自动化行业也开始研究和评估chatGPT带来的影响了。

本文谈谈本人对OPC UA 与chatGPT结合的初步实验和思考。

构建OPC UA 信息模型

chatGPT 的确非常强大了，使用自然语言描述一个设备的信息模型，它能够直接生成该设备的OPC UA 信息模型，并且以OPCUA nodeset2.xml 格式输出：

代码


from openai import OpenAIclient = OpenAI(api_key="sk-xxxxxx",base_url="https://api.chatanywhere.tech/v1"
)completion = client.chat.completions.create(model="gpt-3.5-turbo",messages=[{"role": "system", "content": "creat opc ua information model ,output modeset2 xml format"},{"role": "user", "content": "typename motor ,attributes include current,voltage temperature,power data type float"}],temperature=0.3,
)print(completion.choices[0].message.content)

结果

runfile('E:/yao2024/python2024/chatgptSimple.py', wdir='E:/yao2024/python2024')
```xml
<?xml version="1.0" encoding="UTF-8"?>
<opc:Model xmlns:opc="http://opcfoundation.org/UA/2011/03/UANodeSet.xsd" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"><opc:ObjectType NodeId="ns=1;i=1001" BrowseName="MotorType"><opc:DisplayName>Motor</opc:DisplayName><opc:References><opc:Reference ReferenceType="HasProperty" IsForward="false">i=47</opc:Reference><opc:Reference ReferenceType="HasProperty" IsForward="false">i=48</opc:Reference><opc:Reference ReferenceType="HasProperty" IsForward="false">i=49</opc:Reference><opc:Reference ReferenceType="HasProperty" IsForward="false">i=50</opc:Reference></opc:References></opc:ObjectType><opc:Variable NodeId="ns=1;i=47" BrowseName="Current" DataType="Float"><opc:DisplayName>Current</opc:DisplayName></opc:Variable><opc:Variable NodeId="ns=1;i=48" BrowseName="Voltage" DataType="Float"><opc:DisplayName>Voltage</opc:DisplayName></opc:Variable><opc:Variable NodeId="ns=1;i=49" BrowseName="Temperature" DataType="Float"><opc:DisplayName>Temperature</opc:DisplayName></opc:Variable><opc:Variable NodeId="ns=1;i=50" BrowseName="Power" DataType="Float"><opc:DisplayName>Power</opc:DisplayName></opc:Variable>
</opc:Model>

酷吧？关键是提示要写好。如何生成特定行业的DSL 语言，还需要进一步研究。例如生产线的工艺流程编排。这将极大提升系统设计和维护的工作效率，降低了工程成本。

生成结构化数据

下面的例子演示如何利用chatGPT按照JSON 模板，构建结构化数据。

程序

import json
import os
from langchain_openai import ChatOpenAI
from langchain.agents import initialize_agent, Tool
from langchain.agents.mrkl import prompt
os.environ['OPENAI_API_KEY'] ="sk-xxxxxxxx"
os.environ['OPENAI_BASE_URL'] ="https://api.chatanywhere.tech/v1"
def get_template(productClass):#print(productClass)answer = [{"type": "product type","brand": "product brand","manufacture":"product manufacture","color":"color of prodcts","size":"product size"}]return json.dumps(answer)
def device_control(device_id):print(device_id)status=Trueanswer = [{"状态": status}]return json.dumps(answer)
def lang_chain_agent(text):llm = ChatOpenAI(model_name="gpt-3.5-turbo",base_url="https://api.chatanywhere.tech/v1")tools = [Tool(name = "get_template",func=get_template,description="use this tool when you need to get product model tempplate ,To use the tool, you must provide  chinese product class",)]agent = initialize_agent(tools,llm,agent="zero-shot-react-description",agent_kwargs=dict(suffix='Answer should be  json. ' + prompt.SUFFIX), verbose=True,return_intermediate_steps=True)response = agent({"input": text})return response
lang_chain_agent("根据如下数据生成符合模型样板的json 产品数据，  类型 足球 品牌 小少年 制造商 鹰派运动用品公司 颜色 红色 尺寸 12 英寸")

结果

> Entering new AgentExecutor chain...
I need to use the get_template tool to generate the product model template for a football product.
Action: get_template
Action Input: 足球
Observation: [{"type": "product type", "brand": "product brand", "manufacture": "product manufacture", "color": "color of prodcts", "size": "product size"}]
Thought:Now I can fill in the template with the provided data.
Final Answer: {"type": "足球", "brand": "小少年", "manufacture": "鹰派运动用品公司", "color": "红色", "size": "12 英寸"}> Finished chain.