Разработка мультиаспектной онтологии для поддержки принятия решений в производственных системах

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

В статье предложен подход к разработке мультиаспектной онтологии для поддержки принятия решений в области технического обслуживания производства. Мультиаспектная онтология основана на многоуровневом подходе к интеграции знаний о различных аспектах комплексной проблемной области (ее составляющих, «подобластях») с сохранением автономности исходных онтологий. Разработанная онтология обеспечивает взаимодействие аспектов с помощью механизмов логического вывода, повышая эффективность информационных потоков и степень автоматизации связанных с ними процессов. Приведенный пример показывает, что предложенный подход может значительно снизить степень вовлеченности операторов в процессы технического обслуживания на предприятии, а также снизить когнитивную нагрузку на операторов и специалистов по техническому обслуживанию.

Об авторах

Николай Германович Шилов

Санкт-Петербургский Федеральный исследовательский центр РАН

Автор, ответственный за переписку.
Email: nick@iias.spb.su

Старший научный сотрудник, кандидат технических наук, доцент

Россия, Санкт-Петербург

Список литературы

  1. Kumar R. et al. A cyber physical production system framework for online monitoring, visualization and control by using cloud, fog, and edge computing technologies // International Journal of Computer Integrated Manufacturing. 2023. Vol. 36, № 10. P. 1507–1525.
  2. Ansari F. Knowledge Management 4.0: Theoretical and Practical Considerations in Cyber Physical Production Systems // IFAC-PapersOnLine. 2019. Vol. 52, № 13. P. 1597–1602.
  3. European Commission. New European Interoperability Framework: Promoting seamless services and data flows for European public administrations [Electronic resource].2017.P.48.URL:https://ec.europa.eu/isa2/sites/isa/files/eif_brochure_final.pdf.
  4. Hafidi M.M. et al. Semantic web and machine learning techniques addressing semantic interoperability in Industry 4.0 // International Journal of Web Information Systems. 2023. Vol. 19, № 3/4. P. 157–172.
  5. Атаева О.М., Калёнов Н.Е., Серебряков В.А. Онтологический подход к описанию единого цифрового пространства научных знаний // Электронные библиотеки. 2021. Том 24, № 1. С. 3–19.
  6. Дородных Н.О., Николайчук О.А., Юрин А.Ю. Использование онтологических шаблонов содержания при по- строении баз знаний для технического обслуживания и ремонта авиационной техники // Онтология проектирования. 2022. Том 12, № 2. С. 158–171.
  7. Gruber T.R. A translation approach to portable ontology specifications // Knowledge Acquisition. 1993. Vol. 5,
  8. № 2. P. 199–220.
  9. Семенова В.А., Смирнов С.В. Модели и методы онтологического анализа данных в задаче структурного анализа и синтеза технических решений // Онтлогия проектирования. 2023. Том 13, № 4. С. 531–547.
  10. Грибова В.В., Паршкова С.В., Федорищев Л.А. Онтологии для разработки и генерации адаптивных пользовательских интерфейсов редакторов баз знаний// Онтология проектирования. 2022. Том 12, № 2.С. 200–217.
  11. Кудрявцев Д.В., Гаврилова Т.А., Смирнова М.М., Головачева К.С. Построение онтологии знаний потребителя в маркетинге: кроссдисциплинарный подход // Искусственный интеллект и принятие решений. 2021. № 3. С. 19–32.
  12. Bader S.R. et al. A Knowledge Graph for Industry 4.0 // Lecture Notes in Computer Science. Springer, 2020. Vol. 12123. P. 465–480.
  13. Шахнов В.А. и др. Представление знаний в информационных системах с учетом свойств наноразмерных объектов и материалов // Информационные технологии и управляющие системы. 2014. № 4. С. 89–96.
  14. Боргест Н.М. Онтология проектирования научного направления: формирование, развитие, примеры // Онтология проектирования. 2022. Том 12, № 2. С. 136–157.
  15. El Zaatari S. et al. Cobot programming for collaborative industrial tasks: An overview // Robotics and Autonomous Systems. 2019. Vol. 116. P. 162–180.
  16. Kumar V.R.S. et al. Ontologies for Industry 4.0 // Knowledge Engineering Review. 2019. Vol. 34. P. e17.
  17. Meriem H., Nora H., Samir O. Predictive Maintenance for Smart Industrial Systems: A Roadmap // Procedia Computer Science. 2023. Vol. 220. P. 645–650.
  18. Загорулько Ю.А. и др. Автоматизация разработки онтологий научных предметных областей на основе паттернов онтологического проектирования // Онтология проектирования. 2021. Том 11, № 4. С. 500–520.
  19. Lim S.C.J., Liu Y., Lee W.B. A methodology for building a semantically annotated multi-faceted ontology for product family modelling // Advanced Engineering Informatics. 2011. Vol. 25, № 2. – P. 147–161.
  20. Karray M.H., Chebel-Morello B., Zerhouni N. A formal on- tology for industrial maintenance // Applied Ontology. 2012. Vol. 7, № 3. P. 269–310.
  21. Cruz I.F., Xiao H. Ontology Driven Data Integration in Heterogeneous Networks // Complex Systems in Knowledge- based Environments: Theory, Models and Applications. Studies in Computational Intelligence. Berlin, Heidelberg: Springer Berlin Heidelberg, 2009. Vol. 168. P. 75–98.
  22. Quinton C. et al. Towards multi-cloud configurations using feature models and ontologies // Proceedings of the 2013 international workshop on Multicloud applications and federated clouds - MultiCloud ’13. New York, New York, USA: ACM Press, 2013. P. 21.
  23. Hemam M., Boufaïda Z. MVP-OWL: a multi-viewpoints ontology language for the Semantic Web // International Journal of Reasoning-based Intelligent Systems. 2011. Vol. 3, № 3/4. P. 147.
  24. Fernández-López M., Gómez-Pérez A. Overview and analysis of methodologies for building ontologies // Knowledge Engineering Review. 2002. Vol. 17, № 2. P. 129–156.
  25. Noy N.F., McGuinnnes D.L. Ontology Development 101: A Guide to Creating Your First Ontology. 2001. 25 p.
  26. Хорошевский, В.Ф. Проектирование систем программного обеспечения под управлением онтологий: модели, методы, реализации // Онтология проектирования. 2019. Том 9, № 4. С. 429–448.
  27. Smirnov A. et al. Methodology for Multi-Aspect Ontology Development: Ontology for Decision Support Based on Human-Machine Collective Intelligence // IEEE Access. 2021. Vol. 9. P. 135167–135185.
  28. Fiorini S.R. et al. Extensions to the core ontology for robotics and automation // Robotics and Computer-Integrated Manufacturing. 2015. Vol. 33. P. 3–11.
  29. Giustozzi F., Saunier J., Zanni-Merk C. Context Modeling for Industry 4.0: an Ontology-Based Proposal // Procedia Computer Science. 2018. Vol. 126. P. 675–684.
  30. SD3 - Simulation Delivery and Documentation Deviations [Electronic resource]. 2015. URL: http://aber-owl.net/on-tology/SD3.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».