Development of a Multi-Aspect Ontology for Decision Support in Production Systems

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

Development of new data-driven concepts based on artificial intelligence methods leads to the appearance of new approaches to decision support in production systems aimed at increasing their efficiency. However, the use of existing uncoordinated data and knowledge to improve the quality of decision-making processes remains a challenging task due to the diversity of their terminologies and cognitive models. The paper proposes an approach to development of a multi-aspect ontology for decision support in production maintenance. The multi-aspect ontology is based on a layered approach to integrating knowledge about various aspects of a complex problem domain (its constituents or subdomains) while preserving the autonomy of the original ontologies. The developed multi-aspect ontology supports interaction between aspects using inference mechanisms what increases the efficiency of in- formation flows and the degree of automation of related processes. The given example shows that the proposed approach can significantly reduce the involvement of human workers in maintenance pro- cesses in an enterprise, as well as the cognitive load on operators and maintenance technicians.

About the authors

Nikolay G. Shilov

St. Petersburg Federal Research Center of the Russian Academy of Sciences

Author for correspondence.
Email: nick@iias.spb.su

PhD

Russian Federation, St. Petersburg

References

  1. Kumar R., Sangwan K.S., Herrmann C., Thakur S. 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;36(10):1507-1525. doi: 10.1080/0951192X.2023.2189312
  2. Ansari F. Knowledge Management 4.0: Theoretical and Practical Considerations in Cyber Physical Production Systems. IFAC-PapersOnLine. 2019;52(13):1597–1602. doi: 10.1016/j.ifacol.2019.11.428
  3. European Commission: New European InteroperabilityFramework: Promoting seamless services and data flows for European public administrations; 2017. Available from: https://ec.europa.eu/isa2/sites/isa/files/eif_brochure_fi- nal.pdf [Accessed 13 March 2024].
  4. Hafidi M.M., Djezzar M., Hemam M., Amara F.Z., Maimour M.: Semantic web and machine learning techniques addressing semantic interoperability in Industry 4.0. Inter- national Journal of Web Information Systems. 2023;19:157–172. doi: 10.1108/IJWIS-03-2023-0046
  5. Ataeva O.M., Kalenov N.E., Serebryakov V.A. Ontological approach to the description of a common digital space of scientific knowledge. Russian Digital Libraries Journal. 2021;24(1):3–19. doi: 10.26907/1562-5419-2021-24-1-3-
  6. (In Russ.).
  7. Dorodnykh N.O., Nikolaychuk O.A., Yurin A.Yu. Using ontological content patterns in knowledge base engineering for maintenance and repair of aviation equipment. Ontology of Designing. 2022;12(2):158–171. doi: 10.18287/2223- 9537-2022-12-2-158-171. (In Russ.).
  8. Gruber T.R. A translation approach to portable ontology specifications. Knowledge Acquisition. 1993;5(2):199–
  9. doi: 10.1006/knac.1993.1008
  10. Semenova V.A., Smirnov S.V. Models and methods of ontological data analysis in the problem of structural analysis and synthesis of technical decisions. Ontology of Designing. 2023; 13(4):531–547. doi: 10.18287/2223-
  11. -2023-13-4-531-547. (In Russ.).
  12. Gribova V.V., Parshkova S.V., Fedorischev L.A. Ontologies for development and generation adaptive user interfaces of knowledge base editors. Ontology of Designing. 2022; 12(2):200–217. doi: 10.18287/2223-9537-2022-
  13. -2-200-217. (In. Russ.).
  14. Kudryavtsev D.V., Gavrilova T.A., Smirnova M.M., Golovacheva K.S. Building Ontology of Consumer Knowledge in Marketing: Cross-Disciplinary Approach.Artificial Intelligence and Decision Making. 2021; 3:19–32. doi: 10.14357/20718594210302. (In Russ.).
  15. Bader S.R., Grangel-Gonzalez I., Nanjappa P., Vidal M.-E., Maleshkova M. A Knowledge Graph for Industry 4.0. Lecture Notes in Computer Science. 2020;12123:465–480. doi: 10.1007/978-3-030-49461-2_27
  16. Shakhnov V.A., Averyanikhin A.E., Vlasov A.I., Zhuravleva L.V., Zinchenko L.A. Nanotechnology Knowledge Representation in Information Systems. Information Tech- nologies and Control Systems. 2014;3: 89–96. (In Russ.).
  17. Borgest N.М. Ontology of designing a scientific direction: formation, development, examples. Ontology of designing. 2022; 12(2):136–157. doi: 10.18287/2223-9537-2022-12-2-136-157. (In Russ.).
  18. El Zaatari S., Marei M., Li W., Usman Z. Cobot program- ming for collaborative industrial tasks: An overview. Robotics and Autonomous Systems. 2019;116:162–180. doi: 10.1016/j.robot.2019.03.003
  19. Kumar V.R.S. et al. Ontologies for Industry 4.0. Knowledge Engineering Review. 2019;34:e17. doi: 10.1017/S0269888919000109
  20. Meriem H., Nora H., Samir O. Predictive Maintenance for Smart Industrial Systems: A Roadmap. Procedia Computer Science. 2023;220:645–650. doi: 10.1016/j.procs.2023.03.082
  21. Zagorulko Yu.A. Automation of the development of ontologies of scientific subject domains based on ontology design patterns. Ontology of Designing. 2021;11(4):500–520. doi: 10.18287/2223-9537-2021-11-4-500-520. (In Russ.).
  22. 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;25(2): 147–161. doi: 10.1016/j.aei.2010.07.005
  23. Karray M.H., Chebel-Morello B., Zerhouni N. A formal on- tology for industrial maintenance. Applied Ontology. 2012;7(3):269–310. doi: 10.3233/AO-2012-0112
  24. Cruz I.F., Xiao H. Ontology Driven Data Integration in Het- erogeneous Networks. In: Complex Systems in Knowledge-based Environments: Theory, Models and Ap- plications. Studies in Computational Intelligence. Springer; 2009. p. 75–98. doi: 10.1007/978-3-540-88075-2_4
  25. Quinton C., Haderer N., Rouvoy R., Duchien L. Towards multi-cloud configurations using feature models and ontologies. In: Proceedings of the 2013 international workshop on Multi-cloud applications and federated clouds - Mul- tiCloud ’13. ACM Press. 2013; p. 21. doi: 10.1145/2462326.2462332
  26. Hemam M., Boufaïda Z. MVP-OWL: a multi-viewpoints ontology language for the Semantic International Journal of Reasoning-based Intelligent Systems. 2011;3(3/4):147. doi: 10.1504/IJRIS.2011.043539
  27. Fernández-López M., Gómez-Pérez A. Overview and analysis of methodologies for building ontologies. Knowledge Engineering Review. 2002;17(2):129–156. doi: 10.1017/S0269888902000462
  28. Noy N.F., McGuinnnes D.L. Ontology Development 101: A Guide to Creating Your First Ontology. 2001. 25 p.
  29. Khoroshevsky V.F. Ontology Driven Software Engineering: Models, Methods, Implementations. Ontology of Desuigning. 2019;9(4):429–448. doi: 10.18287/2223- 9537-2019-9-4-429-448,. (In Russ.).
  30. Smirnov A., Levashova T., Ponomarev A., Shilov N. Methodology for Multi-Aspect Ontology Development: Ontology for Decision Support Based on Human-Machine Col- lective Intelligence. IEEE Access. 2021;9:135167–135185. doi: 10.1109/ACCESS.2021.3116870
  31. Fiorini S.R. et al. Extensions to the core ontology for robot- ics and automation. Robot. Robotics and Computer Integrated Manufacturing. 2015;33:3–11. doi: 10.1016/j.rcim.2014.08.004
  32. Giustozzi F., Saunier J., Zanni-Merk C. Context Modeling for Industry 4.0: an Ontology-Based Proposal. Procedia Computer Science. 2018;126:675–684. doi: 10.1016/j.procs.2018.08.001
  33. SD3 - Simulation Delivery and Documentation Deviations. Available from: http://aber-owl.net/ontology/SD3 [Accessed 13 March 2024].

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


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».