Онтологии в проектировании индустриальных цифровых платформ

Полный текст

Введение

Под производственной системой (ПС) в данной работе понимается совокупность ресурсов, процессов и организационно-технических средств, предназначенных для выпуска продукции или оказания производственных услуг. ПС включают разнообразные «активы»: технические системы (ТС); технологические процессы; информационные системы (ИС), базы данных (БД) и базы знаний (БЗ); организационную структуру управления производством.

ТС включают совокупность технических средств, организованных для выполнения определённой функции. ТС – это элемент ПС (машины, механизмы, оборудование, контроллеры, сенсоры и др.), а также ТС может являться производимая продукция. ИС на предприятиях включают все уровни управления (стратегический, тактический, оперативный): системы планирования ресурсов предприятия (Enterprise Resource Planning, ERP), системы управления жизненным циклом (ЖЦ) продукта (Product Lifecycle Management, PLM), корпоративные БД, аналитические системы, которые применяются для проектирования ПС [1]. Организация информационных потоков между этими системами и индустриальными цифровыми платформами (ИЦП) также может быть стандартизирована в соответствии с ГОСТ Р ИСО 18828-3-2020, который определяет способы информационных взаимодействий между системами моделирования, симуляции, PLM и ERP в процессах производственного планирования [1].

Для ПС, ориентированных на концепцию «Индустрия 4.0», требуется создание индустриальных экосистем, объединяющих предприятия, обменивающиеся данными через ИЦП. Объединение информации об элементах ТС, производственных процессах и продукции обеспечивается за счёт стандартизации данных и их семантической связанности. Онтологический подход является ключевым инструментом для структурирования и классификации данных [2]. Он соответствует стандартам системной инженерии [3-5], которые описывают модель эталонной архитектуры Индустрии 4.0. В частности, он соответствует требованиям ГОСТ Р ИСО/МЭК 21838-1-2021, который устанавливает общие принципы построения и интеграции верхнеуровневых онтологий, обеспечивая их совместимость и интероперабельность в рамках ИЦП [6].

В данной статье рассматривается онтологический подход при проектировании ИЦП, включая создание БЗ, разработку многоуровневых онтологических моделей (ОМ), автоматизацию ввода данных с помощью интеллектуальных ассистентов (ИА), интеграцию ОМ с ИС предприятий для планирования производственных ресурсов (ERP-системы).

1 Постановка задачи

В стандартах [3-5] определено, что в рамках концепции «Индустрия 4.0» каждый элемент интеллектуальной ПС должен содержать информацию о свойствах, которые характеризуют связанность элемента с другими объектами ТС, информация о которых содержатся в БД и в БЗ в ИЦП. Производственные элементы различных видов могут взаимодействовать с другими элементами ПС или ТС (активов), создаваемых смежными предприятиями. Для стандартизации представления сведений об элементах ТС в ИЦП применяются стандарты системной инженерии (примеры см. в таблице).

Таблица – Стандарты системной инженерии в проектировании индустриальных цифровых платформ (пример)

Разработаны десятки стандартов для различных отраслей экономики, применяемых технологий и назначений ИЦП. Они содержат подходы к организации информационного взаимодействия между предприятиями, входящими в индустриальную экосистему, между компонентами производственных процессов и выпускаемой продукции в составе ПС и ТС предприятий. Применяемые подходы основаны на принципах построения ИЦП, на правилах обработки, хранения и структурирования данных, используемых для создания моделей системных архитектур и процессов [7]. Среди этих подходов можно выделить референтную модель архитектуры Индустрии 4.0 RAMI 4.0 (Reference Architectural Model Industry 4.0) [3, 8].

В стандартах [3, 5] предлагается описывать все ТС через компоненты Индустрии 4.0 (Asset Administration Shell, AAS), которые содержат описание физических объектов (Asset) и их цифровых представлений (свойства, параметры, требования и функциональные связи) на основе коммуникационных характеристик и способов представления. Согласно [3, 5] эти представления выражаются через концепцию «структура-взаимодействие» или «представление-связь», которые определяют параметры элементов ПС и ТС в модели ИЦП. Каждый элемент цифровой модели (ЦМ) в зависимости от его связей с другими элементами ТС и ПС проецируются на: ось цифрового представления производственных активов; ось функциональной иерархии предприятия; ось этапов ЖЦ элемента ТС [3, 5].

Характеристики ЦМ изделия, создаваемого из набора компонентов, состоящих из элементов ТС, могут быть описаны лингвистически с использованием унифицированного тезауруса по правилам описания компонентов Индустрии 4.0. В этом случае тезаурус для конкретного элемента ТС формируется как совокупность терминов, описывающих его составные части, их свойства, параметры, требования и функциональные связи. Тезаурус создаётся специалистами разных предприятий в рамках единой ИЦП, поэтому термины и параметры элементов должны быть систематизированы в соответствии с правилами стандартов.

Для обеспечения классификации и приоритизации технических требований к параметрам и характеристикам элементов ТС используется многомерная модель с осями, задающими уровни: иерархии, ЖЦ, представлений. Требования могут быть формализованы через тезаурус, где каждому требованию соответствует множество: R_i = {r₁, r₂, ..., r_l, …, r_L}, где: R_i — множество параметров и характеристик, описывающих i-е требование; L — количество терминов, описывающих в тезаурусе данное требование; r_l — элемент множества, который может интерпретироваться как параметр, входящий в требование (например, температура, давление), или как характеристика параметра (например, точность ±0,1°C, диапазон 0-200°C). Такая формализация подразумевает фиксирование различий на уровне описания не только множества требований, но и параметров и их характеристик, входящих в требование, которые составляют элементы множества R_i, формирующие его семантическую структуру.

При этом структура взаимосвязи элементов многомерной модели имеет следующий вид: элемент ТС → параметры и характеристики элемента → требования к параметрам и характеристикам.

В индустриальную экосистему входят различные смежные предприятия или консорциумы, поэтому одно и то же требование может формулироваться разными специалистами по-разному и содержать неполные или противоречивые элементы множества R_i. В этих условиях ЦМ ТС или её элементов можно представить как объединение определений и свойств: $M_{\text{изд}}={\cup }_i^{n}R$, где М_изд – многомерная модель элемента ТС, а n – количество бинарных соотношений «представление-связь», с помощью которых описываются связи элемента с другими абстрактными и реальными элементами ПС по правилам описания AAS [3-5].

Целью данного исследования является разработка подхода к интеграции информации об элементах ТС в ИЦП с использованием ОМ и методов обработки естественного языка. Для достижения цели требуется решить следующие задачи:

• представить эталонную модель RAMI0 в виде ОМ, определить её основные концепты, предикаты и их отношения, в соответствии со стандартами [3-5];
• разработать структуру многоуровневой системы онтологий, обеспечивающей смежное использование ИЦП;
• разработать метод преобразования лингвистических описаний элементов ТС в формализованное объектно-предикатное описание и процедуру определения координат элементов в многомерной модели RAMI0 на основе связей и предикатов;
• определить функционал инструментов ввода информации об элементах ТС в структуру данных ИЦП с автоматическим определением координат многомерной модели RAMI0.

Решение этих задач позволит обеспечить автоматизацию наполнения БД и БЗ ИЦП, повысить согласованность и точность представления информации об элементах ТС, создать основу для построения ЦМ изделий и производственных процессов смежных предприятий.

2 Система онтологий на основании тезаурусов

Важная этап создания ИЦП - формирование ЦМ изделий и производственных процессов для использования моделей в ИС предприятий, входящих в экосистему ИЦП. Процесс формирования ЦМ можно описать в терминах многомерных моделей «Индустрии 4.0» как процесс создания БЗ об изделии посредством применения ОМ и аппарата нечёткой логики.

Как правило, первичные технические требования к элементам ТС и их характеристики формулируются лингвистически. Для их формализации вводится лингвистическая переменная (R, N, Y), где: N — наименование переменной, извлечённое из тезауруса требований (например: температура, точность, давление); R — множество терминов, связанных с данной переменной и отражающих её различные формулировки; Y — параметр, задающий уровень соответствия «представление–связь» в модели RAMI 4.0, т.е. степень, с которой лингвистическая формулировка может быть отнесена к определённой координате модели (например, к конкретному уровню иерархии, фазе ЖЦ или уровню представления) [3, 5].

Для получения лингвистической переменной можно применять различные методы в зависимости от доступных инструментов, обычно они сводятся к следующим этапам:

1) предобработка текстовых требований (приведение к нормальной форме, удаление стоп-слов, выделение ключевых терминов);

2) извлечение из тезауруса требований соответствующих наименований N;

3) определение множества R, включающего различные варианты формулировок этого требования (синонимы, уточнения, допустимые диапазоны);

4) вычисление параметра Y с помощью методов нечёткой логики, отражающего степень принадлежности данного описания выбранной оси RAMI (например, «эксплуатация» в оси ЖЦ или «уровень Field Device» в оси иерархий).

Лингвистическая переменная (R, N, Y) позволяет переводить исходные текстовые описания в формализованную форму, которая может быть использована как для классификации объектов в ОМ, так и для размещения элементов в структуре RAMI 4.0. Для каждого параметра определяется диапазон допустимых значений согласно требованиям технического задания на разработку и конструктивное исполнение изделия [9]. В формулировке требования к элементу ТС указывают параметр «представление–связь» по правилам, описанным в [3, 5], выбирая его из тезауруса требований множества R. В терминах RAMI 4.0 этот параметр отражает позицию элемента в многомерной модели (например, уровень иерархии, фазу ЖЦ или уровень представления). Далее указанный параметр интерпретируется как элемент нечёткого множества требований $\tilde{R}$, поскольку формулировки специалистов из разных организаций могут отличаться по точности, полноте и терминологии.

Для установления степени связи между конкретным требованием и множеством $\tilde{R}$, применяется функция принадлежности μ(R_i), которая задаёт степень соответствия значения параметра «представление–связь» конкретной координате в модели RAMI.

В качестве функций принадлежности могут использоваться стандартные типы нечёткой логики: треугольные функции — для представления диапазонных характеристик (например, рабочая температура от –40 до +120°C с плавным снижением принадлежности за пределами диапазона); трапецеидальные функции — для описания параметров с областью стабильных значений и переходными зонами; гауссовские функции — для характеристик с нормальным распределением возможных значений.

Таким образом, формируется общее нечёткое множество требований $\tilde{R}$, в котором каждый параметр «представление–связь» имеет свою степень принадлежности к координатам RAMI. Такой подход позволяет согласовать разнородные формулировки требований и объединить их в единую ОМ.

Степень принадлежности в предлагаемой модели отражает не только точность формулировки одного требования, но и согласованность различных требований между собой, а также степень принадлежности одного требования другому. Это означает, что если два требования описывают близкие параметры или характеристики (например, диапазон рабочих температур и требование к термостойкости корпуса), то между ними можно установить определённый уровень совпадения.

Для формализации таких связей используется понятие фундаментального множества пространства суждений [10]. Под ним понимается множество всех возможных требований и параметров, извлечённых из тезауруса предметной области и отнесённых к координатам многомерной модели RAMI. Пространство суждений включает все варианты формулировок и интерпретаций этих требований, которые могут появиться при совместной работе специалистов из разных предприятий, подключённых к ИЦП. В этом пространстве степень согласованности между двумя требованиями R_i и R_j может быть выражена через вероятность p_ij их совпадения, которая может быть определена путём статистического анализа совпадения терминов в тезаурусах (например, по метрике TF-IDF или косинусному сходству в векторном пространстве терминов [11]) или экспертной оценки (в случаях, когда требование задаётся нечисловыми характеристиками или неформальными суждениями). Таким образом, параметр p_ij является формальной мерой близости требований и используется для определения качества данных, выявления избыточности, противоречивости или неполноты спецификаций при формировании цифровой оболочки компонентов Индустрии 4.0.

Для управления качеством данных, представленных в онтологиях в условиях неопределённости и разночтений между участниками экосистемы, может быть применён ГОСТ Р 70846.3-2023, который устанавливает требования к онтологиям, используемым для описания и контроля качества данных [12]. Это позволяет формализовать метаданные о достоверности, полноте и актуальности информации в ИЦП.

Степень соответствия термина N требованию R определяется с использованием функции принадлежности μ(N, R) = Y, принимающей значения в диапазоне [0, 1], где 0 означает отсутствие соответствия, а 1 — полное совпадение. Сопоставление пар (R, N) с понятиями мета-онтологии (онтологии верхнего уровня) позволяет определить уровень обобщения и обеспечить корректную классификацию объекта в ОМ предприятия или в прикладной онтологии.

Множество $\tilde{R}$ с различными значениями R_i определяет нечёткие переменные, которые отражают нечёткие значения требований, параметров или характеристик элемента ТС. Степень соответствия между требованиями выражается через вероятности совпадения p_ij: R_i = {p_ij |$p_{ij}\in P, j= \overline{\mathrm{1,} n_i}$}, $i= \overline{\mathrm{1,} L}$, где P — множество вероятностей соответствия требований представляет собой совокупность значений вероятностей, которые описывают степень согласованности или совпадения различных формулировок требований. Его можно использовать для построения нечётких переменных и дальнейшего согласования требований в рамках многомерной RAMI-модели.

При использовании онтологий в проектировании ИЦП можно допустить, что имена нечётких переменных, определяемые специалистами при формировании требований, принадлежат непересекающимся множествам: R_{i 1} ∩ R_{i 2} ≠ ∅; $i_1, i_2= \overline{\mathrm{1,} L}$. В прикладных ОМ формулировки и набор количественных требований и характеристик определяются тезаурусом. При этих допущениях и использовании средств, применяемых при описании методов функционирования систем поддержки принятия решений в [13], нечёткое требование или характеристику можно представить в виде null.Здесь p_ij — вероятность совпадения требования R_i с параметром или характеристикой, μ(p_ij) — функция принадлежности интерпретирует значение вероятности как степень соответствия требованию и связывает его с другими параметрами и характеристиками из набора с вероятностью p.

Принадлежность некоторого параметра из тезауруса множеству требований можно выразить через логическую операцию (например, квантор существования), указывающую область истинности предикатов, которые связывают эти требования или параметры с элементами ТС. Тогда подмножество нечётких требований в тезаурусе R имеет вид:

$R^{\text{'}}=\left\{\begin{array}{c}\tilde{r}| \forall r\in R\left(\mu \left(r\right)\right)=0 \vee \mu \left(r\right)=1)\\ \forall r= \overline{\mathrm{1,} n} \exists !r\in R_i\mu \left(r\right)=1)\end{array}\right\}$. (1)

Это означает, что для любого требования $\tilde{r}$ из множества $\tilde{R}$ функция принадлежности должна принимать чёткие значения: либо 0 (не принадлежит), либо 1 (принадлежит), т.е. на этом шаге отбрасываются промежуточные степени принадлежности и остаются только «однозначные» требования. Символ ∃! определяет квантор существования, который означает, что в каждом наборе требований R_i должен существовать ровно один элемент r, для которого μ(r) = 1. Это условие гарантирует, что в подмножестве R′ остаётся только уникальное требование из каждого R_i, которое однозначно соответствует заданному параметру.

При использовании интеллектуальных ИС сложные ЦМ формируются с помощью ИА и выражение (1) может описывать правило выбора более подходящего описания параметра, а также правило запуска действий ИА по согласованию требований, входящих в ЦМ.

Современные ИЦП основаны на проектных репозиториях, в которых каждый элемент ТС может иметь разное значение функции принадлежности, выраженное через предикат соответствия «представление-связь». Такие репозитории, где элементы заданы лингвистически, можно создать посредством системы управления знаниями, которая выражается системой взаимосвязанных онтологий. Для обеспечения функционирования производственных предприятий, находящихся в единой цифровой экосистеме на базе эталонной модели, реализуется многоуровневая система иерархически связанных онтологий, включающая:

• мета-онтологию, задающую язык описания элементов многомерной модели ИЦП;
• набор прикладных онтологий, определяющих структуру информации в соответствии с концепцией «Индустрии 4.0»;
• онтологии предприятий, отражающие локальные модели систем, процессов и изделий.

Такой подход находит отражение во многих исследованиях, где онтологии индустрии рассматриваются как средство формализации знаний в рамках ПС и обеспечения семантической совместимости [14].

Многоуровневая система онтологий представлена на рисунке 1, иллюстрирующем взаимодействие мета-онтологии, прикладных онтологий и онтологий предприятий.

Рисунок 1 – Многоуровневая система онтологий для организации индустриальных цифровых платформ

Система онтологий на основании тезаурусов позволяет подготовить данные для отражения их в мета-модели сверху, для классификации данных из онтологий проектов предприятий, входящих в экосистему снизу, а также способствует разработке и отладке механизмов сбора, обработки и анализа данных на всех уровнях ПС. Построение мета-онтологии может быть осуществлено в соответствии с требованиями стандарта [6], который определяет критерии корректности верхнеуровневых онтологий, включая непротиворечивость, полноту и возможность сопоставления категорий. Это обеспечивает возможность интеграции предложенной модели с другими онтологическими системами, используемыми в экосистемах «Индустрии 4.0».

С помощью подобной системы можно регламентировать определение правил и протоколов взаимодействия между различными элементами ПС, соблюдая требования информационной безопасности. Оценка эффективности мер по защите информации в ИЦП может быть реализована в соответствии с ГОСТ Р 59798-2021, который устанавливает методы измерения и анализа эффективности систем управления информационной безопасностью на основе показателей производительности [15]. Это позволяет интегрировать процессы управления безопасностью в общую архитектуру цифровой платформы.

Такой подход к организации ИЦП и ИС сетевых предприятий часто применяется различных в технических решениях [16, 17]. Система онтологий может включать L множеств терминов в виде схем соотношений, формирующих тезаурусы с наименованиями N_i, содержащие переменные R и R′, связанные функцией принадлежности, в соответствии с [6].

3 Онтологическая модель индустриальных цифровых платформ

Мета-онтологии ИЦП направлены на достижение соответствия между классами, свойствами и отношениями элементов, а также на нормализацию разнообразных данных из онтологий нижнего уровня. Онтология предприятия включает описание процессов, представление целей, ценностей, мотивации, организационной культуры и смыслы деятельности [18].

Онтология SUMO (Suggested Upper Merged Ontology) является гибким средством для представления знаний об элементах систем, заданных в виде БЗ [19]. Его использование позволяет отражать в структуре данных компоненты Индустрии 4.0, являющиеся элементами ПС. Обмен данными между ИС смежных предприятий можно наладить с помощью специальных методов описания онтологий, к которым относятся стандарт OWL.

Администрирование онтологий предметных областей в экосистемах индустриальных цифровых платформ предполагает не только согласование терминологии и концепций между участниками, но и формализацию правил обмена данными между их информационными системами. Для этого используются унифицированные тезаурусы и процедуры семантической валидации, а также автоматизированные средства устранения двусмысленности и неполноты информации.

В качестве таких средств в работе предложен интеллектуальный ассистент, обеспечивающий автоматическое определение координат элементов в многомерной модели RAMI 4.0 и синхронизацию онтологий разных уровней (мета-, прикладных и корпоративных). Это позволяет достигать консенсуса при интеграции знаний, поддерживать актуальность тезаурусов и регламентировать информационный обмен между предприятиями.

Для построения системы онтологий, представленной на рисунке 1, применён редактор онтологий Protégé, который использован для установления соответствий между классами и сущностями разных онтологий. Проведена эмуляция процесса приведения элементов, созданных в прикладных онтологиях предприятий, входящих в экосистему, к мета-онтологии ИЦП. Определён набор классов и предикатов, которые могут автоматически формировать ЦМ элемента ПС в виде онтологии (рисунок 2), в соответствии с требованиями стандартов, перечисленными в таблице 1.

Рисунок 2 – Основные концепты онтологической модели, поддерживающие учёт компонентов Индустрии 4.0

На рисунке 2 представлены основные классы ОМ, такие как PhysicalAsset, DigitalAsset, LifeCycleStage и др., которые определяют типы элементов, используемых при моделировании ИЦП. Определены и классифицированы свойства и отношения выявленных концептов в соответствии с эталонной моделью RAMI 4.0 и определены основные свойства предикатов для отражения процессов, протекающих на предприятиях, входящих в экосистему ИЦП. Некоторые предикаты, которые связывают эти классы между собой, обеспечивая семантическую целостность модели согласно трёхмерной структуре RAMI 4.0, показаны на рисунке 3. Рисунки 2 и 3 вместе формируют онтологическую структуру, где классы задают понятийный аппарат, а предикаты — правила взаимодействия между элементами модели. Определены предикаты, которые связывают классы и описывают их характеристики. Для каждого из предполагаемых предикатов определены квантор существования и квантор общности в соответствии с (1).

Рисунок 3 – Свойства и отношения элементов индустриальных цифровых платформ в соответствии с многомерной моделью RAMI 4.0

На рисунке 3 представлены ключевые предикаты, используемые в RAMI 4.0. Каждый предикат интерпретируется как элемент p_ij нечёткого множества требований R_i, определённого выражением (1). Например, предикат hasPhysicalConnection характеризует связь между двумя объектами PhysicalAsset и относится к множеству R₁, связанному с этапом ЖЦ Operation. Предикат synchronizesWith, связывающий HybridAsset с DigitalAsset, относится к множеству R, которое описывает взаимодействие в слое CommunicationLayer. Таким образом, на рисунке 3 представлена модель нечётких требований в структуре ОМ RAMI 4.0. Основываясь на принципах применения онтологического подхода в различных областях [20, 21], проведено соотнесение предикатов с классами и определены домен и диапазон для каждого предиката. Например, определено, что предикат hasPhysicalConnection имеет домен PhysicalAsset и диапазон PhysicalAsset, а предикат synchronizesWith имеет домен HybridAsset и диапазон DigitalAsset.

Для включения созданных концептов в структуру RAMI 4.0 произведено отнесение классов и предикатов согласно требованиям стандартов (таблица 1):

• распределение предикатов по этапам ЖЦ (IEC 62890);
• распределение предикатов по уровням иерархии (IEC 62264);
• распределение предикатов по слоям архитектуры (IEC 61512).

В результате сформирована структура предикатов, которая вместе со структурой классов формирует ОМ (см. рисунок 4).

Рисунок 4 – Структура основных предикатов онтологической модели в концепции RAMI 4.0.

Рисунок 4 дополняется перечнем классов предикатов ОМ RAMI 4.0, который представлен в таблице 2 (в него не вошли предикаты ОМ ИЦП, распределённых по категориям согласно эталонной модели RAMI 4.0).

Таблица 2 – Классы предикатов онтологической модели RAMI 4.0

Предложенная классификация позволяет разделить роли предикатов в рамках модели RAMI 4.0, что позволит обеспечить более эффективное управление данными в ИЦП. При такой организации данных заказчик или производитель изделий, находящийся в экосистеме ИЦП, может определить основные сведения о требуемой или производимой продукции, задав её лингвистическое описание, этапы ЖЦ, элементы изделия и связанные с ними элементы ТС согласно п.4.1 стандартов IEC 63088 и ГОСТ 59799, включая средства и методы производства.

Для учёта неопределённости требований предложенную структуру предикатов можно представить в виде нечёткой онтологии, где классы и отношения дополняются функциями принадлежности. В таком решении можно использовать динамические концепты, а также концепты в виде разношкальных числовых и лингвистических переменных [22].

Для определения параметров элементов ТС в созданной ОМ на основе лингвистических переменных (R_i, N_i, Y_i), которые могут задавать значения уровня соответствия «представление-связь», разработан ИА, помогающий внести любой элемент ТС в структуру данных ИЦП.

4 Инструменты управления индустриальными цифровыми платформами

Сдерживающими факторами развития ИЦП и концепции «Индустрия 4.0» на современном этапе является отсутствие практических инструментов ввода информации об элементах ТС в структуру данных ИЦП с автоматическим определением координат многомерной модели и показателей семантической связанности понятий, формирующих тезаурусы.

Для применения онтологического подхода управления данными разработан способ автоматизированного ввода новых элементов ТС в ОМ RAMI 4.0 с использованием ИА, реализованного на открытой программной платформе, позволяющей применять инструменты Python. Применение ИА, основанных на искусственных нейронных сетях, помогает анализировать и раскрывать причины аномалий в отдельных образцах, входящих в тезаурусы и в выборке данных, использовать автокодировщики, а также снижать трудозатраты администраторов ИЦП [23].

В ИА использованы библиотеки Python: owlready2 для работы с онтологией RAMI 4.0, spaCy и pymorphy2 для предобработки текста, TfidfVectorizer и LinearSVC для классификации элементов, Streamlit для построения интерфейса. Все компоненты системы интегрированы в облачную платформу, что позволило реализовать прототип ИА, способный автоматически добавлять новые элементы в ОМ на основе естественно-языковых описаний. ИА выполняет ряд ключевых функций.

1) Настройка среды и загрузка онтологии: инициализирует программную среду, устанавливает необходимые библиотеки (например, owlready2, scikit-learn, pymorphy2), загружает или создаёт базовую ОМ RAMI 4.0 в хранилище, включая концепты (рисунок 2), предикаты (рисунок 4) и их иерархические отношения.

2) Предобработка текстовых описаний: выполняет предварительную обработку текстового описания нового элемента (например, «интеллектуальный сенсор температуры в эксплуатации») и описаний категорий ОМ (например, «Operation: эксплуатация, использование, работа»), включая приведение к нижнему регистру, лемматизацию и удаление стоп-слов, построение TF-IDF векторов для числового представления терминов и понятий при обработке естественного языка, для поиска информации, для определения важности слова по отношению к другим терминам [11]. Процедуры предобработки и интерпретации данных могут быть дополнены метриками качества, определёнными в [12], что обеспечит количественную оценку достоверности автоматически извлекаемых концептов.

3) Классификация элемента: определяет тип элемента (PhysicalAsset, DigitalAsset, HybridAsset) путём сравнения TF-IDF вектора описания элемента с векторами категорий типов активов с использованием косинусного сходства [11, 24].

4) Определение координат в многомерной модели: устанавливает координаты элемента по трём осям в соответствии с концепцией RAMI 4.0 на основе сравнения TF-IDF векторов описания элемента с векторами соответствующих категорий.

5) Интеграция элемента в онтологию: добавляет новый элемент как экземпляр в онтологию (например, «интеллектуальный сенсор» как экземпляр PhysicalAsset), присваивает предикаты (например, hasLifeCycleStage Operation) и связи (например, sendsDataTo CommunicationLayer) на основе координат, сохраняя обновлённую онтологию.

6) Валидация соответствия стандартам: проверяет корректность интеграции элемента, сравнивая координаты и связи с требованиями стандартов [3-5], и вносит корректировки при необходимости. В перспективе, механизм валидации может быть расширен за счёт внедрения показателей безопасности в соответствии [14], что позволит оценивать не только семантическую корректность, но и защищённость данных в онтологии.

7) Представление результатов: форматирует и отображает итоговые координаты (например, Operation, FieldDevice, Asset) и создаёт описание элемента.

8) Корректировка на основе обратной связи: принимает уточнённое описание элемента от пользователя (например, «умный сенсор в разработке»), повторно выполняет классификацию и интеграцию, обновляя онтологию при необходимости.

ИС ИЦП, ERP-система и ИА формируют систему интеллектуального обмена данными и синхронизации сведений об используемых активах для всех субъектов экосистемы. На рисунке 5 показана модель бизнес-процесса в случае, когда один из участников ИЦП создаёт новый элемент ТС в корпоративной ERP-системе, который должен занять своё место в структуре данных ИЦП и получить свой адрес в многоуровневой модели RAMI.

Рисунок 5 – Процесс автоматического определения координат модели RAMI для элементов технической (производственной) системы с использованием интеллектуального ассистента

Такие процессы включают процедуры передачи сведений о новых элементах из корпоративных ERP-систем участников ИЦП в её онтологию (процесс «туда») и процедуры записи в корпоративные ERP-системы новых элементов, содержащихся в мета- и прикладных онтологиях ИЦП (процесс «обратно»). При создании нового объекта в ERP-системе (в процессе «туда») оператор выбирает или создаёт объект в справочнике (например, «Номенклатура») и подбирает связи с другими объектами посредством предикатов, используя справочник «Предикаты». При этом объект описывается в виде набора триплетов: «объект – предикат – цель».

Если новый объект описан на естественном языке, то ИА проводит предобработку текста (лемматизация, удаление стоп-слов, построение TF-IDF), интерпретацию терминов через унифицированный тезаурус и производит формирование триплетов характеристик этого элемента (R_i, N_i, X_i). Задача ИА – запросить мета-онтологию для сопоставления понятий, определить класс объекта по прикладной онтологии и обновить корпоративную онтологию предприятия. На основе предикатов и связей вычисляются координаты RAMI, т.е. определяется иерархия, ЖЦ и уровень абстракции элемента. ИА формирует OWL/RDF-граф объекта и экспортирует его в ИЦП, где он связывается с верхнеуровневыми и прикладными онтологиями ИЦП (см. рисунок 5).

В случае появления нового элемента ТС в ИЦП (в процессе «обратно») платформа инициирует автоматическую рассылку участникам цифровой экосистемы уведомлений с вложением в формате TXT или XML, а ИА осуществляет интерпретацию параметров элемента (координаты RAMI, связи, предикаты, атрибуты) и производит проверку уникальности для автоматического формирования объектов ERP-системы. Если оператор ERP-системы на основании своих задач и практического опыта принимает решение об отображении в его системе нового элемента, то он запускает процедуру формирования новых объектов БД в ERP-системе, которые могут быть включены в состав ЦМ изделия, предприятия или производственного процесса (см. нижний уровень рисунка 1).

Предложенный способ позволяет обрабатывать лингвистические данные без предварительного структурирования, а также управлять процессом добавления элементов ИЦП, которые могут вноситься операторами ERP-систем предприятий. Это достигается благодаря автоматическому извлечению концептов и связей из естественно-языковых описаний.

Для применения операторами ERP-систем совместно с ИА предложенного подхода разработана структура данных ERP-системы на платформе «1С: Предприятие». При определении свойств объекта в специализированном справочнике оператор имеет возможность подставить набор предикатов, описывающих его связь с осями многомерной модели, из другого специализированного справочника. При выгрузке данных на ресурсы ИЦП они занимают своё место в её структуре. Таким образом, предикаты, отражённые на рисунках 3 и 4, становятся элементами соответствующих справочников 1С с наборами дополнительных реквизитов, которые являются предикатами разработанной ОМ. Информация, сформированная аналитиками в онтологии с помощью ИА, может использоваться операторами ERP-систем.

Применение описанного подхода возможно в ПС, использующих методы автоматического лингвистического анализа для формирования онтологий без ручной структуризации исходных данных.

Заключение

Предложенный подход онтологического проектирования ИЦП основан на стандартизации, интеграции и автоматизации управления данными в экосистемах Индустрии 4.0. Операторы ERP-систем предприятий имеют возможность создавать объекты систем в БЗ или подбирать предикаты ОМ в ИС в соответствии с требованиями стандартов, на которых базируется концепция RAMI. Многоуровневая система онтологий, включающая мета-онтологию, прикладные онтологии и онтологии предприятий, обеспечивает формализацию знаний об элементах ТС и их связях, соответствующую требованиям действующих стандартов. Применение ИА позволит автоматически формировать структуру данных о ТС, корректируя сведения о них методами нечёткой логики.

Об авторах

Игорь Николаевич Фомин

Автор, ответственный за переписку.
Email: ignik16@yandex.ru
ORCID iD: 0000-0003-3491-6888
http://infomin.ru/

к.т.н., член Национальной палаты инженеров России, доцент СГУ имени Н.Г. Чернышевского, доцент СГТУ, старший научный сотрудник Института проблем точной механики и управления

Список литературы

Дополнительные файлы

Доп. файлы

Действие

1. JATS XML

Скачать

2. Рисунок 1 – Многоуровневая система онтологий для организации индустриальных цифровых платформ

Скачать (608KB)

Метаданные

3. Рисунок 2 – Основные концепты онтологической модели, поддерживающие учёт компонентов Индустрии 4.0

Скачать (587KB)

Метаданные

4. Рисунок 3 – Свойства и отношения элементов индустриальных цифровых платформ в соответствии с многомерной моделью RAMI 4.0

Скачать (742KB)

Метаданные

5. Рисунок 4 – Структура основных предикатов онтологической модели в концепции RAMI 4.0

Скачать (784KB)

Метаданные

6. Рисунок 5 – Процесс автоматического определения координат модели RAMI для элементов технической (производственной) системы с использованием интеллектуального ассистента

Скачать (797KB)

Метаданные