Методы формирования и адаптации онтологии проектно-конструкторских данных

Аннотация

Рассмотрена общая проблематика управления проектно-конструкторскими данными в условиях позаказного проектирования и производства. Представлены основные походы к информационной интеграции процессов жизненного цикла изделия. Детально рассмотрен рекомендуемый к использованию онтологический подход к обеспечению семантической совместимости на уровне описания синтаксиса и семантики проектно-конструкторских данных. В рамках онтологического подхода подробно описаны методы автоматического формирования и адаптации базовой онтологии проектно-конструкторских данных. Метод автоматического формирования базовой онтологии данных предполагает формирование логических групп объектов данных с последующим определением типов объектов онтологии, ассоциаций между ними и оптимизацией полученной структуры базовой онтологии данных. Метод адаптации базовой онтологии данных предполагает формирование логических групп новых или измененных элементов данных с последующей оценкой статистической зависимости и семантических связей как между логическими группами, так и между объектами онтологии данных. По результатам анализа связей объектов онтологии данных уточняются или формируются утверждения о знаниях. Кратко рассмотрена реализация прототипа интеллектуальной системы управления данными об изделии, реализующей предложенные методы управления онтологией проектно-конструкторских данных

Работа выполнена при финансовой поддержке Совета по грантам Президента Российской Федерации для молодых ученых и аспирантов (СП-133.2022.5)

Просьба ссылаться на эту статью следующим образом:

Дрозд О.В. Методы формирования и адаптации онтологии проектно-конструкторских данных. Вестник МГТУ им. Н.Э. Баумана. Сер. Приборостроение, 2024, № 1 (146), с. 104--121. EDN: HVWKWE

Литература

[1] Fang J., Wei X. A knowledge support approach for the preliminary design of platform-based products in Engineering-to-Order manufacturing. Adv. Eng. Inform., 2020, vol. 46, art. 101196. DOI: https://doi.org/10.1016/j.aei.2020.101196

[2] Willner O., Gosling J., Schonsleben P. Establishing a maturity model for design automation in sales-delivery processes of ETO products. Comput. Ind., 2016, vol. 82, pp. 57--68. DOI: https://doi.org/10.1016/j.compind.2016.05.003

[3] Cannas V.G., Gosling J. A decade of engineering-to-order (2010--2020): progress and emerging themes. Int. J. Prod. Econ., 2021, vol. 241, art. 108274. DOI: https://doi.org/10.1016/j.ijpe.2021.108274

[4] McKendry D.A., Whitfield R.I., Duffy A.H.B. Product lifecycle management implementation for high value Engineering to Order programmes: an informational perspective. J. Ind. Inf. Integration, 2022, vol. 26, art. 100264. DOI: https://doi.org/10.1016/j.jii.2021.100264

[5] Fraga A.L., Vegetti M., Leone H.P. Ontology-based solutions for interoperability among product lifecycle management systems: a systematic literature review. J. Ind. Inf. Integration, 2020, vol. 20, art. 100176. DOI: https://doi.org/10.1016/j.jii.2020.100176

[6] El Kadiri S., Kiritsis D. Ontologies in the context of product lifecycle management: state of the art literature review. Int. J. Prod. Res., 2015, vol. 53, no. 18, pp. 5657--5668. DOI: https://doi.org/10.1080/00207543.2015.1052155

[7] Castane G.G., Xiong H., Dong D., et al. An ontology for heterogeneous resources management interoperability and HPC in the cloud. Future Gener. Comput. Syst., 2018, vol. 88, pp. 373--384. DOI: https://doi.org/10.1016/j.future.2018.05.086

[8] He Y., Hao C., Wang Y., et al. An ontology-based method of knowledge modelling for remanufacturing process planning. J. Clean. Prod., 2020, vol. 258, art. 120952. DOI: https://doi.org/10.1016/j.jclepro.2020.120952

[9] Tebes G., Peppino D., Becker P., et al. Analyzing and documenting the systematic review results of software testing ontologies. Inf. Softw. Technol., 2020, vol. 123, art. 106298. DOI: https://doi.org/10.1016/j.infsof.2020.106298

[10] Ming Z., Sharma G., Allen J.K., et al. An ontology for representing knowledge of decision interactions in decision-based design. Comput. Ind., 2020, vol. 114, art. 103145. DOI: https://doi.org/10.1016/j.compind.2019.103145

[11] Yang L., Cormican K., Yu M. Ontology-based systems engineering: a state-of-the-art review. Comput. Ind., 2019, vol. 111, pp. 148--171. DOI: https://doi.org/10.1016/j.compind.2019.05.003

[12] Alobaidi M., Malik K.M., Hussain M. Automated ontology generation framework powered by linked biomedical ontologies for disease-drug domain. Comput. Methods Programs Biomed., 2018, vol. 165, pp. 117--128. DOI: https://doi.org/10.1016/j.cmpb.2018.08.010

[13] Malik K.M., Krishnamurthy M., Alobaidi M., et al. Automated domain-specific healthcare knowledge graph curation framework: subarachnoid hemorrhage as phenotype. Expert Syst. Appl., 2020, vol. 145, art. 113120. DOI: https://doi.org/10.1016/j.eswa.2019.113120

[14] McCrae J.P., Arcan M., Asooja K., et al. Domain adaptation for ontology localization. J. Web Semant., 2016, vol. 36, pp. 23--31. DOI: https://doi.org/10.1016/j.websem.2015.12.001

[15] Mendonca M., Perozo N., Aguilar J. Ontological emergence scheme in self-organized and emerging systems. Adv. Eng. Inform., 2020, vol. 44, art. 101045. DOI: https://doi.org/10.1016/j.aei.2020.101045

[16] Huang C., Cai H., Xu L., et al. Data-driven ontology generation and evolution towards intelligent service in manufacturing systems. Future Gener. Comput. Syst., 2019, vol. 101, pp. 197--207. DOI: https://doi.org/10.1016/j.future.2019.05.075

[17] Sellami Z., Camps V., Aussenac-Gilles N. DYNAMO-MAS: a multi-agent system for ontology evolution from text. J. Data Semant., 2013, vol. 2, no. 2-3, pp. 145--161. DOI: https://doi.org/10.1007/s13740-013-0025-1

[18] Zhang H., Marangoni Y.R., Wu Z. Depth corrected edge detection of magnetic data. IEEE Trans. Geosci. Remote Sens., 2019, vol. 57, iss. 12, pp. 9626--9632. DOI: https://doi.org/10.1109/TGRS.2019.2928041

[19] Martel S. Magnetic navigation control of microagents in the vascular network: challenges and strategies for endovascular magnetic navigation control of microscale drug delivery carriers. IEEE Control Syst., 2013, vol. 33, iss. 6, pp. 119--134. DOI: https://doi.org/10.1109/MCS.2013.2279477

[20] Wang F., Song Y., Dong L., et al. Magnetic anomalies of submarine pipeline based on theoretical calculation and actual measurement. IEEE Trans. Magn., 2019, vol. 55, iss. 4, art. 6500410. DOI: https://doi.org/10.1109/TMAG.2019.2898951

[21] Дрозд О.В., Капулин Д.В., Ченцов С.В. Экспертная оценка моделей и средств информационной поддержки конструкторского проектирования микроэлектронных систем. Промышленные АСУ и контроллеры, 2019, № 6, с. 25--30. DOI: https://doi.org/10.25791/asu.06.2019.679