Онтологія математичних моделей технологічних об’єктів промислових підприємств. Ч. 1. формування основних концептів предметної області



DOI: http://dx.doi.org/10.31548/energiya1(65).2023.023

О. Omelchenko, N. Lutska, L. Vlasenko

Анотація


Наведено обґрунтування необхідності побудови онтології математичних моделей технологічних об’єктів промислових підприємств. Для цього було проведено опитування та отримані експертні оцінки, які показали, що наразі не існує повної класифікації існуючих математичних моделей та відповідних онтологій в області промисловості. Також експерти зазначили, що наявність подібної онтології суттєво полегшило їх роботу при проведенні досліджень і робіт, що по’вязані зі створенням високоефективних систем управління виробництвом на основі моделей. До таких моделей увійдуть існуючі математичні представлення технологічних процесів, а також методи ідентифікації їх параметрів. Базуючись на результатах експертних оцінок, побудовано діаграму Ісікави, яка відображає фактори, що впливають на розробку математичної моделі і є основою для розробки онтології. Також для створення адекватної онтології визначено місце математичної моделі в ієрархії існуючих моделей. Важливим етапом при проведені проектування онтології стала сформована класифікація існуючих математичних моделей за виділеними характеристиками, до яких віднесли структуру моделі, її характер, її об’єктні властивості, призначення моделі та математичні залежності. Визначено основні концепти моделей, до яких увійшли класичні та сучасні різновиди моделей технологічних процесів.

Ключові слова: математична модель, онтологія, концепт, технологічний процес, зв'язок, автоматизація


Повний текст:

PDF

Посилання


Smart Manufacturing – Reference Architecture Model Industry 4.0 (RAMI 4.0). Available at: https://www.plattform-i40.de/IP/Redaktion/EN/Downloads/Publikation/Details_of_the-_Asset_Administration_Shell_Part1_V3.html.

Illa, N., Sin, T. C., Fathullah, G. M., Rosmaini, A. (2018). Mathematical modeling of quality and productivity in industries: A review. AIP Conference Proceedings November 2018, 2030(1):020126. doi:10.1063/1.5066767.

Zaiets, N., Vlasenko, L., Lutska, N., Shtepa, V. (2022). Resource Efficiency Forecasting Neural Network Model for the Sugar Plant Diffusion Station. Automation 2022: New Solutions and Technologies for Automation, Robotics and Measurement Techniques, 151–161. doi:10.1007/978-3-031-03502-9_16.

Ljung, L. (1999). System identification: theory for the user. Prentice Hall PTR. 609.

Gresova, E., Svetlík, J. (2021). Mathematical modeling of the manufacturing sector’s dominant part as a base for automation. Applied Sciences, 11, 3295. doi:10.3390/app11073295.

Korobiichuk, I., Ladanyuk, A., Vlasenko, L., Zaiets, N. (2018). Modern Development Technologies and Investigation of Food Production Technological Complex Automated Systems. Proceedings of 2-nd International Conference on Mechatronics Systems and Control Engineering ICMSCE 2018. Amsterdam, Nitherlands, 52–56. doi:10.1145/3185066.3185075.

Boss, B., et al. (2020). Digital twin and Asset Administration Shell Concepts and Application in the Industrial Internet and Industrie 4.0, an Industrial Internet Consortium and Plattform Industrie 4.0 Joint. White Paper.

Akroyd, J., Mosbach, S., Bhave, A., Kraft, M. (2021). Universal digital twin – a dynamic knowledge graph. Data-Centric Engineering, 2, e14. doi:10.1017/dce.2021.10.

D’Amico, R.D., Sarkar, A., Karray, H., Addepalli, S., Erkoyuncu, J.A. (2022). Detecting failure of a material handling system through a cognitive twin. IFAC-PapersOnLine, 55 (10), 2725–2730. doi:10.1016/j.ifacol.2022.10.128.

ISO 20534: 2018 Industrial Automation Systems and Integration – Formal Semantic Models for the Configuration of Global Production Networks. Available at: https://www.iso.org/standard/68274.html.

Gal, A. Ontology Engineering. (2009). Encyclopedia of Database Systems. Springer, Boston, MA. doi:10.1007/978-0-387-39940-9_1315.

Lutskaya, N., Vlasenko, L., Zaiets, N., Shtepa, V. (2021). Ontological aspects of developing robust control systems for technological objects. ICO 2020: Intelligent Computing and Optimization, Advances in Intelligent Systems and Computing book series, 1324, 1252– 1261. doi:10.1007/978-3-030-68154-8_107.

Vlasenko, L. O., Lutska, N. M., Zaiets, N. A., Shyshak, A. V., Savchuk, O. V. (2022). Domain ontology development for condition monitoring system of industrial control equipment and devices. Radio Electronics, Computer Science, Control, 1, 157. doi:10.15588/1607-3274-2022-1-16.

Wei, S., Yu, Z., Chen, F., Mao, C., Guo, J. (2015). The Expert Ranking Method Based on Listwise with Associated Features. In: Zhang, X., Sun, M., Wang, Z., Huang, X. (eds) Social Media Processing. SMP 2015. Communications in Computer and Information Science, 568. Springer, Singapore. doi:10.1007/978-981-10-0080-5_18

Zhang, T., Harrington, K. B., Sherf, E. N. (2022). The errors of experts: When expertise hinders effective provision and seeking of advice and feedback. Current Opinion in Psychology, 43, 91-95. doi:10.1016/j.copsyc.2021.06.011.


Метрики статей

Завантаження метрик ...

Metrics powered by PLOS ALM

Посилання

  • Поки немає зовнішніх посилань.