Integration of Domain Expert-Centric Ontology Design into the CRISP-DM for Cyber-Physical Production Systems

要約

インダストリー 4.0 とサイバーフィジカル生産システム (CPPS) の時代には、膨大な量の潜在的に価値のあるデータが生成されています。
機械学習 (ML) とデータ マイニング (DM) の手法は、収集されたデータから複雑で隠れたパターンを抽出するのに有望であることが証明されています。
得られた知識は、診断やメンテナンス計画などのタスクを改善するために使用できます。
ただし、このようなデータドリブン プロジェクトは、通常、Cross-Industry Standard Process for Data Mining (CRISP-DM) を使用して実行されますが、データの理解と準備に必要な時間が不釣り合いなために失敗することがよくあります。
ドメイン固有のオントロジーのアプリケーションは、前述の課題に関するさまざまなインダストリー 4.0 アプリケーション シナリオにおいてその利点が実証されています。
ただし、CPPS のオントロジー設計からのワークフローとアーティファクトはまだ CRISP-DM に体系的に統合されていません。
したがって、この寄稿は、データ サイエンティストが CPPS についてより迅速かつ確実に洞察を得ることができるように、統合されたアプローチを提示することを目的としています。
この結果は、例として異常検出のユースケースに適用されます。

要約(オリジナル)

In the age of Industry 4.0 and Cyber-Physical Production Systems (CPPSs) vast amounts of potentially valuable data are being generated. Methods from Machine Learning (ML) and Data Mining (DM) have proven to be promising in extracting complex and hidden patterns from the data collected. The knowledge obtained can in turn be used to improve tasks like diagnostics or maintenance planning. However, such data-driven projects, usually performed with the Cross-Industry Standard Process for Data Mining (CRISP-DM), often fail due to the disproportionate amount of time needed for understanding and preparing the data. The application of domain-specific ontologies has demonstrated its advantageousness in a wide variety of Industry 4.0 application scenarios regarding the aforementioned challenges. However, workflows and artifacts from ontology design for CPPSs have not yet been systematically integrated into the CRISP-DM. Accordingly, this contribution intends to present an integrated approach so that data scientists are able to more quickly and reliably gain insights into the CPPS. The result is exemplarily applied to an anomaly detection use case.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google