网络物理环境中的知识工程和机器学习设计与使用

知识工程和机器学习在网络物理环境中的设计和使用MichaelWalchUniversity ofVienna维也纳大学奥地利维也纳摘要开 发在 循 环 中 具 有 人 和 业 务 方 面 的 网 络 物 理 系 统（CPS）所需的任务是以明确的方式捕获人类知识设计知识工程可以用来解决这个问题. 因此，该想法是在CPS的整个生命周期中&以自动化的方式利用人类知识设计。尤其是，一个挑战是连接概念模型和操作环境。前者侧重于捕获和分解人类知识&设计的人，busi- nesses，和CPS使用半正式的概念，可以通过顺序语义的过程执行，而后者侧重于连续时间模型和CPS，在运行时的物理世界中运行。通过以智能方式连接概念模型和操作环境，s*IoT概念建模方法能够调整两个可迭代性级别：一个用于关注可行、理想和可行设计的人，另一个用于高效、自动化和可靠地使用CPS。因此，s*IoT取代了在概念模型和操作环境之间开发特定于应用程序的接口的方法。相反，s*IoT使用语义Web堆栈来减少开发特定于应用程序的接口的人力。虽然这是一种很有前途的方法，但问题是机器学习方法的集成是否为s*IoT提供了额外的好处，因为机器学习方法可能会进一步消除与语义Web堆栈技术本文就此问题提出了自己的见解。介绍虽然大多数网络物理系统（CPS）旨在增强人和企业的能力，但这是一个问题，因为CPS很难了解人和企业的需求（Soweetal. 2016年）。 使人类知识&设计可访问可以帮助CPS做出明智的决策，并实现他们的目标，这最终是人和企业的目标。概念建模是将人类的知识&设计以一种能够被人类理解的半形式化的方式显式化的方法版 权 归 作 者 所 有 以 . 马 丁 ， K.Hinkelmann ， A.Gerber ，D.Lenat，F.van Harmelen，P.Clark（Eds.），AAAI 2019春季研讨会将机器学习与知识工程相结合斯坦福大学，帕洛阿尔托，加利福尼亚州，美国，2019年3月25日至27日。在设计时。由此产生的半正式工件也有可能在运行时连接到CPS。 为了实现这一潜力，专业化的概念建模方法是必要的。相应地，已经提出了s*IoT概念建模方法，以智能方式将（1）分解人类知识&设计的概念模型和（2）进一步抽象CPS复杂功能的操作环境结合在一起（Walch和Karagiannis 2019）。 其结果是可以被人类和CPS理解的“智能”模型。概念模型和操作环境之间的连接可以通过不同的方式来实现一种选择是手工开发概念模型和操作通过开发特定于应用程序的接口可以连接这些手动开发的工件，这同样需要为每个接口进行人工操作。另一种选择是采用语义Web堆栈来自动连接概念模型和操作环境。语义Web堆栈为需要多样性、综合性和明确性的主题提供了好处因此，在当前版本的s*IoT概念建模方法中采用了来自语义Web堆栈的技术具体而言，s*IoT建模方法和工具采用本体和推理。通过进一步将概念模型分解为具有与操作环境的形式化语义抽象能力相匹配的形式化语义的元素，从而实现自动化 虽然采用语义web栈允许消除大部分手动工作，但是某些方面仍然必须在劳动密集型和易出错的过程中大量地手动开发，这已经成为关键瓶颈（Doan et al.2004年）。因此，第三种可能的选择是使用机器学习。因此，重点是先进自动化的机会。本文的研究方法是对知识工程与机器学习的结合提出一种可行特别地，通过检查机器学习的机会，探索了s*IoT概念建模方法的潜在更新。因此，三种情况下讨论的主题自动化的概念模型和操作环境之间的连接。目标是描述一个方向，间接模型建模方法工程建模CPS运行环境语义技术概念模型实现器作用运行时环境“智能”模型领域抽象离子ent执行环境使用pts模型Conce概念模型语言抽象图1：分析机器学习适用性的主题未来的研究可以继续。这个方向是由专门的设计科学范式与基于模型的方法的概念框架。此外，应用元级视图，将所得到的模型视为正在研究的系统。本文的研究问题是：映射机器学习在连接概念模型和操作环境中的机会，从需要机器学习的具体案例中构建信息，并总结未来的研究方向。为了回答研究问题，本文采用了概念分析的方法。对结果的分析 在优势，劣势，机会和威胁（SWOT）进行验证的目的。导言之后，本文分为五个部分。首先，概述了概念建模、CPS及其相互关系的基础和相关工作最后，简要介绍了s*IoT概念建模方法，以及它如何从使用语义Web堆栈中受益基于这两个部分，建议更新s*IoT建模方法和工具如何与机器学习相结合结论前的讨论部分批判性地反映了结果基金会及相关工作图1显示了s*IoT概念建模方法所解决的主题。本文分析了机器学习的适用性。因此，基础和相关工作进行了简要讨论。这个主题可以分为三个主要部分：概念建模，CPS，以及两者之间的联系。概念建模可以在提取周期中使用，以使人类知识设计明确（Karagiannis，Buchmann和Walch 2017）。结果是前-由面向人和面向机器的表示分解的隐式知识设计。这些代表是概念模型。概念模型是半正式的，在这个意义上，他们可以处理的ICT系统，但也包含语义，需要人类的解释。要构建概念模型，需要建模方法和工具元模型提供了概念模型、建模方法和建模工具的语言、过程和算法抽象（Kara-giannisandKu？hn2002）。概念、元 模 型 和 模 型 支 持 敏 捷 周 期 中 的 知 识 设 计 工 程（Karagiannis 2015）。因此，工程可以被看作是组装代表性组件的任务，因此，当主题专家的知识设计变得明确时，工程师并不总是必要的，因为后者可以使用他们熟悉或直观的表示直接与概念模型交互。网络物理系统是涉及网络和物理组件的反馈系统，其实现了创新应用，例如，工业4.0、社会5.0和智慧城市。与传统ICT系统的区别在于，没有明确的分离，而是物理过程和软件的交叉（Shi等人，2011）。然而，需要建模，使不同的多学科团队一起工作的问题，设计和使用CPS。因此，CPS为ICT系统的传统建模方法所不涵盖的建模带来了新的挑战（Derler，Lee和Sangiovanni-Vincentelli 2011; Sharma等人2014）。这是因为传统的ICT系统依赖于通过顺序步骤编码知识设计的模型，而CPS深深植根于物理世界，这需要连续时间模型，例如，解算器数值近似-模拟微分方程的解。概念模型和CPS之间的连接需要设计时和运行时方面的集成。因此，概念模型可以通过连接一端的操作语义（Lehmann et al. 2010）进行扩展。另一方面，CPS可以被理解为可执行模型的运行时环境运行时环境可以由执行环境封装，该执行环境提供内部设计时人类知识与设计连接方面功能结构直线运行时信息物理系统的实现在与可执行模型相同的抽象级别上的面。运行时环境和执行环境共同构成了可执行模型的运行环境然而，在现实中，可执行模型和执行环境之间的连接是一个复 杂 的 问 题 ， 因 为 没 有 固 定 的 对 齐 点 （ Walch 和Karagiannis 2019）。在简要介绍了所研究主题的基础之后，讨论了概念模型和操作环境之间联系的相关工作关于概念模型的执行，对于人类来说认知上足够并且可由机器处理的概念模型是有益的，因为这样的模型可以，例如，实现通信和协作，通过分析和模拟支持决策者，并通过模 型 执 行 实 现 企 业 运 营 自 动 化 （ Hinkelmann et al.2018）。为了利用这些好处，概念模型的形式语义是必不可少的（Hinkelmann et al. 2016）。由形式操作语义扩展的概念模型的例子是由fUML扩展的模型类型，如UML （ De'v aietal. 2015 ） ， 需 要专 用 执行 环 境 的SysML（Wolny 2017），以及可以由工作流引擎使用的BPMN（De Gi-acomo等人2017）。然而，只有少数几种类型的模型可以执行（Thalheim 2018），这是一个问题，因为建模要求敏捷且快速变化，特别是考虑到CPS可以用于操作模型。关于概念模型中CPS的抽象 ， PRINTEPS 项 目 是 最 近 的 一 个 例 子 （ Morita etal.2018 年 ） 。 PRINTEPS 致 力 于 机 器 人 操 作 系 统（ROS），作为不同机器人提供的运行时环境的抽象。这种执行环境反映在领域特定的概念模型，扩展与模型执行的操作语义进一步的模型抽象允许领域专家直观的概念模型在PRINTEPS中，一些与不同概念模型和ROS相关的抽象和分解机制是自动化的。然而，一个问题是，对ROS的承诺并不适用于所有类型的CPS ， 特 别 是 当 CPS 架 构 从 分 层 变 为 面 向 服 务 时（ Foehr et al. 2017; Gruettner ， Richter 和 Basten2017）。s*IoT概念建模方法s*IoT概念建模方法是由于AMME和 CPS 的 不 断 变 化 的 架 构 （ Walch 和 Karagian-nis2019）。特别是，当概念模型投入使用时，已经发现了问题，因为通过特定于应用程序的接口手动调整概念模型和操作环境需要人工开发图2：连接概念模型和操作环境的方面。努力不成规模。为了缓解这个问题，s*IoT建模方法和工具集成了语义Web堆栈中的技术。图2显示了在人类知识设计和CPS能力之间的空间中连接概念模型和操作环境的方面。前者可以导出需求，后者可以导出描述需求和描述可以根据功能、结构和行为进行建模。结构方面指的是组件及其关系，功能 方面指的 是抽象角 色和具 体实现的 层次结构（即，目标和可衡量的效果），以及随着时间的推移表现的行为方面。在所有这些方面之间，可能存在关于计算范例、细节粒度和表示语言的差距在s*IoT中，在模型中连接这些方面得到了语义Web堆栈技术的支持。由此产生的好处是，需求和描述之间的对齐点对于特定的应用程序不是固定的，而是在连接不同类型的概念模型和操作环境时允许增加灵活性、智能和自动化。这是可能的，因为语义Web堆栈提供了将连接从特定于应用程序的接口提升到所涉及元素之间的语义映射的技术。具体应用案例的一个例子是对人类知识设计进行建模，例如，一个工业4.0的生产过程中，注释所产生的概念模型与正式语义，并发现合适的服务CPS模型执行。s*IoT和机器学习为了改进s*IoT概念建模方法，机器学习的好处将在以下方面进行研究：连接概念模型和操作环境的问题。因此，提出了三个案例。在这三种情况下，应用当前版本的s*IoT建模方法和工具。因为这意味着使用从语义网堆栈的技术，结果是“智能”模型。此外，案例一-识别网络物理环境的结构：在这种情况下，s*IoT建模方法和工具被应用于模拟咖啡制作过程，并在网络物理环境中执行该过程。行为的描述抽象要求分解环境中包含机器人手臂和咖啡摄入物。为了使模型能够执行，网络物理环境的结构被抽象到建模层。这是由创建本体的人手动完成的，该本体扩展了实体模型咖啡制作过程的模型。本体包含关于网络物理环境中的对象的信息，它们的x，y，z位置通过在“智能”模型中组合所有这些元素，流程的执行变得可能。目前，正在评估机器学习为这种情况提供的选项。特别地，图像识别用于基于实时数据更新对象因此，如果机器学习方法要集成到s*IoT建模方法和工具中，则在咖啡配料的量、位置或大小改变的情况下不需要手动干预是可行的案例二-从结构推理功能：在这种情况下，应用s*IoT建模方法和工具来建模CPS的功能和结构通过使用语义Web栈中的技术，可以从CPS的结构中推断出这就需要知识工程师和领域专家来定义功能和结构之间的关系能够驱动和转向的机器人车辆具有两个独立的马达、轮子和马达控制器等。目前，正在评估机器学习如何支持这种推理以前，CPS的结构必须手工建模，以及功能和结构之间的关系。现有的这种模型被用来组织机器学习的训练集基于这些训练集和机器学习技术，可以从图像中识别CPS的结构，并根据其功能对CPS进行分类。从语义Web堆栈和机器学习的当前采用的技术之间的优点和缺点的彻底比较应该能够提供进一步的见解。案例三-基于CPS Be-Asiaour的建模者助手：在这种情况下，目标是通过向建模者提供智能助手来减少建模者花费的时间和认知努力。这些助手应该积极地对建模者的活动进行分类，预测未来的任务，并主动地2006年）。其中一个例子是基于案例的推理，其中使用先前经验案例的知识来提出不断变化的需求的解决方案（Martin和Hinkelmann 2018）。目前，s*IoT没有为建模者提供智能助手。因此，可以探索机器学习来填补这一空白。其概念是，当CPS使用过程时，可以收集CPS行为的反馈数据。这种反馈可以用于机器学习，以分类好的和坏的过程模式。基于这种分类，应该可以预测新建模的过程将如何表现。这种预测可以在建模任务期间提供给过程建模者。在回顾了必要的机器学习技术之后，可以为这种情况开发原型。讨论结论性的SWOT分析是合理化的有效途径。因此，进行了SWOT分析，以验证本文中形成的关于机器学习对s*IoT概念建模方法的潜力的意见。此外，SWOT分析概括了三个案例。机器学习对于s*IoT的优势在于：（1）可以减少与语义Web堆栈的技术相关的人工努力。这允许在连接概念模型和操作环境时具有更大的灵活性。（2）随着建模方法和工具的发展，新的应用场景成为可能(3)概念模型和CPS的质量得到了提高，因为机器学习使两者之间的联系更加紧密s*IoT的机器学习的弱点是：（1）随着人类利益相关者的工作量自动化，引入了新的误差源和缺乏可处理性是建模方法工程师和建模者的问题。（2）机器学习需要人的努力来选择机器学习范式，准备训练数据，并监督学习算法。(3)机器学习的适用性与训练数据的可用性有关。这与通常用于捕捉创新和创造性想法的概念建模有些矛盾。机器学习在s*IoT中的应用前景是：（1）促进了机器学习社区、概念建模社区和CPS社区之间的协作。这为研究、应用和教育创造了新的机会。（2）通过拥抱当前的机器学习趋势，可以加速s*IoT建模方法和工具的传播(3)通过自动化人力工作，人力资源变得可用。这些人力资源可以用于创造性和创新性的任务。机器学习对s*IoT的威胁是：（1）机器学习是一个复杂的主题，人力资源稀少。此外，涉及机器学习的项目通常很难规划，因为缺乏以前的结果。（2）机器学习的趋势可能危险在于专注于机器学习即将过时的方面(3)当人类的任务被自动化时，必须考虑社会和伦理的观点。此外，当人类被自动化取代时，必须考虑各种风险。结论知识工程在CPS的生命周期中是必要的，因为人的知识设计对于CPS至关重要，人和企业都在循环中。生命周期中CPS的概念模型是必须与作业环境相联系的知识工程人工制品。s*IoT将概念模型和操作环境的连接从特定于应用程序的开发工作提升到利用语义Web堆栈技术的系统方法。虽然这 是一个很有前途的努力，本文正在探索先进的选择，以提高概念模型和操作环境的连接，甚至进一步。特别是机器学习的重新出现的趋势是评估它可以为s* 物联网提供的好处。三个案例中，机器学习支持连接概念模型和操作环境。在第一种方法中，一个信息物理环境的公认结构可用于概念模型.第二，基于CPS组件结构对CPS的功能进行了分类.在第三种方法中，进程的行为是在建模过程中根据CPS先前的执行情况这三起案件的初步结果令人鼓舞。下一步是将这三种情况下使用的机器学习技术集成为s*IoT建模方法和工具的一部分，这将允许不熟悉这些技术的建模人员使用它们。此外，这允许其他建模方法工程师将它们集成到他们的建模方法中。引用Clark ， P.; Thompson ， J.; Barker ， K.; Porter ， B.;Chaudhri，V.; Rodriguez，A.; J. J.; Mishra，S.; Gil，Y.;Hayes，P.;等，2001年。知识条目作为组件的图形组件。在第一届知识捕获国际会议的会议记录中，22-29。ACM。De Giacomo，G.; Oriol，X.; Estanol，M.;和Teniente，E.2017.链接数据和bpmn进程以实现可执行的模型。高级信息系统工程国际会议，612-628。斯普林格。Derler，P.; Lee，E.一、和Sangiovanni-Vincentelli，A. L.2011.解决网络物理系统中的建模挑战。加州大学伯克利分校技术报告。电气工程和计算机科学系。D e'v ai，G.; Ka ra'csony，M.; Ne'meth，B.; Kitlei，R.;Kozsik ， T. 2015.通 过 代 码 生 成 执 行 UML 模 型 。 在EXE@ MoDELS中，9Doan ， A.;Madhavan ， J.;Domingos ， P.; 和 Halevy ，A.2004 年 。 Ontology Matching ： A Machine LearningApproach.在《本体论手册》中。斯普林格。385-403Foeh r，M.; Vollma r，J.; Ca la`，A.; Lei taBagelo，P.;Karnouskos，S.;和Colombo，A. W. 2017.下一代网络物理自动化系统架构的工程设计。在多学科工程的信息物理生产系统。斯普林格。185-206.Gruettner，A.; Richter，J.;和Basten，D. 2017.通过建立逻辑链接，解释面向服务的体系结构在信息物理系统中的作用。在信息系统（ECIS），第25届欧洲会议。Hinkelmann ， K.; Gerber ， A.; Karagiannis ， D.;Thoenssen，B.; van der Merwe，A.;和Woitsch，R. 2016.业务和IT持续一致的新范式：结合企业架构建模和企业本体。工业计算机79：77- 86.下一代企业信息系统未来展望专题.Hin k elmann，K.; Laurenzi，E.; Martin，A.; 和Thonsen，B.2018年基于本体的元建模。施普林格国际出版社. 177-194。Janowicz，K.;Van Harmelen，F.;Hendler，J.一、和希茨勒，P. 2014.为什么数据列车需要语义轨道。人工智能杂志。Karagiannis，D.， 和Kuhn，H. 2002年。元建模平台。InBauknecht，K.; Tjoa，A. M.; Quirchmayr，G.，编辑，电子商务和网络技术，182柏林，海德堡：施普林格柏林海德堡。Karagiannis，D.; Buchmann，R.; Walch，M. 2017.图解概念模型如何支持知识管理？在第25届欧洲信息系统会 议 上 ， ECIS 2017 ， 第 25 届 欧 洲 信 息 系 统 会 议（ECIS）会议记录，1568Karagiannis，D. 2015.敏捷建模方法工程。在第19届泛希腊信息学会议论文集，PCI'15，5-10。New York，NY，USA：ACM.Lehmann ， G.; Blumendorf， M.; Trollmann ，F.; 和Al-bayrak，S. 2010.元建模运行时模型。在模型驱动工程语言和系统国际会议上，209-223。斯普林格。Martin，A.，和Hinkelmann，K. 2018. 基于案例的过程经验推理。陈：施普林格国际出版社. 47比63Morita，T.; Kashiwagi，N.; Yorozu，A.; Walch，M.;Suzuki，H.; Karagiannis，D.; Yamaguchi，T. 2018.基于PRINTEPS的多机器人茶室实践及服务质量评价2018年IEEE第42届计算机软件和应用年会（COMPSAC），147-152。美国电气与电子工程师协会。Panton，K.; Matuszek，C.; Lenat，D.; Schneider，D.;维特-布罗克，M。Siegel，N.;Shepard，B.2006年。常识推理从cyc到智能助手。在日常生活中的环境智能。斯普林格。1-31夏尔马，A. B.人; I v an ci c′，F.; Niculescu-Mizil，A.;陈，H.; 和Jiang，G. 2014.大数据时代的网络物理系统建 模 和 分 析 。 ACM SIGMETRICS 绩 效 评 估 回 顾 41（4）：74-77。施，J.;万，J.; Yan，H.;和Suo，H. 2011.网络物理系统的调查。在无线通信和信号处理（WCSP），2011年国际会议上，1-6。美国电气与电子工程师协会。Sowe，S. K.的; Simmon，E.; Zettsu，K.; de Vaulx，F.;和Bo- janova，I. 2016. Cyber-physical-human systems：Putting people in the loop. IT专业18（1）：10-13。塔尔海姆湾2018. 概念模型概念-一个有争议的问题：概念模型及其缺陷。企业建模和信息系统架构13：9-27.Walch，M.，和Karagiannis，D. 2019.如何连接设计思维和网络物理系统：s*IoT概念建模方法。第52届夏威夷国际系统科学会议论文集。Wolny，S. 2017. SysML的运行时模型。43.第四十三章大结局