[论文解读] Actionable Cognitive Twins for Decision Making in Manufacturing

Jože M. Rožanec, Jinzhi Lu+6 more|arXiv (Cornell University)|Mar 23, 2021

Cognitive Science and Mapping被引用 2

一句话总结

本文提出了一种面向制造决策的可操作认知孪生（Actionable Cognitive Twins, ACTs），通过将知识图谱与AI模型相结合，实现语义推理与可操作洞察。该方法采用系统思维方法构建领域特定的本体与知识图谱，将生产数据、预测模型与决策选项相连接，在真实汽车制造用例中展示了改进的决策支持能力，具备可衡量的图谱指标与基于查询的推理能力。

ABSTRACT

Actionable Cognitive Twins are the next generation Digital Twins enhanced with cognitive capabilities through a knowledge graph and artificial intelligence models that provide insights and decision-making options to the users. The knowledge graph describes the domain-specific knowledge regarding entities and interrelationships related to a manufacturing setting. It also contains information on possible decision-making options that can assist decision-makers, such as planners or logisticians. In this paper, we propose a knowledge graph modeling approach to construct actionable cognitive twins for capturing specific knowledge related to demand forecasting and production planning in a manufacturing plant. The knowledge graph provides semantic descriptions and contextualization of the production lines and processes, including data identification and simulation or artificial intelligence algorithms and forecasts used to support them. Such semantics provide ground for inferencing, relating different knowledge types: creative, deductive, definitional, and inductive. To develop the knowledge graph models for describing the use case completely, systems thinking approach is proposed to design and verify the ontology, develop a knowledge graph and build an actionable cognitive twin. Finally, we evaluate our approach in two use cases developed for a European original equipment manufacturer related to the automotive industry as part of the European Horizon 2020 project FACTLOG.

研究动机与目标

• 弥合数字孪生在制造决策中认知能力与可操作性方面的空白。
• 开发统一本体，以语义方式建模制造实体、流程、AI模型、预测结果与决策选项。
• 通过知识图谱中的语义关系，实现对定义性、演绎性、归纳性与创造性等不同类型知识的关联与推理。
• 通过可查询的知识表示，为规划人员与物流人员提供上下文感知的决策建议。
• 在欧盟地平线2020项目的真实生产与需求预测场景中验证ACT框架。

提出的方法

• 采用系统思维方法设计并验证面向制造用例的领域特定本体。
• 利用本体构建知识图谱，表示实体（如生产线、预测模型）及其语义关系。
• 将AI与统计模型（如预测算法）集成到知识图谱中，并附带数据源、性能与使用情况等元数据。
• 实现查询机制，根据用例上下文检索并关联不同类型的知识（如预测结果、解释与决策选项）。
• 使用0.01%的节点样本计算图谱指标（如#节点、#路径、APL、MPL、TPL）以进行结构评估。
• 设计反馈模块，用于未来集成，以收集用户对决策建议的反馈并优化模型排序。

实验结果

研究问题

• RQ1 如何通过认知能力增强数字孪生，以支持制造中的决策？
• RQ2 为实现生产流程、AI模型、预测结果与决策选项的语义集成，需要怎样的本体与知识图谱结构？
• RQ3 在制造场景中，如何将定义性、演绎性、归纳性与创造性等不同类型的知识进行关联并推理？
• RQ4 知识图谱在多大程度上可通过可查询的、上下文感知的建议支持可操作决策？
• RQ5 图谱指标在多大程度上反映了不同制造用例中知识表示的复杂性与可扩展性？

主要发现

• 可操作认知孪生（ACT）成功将领域特定知识、AI模型与决策选项整合到统一的知识图谱中，实现了语义推理与上下文感知的决策支持。
• 通过五项指标（#节点、#路径、TPL、MPL、APL）对知识图谱结构进行了评估，结果显示生产计划用例的复杂性高于需求预测用例。
• 图11中的雷达图证实，生产计划涉及更多实例与更高的本体复杂性，表现为更高的图谱指标值。
• 通过利用语义关系与推理机制，系统能够跨异构知识类型（如预测模型与决策选项）进行查询。
• ACT框架能够解决传统数字孪生无法应对的复杂、多维度问题，展现出增强的推理与决策支持能力。
• 作者发布了本研究中使用的本体（Rožanec和Lu，2021），支持结果的可复现性与知识图谱模型的未来扩展。