Stanisława Kluska-Nawarecka, Jarosław Durak, Krzysztof Regulski

Prezentacja na temat: "Stanisława Kluska-Nawarecka, Jarosław Durak, Krzysztof Regulski"— Zapis prezentacji:

1 Wnioskowanie w zintegrowanych bazach wiedzy z użyciem modelu ontologicznego
Stanisława Kluska-Nawarecka, Jarosław Durak, Krzysztof Regulski Foundry Research Institute in Cracow, Faculty of Metal Engineering and Industrial Computer Science Department of Industrial Computer Science Kraków, 2011

2 - rozproszone dane i problem w interpretacji źródeł heterogenicznych
Zarys Dane Bazy danych Integracja Ontologie Reguły SWRL Baza faktów - rozproszone dane i problem w interpretacji źródeł heterogenicznych metoda tworzenia modelu wiedzy w postaci ontologicznej, na podstawie bazy danych - wnioskowanie w oparciu o ontologię i bazę faktów z zastosowaniem SWRL Kraków, 2011

3 Rozproszenie danych Dane Symulacje i modelowanie pozwalają na opracowanie zestawu parametrów zapewniających najlepszą konfigurację przyszłego, rzeczywistego procesu. Na potrzeby modelowania MES gromadzone są dane dotyczące charakterystyk materiałowych, w tym np. przebiegu krzywej naprężenia, warunków przebiegu eksperymentu, dane dotyczące poszczególnych próbek, wyników eksperymentu. Do tworzenia symulacji bardzo często korzysta się z danych rozproszonych: baz materiałowych, wewnętrznych baz danych programów do symulacji, literaturowych danych o warunkach procesów. Wyniki symulacji zapisywane są najczęściej w osobnych plikach, czy tabelaryzowane w narzędziach typu arkusze kalkulacyjne. Kraków, 2011

4 Bazy danych Bazy danych wchodzące w skład systemu wnioskującego Dane
Kraków, 2011

5 Bazy danych Dane Bazy danych W omawianym przypadku jako dane wejściowe do systemu zostaną zintegrowane cztery bazy danych: Baza mcb (materials characteristics base) stanowi zbiór informacji na temat materiałów zaczerpnięty z literatury i norm, znajdują się tam właściwości fizyczne, mechaniczne, składy chemiczne itd. baza danych sample zawierająca informacje na temat sposobu przygotowania próbek do badań – ich obróbkę cieplną rodzaj stopu, a także skład chemiczny baza yield zawierająca charakterystyki krzywej naprężeń dla danego stopu – granicę plastyczności, granicę sprężystości etc. (rys.1). baza komse stworzona na potrzeby kompleksowego systemu ekspertowego. Kraków, 2011

6 Baza danych ‘komse’ Dane Bazy danych Baza ta ma strukturę słownikową wymuszoną specyfiką sposobu modyfikacji danych, podczas trwania prac związanych z modelowaniem symulacjami, wiedza zbierana jest iteracyjnie – po każdej turze eksperymentów archiwizowane są wyniki badań. Zespoły badaczy odpowiedzialne odpowiednio za symulacje i model bazy danych pracują równolegle, stąd nie sposób w na etapie tworzenia modelu bazy przewidzieć, jakie ostatecznie atrybuty będą przechowywane w bazie. Z tego względu model bazy w postaci diagramu ER nie odzwierciedla modelu wiedzy na temat badanych obiektów. Badane właściwości przechowywane są w bazie w postaci rekordów zawierających również nazwę parametru. Taka struktura powoduje, że sama wiedza na temat struktury bazy nie zapewnia wiedzy o zawartych w nich treściach. Kraków, 2011

7 Baza danych ‘komse’ Dane Bazy danych Model ER bazy komse Kraków, 2011

8 Integracja danych Model danych jest silnie rozproszony i posiada zróżnicowaną strukturę. Nie przechowuje meta-danych pozwalających na opisanie struktury wiedzy w nim zarchiwizowanej. Zintegrowana bazy wiedzy ma zapewnić w przyszłości możliwość wspomagania wnioskowania w zakresie zagadnień podobnych do badanego przypadku Dla modelu optymalizacji parametrów procesu odkuwania matrycowego w celu wydłużenia czasu bezawaryjnej pracy matrycy, w szczególności sterowania temperaturą odkuwania. Mechanizmem integracji danych są ontologie. Aby skutecznie przetwarzać tak niehomogeniczne dane posłużono się opisem ontologicznym. Dają one możliwość stworzenia modelu wiedzy. Dane Bazy danych Integracja Kraków, 2011

9 Integracja danych – ontologie
Ontologia to logiczna reprezentacja pewnej dziedziny wiedzy i relacji między obiektami w niej występującymi. Nie tylko dostarcza schemat czy opis danej dziedziny, ale za pomocą narzędzi logiki (aksjomatów, definicji, reguł) pozwala ściśle określać hierarchię jej elementów oraz kryteria ich klasyfikacji. Ontologie pozwalają integrować rozproszone źródła wiedzy w taki sposób, że można je interpretować maszynowo. Pozwalają na zapis modelu wiedzy języku OWL, uniwersalnym i popularnym języku modeli ontologicznych. OWL oparty jest na logice deskrypcyjnej (DL) To z kolei umożliwia na jego podstawie tworzenie reguł wnioskowania w języku SWRL. Reguły tworzy się na bazie klas i ich zależności (object properties). Tak zapisane reguły stanowią pewną abstrakcyjną wiedzę umożliwiającą wnioskowanie. Dane Bazy danych Integracja Ontologie Kraków, 2011

10 Ontologie Odwzorowanie modelu wiedzy zawartego w bazach danych wymaga skorzystania z algorytmu transformacji. W tym wypadku model wiedzy jest zdeterminowany danymi uzyskanymi z badań. Możliwość osadzenia go w kontekście wiedzy dziedzinowej zapewnia model ontologiczny. Pierwszym krokiem jest zapisanie wszystkich tabel oraz poszczególnych pól w postaci graficznej. Większość tabel odzwierciedlać będzie przyszłe klasy. Tabele łącznikowe, będące realizacją relacji wiele-do-wielu (n:m) stanowią podstawę przyszłych relacji w ontologii (object properties). Również pola będące kluczem obcym (foreign keys) utworzą relacje w ontologii Dodatkowo do modelu jako klasy wprowadza się atrybuty, które nie są reprezentowane wprost w modelu słownikowym bazy. Atrybuty te zapisane są w bazie jako poszczególne rekordy. Mogą to być na przykład wyniki badań dotyczących obszarów pęknięć tj. dla poszczególnych obszarów: wtórna siatka pęknięć, odkształcenia plastyczne, głębokość i grubość pęknięć. Dane Bazy danych Integracja Ontologie Kraków, 2011

11 Ontologie Transformacja schematu bazy danych do postaci ontologicznej
Dane Bazy danych Integracja Ontologie Transformacja schematu bazy danych do postaci ontologicznej Kraków, 2011

12 Ontologie Fragment ontologii dotyczący bazy próbek materiałów Dane
Bazy danych Integracja Ontologie Fragment ontologii dotyczący bazy próbek materiałów Kraków, 2011

13 Ontologie Kolejnym krokiem jest mapowanie krotek z bazy danych na instancje klas w ontologii. W tym celu można użyć gotowych narzędzi przyspieszających ten proces lub manualnie wprowadzać poszczególne instancje. Uzupełnienie instancji ma na celu przysposobienie modelu do przyszłej obróbki z użyciem reguł zapisanych w języku SWRL. Dane Bazy danych Integracja Ontologie Kraków, 2011

14 Reguły Celem systemu jest utworzenie mechanizmu wnioskowania na temat warunków pracy matrycy w prasach, a w szczególności temperatury kucia. Wymaga to implementacji szeregu reguł wnioskowania umożliwiających detekcję ryzyka zużycia matrycy na podstawie danych o przebiegu pracy oraz danych o materiale, z którego wykonano matrycę, a także procesów obróbki jakie przeszła, ale także wyników pomiarów odkuwek, które wychodzą z prasy. Dane Bazy danych Integracja Ontologie Reguły Kraków, 2011

15 Reguły – przykład SWRL Reguła pozwalająca na określenie, kiedy matryca zostaje zaklasyfikowana jako zniszczona. Dokonujemy pomiaru cofnięcia się materiału w głąb od powierzchni. Załóżmy, że jeśli przekroczy 2mm będziemy uważać matrycę za zużytą. W języku SWRL możemy to zapisać następująco: znak zapytania w SWRL oznacza zmienną obiekty będące instancjami klas OWL z powiązanym ograniczeniem, że właściwość ZuzuciePowierzchni określone jest na minimum ?duze, natomiast zmienna ?duze przyjmuje wartości większe od 2, takie obiekty można zaklasyfikować jako matryce zniszczone z właściwością matrycaZniszczona(?x,true) (zuzyciePowierzchni >= ?duze)(?x) ^ swrlb:greaterThan(?duze,2)  matrycaZniszczona(?x,true) Dane Bazy danych Integracja Ontologie Reguły SWRL Kraków, 2011

16 przykład SWRL c.d. utworzona reguła operuje na dwóch właściwościach obiektów: zuzyciePowierzchni oraz matrycaZniszczona. Ponadto mamy do czynienia ze zmienną ?x oraz ?duze, a także literałami: 2 oraz true. Zmienne w tym wypadku mogą być obiektami należącymi do klas ontologii, lub mogą mieć przypisaną wartość. Z punktu widzenia architektury systemu najkorzystniejszą byłaby sytuacja, gdyby reguły operowały jedynie na klasach, własnościach i instancjach ontologii, natomiast wartość tych obiektów przechowywana była w bazie danych. Dla powyższego przykładu wartość 2mm przyjęta jako granica zniszczenia jest wstawiona do bazy reguł „na sztywno”. Znacznie korzystniej by było, gdyby taki parametr mógł w łatwy sposób podlegać manipulacji przez użytkownika, a w bazie reguł pozostał tylko symboliczny zapis w postaci właściwości duzeZuzycie(?x, true). Dane Bazy danych Integracja Ontologie Reguły SWRL Kraków, 2011

17 Baza faktów Przykład prowadzi do wniosku, że ontologia powinna być jedynie odwzorowaniem wiedzy abstrakcyjnej o dziedzinie, podobnie jak reguły wnioskowania, natomiast baza faktów powinna być tworzona na podstawie bazy danych, przy założonych wartościach zmiennych określonych przez badacza. pamiętając o strukturze słownikowej należałoby tworzyć pewne ustalone zapytania do bazy danych przy jasno określonych kryteriach, tak aby wyniki tych kwerend tworzyły bazę faktów. Bazy danych zapewniają nam narzędzie do takiej czynności – są to widoki (view). Mając do dyspozycji ontologię, inżynier wiedzy jest w stanie utworzyć widok o nazwie duzeZuzycie aby zebrać fakty na temat obiektów, które posiadają w pewnych obszarach zużycie powyżej pewnej ustalonej wartości z1=2. Będzie to jednocześnie wyszukanie obiektów posiadających spełnioną własność duzeZuzycie(?x, true), przy czym dolną granicę ustaliliśmy na z1. Dane Bazy danych Integracja Ontologie Reguły SWRL Baza faktów Kraków, 2011

18 Baza faktów – korzyści Predefiniowane zapytanie opiera się na ontologii, gdyż wymaga wiedzy o nazwie atrybutu WartoscZuzycia, którego nazwa przechowywana jest w tabeli Atrybuty, a jego wartość umieszczona jest w tabeli ObszarPekniec. Dla przyszłego użytkownika systemu ten proces jest całkowicie transparentny. Zostaną mu udostępnione w formie tabeli zestawy faktów, które spełniają wymagania, jednocześnie będzie można na tych obiektach uruchomić wnioskowanie, stanowią one bowiem w pewien sposób instancję reguł. Jednocześnie baza faktów pozostaje stale aktualna, gdyż widoki zapewniają możliwość wykonywania zapytania na aktualnych danych, bez redundancji – serwer przechowuje definicje widoków i związane z nimi metadane (m.in. uprawnienia oraz informacje o zależnościach pomiędzy widokami i innymi obiektami bazy danych), ale nie kopie danych zwracanych przez widoki. Dane Bazy danych Integracja Ontologie Reguły SWRL Baza faktów Kraków, 2011

19 Podsumowanie Zaproponowano koncepcję integracji danych z użyciem modelu ontologicznego oraz algorytm transformacji do postaci ontlogicznej. Ontologia jest podstawą dla bazy reguł – reguły tworzone są w oparciu o objectProperties z ontologii. Zastosowanie tych samych objectProperties do konstruowania widoków w bazie słownikowej umożliwia pobieranie z bazy danych odpowiednich atrybutów tworząc bazę faktów. Baza danych staje się w ten sposób dla ontologii repozytorium instancji. Pozwala to na unikniecie redundancji w bazie danych, a jednocześnie umożliwia stworzenie modelu dziedzinowego dla bazy słownikowej. Dane Bazy danych Integracja Ontologie Reguły SWRL Baza faktów Podsumowanie Kraków, 2011