MétaCan
Menu
Retour à la cohorte
Enregistrement W1999785729 · doi:10.1109/tsmc.2014.2383361

Ontology-Based Schema to Support Maintenance Knowledge Representation With a Case Study of a Pneumatic Valve

2015· article· en· W1999785729 sur OpenAlexaff
V. Ebrahimipour, Soumaya Yacout

Notice bibliographique

RevueIEEE Transactions on Systems Man and Cybernetics Systems · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueFault Detection and Control Systems
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesnon disponible
Mots-clésComputer scienceRDFWeb Ontology LanguageKnowledge representation and reasoningOntologySemantic WebKnowledge baseInformation retrievalLinked dataNatural language processingInferenceData miningArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This paper proposes a methodology for knowledge representation using ontology concepts. We employ an ontology-based schema to overcome the problems of heterogeneity and inconsistency in maintenance records, which are attributable to abbreviations, noisy data, nongeneric data structures, and ambiguous technical words in textual maintenance records. Our methodology employs a bond graph model (BGM) to produce a function structure of equipment related to fault propagation in part-component levels. Our method combines OWL-Lite/RDF and the ISO 14224 and ISO 15926 international standards in order to obtain a generic system-level representation model. Our approach also constructs transparent cause-effect knowledge, which facilitates interpretation and computer conversion using ISO 14224 and ISO 15926. The web ontology language (OWL) and resource description framework (RDF) are used to convert the generic human-readable interpretation into a standard computer-readable representation, thereby generating a knowledge base with maximum shareability and accessibility. We applied the methodology to a typical pneumatic valve. The results show that BGM can cross-link the identified words and the domain-specific logic to obtain the function structure of an object with causality inference, as well as enriching semantic extraction based on the context of a maintenance report, which improves the interpretation and computer conversion. Using OWL/RDF, actions such as interexchange, retrieval, and storage are possible for fault diagnosis applications in a multidisciplinary environment. Our method provides a generic technical understanding, which enriches semantic extraction and knowledge discovery in a typical maintenance report.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,007
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,002
Bibliométrie0,0040,004
Études des sciences et des technologies0,0010,001
Communication savante0,0030,007
Science ouverte0,0020,002
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,032
Tête enseignante GPT0,267
Écart entre enseignants0,234 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations34
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Transactions on Systems Man and Cybernetics SystemsMême sujetFault Detection and Control SystemsTravaux en français237 207