CN112464672B - 一种在物联网边缘设备中构建语义模型的优化方法 - Google Patents
一种在物联网边缘设备中构建语义模型的优化方法 Download PDFInfo
- Publication number
- CN112464672B CN112464672B CN202011344407.8A CN202011344407A CN112464672B CN 112464672 B CN112464672 B CN 112464672B CN 202011344407 A CN202011344407 A CN 202011344407A CN 112464672 B CN112464672 B CN 112464672B
- Authority
- CN
- China
- Prior art keywords
- data
- ontology
- reasoning
- internet
- things
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 238000002372 labelling Methods 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 230000002085 persistent effect Effects 0.000 claims abstract description 3
- 238000004519 manufacturing process Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 21
- 238000013461 design Methods 0.000 claims description 9
- 241000270666 Testudines Species 0.000 claims description 8
- 238000012217 deletion Methods 0.000 claims description 5
- 230000037430 deletion Effects 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000013499 data model Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013550 semantic technology Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/242—Query formulation
- G06F16/2433—Query languages
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/284—Lexical analysis, e.g. tokenisation or collocates
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明请求保护一种在物联网边缘设备中构建语义模型的优化方法，其包括以下步骤：物联网领域本体的构建步骤、数据标注步骤、RDF数据存储步骤及RDF数据推理步骤；其中，物联网领域本体的构建步骤是构建表示物联网中传感器节点信息、执行设备信息、环境状态在内的概念和数据以及他们的属性、关系；数据标注步骤是将传感器网络节点的数据流，执行设备的数据流转换成RDF格式数据；RDF数据存储步骤是将数据标注之后的数据进行持久化的本地存储；RDF数据推理是利用推理机将标注后的RDF数据进行前项链推理，得到知识间的隐含关系，同时利用规则推理实现对特定事件的策略生成。同时提出了一种适用于物联网设备的本体构建方法和优化语义推理过程的模式选择算法。
Description
技术领域
本发明属于物联网领域，涉及物联网数据采集和语义处理，属于物联网技术和语义网技术相结合的领域。
背景技术
随着物联网技术的发展越来越成熟，各种物联网产品也层出不穷，其工作方式按数据流向可大致总结为三个环节，传感网络的信息上载发布、传感网络的信息远距离传输以及传感网络的信息下载使用。由于传感网络的数据信息表示方式不统一，导致各个机构对接受到的数据理解方式也不统一。尽管有UID、EPC这样的编码，也无法形成规范化的标准来传递信息。由于传感器设备来源于不同的厂商，不同的传感器往往具有不同的数据输出格式、精度、数据长度，即使同一类型的传感器由于设计原因和厂商的不同，数据的输出形式也会存在差别。因此物联网系统中的数据形成了异构关系。比如对手机的表示而言，有手机、电话、智能机等不同的描述方式。所以在传感设备的信息上载发布的过程中信息的表示形式多种多样，在设备的信息下载使用的过程中，使用主体存在理解能力不足问题，此矛盾导致了物联网难以实现真正意义上的设备，信息共享，无法提升设备间的互操作性。因此设备之间的通信是物联网技术研究的关键点，如何把现实世界的数据转换成机器可懂的信息是要研究的重点课题。
针对上述问题，在物联网中引入语义WEB技术形成语义物联网(Semantic Web ofThings,SWoT)。使用语义WEB中的本体(Ontology)对物联网环境中的数据进行语义标注(Semantic Annotation)形成以RDF形式表示的三元组知识，用于物联网设备间的信息有效通信；使用SPARQL对本地存储的三元组数据进行查询；使用推理机对已存在的知识进行推理得到隐含的知识。物的信息发布主体可以对物联网设备的信息基于本体进行语义标注，使用主体可以基于本体对下载的信息进行语义理解，使用语义推理技术可以增强物联网设备对环境的感知能力，对环境的变化做出优良的决策。进而改善了数据异构设备之间互联互通的能力，使得物联网功能得到一个质的提升。但是传统语义技术并不适用于储存资源小，计算资源少，功耗要求低的物联网设备。因此，对语义技术的各个环节进行优化进而提升边缘设备的数据语义处理能力以及提高处理的实时性是非常有意义的。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种在物联网边缘设备中构建语义模型的优化方法。本发明的技术方案如下：
一种在物联网边缘设备中构建语义模型的优化方法，其包括以下步骤：
物联网领域本体的构建步骤、数据标注步骤、RDF数据存储步骤及RDF数据推理步骤；其中，
物联网领域本体的构建步骤是构建表示物联网中传感器节点信息、执行设备信息、环境状态在内的概念和数据以及他们的属性、关系；
数据标注步骤是将传感器网络节点的数据流，执行设备的数据流格式化为本体中的数据形式，即转换成RDF格式数据；
RDF数据存储步骤是将数据标注之后的数据进行持久化的本地存储；
RDF数据推理是利用推理机将标注后的RDF数据进行前项链推理，得到知识间的隐含关系，同时利用规则推理实现对特定事件的策略生成。
进一步的，所述物联网领域本体构建是利用W3C推荐的传感器网络本体SSN结合具体的物联网环境，定义一个完备的概念、关系集合；在本体的构建过程中根据删除原则去掉语义传感器网络本体(SSN)中不常用的概念以减小本体占用的存储资源，SSN是由W3C语义传感器网络孵化器工作组推出的一个描述传感器和传感器观测值的OWL 2本体，这个本体是最有代表性的传感器本体，传感器本体的构建需要考虑一些额外的概念和关系，例如：物联网环境中的执行设备的概念与关系，物联网自然环境、运行环境的概念与关系，物联网中人机交互的概念与关系。
进一步的，所述删除原则为：
(1)现实环境中并不存在的概念
(2)现实环境中存在的概念但是在本体建模中不需要的概念
(3)表达意义相同的概念。
进一步的，所述数据标注步骤是将物联网环境中的传感器、执行设备产生的原始数据描述为RDF三元组数据，其中RDF三元组是以Turtle格式的文档来描述，Turtle文档实现了以紧凑的文本形式写下RDF图，Turtle文档由一系列指令、三元组语句或空白行组成，当三元组是一个主语、谓词、宾语项的序列时，由空格分隔，并在每个三元组之后由’.’结尾，RDF术语有三种类型：RDF URI引用、文字和空白节点。
进一步的，所述的RDF存储是将三元组数据存储在边缘设备的本地ROM中，使用SPARQL语言查询和推理。其中SPARQL是为RDF开发的一种查询语言和数据获取协议，它是为RDF数据模型定义，是W3C所推荐的RDF数据存储查询语言标准。
进一步的，所述RDF数据推理是利用推理机实现本体中隐含知识的发现，以及设计规则推理实现策略生成，推理机的实现方法是基于RETE算法，具体包括：
在推理之前设计一种模式选择算法，实现剔除无用模式，提高推理的速度以及降低推理过程内存资源的占用大小，其中模式是指未实例化的三元组，在描述模式选择算法之前定义符号：
模式选择算法设计思想是在进行推理之前去除推理机中多余的规则。
进一步的，在使用RETE算法进行前项链推理之前，使用模式选择算法去除多余的模式，所述模式选择算法具体包括：
在描述模式选择算法之前定义如下符号：
A.Ont：表示定义好的物联网领域本体。
B.R：表示推理中的规则集合；
C.V：表示本体中的词汇集合亦可称作三元组集合；
D.K0：表示本体集合中的词汇和V中词汇的交集；
E.OntR+表示基于规则集R推理的本体；
F.K0 R+：表示V中词汇和OntR+中词汇的交集；
G.Cr：一条规则的前提，一条规则通常由前提和结论组成表示为：
表示由规则中的前提能推到处结论；
H.Ar：一条规则的结论；
I.
表示目标规则集，r表示一条具体的规则，t表示该条规则满足规则的前提并且不属于K0 R+，
表示存在规则t；
模式选择算法设计思想是在进行推理之前去除推理机中多余的规则，实现步骤如下：
Step1：初始化K0为本体Ont中的所有词汇；
Step2：初始化K0 R+为K0；
Step3：判断规则集中是否有没有判定的规则，若否则算法结束,若是则判断当前规则是否属于规则集R,若是则执行step4，否则执行step3；
Step4:取出规则中的前提并判断前提是否属于K0 R+，若是则将该规则r加入规则集
取出结论Ar，更新K0 R+集合，即在K0 R+中加入结论Ar；否则执行step3。
进一步的，K0的初始化步骤为：
Step1:将K0赋值为空集；
Step2：在本体Ont中不重复的取出一个模式并与已存在的模式进行匹配，若匹配则将该模式加入K0集合中，若不匹配则执行step2,直到遍历完所有模式；
Step3:返回K0；
进一步的，当应用场景为手机自动装配生产线时，手机自动装配生产线车间内有对各个部件和环境的传感器以及控制设备的控制器，在车间内设立网关对传感器网络的数据进行汇聚，实现网关侧对底层的传感器网络数据的语义化处理，物联网的领域本体用于表示手机自动装配生产线车间中传感器节点信息、执行设备信息、环境状态等概念和数据以及他们的属性、关系，综合参考W3C标准中的SSN本体和手机自动装配生产线车间具体环境中的实际情况进行本体的构建，手机自动装配生产线车间领域本体的建模准则主要参考Gruber提出的本体建模五条准则。
进一步的，用七步法作为手机自动装配生产线车间领域领域知识本体的建模方法，并遵循Gruber提出的五条建模准则，同时选择TopBraid Composer企业版软件作为本体建模工具以及使用OWL 2作为本体建模语言，其中七步法分别为：明确范围，考虑重用，列举术语，定义类，定义属性，定义约束与创建实例，生成本体模型。
进一步的，在使用推理机进行推理得到推理结果后，由推理结果所描述的事件，将事件分为简单事件(定义为物联网设备本地可以处理的事件)和复杂事件(定义为物联网设备本地无法处理的事件)。简单事件可以直接交给本地处理单元处理并将处理结果反馈给传感器和执行单元，复杂事件交给服务器端处理并将处理结果反馈给传感器和执行设备。
本发明的优点及有益效果如下：
(1)如权利要求1、2、3、4、5、6中所述，在物联网边缘设备中构建语义模型，将传统物联网中的数据语义处理从云端部分迁移至边缘设备中，减轻云端或者服务器端的计算负载，提高物联网系统的响应实时性。将相对隐私的数据放在边缘设备中处理，提高数据的安全性。实现对设备的远程监控与维护，技术人员可以身处异地而全权限地访问边缘设备进而访问其他设备，从而显著提高监测和维护效率，有效节省维护成本，预先监测并消除物联网环境中的故障；
(2)如权利要求2中所述，针对传统语义模型直接应用于边缘设备所出现的资源占用大，处理时延高的问题，在本体构建阶段针对物联网具体环境对SSN本体进行了删除与添加，降低了本体的复杂度，从而降低了后续的推理过程时延。
(3)如权利要求7、8中所述，设计了一种模式选择算法，在本体推理之前去除规则集中未使用的规则，从而有效的减少了在RETE算法进行前项链
推理时规则的匹配次数进而减少了推理过程中的内存资源的消耗。
附图说明
图1手机自动装配生产线信息系统图；
图2语义边缘设备架构图；
图3语义模型组成图；
图4语义模型处理流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
为了实现上述目的，本发明采用以下技术方案：
语义模型包含物联网领域本体的构建，数据标注，RDF数据存储，RDF数据推理。语义模型构建步骤见图3所示，其中包括了数据的转换与缓存，数据标注，推理，事件处理，更新知识库等。
物联网领域本体用于表示物联网中传感器节点信息、执行设备信息、环境状态等概念和数据以及他们的属性、关系。
数据标注是将传感器网络节点的数据流，执行设备的数据流格式化成本体中的数据形式，即转换成RDF格式数据。
RDF数据存储是将数据标注之后的数据进行持久化的本地存储。
RDF数据推理是利用推理机将标注后的RDF数据进行前项链推理，得到知识间的隐含关系，同时利用规则推理实现对特定事件的策略生成。
如上所述的物联网领域本体构建是利用W3C推荐的传感器网络本体SSN结合具体的物联网环境，定义一个完备的概念、关系集合。在本体的构建过程中去掉SSN中不常用的概念以减小本体占用的存储资源，例如ssn:System，sosa:Platform，sosa:Procedure，sosa:usedProcedure等。其中删除原则约定如下：
(1)现实环境中并不存在的概念
(2)现实环境中存在的概念但是在本体建模中不需要的概念
(3)表达意义相同的概念
如上所述的SSN是由W3C语义传感器网络孵化器工作组(SSN-XG)推出的一个描述传感器和传感器观测值的OWL 2本体，这个本体是最有代表性的传感器本体。SSN(SemanticSensor Network)本体主要有两个目的，一个是描述传感器和传感器网络并应用到传感器Web应用程序中，另一个是根据现有的标准(如SWE标准)研究和推荐使用本体语义化应用程序的方法。虽然SSN描述了传感器相关的基本概念及其联系，但是该传感器本体并不适用于面向物联网应用的传感网语义Web的构建，原因如下：
(1)SSN本体没有对传感器进行分类，这就无法满足物联网应用领域多种传感器类型共存的情况下对不同传感器类型的管理；
(2)对传感器数据的描述能力不足，现实生产环境中的数据变化较快、数据的关联性复杂，因此，对传感器数据的描述需要加强；
(3)SSN重点关注的是传感器方面的描述，对传感器所在网络的其他设备以及环境的描述欠缺。
因此，针对SSN的上述不足，传感器本体的构建必定要考虑一些额外的概念和关系。借鉴了SSN本体的相关概念和关系，构建用于物联网领域的传感器本体。
如上所述的数据标注是将物联网环境中的传感器、执行设备产生的原始数据描述为RDF三元组数据。其中的RDF三元组是以Turtle格式的文档来描述。Turtle文档实现了以紧凑的文本形式写下RDF图。Turtle文档由一系列指令、三元组语句或空白行组成。简单的三元组是一个(主语、谓词、宾语)项的序列，由空格分隔，并在每个三元组之后由’.’结尾。RDF术语有三种类型：RDF URI引用(简称URIs)、文字和空白节点。
如上所述的RDF存储是使用SPARQL语言将三元组数据存储在边缘设备的本地ROM中，方便查询和推理。其中SPARQL是为RDF开发的一种查询语言和数据获取协议，它是为RDF数据模型定义，是W3C所推荐的RDF数据存储查询语言标准。
如上所述的RDF数据推理是利用推理机实现本体中隐含知识的发现，以及设计规则推理实现策略生成，推理机的实现方法是基于RETE算法。
在推理之前设计一种模式选择算法，实现剔除无用模式，提高推理的速度以及降低推理过程内存资源的占用大小。其中模式是指未实例化的三元组例如：？v rdf:type？w表示主语v的类型是宾语w所表示的类型；？p rdfs:domain？d表示主语p的定义域范围为d所表示的范围；？v owl:sameAs？w表示主语和宾语表示相同的事物；在描述模式选择算法之前定义如下符号：
J.Ont：表示定义好的物联网领域本体。
K.R：表示推理中的规则集合。
L.V：表示本体中的词汇集合亦可称作三元组集合。
M.K0：表示本体集合中的词汇和V中词汇的交集。
N.OntR+表示基于规则集R推理的本体。
O.K0 R+：表示V中词汇和OntR+中词汇的交集。
P.Cr：一条规则的前提，一条规则通常由前提和结论组成表示为：
表示由规则中的前提能推到处结论。
Q.Ar：一条规则的结论。
R.
模式选择算法设计思想是在进行推理之前去除推理机中多余的规则，实现步骤如下：
Step1：初始化K0为本体Ont中的所有词汇。
Step2：初始化K0 R+为K0。
Step3：判断规则集中是否有没有判定的规则，若否则算法结束,若是则判断当前规则是否属于规则集R,若是则执行step4，否则执行step3。
Step4：取出规则中的前提并判断前提是否属于K0 R+，若是则将该规则r加入规则集
取出结论Ar，更新K0 R+集合(即在K0 R+中加入结论Ar)；否则执行step3；
其中K0的初始化步骤为：
Step1:将K0赋值为空集。
Step2：在本体Ont中不重复的取出一个模式并与已存在的模式进行匹配，若匹配则将该模式加入K0集合中，若不匹配则执行step2,直到遍历完所有模式。
Step3:返回K0。
本例应用场景为手机自动装配生产线，其示例见图1。手机自动装配生产线车间内有检测各个执行设备和环境状态的传感器以及控制设备的控制器，在车间内设立网关对传感器网络的数据进行汇聚，并在网关侧实现对底层传感器网络数据的语义化处理，因此处的网关由于具有数据处理能力，它也称作为物联网边缘设备，同时网关将传感器网络的数据转发至IPv4网络，整个数据的处理流程和架构图，见图2。因为传统语义技术并不适用于储存资源小，计算资源少，功耗要求低的网关设备，因此需要在各个部分进行优化，从而减小语义模型占用资源的大小，提高语义模型处理数据的实时性。因此本发明针对手机自动装配生产线车间的本体模型在SSN本体的基础上进行了删除和扩展，对语义推理部分进行了改进，使得改进后的语义模型可以满足边缘设备的特性。
物联网的领域本体用于表示手机自动装配生产线车间中传感器节点信息、执行设备信息、环境状态等概念和数据以及他们的属性、关系。综合参考W3C标准中的SSN本体和手机自动装配生产线车间具体环境中的实际情况进行本体的构建，其中SSN需要删除的部分概念见表1。此外手机自动装配生产线车间领域本体的建模准则主要参考Gruber于1995年提出的本体建模五条准则：
(1)明确性和客观性：本体中概念和概念间关系必须明确地定义应用领域中对象和对象间关系，并能够对领域知识进行客观准确地描述。
(2)全面性：本体应尽可能多地包含领域词汇，且尽可能全面地体现应用领域中对象之间的复杂关系。
(3)一致性：本体中所有概念都必须是可满足的，且概念和概念间关系必须与应用领域中对象和对象间关系保持一致。
(4)最大单调可扩展性：本体需要更新时，尽可能不去修改已经定义的概念和概念间关系，如若必须修改，也要尽量把修改量降到最少。
(5)最小承诺和最小编码偏好：对本体中概念和概念间关系定义尽可能少的约束，且在实现同等描述效果的前提下使用最少代码量完成本体模型构建。
实施例中采用七步法作为手机自动装配生产线车间领域领域知识本体的建模方法，并遵循Gruber提出的五条建模准则。其中七步法分别为：明确范围，考虑重用，列举术语，定义类，定义属性，定义约束与创建实例。生成本体模型，见表2。
数据标注是将手机自动装配生产线车间中各个传感器采集的数据以及执行设备的数据转换成RDF数据，在手机自动装配生产线车间环境中需要标注的数据类型包括：车间的环境信息如温度，湿度，烟雾，自动，车间状态，AGV小车转态，机械臂定位转态，机械臂6轴关节角角度，机械手臂的定位坐标，工装气缸状态，工位托盘状态，生产数量数量信息，生产质量信息，故障信息等。数据标注示例，见表3。
RDF数据推理是使用基于RETE算法的推理机将标注后的RDF数据进行前项链推理，得到知识间的隐含关系。在推理之前使用模式选择算法进行模式筛选，模式选择算法的步骤如表4。在推理时可以根据本体中已有的三元组和推理机中设置好的规则进行知识推理，也可以结合自定义规则推理生成针对特定事件的解决方案。其中自定规则推理是使用RDFprolog语言，RDF Prolog可以在RDF/RDFS层面上构建更高层次的概念和复杂的语义关系，进行强大的递归计算、检索匹配或者推理。表5，展示了使用prolog语言对火灾进行推理的一般方法。
RDF数据存储是将标注之后的数据进行持久化的本地存储，RDF存储是将三元组数据存储在网关设备的本地ROM中，使用SPARQL语言查询和推理。在本实施例中手机自动装配生产线车间的RDF数据与语义标注中的数据来源相同，如温度，湿度，烟雾，自动，车间状态，AGV小车转态，机械臂定位转态，机械臂6轴关节角角度，机械手臂的定位坐标，工装气缸状态，工位托盘状态，生产数量数量信息，生产质量信息，故障信息等。在查询历史数据信息时使用SPARQL语言对RDF数据库进行查询。
进一步地，在网关设备中对汇聚的数据进行分类处理，主要有两种类型的数据：一种是对响应要求较高的数据，另一种是对响应要求不高的数据。将对响应要求的高的数据额为设立了数据实时处理单元进行处理，如图2，并将处理的结果及时反馈给传感器网络或者执行设备。将对响应要求不高的数据进行语义化处理，提升设备间的互操作性与数据的有效共享。在网关侧添加常见事件描述集合以及对应事件的处理方法集合，在推理步骤执行完成并检测到事件时，执行相应的事件处理方法。
进一步地，若推理结果不在预先设定的可处理事件集合中，则将原始数据发送到PC/服务器端进行更全面的策略生成执行过程。因此在网关侧建立网关与服务器的交互接口如图2，其中包括了本体更新接口，规则修改接口，网关管理接口，异常接口，感知设备管理接口，执行设备管理接口。实现服务器端或者PC端对网关以及现场设备的维护与管理。
综上所述，本发明设计的适用于物联网设备的本体构建方法和优化推理过程的模式选择算法可以实现将传统语义技术从PC机迁移至物联网设备，并实现存储资源消耗的减小以及语义处理效率的提升。实现将物联网传感网络和执行设备中的数据部分地在本地处理，减轻服务器端或者云端的计算负载，提高物联网系统的响应实时性。实现PC端或者服务器端对物联网系统的远程控制与维护。提高了物联网设备间的互操作性能，实现了物联网系统之间数据的有效共享，从而提升整个物联网系统的运行效率。
表1 SSN需要删除的概念列举
表2本体模型示例
表3数据标注实例
表4模式选择算法
表5对火灾事件推理的prolog语言描述
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (3)
1.一种在物联网边缘设备中构建语义模型的优化方法，其特征在于，包括以下步骤：
物联网领域本体的构建步骤、数据标注步骤、RDF数据存储步骤及RDF数据推理步骤；其中，
物联网领域本体的构建步骤是构建表示物联网中传感器节点信息、执行设备信息、环境状态在内的概念和数据以及他们的属性、关系；
数据标注步骤是将传感器网络节点的数据流，执行设备的数据流格式化为本体中的数据形式，即转换成RDF格式数据；
RDF数据存储步骤是将数据标注之后的数据进行持久化的本地存储；
RDF数据推理是利用推理机将标注后的RDF数据进行前项链推理，得到知识间的隐含关系，同时利用规则推理实现对特定事件的策略生成；
所述物联网领域本体构建是利用W3C推荐的传感器网络本体SSN结合具体的物联网环境，定义一个完备的概念、关系集合；在本体的构建过程中根据删除原则去掉语义传感器网络本体SSN中不常用的概念以减小本体占用的存储资源，SSN是由W3C语义传感器网络孵化器工作组推出的一个描述传感器和传感器观测值的OWL 2本体，这个本体是最有代表性的传感器本体，物联网领域本体的构建需要考虑一些额外的概念和关系，包括：物联网环境中的执行设备的概念与关系，物联网自然环境、运行环境的概念与关系，物联网中人机交互的概念与关系；
所述删除原则为：
(1)现实环境中并不存在的概念
(2)现实环境中存在的概念但是在本体建模中不需要的概念
(3)表达意义相同的概念；
所述数据标注步骤是将物联网环境中的传感器、执行设备产生的原始数据描述为RDF三元组数据，其中RDF三元组是以Turtle格式的文档来描述，Turtle文档实现了以紧凑的文本形式写下RDF图，Turtle文档由一系列指令、三元组语句或空白行组成，当三元组是一个主语、谓词、宾语项的序列时，由空格分隔，并在每个三元组之后由’.’结尾，RDF术语有三种类型：RDF URI引用、文字和空白节点；
RDF存储是将三元组数据存储在边缘设备的本地ROM中，使用SPARQL语言查询和推理；其中SPARQL是为RDF开发的一种查询语言和数据获取协议，它是为RDF数据模型定义，是W3C所推荐的RDF数据存储查询语言标准；
所述RDF数据推理是利用推理机实现本体中隐含知识的发现，以及设计规则推理实现策略生成，推理机的实现方法是基于RETE算法，具体包括：
在推理之前设计一种模式选择算法，实现剔除无用模式，提高推理的速度以及降低推理过程内存资源的占用大小，其中模式是指未实例化的三元组，在描述模式选择算法之前定义符号；
模式选择算法设计思想是在进行推理之前去除推理机中多余的规则；
在使用RETE算法进行前项链推理之前，使用模式选择算法去除多余的模式，所述模式选择算法具体包括：
在描述模式选择算法之前定义如下符号：
A.Ont：表示定义好的物联网领域本体；
B.R：表示推理中的规则集合；
C.V：表示本体中的词汇集合亦可称作三元组集合；
D.K0：表示本体集合中的词汇和V中词汇的交集；
E.OntR+表示基于规则集R推理的本体；
F.K0 R+：表示V中词汇和OntR+中词汇的交集；
G.Cr：一条规则的前提，一条规则由前提和结论组成表示为：
表示由规则中的前提能推到处结论；
H.Ar：一条规则的结论；
I.
表示目标规则集，r表示一条具体的规则，t表示该条规则满足规则的前提并且不属于K0 R+，
表示存在规则t；
模式选择算法设计思想是在进行推理之前去除推理机中多余的规则，实现步骤如下：
Step1：初始化K0为本体Ont中的所有词汇；
Step2：初始化K0 R+为K0；
Step3：判断规则集中是否有没有判定的规则，若否则算法结束,若是则判断当前规则是否属于规则集R,若是则执行step4，否则执行step3；
Step4:取出规则中的前提并判断前提是否属于K0 R+，若是则将该规则r加入规则集
取出结论Ar，更新K0 R+集合，即在K0 R+中加入结论Ar；否则执行step3；
K0的初始化步骤为：
Step1:将K0赋值为空集；
Step2：在本体Ont中不重复的取出一个模式并与已存在的模式进行匹配，若匹配则将该模式加入K0集合中，若不匹配则执行step2,直到遍历完所有模式；
Step3:返回K0。
2.根据权利要求1所述的一种在物联网边缘设备中构建语义模型的优化方法，其特征在于，当应用场景为手机自动装配生产线时，手机自动装配生产线车间内有对各个执行设备和环境进行监测的传感器以及控制设备的控制器，在车间内设立网关对传感器网络的数据进行汇聚，实现网关侧对底层的传感器网络数据的语义化处理，物联网的领域本体用于表示手机自动装配生产线车间中传感器节点信息、执行设备信息、环境状态概念和数据以及他们的属性、关系，综合参考W3C标准中的SSN本体和手机自动装配生产线车间具体环境中的实际情况进行本体的构建，手机自动装配生产线车间领域本体的建模准则主要参考Gruber提出的本体建模五条准则。
3.根据权利要求2所述的一种在物联网边缘设备中构建语义模型的优化方法，其特征在于，用七步法作为手机自动装配生产线车间领域知识本体的建模方法，并遵循Gruber提出的五条建模准则，同时选择TopBraid Composer企业版软件作为本体建模工具以及使用OWL 2作为本体建模语言，其中七步法分别为：明确范围，考虑重用，列举术语，定义类，定义属性，定义约束与创建实例，生成本体模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011344407.8A CN112464672B (zh) | 2020-11-25 | 2020-11-25 | 一种在物联网边缘设备中构建语义模型的优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011344407.8A CN112464672B (zh) | 2020-11-25 | 2020-11-25 | 一种在物联网边缘设备中构建语义模型的优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112464672A CN112464672A (zh) | 2021-03-09 |
| CN112464672B true CN112464672B (zh) | 2023-06-09 |
Family
ID=74807928
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011344407.8A Active CN112464672B (zh) | 2020-11-25 | 2020-11-25 | 一种在物联网边缘设备中构建语义模型的优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112464672B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113590336B (zh) * | 2021-08-11 | 2024-08-06 | 上海仁童电子科技有限公司 | 边缘计算设备的算法管理方法及装置 |
| CN114297224A (zh) * | 2021-12-22 | 2022-04-08 | 重庆邮电大学 | 一种基于rdf的异构数据集成与查询系统及方法 |
| CN114282548B (zh) * | 2022-01-04 | 2024-07-26 | 重庆邮电大学 | 一种针对物联网数据的自动语义标注系统 |
| CN114091673B (zh) * | 2022-01-19 | 2022-04-08 | 华中科技大学 | 语义编码器、解码器和语义通信框架 |
| TWI799349B (zh) * | 2022-09-15 | 2023-04-11 | 國立中央大學 | 利用本體論整合城市模型及物聯網開放式標準之智慧城市應用方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103118128A (zh) * | 2013-02-22 | 2013-05-22 | 浪潮电子信息产业股份有限公司 | 一种基于本体的语义传感网系统 |
| CN105808734A (zh) * | 2016-03-10 | 2016-07-27 | 同济大学 | 一种基于语义网的钢铁制造过程知识间隐性关系获取方法 |
| WO2017210569A1 (en) * | 2016-06-02 | 2017-12-07 | Convida Wireless, Llc | Enabling semantics reasoning service in m2m/iot service layer |
| CN107491479A (zh) * | 2017-07-05 | 2017-12-19 | 上海大学 | 一种基于本体库的标签管理方法 |
| CN108459574A (zh) * | 2018-03-27 | 2018-08-28 | 重庆邮电大学 | 一种基于语义与opc ua的现场设备信息管理系统 |
| CN110945497A (zh) * | 2016-10-31 | 2020-03-31 | 沙尔贝勒·约瑟夫·埃尔凯德 | 用于分布式数据系统的语义搜索和规则方法 |
| CN111178603A (zh) * | 2019-12-19 | 2020-05-19 | 重庆邮电大学 | 一种基于语义的工业生产设备预测性维护系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3241127A1 (en) * | 2014-12-30 | 2017-11-08 | Convida Wireless, LLC | Semantics annotation and semantics repository for m2m systems |
-
2020
- 2020-11-25 CN CN202011344407.8A patent/CN112464672B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103118128A (zh) * | 2013-02-22 | 2013-05-22 | 浪潮电子信息产业股份有限公司 | 一种基于本体的语义传感网系统 |
| CN105808734A (zh) * | 2016-03-10 | 2016-07-27 | 同济大学 | 一种基于语义网的钢铁制造过程知识间隐性关系获取方法 |
| WO2017210569A1 (en) * | 2016-06-02 | 2017-12-07 | Convida Wireless, Llc | Enabling semantics reasoning service in m2m/iot service layer |
| CN110945497A (zh) * | 2016-10-31 | 2020-03-31 | 沙尔贝勒·约瑟夫·埃尔凯德 | 用于分布式数据系统的语义搜索和规则方法 |
| CN107491479A (zh) * | 2017-07-05 | 2017-12-19 | 上海大学 | 一种基于本体库的标签管理方法 |
| CN108459574A (zh) * | 2018-03-27 | 2018-08-28 | 重庆邮电大学 | 一种基于语义与opc ua的现场设备信息管理系统 |
| CN111178603A (zh) * | 2019-12-19 | 2020-05-19 | 重庆邮电大学 | 一种基于语义的工业生产设备预测性维护系统 |
Non-Patent Citations (5)
| Title |
|---|
| ByNowLife: A novel framework for OWL and Bayesian network integration;Setiawan F. A. 等;《Information (Switzerland)》;20190305;95-116 * |
| Distribution of Semantic Reasoning on the Edge of Internet of Things;Xiang Su 等;《2018 IEEE International Conference on Pervasive Computing and Communications(PerCom)》;20180823;全文 * |
| Use the Genetic Algorithm to Optimize the Alpha Network of the RETE Algorithm;Daoqu Geng 等;《2021 IEEE 2nd Intenational Conference on Big Data, Artificial Intelligence and Internet of Things Engineering》;20210402;24-27 * |
| 基于遗传算法优化的轻量级语义推理引擎的研究与实现;刘畅;《中国优秀硕士学位论文全文数据库 信息科技辑》;20220315;I138-3291 * |
| 语义物联网中轻量级传感器本体映射研究;辛秀敏;《中国优秀硕士学位论文全文数据库 信息科技辑》;20160215;I138-1655 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112464672A (zh) | 2021-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112464672B (zh) | 一种在物联网边缘设备中构建语义模型的优化方法 | |
| Zheng et al. | Towards Self-X cognitive manufacturing network: An industrial knowledge graph-based multi-agent reinforcement learning approach | |
| Chen et al. | A new process knowledge representation approach using parameter flow chart | |
| JP6663060B2 (ja) | セマンティックゲートウェイのモデリング方法及びセマンティックゲートウェイ | |
| Jiang et al. | A thing-edge-cloud collaborative computing decision-making method for personalized customization production | |
| Liu | Multi-source heterogeneous data fusion based on perceptual semantics in narrow-band Internet of Things | |
| Li et al. | Cognitive twin construction for system of systems operation based on semantic integration and high-level architecture | |
| Dong et al. | Process knowledge graph modeling techniques and application methods for ship heterogeneous models | |
| Liu et al. | Generalized distributed four-domain digital twin system for intelligent manufacturing | |
| Sanin et al. | Manufacturing collective intelligence by the means of Decisional DNA and virtual engineering objects, process and factory | |
| Saeidlou et al. | An ontology-based intelligent data query system in manufacturing networks | |
| Fan et al. | A life-cycle digital-twin collaboration framework based on the industrial internet identification and resolution | |
| Amara et al. | A real-time semantic based approach for modeling and reasoning in Industry 4.0 | |
| Gong | [Retracted] Application of Artificial Intelligence Computer Intelligent Heuristic Search Algorithm | |
| Jing et al. | SPARQL graph pattern rewriting for OWL-DL inference queries | |
| Ahmed et al. | Digital twin technology for energy management systems to tackle climate change challenges | |
| JP2021531540A (ja) | マルチソース型の相互運用性および／または情報検索の最適化 | |
| Sanz | Context based Data Quality Rules for Multidimensional Data. | |
| Thapar et al. | Implementing SPARQL-based Prefiltering on Jena Fuseki TDB store to reduce the semantic web services search space | |
| Amja et al. | Modeling and reasoning in context-aware systems based on relational concept analysis and description logic | |
| Sarkar et al. | Developing a resource-based manufacturing process capability ontology | |
| Ouahabi et al. | Deploying Digital Twin in Manufacturing Systems: Scope and Requirements | |
| Xu et al. | Intelligent Assistant Decision‐Making Method for Power Enterprise Customer Service Based on IoT Data Acquisition | |
| Zhang | Using Deep Neural Network Learning Technology to Design of Intelligent Network Crawler on Big Data Platform | |
| Sakai et al. | A proposal of machine learning by rule generation from tables with non-deterministic information and its prototype system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230516 Address after: Room 29, 9th Floor, Building 101, Building 6, No. 186 South Fourth Ring West Road, Fengtai District, Beijing, 100000 Applicant after: Beijing Huasoft Digital Innovation Technology Group Co.,Ltd. Address before: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province Applicant before: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd. Effective date of registration: 20230516 Address after: 710000 No. B49, Xinda Zhongchuang space, 26th Street, block C, No. 2 Trading Plaza, South China City, international port district, Xi'an, Shaanxi Province Applicant after: Xi'an Huaqi Zhongxin Technology Development Co.,Ltd. Address before: 400065 Chongwen Road, Nanshan Street, Nanan District, Chongqing Applicant before: CHONGQING University OF POSTS AND TELECOMMUNICATIONS |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |