This paper introduces the Steel Cold Rolling Ontology (SCRO) to model and capture domain knowledge of cold rolling processes and activities within a steel plant. A case study is set up that uses real-world cold rolling data sets to validate the performance and functionality of SCRO. This includes using the Ontop framework to deploy virtual knowledge graphs for data access, data integration, data querying, and condition-based maintenance purposes. SCRO is evaluated using OOPS!, the ontology pitfall detection system, and feedback from domain experts from Tata Steel.

Industrial engineering design is a crucial issue in manufacturing. To meet the competitive global market, manufacturers are continuously seeking solutions to design industrial products and systems inventively. Su-Field analysis, which is one of the TRIZ analysis tools for inventive design problems, has been used to effectively improve the performance of industrial systems. However, the inventive standards used for engineering design are summarized and classified according to a large number of patents in different fields. They are built on a highly abstract basis and are independent of specific application fields, making their use require much more technical knowledge than other TRIZ tools. To facilitate the use of invention standards, in particular to capture the uncertainty or imprecision described in the standards, this paper proposes a rule-based heuristic approach. First, Su-Field analysis ontology and fuzzy analysis ontology are constructed to represent precise and fuzzy knowledge in the process of solving inventive problems respectively. Then, SWRL (Semantic Web Rule Language) reasoning and fuzzy reasoning are executed to generate heuristic conceptual solutions. Finally, we develop a software prototype and elaborate the resolution of “Auguste Piccard’s Stratostat ” in the prototype.

Technologies sémantiques pour la modélisation de la maintenance prédictive pour un réseau de PME dans le cadre de l'industrie 4.0: Dans le domaine de la fabrication, la détection d’anomalies telles que les défauts et les défaillances mécaniques permet de lancer des tâches de maintenance prédictive, qui visent à prévoir les défauts, les erreurs et les défaillances futurs et à permettre des actions de maintenance. Avec la tendance de l’industrie 4.0, les tâches de maintenance prédictive bénéficient de technologies avancées telles que les systèmes cyberphysiques (CPS), l’Internet des objets (IoT) et l’informatique dématérialisée (cloud computing). Ces technologies avancées permettent la collecte et le traitement de données de capteurs qui contiennent des mesures de signaux physiques de machines, tels que la température, la tension et les vibrations. Cependant, en raison de la nature hétérogène des données industrielles, les connaissances extraites des données industrielles sont parfois présentées dans une structure complexe. Des méthodes formelles de représentation des connaissances sont donc nécessaires pour faciliter la compréhension et l’exploitation des connaissances. En outre, comme les CPSs sont de plus en plus axées sur la connaissance, une représentation uniforme de la connaissance des ressources physiques et des capacités de raisonnement pour les tâches analytiques est nécessaire pour automatiser les processus de prise de décision dans les CPSs. Ces problèmes constituent des obstacles pour les opérateurs de machines qui doivent effectuer des opérations de maintenance appropriées. Pour relever les défis susmentionnés, nous proposons dans cette thèse une nouvelle approche sémantique pour faciliter les tâches de maintenance prédictive dans les processus de fabrication. En particulier, nous proposons quatre contributions principales: i) un cadre ontologique à trois niveaux qui est l’élément central d’un système de maintenance prédictive basé sur la connaissance; ii) une nouvelle approche sémantique hybride pour automatiser les tâches de prédiction des pannes de machines, qui est basée sur l’utilisation combinée de chroniques (un type plus descriptif de modèles séquentiels) et de technologies sémantiques; iii) a new approach that uses clustering methods with Semantic Web Rule Language (SWRL) rules to assess failures according to their criticality levels; iv) une nouvelle approche d’affinement de la base de règles qui utilise des mesures de qualité des règles comme références pour affiner une base de règles dans un système de maintenance prédictive basé sur la connaissance. Ces approches ont été validées sur des ensembles de données réelles et synthétiques.