Automated mapping of OPC UA data to user-specific data formats

Abstract

Modern industrial machinery generates large amounts of potentially valuable data. To make use of that data, it is necessary to integrate it with other software components like dashboards or digital assets. Open Plattform Communications Unified Architecture (OPC UA) is an emerging standard for such data and provides rich semantic information. Mapping information from machine data to the data structures used by other software components depends on deep knowledge of the machine data and the software components, therefore requiring a considerable amount of manual effort. In this thesis, we examine how the artificial intelligence technique case-based reasoning (CBR) can be used to assist this task by leveraging existing knowledge. We develop a prototype implementing four different scoring functions that use the CBR approach to score potential candidates for a mapping from an OPC UA address space. We evaluate the prototype using a set of test cases based on four different use cases. The best scoring function placed the correct solution among the top three candidates in 70% of test cases, the worst performing version managed the same in 52% of cases, and the baseline, which relies on string search, did the same in only 28%. The prototype managed to complete test cases at a rate of 1.34 seconds per case. We identify several opportunities for future improvement. We conclude that CBR is a promising method to approach the problem of mapping OPC UA data with the data schemas of other software components. However, further research is necessary to determine its effectiveness in a practical setting. Moderne Industriemaschinen generieren große Mengen potenziell wertvoller Daten. Um die enthaltenen Informationen nutzbar zu machen, müssen die Daten mit anderen Softwarekomponenten wie Dashboards oder digitalen Zwillingen verknüpft werden. Open Plattform Communications Unified Architecture (OPC UA) ist ein aufkommender Standard für die Strukturierung solcher Daten und liefert reichhaltige semantische Informationen. Maschinendaten mit den Datenstrukturen anderer Softwarekomponenten zu verknüpfen verlangt Expertise, sowohl mit den Maschinendaten, als auch den Softwarekomponenten und ist daher mit beträchtlichem manuellen Aufwand verbunden. In dieser Forschungsarbeit wird untersucht, wie die Technik Case-Based Reasoning (CBR) aus dem Bereich der künstlichen Intelligenz genutzt werden kann, um die Verknüpfung der Daten durch die Wiederverwendung existierenden Wissens zu erleichtern. Es wird ein Prototyp entwickelt, der den CBR Ansatz verwendet, um mit vier verschiedenen Bewertungsfunktionen möglichen Kandidaten für eine Zuordnung aus dem OPC UA Addressraum einen Punktstand zuzuordnen. Dieser Prototyp wird anhand von Testfällen aus vier verschiedenen Anwendungsfällen bewertet. Die beste Bewertungsfunktion platzierte die korrekte Lösung in 70%der Testfälle unter den obersten drei Kandidaten. Der schlechtesten Version gelang es in 52 % der Fälle und der auf Stringsuche basierenden Baseline gelang es in 28 % der Fälle. Der Prototyp benötigte 1.34 Sekunden, um einen Testfall zu bearbeiten. Es werden mehrere Potenziale für zukünftige Optimierungen aufgezeigt. CBR ist eine vielversprechende Methode um die Problemstellung der Zuordnung von OPC UA Daten zu anderen Datenschemata zu bearbeiten. Jedoch ist weitere Arbeit notwendig, um die Effektivität des Ansatzes in der praktischen Anwendung zu bestätigen.