Generation of Asset Administration Shell with Large Language Model Agents: Toward Semantic Interoperability in Digital Twins in the Context of Industry 4.0

📄 arXiv: 2403.17209v4 📥 PDF

作者: Yuchen Xia, Zhewen Xiao, Nasser Jazdi, Michael Weyrich

分类: cs.AI, cs.IR, cs.MA, cs.SE

发布日期: 2024-03-25 (更新: 2024-06-24)

备注: Published in IEEE Access

DOI: 10.1109/ACCESS.2024.3415470

🔗 代码/项目: GITHUB

💡 一句话要点

提出基于大语言模型的资产管理外壳生成方法以实现数字双胞胎的语义互操作性

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 数字双胞胎 资产管理外壳 语义互操作性 大语言模型 工业4.0 自动化生成 技术资产 数据模型

📋 核心要点

  1. 现有方法在数字双胞胎的语义互操作性方面存在不足，手动创建资产管理外壳（AAS）模型效率低下。
  2. 论文提出通过构建“语义节点”数据结构，利用大语言模型自动化生成标准化数字双胞胎模型，降低人工干预。
  3. 实验结果表明，系统的有效生成率达到62-79%，显著提高了信息转换的准确性和效率。

📝 摘要（中文）

本研究提出了一种新颖的方法，以实现数字双胞胎中的语义互操作性，并协助在工业4.0背景下创建资产管理外壳（AAS）作为数字双胞胎模型。研究的基础思想是基于语义的通信与有意义文本数据的生成直接相关，且我们认为这些过程在信息可以以文本形式序列化时是等价的。基于此，我们构建了“语义节点”数据结构，以捕捉文本数据的语义本质。然后，设计并实现了一个由大语言模型驱动的系统，处理“语义节点”，并从描述技术资产的原始文本数据中生成标准化的数字双胞胎模型。评估结果显示有效生成率为62-79%，表明源文本中的大量信息可以无误地转换为目标数字双胞胎实例模型。该结果在工业4.0背景下具有直接应用价值。

🔬 方法详解

问题定义：本研究旨在解决数字双胞胎中语义互操作性不足的问题，尤其是在创建资产管理外壳（AAS）模型时，现有方法依赖于大量手动操作，效率低下。

核心思路：研究的核心思路是通过构建“语义节点”数据结构，将文本数据的语义信息进行捕捉，并利用大语言模型自动生成标准化的数字双胞胎模型，从而实现信息的高效转换。

技术框架：整体架构包括数据收集、语义节点构建、模型生成三个主要模块。首先，从技术资产的数据表中收集原始文本数据；然后，构建语义节点以提取语义信息；最后，利用大语言模型生成数字双胞胎实例模型。

关键创新：最重要的技术创新在于将语义节点与大语言模型结合，形成了一种新的自动化生成方法，显著提高了生成的准确性和效率，与传统手动创建方法形成鲜明对比。

关键设计：在设计中，采用了特定的参数设置和损失函数，以优化生成模型的性能。此外，网络结构经过精心设计，以确保能够有效处理技术概念的解释和数据的翻译。

📊 实验亮点

实验结果显示，系统的有效生成率达到62-79%，表明大语言模型在将源文本信息无误转换为数字双胞胎实例模型方面具有显著优势。通过对不同大语言模型的比较分析，验证了其在技术概念解释和数据翻译中的有效性，提升了生成的准确性。

🎯 应用场景

该研究的潜在应用领域包括工业4.0中的数字双胞胎系统、智能制造和资产管理等。通过自动化生成资产管理外壳（AAS）模型，能够显著减少人工干预，提高工作效率，推动工业领域的数字化转型。未来，该方法有望在更广泛的工业应用中实现语义互操作性，促进不同系统间的高效协作。

📄 摘要（原文）

This research introduces a novel approach for achieving semantic interoperability in digital twins and assisting the creation of Asset Administration Shell (AAS) as digital twin model within the context of Industry 4.0. The foundational idea of our research is that the communication based on semantics and the generation of meaningful textual data are directly linked, and we posit that these processes are equivalent if the exchanged information can be serialized in text form. Based on this, we construct a "semantic node" data structure in our research to capture the semantic essence of textual data. Then, a system powered by large language models is designed and implemented to process the "semantic node" and generate standardized digital twin models from raw textual data collected from datasheets describing technical assets. Our evaluation demonstrates an effective generation rate of 62-79%, indicating a substantial proportion of the information from the source text can be translated error-free to the target digital twin instance model with the generative capability of large language models. This result has a direct application in the context of Industry 4.0, and the designed system is implemented as a data model generation tool for reducing the manual effort in creating AAS model. In our evaluation, a comparative analysis of different LLMs and an in-depth ablation study of Retrieval-Augmented Generation (RAG) mechanisms provide insights into the effectiveness of LLM systems for interpreting technical concepts and translating data. Our findings emphasize LLMs' capability to automate AAS instance creation and contribute to the broader field of semantic interoperability for digital twins in industrial applications. The prototype implementation and evaluation results are presented on our GitHub Repository: https://github.com/YuchenXia/AASbyLLM.