RDFdL: Integrating RDF with Differential Dynamic Logic
本文介绍了 RDFdL，这是一个将 RDF 知识图谱与微分动态逻辑相结合的框架，旨在实现对静态知识与连续物理动力学的表示和形式化验证，从而允许通过 SPARQL 查询信息物理系统的安全性与可达性属性。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在现代工厂中，数字孪生充当着物理机器的虚拟镜像。它是一张详细的连接图谱，展示了哪个传感器属于哪个阀门，哪位技术人员负责特定的电机，以及产品如何从一个工位移动到下一个工位。这张地图是使用一种被称为“语义网”（Semantic Web）的语言构建的，这种语言擅长组织静态事实和关系。它可以告诉工程师，一台加热烤箱有一个“开”开关和一个“关”开关。然而，这张数字地图存在一个盲点：它无法预测当机器实际运行时会发生什么。它无法计算烤箱内部的温度是否会上升过快，水箱是否会溢出，或者机器人手臂在移动时是否会撞到墙壁。这些问题取决于物理定律，特别是事物如何随时间变化的微分方程——即描述连续运动的数学规则。传统的数字地图对这些动态行为保持沉默，导致在“了解机器是什么”与“了解机器将做什么”之间留下了危险的鸿沟。
卡尔斯鲁厄理工学院的研究人员构建了一座桥梁来填补这一差距。他们开发了一种名为 RDFdL 的新框架，将数字地图的静态知识与用于验证复杂物理系统的严密逻辑融合在一起。团队采用了用于描述工厂数据的标准语言，并教会它使用动态物理学的语言进行交流。他们创建了一个系统，使计算机不仅能读取机器部件清单，还能运行形式化证明，以确定特定的事件序列是否安全。在他们的方法中，计算机将机器状态的描述（例如“烤箱已开启且温度低于 180 度”）转化为一个数学模型。然后，它使用专门的定理证明器（一种旨在检查复杂逻辑陈述真伪的工具）来验证机器是否可以安全地从该状态转换到新状态，例如“烤箱已开启且温度在 180 到 200 度之间”。
研究人员在多个真实场景中测试了该系统，包括一个简单的烤箱、一个双水箱系统、一条酸奶生产线以及一台大型工业蒸汽锅炉。对于每种情况，他们首先使用标准的数字地图工具描述机器及其可能的各种状态。然后，他们要求系统验证机器是否可以在不违反安全规则（如超过最高温度或压力）的情况下，在物理上实现状态间的转换。系统成功证明了对于该烤箱，它可以在不超越 200 度的安全限值的情况下，从冷态加热到目标范围。它确认了水箱中的水会正确流动，并且蒸汽锅炉可以维持安全的压力水平。至关重要的是，一旦系统证明了某种转换是安全的，它就会将这一事实作为一条经过验证的连接重新添加回数字地图中。这意味着管理者现在可以用一种标准的查询语言提出一个问题：“机器能否从状态 A 进入状态 B？如果是，涉及该设备的负责人是谁？”系统通过将人员和部件的静态地图与新验证的物理行为路径相结合，给出了答案。
这项工作表明，将物理定律的连续流动性与数据图谱的结构化离散性进行整合是可能的。团队展示了他们的方法既适用于线性行为系统（变化以稳定速率发生），也适用于更复杂的非线性系统（变量以困难的方式相互作用，例如两个水箱之间的水流）。他们发现，随着系统规模的扩大，所需的检查次数呈可控方式增长，这表明该方法可以扩展到工业应用。研究人员并未声称已经解决了工厂自动化中的所有问题，但他们证明了静态数据与动态物理这两个世界是可以相互链接的。通过将复杂的数学证明结果转化为简单的、可查询的事实，他们赋予了数字孪生对所代表机器的未来安全性进行推理的能力，确保虚拟地图不仅反映了机器“是什么”，还反映了它“可以安全地变成什么样”。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。