論文の概要: AI- and Ontology-Based Enhancements to FMEA for Advanced Systems Engineering: Current Developments and Future Directions

• arxiv url: http://arxiv.org/abs/2511.17743v1
• Date: Fri, 21 Nov 2025 19:51:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:24.391193
• Title: AI- and Ontology-Based Enhancements to FMEA for Advanced Systems Engineering: Current Developments and Future Directions
• Title（参考訳）: AIとオントロジーに基づく高度なシステムエンジニアリングのためのFMEAの強化:現状と今後の方向性
• Authors: Haytham Younus, Sohag Kabir, Felician Campean, Pascal Bonnaud, David Delaux,
• Abstract要約: 我々は、従来のモード・アンド・エフェクト・アナリティクス(FMEA)を、よりインテリジェントで、データ駆動で、セマンティックに強化されたプロセスに変換することを目的とした最近の進歩についてレビューする。 機械学習や自然言語処理など、人工知能(AI)のテクニックが、FMEAをよりダイナミックでデータ駆動のプロセスに変換する方法について検討する。
• 参考スコア（独自算出の注目度）: 1.1254693939127907
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This article presents a state-of-the-art review of recent advances aimed at transforming traditional Failure Mode and Effects Analysis (FMEA) into a more intelligent, data-driven, and semantically enriched process. As engineered systems grow in complexity, conventional FMEA methods, largely manual, document-centric, and expert-dependent, have become increasingly inadequate for addressing the demands of modern systems engineering. We examine how techniques from Artificial Intelligence (AI), including machine learning and natural language processing, can transform FMEA into a more dynamic, data-driven, intelligent, and model-integrated process by automating failure prediction, prioritisation, and knowledge extraction from operational data. In parallel, we explore the role of ontologies in formalising system knowledge, supporting semantic reasoning, improving traceability, and enabling cross-domain interoperability. The review also synthesises emerging hybrid approaches, such as ontology-informed learning and large language model integration, which further enhance explainability and automation. These developments are discussed within the broader context of Model-Based Systems Engineering (MBSE) and function modelling, showing how AI and ontologies can support more adaptive and resilient FMEA workflows. We critically analyse a range of tools, case studies, and integration strategies, while identifying key challenges related to data quality, explainability, standardisation, and interdisciplinary adoption. By leveraging AI, systems engineering, and knowledge representation using ontologies, this review offers a structured roadmap for embedding FMEA within intelligent, knowledge-rich engineering environments.
• Abstract（参考訳）: この記事では、従来の障害モードと影響分析(FMEA)を、よりインテリジェントで、データ駆動で、セマンティックに強化されたプロセスに変換することを目的とした、最近の進歩に関する最新のレビューを紹介する。 工学系が複雑化するにつれて、従来のFMEA法(主に手動、文書中心、エキスパート依存)は、現代のシステム工学の要求に対処する上で、ますます不十分になっている。 機械学習や自然言語処理など,人工知能(AI)のテクニックを,障害予測や優先順位付け,運用データからの知識抽出を自動化することによって,FMEAをよりダイナミックでデータ駆動型,インテリジェント,モデル統合プロセスに変換する方法について検討する。 並行して、システム知識の形式化、意味推論のサポート、トレーサビリティの向上、ドメイン間の相互運用性の実現におけるオントロジーの役割について検討する。 このレビューはまた、オントロジーインフォームドラーニングや大規模言語モデル統合といった新しいハイブリッドアプローチを合成し、説明可能性と自動化をさらに強化する。 これらの開発は、モデルベースシステムエンジニアリング(MBSE)と関数モデリングの幅広い文脈で議論され、AIとオントロジーがより適応的でレジリエントなFMEAワークフローをどのようにサポートするかを示している。 データ品質、説明可能性、標準化、学際的な採用に関する重要な課題を特定しながら、さまざまなツール、ケーススタディ、統合戦略を批判的に分析します。 オントロジーを用いたAI、システムエンジニアリング、知識表現を活用することで、このレビューは、知識に富んだインテリジェントなエンジニアリング環境にFMEAを組み込むための構造化されたロードマップを提供する。

関連論文リスト

• AI Flow: Perspectives, Scenarios, and Approaches [51.38621621775711]
  私たちは最先端のITとCTの進歩を統合するフレームワークであるAI Flowを紹介します。 まず、デバイスエッジクラウドフレームワークは、エンドデバイス、エッジサーバ、クラウドクラスタを統合する基盤として機能する。 第2に,家族モデルの概念を導入し,同列に隠れた特徴を持つ様々なサイズのモデルに言及する。 第3に、コネクティビティとインタラクションに基づくインテリジェンスの出現は、AI Flowの新たなパラダイムである。
  論文  参考訳（メタデータ） (2025-06-14T12:43:07Z)
• Toward Knowledge-Guided AI for Inverse Design in Manufacturing: A Perspective on Domain, Physics, and Human-AI Synergy [0.8399688944263844]
  AIは製造における逆設計を再構築し、材料、製品、プロセスにおける高性能な発見を可能にしている。 しかし、純粋にデータ駆動のアプローチは、スパースデータ、高次元の設計空間、複雑な制約によって特徴づけられる現実的な製造環境に苦しむことが多い。 この視点は、3つの補完的な柱の上に構築された統合フレームワークを提案する: 物理的に意味のある目的と制約を確立するためのドメイン知識と、限定的または偏りのあるデータに基づく一般化を強化する物理インフォームド機械学習、直感的で人間中心のインタラクションをサポートするための大規模言語モデルベースのインターフェイス。
  論文  参考訳（メタデータ） (2025-05-29T08:15:27Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Generative AI and Empirical Software Engineering: A Paradigm Shift [9.284024538100063]
  本稿では,大規模言語モデルのソフトウェア工学への統合が,確立した研究パラダイムをいかに破壊するかを考察する。 我々は、我々が研究している現象、我々が依存する方法や理論、分析するデータ、そして、動的AIを介する環境で発生する妥当性に対する脅威をどう変えるかについて議論する。 私たちの目標は、経験豊かなソフトウェアエンジニアリングコミュニティが、AIシステムが単なるツールではなく、ソフトウェアエンジニアリングとその研究を形作る活発な協力者の未来に、その質問や道具、検証基準を適合させることです。
  論文  参考訳（メタデータ） (2025-02-12T04:13:07Z)
• Data Analysis in the Era of Generative AI [56.44807642944589]
  本稿では,AIを活用したデータ分析ツールの可能性について考察する。 我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。 次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
  論文  参考訳（メタデータ） (2024-09-27T06:31:03Z)
• Towards Next-Generation Urban Decision Support Systems through AI-Powered Construction of Scientific Ontology using Large Language Models -- A Case in Optimizing Intermodal Freight Transportation [1.6230958216521798]
  本研究では,事前学習された大規模言語モデル(LLM)を活用する可能性について検討する。 推論コアとしてChatGPT APIを採用することで、自然言語処理、メソノロジーベースのプロンプトチューニング、トランスフォーマーを含む統合ワークフローを概説する。 我々の方法論の成果は、広く採用されているオントロジー言語(OWL、RDF、SPARQLなど)の知識グラフである。
  論文  参考訳（メタデータ） (2024-05-29T16:40:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。