MétaCan
Menu
Retour à la cohorte
Enregistrement W3101443789 · doi:10.1016/j.promfg.2020.10.168

Multi-Agent Modeling of Cyber-Physical Systems for IEC 61499 Based Distributed Automation

2020· article· en· W3101443789 sur OpenAlexafffund
Guolin Lyu, Alireza Fazlirad, Robert W. Brennan

Notice bibliographique

RevueProcedia Manufacturing · 2020
Typearticle
Langueen
DomaineEngineering
ThématiqueFlexible and Reconfigurable Manufacturing Systems
Établissements canadiensIBM (Canada)University of Calgary
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésCyber-physical systemEclipseAutomationBlock (permutation group theory)Embedded systemAdaptation (eye)ArchitectureComputer scienceFunction (biology)Systems engineeringDistributed computingEngineeringSoftware engineeringOperating system

Résumé

récupéré en direct d'OpenAlex

The traditional industrial automation systems developed under IEC 61131-3 in centralized control are statically programmed with determined procedures to perform predefined behaviors/tasks in structured environments. A major challenge for the traditional system is the frequent changes and constant uncertainties of the system itself, its operations and the operating environments. Therefore, in this paper we are trying to develop a two-layer architecture for modelling industrial cyber-physical systems, in which the multi-agent computing model is designed for the high-level architecture and the IEC 61499 function block model is applied for the low-level architecture. It aims to integrate system intelligence by communicating and computing cores from the high-level cyber modules and real-time adaptation by distributed and intelligent control of the low-level physical modules. The proposed modeling framework is tested for the feasibility study through preliminary experiments on Jetson Nano and Raspberry Pi by using agent modeling tool SPADE and function block modeling tool Eclipse 4diac.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,004
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,031
Tête enseignante GPT0,231
Écart entre enseignants0,200 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueProcedia ManufacturingMême sujetFlexible and Reconfigurable Manufacturing SystemsTravaux en français237 207