A Robust Discrete Event Method for the Design of Cyber-Physical Systems
Notice bibliographique
Résumé
The technological advancement in Cyber-Physical Systems (CPS) has seen more sophisticated hardware, leading to systems that are complex, interconnected, and require automation.This trend has made modern CPS fragile and susceptible to faults.Traditional methods for fault detection and diagnosis are unable to adequately scale up to handle the faults that occur in CPS because of the tight interconnectivity between the physical and cyber parts of CPS.Also, real-time requirements present new challenges that are not sufficiently addressed by traditional fault-tolerant design approaches, therefore more intelligent methods are now needed to deal with these faults.To address these issues, we propose an approach to formally define faults, detect, and diagnose faults, and accommodate faults for fault tolerance.For fault detection and diagnosis, we propose a generic fault detection and diagnosis (FDD) scheme capable of diagnosing CPS faults in real-time.The scheme is developed to accommodate different modeling methods but for clarity of explanation, we adapt it to the DEVS formalism.To test the scheme, we implemented a library to store fault codes in a data structure and developed intelligent logic to ensure faults are correctly detected and isolated.We also propose a purely data-driven approach to detect faults in CPS where we have no control over the design of the control system.Our data-driven methods thrive on setting rigorous processes and workflows to ensure that representative data is collected for CPS to ensure that FDD techniques perform optimally.iii For fault tolerance, a fault-tolerant logic is included as part of the FDD scheme for the control system, and for sensing, we propose a sensor fusion framework developed not just to facilitate the implementation of sensor fusion algorithms in DEVS.It also provides a method for checking failures using data obtained from sensor outputs.This improves the reliability of the sensing system.Finally, we evaluate the applicability of the various methods proposed through case studies.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».