Supporting Self-Management in Cyber-Physical Systems by Combining Data-driven and Knowledge-enabled Methods
Tid: To 2025-04-10 kl 09.00
Plats: M1, Brinellvägen 64A, Stockholm
Videolänk: https://kth-se.zoom.us/j/62678100345
Språk: Engelska
Ämnesområde: Maskinkonstruktion
Respondent: Peng Su , Mekatronik och inbyggda styrsystem
Opponent: Jun.-Prof.Dr.-Ing. Andrey Morozov, Institute of Industrial Automation and Software Engineering, University of Stuttgart
Handledare: Universitets lektor DeJiu Chen, Mekatronik och inbyggda styrsystem
Abstract
Cyberfysiska system (CPS) är intelligenta system som kombinerar beräknings-mässiga och fysiska förmågor för att möjliggöra avancerade funktioner, som autonoma beteenden, interaktion mellan människa och maskin och maskinsamarbete i komplexa miljöer. För att hantera dessa funktionaliteter används ofta artificiell intelligens (AI), särskilt inom operativ perception och beslutsfattande. Men på grund av att de flesta AI-komponenter är dataintensiva och svårgenomtränglig, i kombination medoförut-sedda miljöer, innebär integrationen av AI-komponenter i CPS betydande tekniska utmaningar när det gäller kvalitetshantering.
Självförvaltning, som en inbyggd systemfunktion, utökar konventionella CPS med funktionaliteter för driftsövervakning, planering och anpassning. Den anses ofta vara en nödvändig mekanism för att säkerställa kvaliteten och pålitligheten hos AI-komponenter.
Att implementera självförvalt-ning i AI-aktiverade CPS innebär dock flera utmaningar: Begreppet tolkas olika beroende på målgrupp och tillämpning, vilket gör definitionen och implementeringen mer komplex. Dessutom kräver AI-komponenter ofta extra ansträngningar för att säkerställa konsekvent prestanda över olika operativa domäner, särskilt under oförutsedda förhållanden.
För att adressera dessa utmaningar föreslår denna avhandling en integrering av datadrivna och kunskapsbaserade metoder för självförvaltning genom följande insatser: 1) Utveckling av konceptuella ramverk som definierar de nödvändiga och tillräckliga funktionerna för autonom hantering, med stöd för situationsmedvetenhet om både interna och externa förhållandena; 2) Implementering av tillståndsövervakningsmoduler inom de föreslagna konceptuella ramverken för att analysera systemstatus och förbättra situationsmedvetenheten; 3) Skapande av förklarbara datadrivna metoder som möjliggör en bättre förståelse av operativa förhållanden; 4) Design av inlärningsbaserade agenter för att dynamiskt och effektivt hantera sårbarheter i AI-baserade system, förebygga systemfel och säkerställa driftsäkerhet.
Denna avhandling samlar nyckelbegrepp och introducerar nya funktioner för autonom hantering i cyberfysiska system genom att sammanställa insikter från befintliga studier och adressera deras begränsningar. Den presenterar ett ramverk för att utforma inlärningsbaserade agenter som utnyttjar datasyntes för att uppnå autonom hantering. Vidare utvecklas datadrivna metoder som kombineras med kunskapsbaserade modeller för att förbättra situationsmedvetenhet och pålitlighet, samtidigt som de komplexa och svårgenomträngliga databehandlingsprocesserna i AI-drivna komponenter hanteras.