ADISTES
Die aktive Diagnose zielt darauf ab, die Systemzuverlässigkeit erheblich zu verbessern, indem Diagnoseinformationen zur Laufzeit für die Fehlerisolierung und Online-Fehlerbehebung verwendet werden. Die aktive Diagnose für offene eingebettete Echtzeitsysteme (z. B. Gesundheitsmanagement und medizinische Systeme) ist ein offenes Forschungsproblem, das sich aus den strengen Echtzeit- und Zuverlässigkeitsanforderungen in Verbindung mit den zum Zeitpunkt der Entwicklung unbekannten Komponenten ergibt. Im Rahmen des ADISTES-Projekts wurden semantische Techniken, die normalerweise in großen IT-Systemen verwendet werden, für die aktive Diagnose in offenen eingebetteten Echtzeitsystemen erweitert. Wir entwickelten Modellierungstechniken zur Beschreibung von Diagnosefunktionen, Symptomen, Fehlern und Wiederherstellungsmaßnahmen. Methoden für verteiltes Wissensmanagement sorgten für entspannte Konsistenz bei gleichzeitiger Einhaltung von Echtzeitbedingungen. Die Echtzeit-Inferenz wurde auf der Grundlage der zeitgesteuerten Planung von Diagnoseabfragen untersucht. Das Ziel von Abfragetransformationen, semantischen Transformationen und zielorientiertem Lernen verbesserte die Planbarkeit und Zuverlässigkeit. Die Methoden und Algorithmen wurden prototypisch implementiert sowie experimentell und analytisch hinsichtlich Zuverlässigkeit und Aktualität evaluiert.
Beschreibung
In den letzten Jahren hat sich der Bereich der eingebetteten Systeme in Richtung neuartiger Anwendungsbereiche entwickelt, die strenge Echtzeitvorgaben, Zuverlässigkeitsanforderungen und die Notwendigkeit einer offenen Welt kombinieren. Diese Systeme werden als offene eingebettete Echtzeitsysteme bezeichnet. Beispiele sind Ambient-Assisted Living (AAL)-Systeme für die Altenpflege, vernetzte medizinische Geräte und Gesundheitsmanagementsysteme, Anwendungen für die elektrische Energieverteilung und Kommando-/Steuerungssysteme. Diese Systeme basieren auf der Annahme einer offenen Welt, in der neue Komponenten zur Laufzeit integriert werden, um neue globale Dienste dynamisch zu realisieren. Gleichzeitig sind ein zuverlässiger Betrieb und die Unterstützung strenger Echtzeitanforderungen unerlässlich, um einen geschlossenen Regelkreis und garantierte Reaktionszeiten zu ermöglichen. Zum Beispiel müssen Ärzte medizinische Geräte dynamisch in ein In-Home-AAL-System für die Notfallbehandlung integrieren und dabei vorhersagbare Reaktionszeiten und eine zuverlässige Interaktion mit In-Home-Geräten (z. B. medizinischen Sensoren) und entfernten Standorten (z. B. Krankenhäusern) gewährleisten.
In diesem Zusammenhang wurden im Rahmen des Forschungsprojekts ADISTES Modelle und Algorithmen für die aktive Diagnose in offenen eingebetteten Echtzeitsystemen mit verbesserter Zuverlässigkeit und Sicherheit eingeführt. Die Projektergebnisse ermöglichen eine kosteneffiziente Fehlerisolierung und Wiederherstellungsmaßnahmen zur Laufzeit auf der Grundlage der zeitgesteuerten Ausführung von Diagnoseabfragen. Im Gegensatz zu anderen Fehlertoleranztechniken, die auf räumlicher und zeitlicher Redundanz basieren, wird der anfallende Overhead deutlich reduziert. Gleichzeitig kommen wir mit dynamischen Systemstrukturen zurecht, bei denen Komponenten zur Laufzeit ein- und austreten, in variablen Setups untereinander interagieren und unterschiedliche globale Anwendungsdienste realisieren. In diesem Zusammenhang können diagnostische Beziehungen nicht absolut ausgedrückt werden, z.B. durch die Definition von Assertions auf bestimmte Zustandsvariablen. Diagnostische Beziehungen müssen indirekt modelliert werden, indem man sich auf semantische Kategorien und wiederkehrende diagnostische Muster bezieht. Systeme mit einer dynamischen Struktur müssen beim Auftreten anomaler Verhaltensweisen und Zustände beobachtet und analysiert werden. Ebenso muss die Definition und Ausführung von Wiederherstellungsmaßnahmen die dynamische Natur eines offenen Systems berücksichtigen.
Das ADISTES-Projekt erweiterte semantische Techniken, die normalerweise in großen IT-Systemen verwendet werden, für die aktive Diagnose in offenen eingebetteten Echtzeitsystemen. Auf dieser Grundlage wurden neuartige Modellierungstechniken zur Beschreibung von Diagnosefunktionen, Symptomen, Fehlern und Wiederherstellungsmaßnahmen entwickelt. Es wurden Methoden für die Verwaltung des semantischen Wissens mit einer entspannten Konsistenz und Methoden zur automatischen Identifizierung und Modellierung von Fehlern entwickelt. Durch die Verbindung der semantischen und der Echtzeit-Umgebung ermöglicht ein diagnostischer Multi-Abfrage-Graph (DMG) das Aufspüren und die Schlussfolgerung von Fehlern, die zu Ausfällen führen können. Die daraus resultierende Echtzeit-Inferenz basiert auf der zeitgesteuerten Planung und Optimierung von Diagnoseanfragen. Die Methoden und Algorithmen wurden prototypisch implementiert sowie experimentell und analytisch hinsichtlich Zuverlässigkeit und Aktualität evaluiert.
Die ADISTES-Ergebnisse sind in vier Doktorarbeiten, mehreren Masterarbeiten und zahlreichen Veröffentlichungen auf wissenschaftlichen Konferenzen eingeflossen. Die ADISTES-Ergebnisse führen auch zu Folgeprojekten mit Unternehmen in verschiedenen Bereichen, wie z. B. der Kfz-Diagnose und medizinischen Dienstleistungen, die von KMU Innovativ finanziert werden. Ein Projekt im Automobilbereich dient der wartungsorientierten Diagnose für Werkstätten, während das medizinische Projekt auf ein Wearable Computing Device zur verbesserten medizinischen Diagnose für Ambulanzteams abzielt.
Schwerpunktthemen/Bereiche
-
Aktive Diagnose auf Basis von Semantic Web Technologien für verteilte eingebettete Echtzeitsysteme
Methodik
Das Projekt besteht aus vier Arbeitspaketen (WPs).
FRACTAL verfolgt eine bahnbrechende, schichtenübergreifende Methodik. Das Projekt nutzt modernste Mikroelektronik, Hochleistungsprozessoren und KI-Techniken, um eine modulare, offene Referenzarchitektur für kognitives Edge Computing zu entwickeln. Eine modulare, offene Referenzarchitektur ermöglicht die Auswahl und Konfiguration von Komponenten je nach Anwendungsbedarf und wird durch den FRACTAL-Systemkonfigurator visualisiert. Zu den Hardware-Fortschritten gehört eine hierarchische, adaptive, zeitgesteuerte Multicore-Architektur (HATMA), die eine Anpassung bei gleichzeitiger Berücksichtigung von Sicherheits-, Stromversorgungs- und Umweltszenarien ermöglicht; sie nutzt ein adaptives, zeitgesteuertes Netzwerk auf dem Chip (ATTNoC) für die Anpassung der Zeitplanung. Ein KI-basierter Metascheduler unterstützt eine zuverlässige, zeitkritische Planung und Laufzeitanpassung. Der Software-Stack nutzt Microservices und bietet Dateneingabe, Speicherung, Orchestrierung und containerisierte ML-Modellserver; dies gewährleistet dieselbe offene Architektur für Low-, Mid- und High-End-Edge-Knoten. FRACTAL hat seine Methodik anhand von acht realen Anwendungsfällen validiert und dabei die modulare Architektur und die KI-Fähigkeiten in verschiedenen Bereichen demonstriert
WP2 addresses the management of the DKB and self-learning.
WP3 provides scheduling and graph transformation algorithms for rule-based inference.
WP4 performs the experimental and analytical evaluation.
