Abstract: Cyber-Physische Systeme (CPS) verbinden physikalische Prozesse mit Computing, Kommunikation und Steuerung. Sie operieren oft in Umgebungen, die voller Unsicherheit, Lärm und ständiger Veränderung sind, was traditionelle deterministische Modelle dazu bringt, Schwierigkeiten zu haben, das tatsächliche Verhalten dieser Systeme zu erfassen. Diese Arbeit führt ein flexibleres Rahmenwerk auf Basis von Markov-Prozessen ein, das hilft, CPS realistischer zu modellieren, vorherzusagen und zu steuern. Durch die Betrachtung des Systemverhaltens als probabilistische Übergänge zwischen Zuständen wird es einfacher, Unsicherheit zu analysieren und zu verstehen, wie sich das System im Laufe der Zeit entwickelt. Die Studie untersucht diskrete Markov-Ketten und erweitert die Diskussion auf versteckte Markov-Modelle (HMMs) und Markov-Entscheidungsprozesse (MDPs), wodurch sowohl sichtbare als auch verdeckte Aspekte der Systemdynamik dargestellt werden können. Sie skizziert einen gut definierten Prozess zur Definition von Zuständen, zur Berechnung von Übergangswahrscheinlichkeiten und zur Erstellung von Vorhersagen. Darüber hinaus erforscht das Papier den Einsatz von Steuerungstechniken auf Basis der Wahrscheinlichkeitsrechnung und zeigt, dass diese Methoden ein höheres Maß an Robustheit im Vergleich zu traditionellen Steuerungstechniken aufweisen. Ein Beispiel wird gegeben, um zu zeigen, wie dieses Modell die Leistung und Flexibilität verbessert. Alles in allem ist die Markov-Modellierung ein guter Ausgangspunkt, um die Herausforderungen in CPSs zu bewältigen und den Weg für die Integration mit anderen Werkzeugen zu ebnen.
Ass. Eng. Iliyan Vasilev, PhD (Fri,) hat diese Frage untersucht.