Using Machine Learning to automatically infer an approximation of a physical system

Abstract

The development of Cyber-physical Systems (CPSs) models is a complex process which requires deep multi-disciplinary knowledge of the intended topic to model. Added to this complexity is the difficulty of combining multiple models, sometimes without access to their source code, and make them communicate in a harmonious and integrated way in order to represent the vicissitudes of the environment where the physical system is inserted into. Functional Mockup Interface is a set of C headers that define a protocol that allows the interoperability of different models, independently of the programming languages and tools that generated them. A model that implements this interface is called Functional Mockup Unit (FMU). This dissertation explores the usage of Machine Learning to generate automatically a FMU from parsing a dataset containing the inputs and outputs obtained during the observation of a physical system. A Command-line Interface (CLI) tool named AutoFMU is also presented here, and it accepts as parameters a set of CSV tables and the names of the column that correspond to the inputs and outputs, using several supervised learning algorithms to infer the relationships between these variables. Its invocation results in a file containing a valid FMU ready to be used. In order to assess its feasibility in a real context, the tool AutoFMU was used to generate approximations of a controller of a line follower robot. The generated models were then simulated in the INTO-CPS program and the robot movements under the purview of the new controller were observed. The values generated by the new models were also compared with the datasets of the original physical unit.

O desenvolvimento de modelos de sistemas ciber-físicos é um processo complexo que exige profundos conhecimentos multi-disciplinares do tópico que se pretende modelar. A esta complexidade acresce ainda a dificuldade de combinar múltiplos modelos, por vezes sem acesso ao seu código fonte, e fazê-los comunicar de uma forma harmoniosa e integrada de forma a representar as vicissitudes do ambiente onde o sistema físico se insere. A Functional Mockup Interface é um conjunto de cabeçalhos C que define um protocolo comum que permite a interoperabilidade de diferentes modelos, independente das linguagens de programação e ferramentas que os geraram. Um modelo que implementa esta interface é chamado de FMU. Esta dissertação explora a utilização de Machine Learning para gerar automaticamente um FMU a partir da análise de um conjunto de dados contendo os inputs e outputs obtidos durante a observação de um sistema físico. Apresenta-se também uma ferramenta de linha de comandos de nome AutoFMU que aceita como parâmetros um conjunto de tabelas CSV e os nomes das colunas que correspondem aos inputs e outputs, utilizando diversos algoritmos de aprendizagem supervisionada para deduzir as relações entre estas variáveis. Da sua invocação resulta um ficheiro que contém um FMU válido pronto a ser utilizado. De forma a avaliar a sua viabilidade num contexto real, a ferramenta AutoFMU foi utilizada para gerar aproximações de um controlador de um robot que segue uma linha desenhada no chão. Os modelos gerados foram depois simulados no programa INTO-CPS tendo-se observado e comparado os movimentos efetuados pelo robot sob a alçada do novo controlador. Os valores gerados pelos novos modelos foram também comparados com os datasets da unidade física original.