Dieses Bild zeigt Sheng Ding

Sheng Ding

M.Sc.

Akademischer Mitarbeiter
Institut für Automatisierungstechnik und Softwaresysteme

Kontakt

+49 711 685 67324
+4971168567302

Pfaffenwaldring 47
70550 Stuttgart
Raum: 2.301

Zeitschriften und Konferenzen:
  1. 2021

    1. Y. Ma, A. Morozov, und S. Ding, „Anomaly Detection for Cyber Physical Systems using Transformers“, The International Mechanical Engineering Congress and Exposition, IMECE, 2021.
    2. S. Ding, A. Morozov, T. Fabarisov, und S. Vock, „KrakenBox: Deep Learning based Error Detector for Industrial Cyber-Physical Systems“, in The International Mechanical Engineering Congress and Exposition, IMECE, 2021.
  2. 2020

    1. S. Ding, A. Morozov, S. Vock, M. Weyrich, und K. Janschek, „Model-Based Error Detection for Industrial Automation Systems Using LSTM Networks“, In: International Symposium on Model-Based Safety and Assessment, pp. 212-226. Springer, Cham, 2020.
  3. 2019

    1. K. Ding, S. Ding, A. Morozov, T. Fabarisov, und K. Janschek, „On-line error detection and mitigation for time-series data of cyber-physical systems using deep learning based methods“, in 2019 15th European Dependable Computing Conference (EDCC) (pp. 7-14). IEEE, 2019.

Sheng Ding ist Doktorand und akademischer Mitarbeiter an der Universität Stuttgart, Institut für Automatisierungstechnik und Softwaresysteme. Sein Forschungsschwerpunkt sind Deep Learning Fehlererkennung und Zuverlässigkeitanalyse von Cyber-Physischen Systemen.

Forschungsschwerpunkt:

Deep Learning Fehlererkennung und Zuverlässigkeitanalyse von Cyber-Physischen Systemen.

Beschreibung:

Die Erkennung von Anomalien ist ein bekanntes Konzept, das in einer Vielzahl von Bereichen, einschließlich der Systemtechnik, angewendet wird, um Fehler zu erkennen bzw. zu vermeiden. Angesichts der zunehmenden Verbesserung von Deep Learning (DL)-Ansätze wird die Anwendbarkeit von DL-Techniken zur Fehlererkennung erforscht. In diesem Forschungsvorhaben wird daran gearbeitet, Zeitreihendatenverarbeitung und häufige CPS-Fehler zu konzentrieren. Dabei werden zunächst die Trainingsdaten mithilfe der Kombination von vorhandenen und eigenen Fehlerinjektionsmethoden und –werkzeugen generiert. Hierzu werden Daten mittels Simulation im Bereich vernetzte Automatisierungssysteme und Fehler mittels Injektion mit entsprechendem Label erzeugt. Damit die Methoden in die reale Welt umgesetzt werden können, werden reale Fallstudien betrachtet und z. B. dabei gemessene Signale mit der Simulation verglichen.

Die überwiegende Mehrheit der vorhandenen Forschung zur Erkennung von Anomalien berücksichtigt keine Echtzeit. Dies ist jedoch sehr wichtig, um ein CPS-System zu schützen. Einerseits soll daher Online-Echtzeit Messung und Datenverkehr vom Host-System dokumentiert und evaluiert werden. Andererseits werden Online-Echtzeit-Antwort durch Vergleich der Berechnungskosten verschiedener DL-Modelle erforscht.

In dem Vorhaben werden viele Arten von Methoden bzw. DL-Architechturen verglichen und integriert. Geeignete DL-basierte Fehlererkennungsansätze wie Vorhersage, Klassifizierung, und  Rekonstruktion werden verglichen. Das Training und die Evaluation der DL-Modelle erfolgen offline mit dem gesammelten Datensätzen und umfasst drei Phasen. Erstens, verschiedene Netzwerktypen, z.B MLP, CNN, LSTM / GRU, Autoen-Codierer, und Transformatoren, sowie deren Struktur- und Hyper-Parameter werden untersucht und identifiziert. Zweitens wird die Leistung mit Genauigkeit und Geschwindigkeit verschiedener Modelle als Wissensbasis dokumentiert. Drittens, um die Genauigkeit zu verbessern, wird die dynamische Rekonfiguration erforscht. Ziel ist, eine DL-basierte Error Detektion mit Echtzeit-Reaktion und hoher Genauigkeit zu entwickeln. Zur Demonstration des Konzepts wird die implementierte Methode online getestet. Die Ergebnisse zeigen, dass die Fehler in Echtzeit erfolgreich erkannt werden können.

Forschungsportal:

Google Scholar: https://scholar.google.de/citations?hl=en&user=jnvhuokAAAAJ

ResearchGate: https://www.researchgate.net/profile/Sheng-Ding-12

Zum Seitenanfang