ASP Diagnose Tool
asp-diag-tool
A investigação foi apoiada pela ECSEL JU no âmbito do projeto H2020 826060 AI4DI - Inteligência Artificial para Digitalização da Indústria. AI4DI é financiado pelo Ministério Federal Austríaco dos Transportes, Inovação e Tecnologia (BMVIT) no âmbito do programa “ICT of the Future” entre maio de 2019 e abril de 2022. Mais informações podem ser obtidas em https://iktderzukunft.at/en/.
Ferramenta de diagnóstico de modelo ASP baseada no solucionador de teoremas CLINGO 5.4.1.
"diagnose" é um arquivo executável que inclui todas as bibliotecas necessárias como CLINGO 5.4.1. Este arquivo só é executável no MAC OS. "diagnose_win.exe" é o arquivo executável para sistemas Windows, incluindo todas as bibliotecas para executar o CLINGO 5.4.1.
Para chamar e utilizar os scripts Python (python 3.6.15), é necessária uma instalação do clingo (versão 5.4.1), que pode ser feita criando um ambiente Conda baseado no arquivo predefinido fornecido no diretório do ambiente:
cd environment
conda env create -f environment.yml
conda activate diagnose
Se uma importação python da ferramenta for necessária, pode-se usar a classe diagnostic.py para importar para o script python relacionado. O dicionário de argumentos "configurações" para esta classe pode ser visto em main_diagnose.py (veja argumentos opcionais)
| Argument | Argument | Description |
| ------ | ------ | ------ |
| --help | -h | show this help message and exit |
| --index | -i | index to identify actual call (E.g.: time, call counter, etc.) |
| --file | -f | load ASP model file |
| --path | -p | load ASP model directory path |
| --faultsize | -fault | size of faults to search |
| --hidediagoutput | -hidediag | hide diagnose output in terminal (no argument needed) |
| --output | -out | define output file name and path for CSV (overview result) and JSON (detailed results) / default path: actual directory and file name with date and time |
| --json | -j | JSON output file is written (no argument needed) |
| --csv | -c | CSV output file is written (no argument needed) |
| --answersets | -a | number of answer sets (0: all, 1: compute one answer set, 2: two answer sets, ... |
| --observation | -obs | add additional observation file to ground with ASP file (e.g.: example.pl) |
| --adapt | -adapt | adapt data (comment out all constraints ':- not no_ab(X)' |
| --strongfaults | -strongfaults | use argument to activate search for strong fault 'only' or 'without' constraints, if argument is not used strong faults constraints are not implemented. choices=["only", "without"] |
application/diagnose --index "0" --path data/asp_test_data --faultsize 3 --answersets 0 --output application/filename --json --csv --hidediagoutput --strongfaults "only"
python app/main_diagnose.py --index "*" --path data/asp_test_data --faultsize 3 --answersets 0 --output application/filename --json --csv --strongfaults "without"
python app/main_diagnose.py --index "1" --file testfile.pl --faultsize 3 --answersets 0 --output application/filename --json --csv
Após a conclusão do cálculo, os dados podem ser armazenados em um arquivo CSV (--csv) e JSON (--json) com base no nome e caminho do arquivo de saída (--output). Se a ferramenta for chamada em um loop com o mesmo nome de arquivo de saída, os arquivos serão expandidos com os novos dados. Isto é útil se, por exemplo, o diagnóstico for realizado em um sistema dependente do tempo e para cada intervalo de tempo um diagnóstico for executado. Para rastrear a chamada, use a opção de índice (--index). Isto permite, por exemplo, adicionar o timestep correlacionado para identificar os dados. (ex.: tempo: 0,01 -> índice=0,01, tempo: 0,02 -> índice=0,02, ...)
O cabeçalho do arquivo de dados CSV: "Index, Model,Time 0,Time 1,Time 2,Time 3,NoD 0,NoD 1,NoD 2,NoD 3,ASPDiagTime"
Por exemplo:
Index,Model,Time 0,Time 1,NoD 0,NoD 1,ASPDiagTime
0,test_heater_circuit.pl,0.007652997970581055,0.009721755981445312,0,1,0.017589092254638672
1,test_heater_circuit.pl,0.007380962371826172,0.010998964309692383,0,0,0.018507003784179688
2,test_heater_circuit.pl,0.007673025131225586,0.0077838897705078125,0,0,0.015599727630615234
O arquivo JSON é armazenado com o nome do arquivo e os dados relacionados com resultados detalhados do diagnóstico.
Por exemplo:
[
{
"0": {
"test_heater_circuit.pl": [
{
"diag time": 0.007652997970581055,
"fault size": 0,
"diag found": 0,
"diag": [],
"observation": [
"val(int(tm),between(t_low, null),0)."
]
},
{
"diag time": 0.009721755981445312,
"fault size": 1,
"diag found": 1,
"diag": [
[
"ab(sw)"
]
],
"observation": [
"val(int(tm),between(t_low, null),0)."
]
}
]
}
},
{
"1": {
"test_heater_circuit.pl": [
{
"diag time": 0.007380962371826172,
"fault size": 0,
"diag found": 0,
"diag": [],
"observation": [
"val(int(tm),between(t_low, null),0).",
"val(int(tm),between(t_low, null),1)."
]
},
{
"diag time": 0.010998964309692383,
"fault size": 1,
"diag found": 0,
"diag": [],
"observation": [
"val(int(tm),between(t_low, null),0).",
"val(int(tm),between(t_low, null),1)."
]
}
]
}
},
{
"2": {
"test_heater_circuit.pl": [
{
"diag time": 0.007673025131225586,
"fault size": 0,
"diag found": 0,
"diag": [],
"observation": [
"val(int(tm),between(t_low, null),0).",
"val(int(tm),between(t_low, null),1).",
"val(int(tm),between(t_low, null),2)."
]
},
{
"diag time": 0.0077838897705078125,
"fault size": 1,
"diag found": 0,
"diag": [],
"observation": [
"val(int(tm),between(t_low, null),0).",
"val(int(tm),between(t_low, null),1).",
"val(int(tm),between(t_low, null),2)."
]
}
]
}
}
]
Use o ambiente conda para construir o arquivo executável para o sistema operacional relacionado com o seguinte comando.
pyinstaller --onefile app/main_diagnose.py --name diagnose --distpath application/ --specpath application/ --hidden-import cffi
