|
DOI: 10.14489/td.2024.02.pp.056-062
Ефанов В. Н., Иванова Н. С.
ДИАГНОСТИКА СОСТОЯНИЯ СЛОЖНЫХ ТЕХНИЧЕСКИХ ОБЪЕКТОВ НА ОСНОВЕ ВЫЯВЛЕНИЯ АНОМАЛИЙ ВРЕМЕННЫХ ПОСЛЕДОВАТЕЛЬНОСТЕЙ
(c. 56-62)
Аннотация. Рассмотрена задача оценки состояния сложных технических объектов на основе анализа аномалий временных последовательностей. Цель данного исследования состоит в разработке метода выявления контекстных аномалий временных последовательностей, позволяющих определить степень развития процессов деградации, которые приводят к возникновению отказов. Проводится исследование современных интеллектуальных средств анализа временных последовательностей большой размерности. Показано, что с точки зрения оценки состояния технических объектов наибольший интерес представляют контекстные аномалии. Предлагается спектральный метод анализа контекстных аномалий. При этом, в отличие от известных спектральных методов, используется специальный базис экспоненциальных функций. Излагается методика расчета спектральных коэффициентов исследуемых временных рядов, на основе которых вычисляется обобщенный атрибут, позволяющий отнести исследуемый случай к нормальной или аномальной группе. Приводится пример оценки состояния газотурбинного двигателя с возможным дефектом ротора турбокомпрессора.
Ключевые слова: сложные технические объекты, диагностика состояния, аномалии, спектральный метод.
Efanov V. N., Ivanova N. S.
DIAGNOSTICS OF THE STATE OF COMPLEX TECHNICAL OBJECTS ON THE BASIS OF DETECTION OF ANOMALIES OF TIME SEQUENCES
(pp. 56-62)
Abstract. The problem of estimating the state of complex technical objects based on the analysis of time sequence anomalies is considered. The purpose of this research is to develop a method of detecting contextual anomalies of time sequences, which allows to determine the degree of development of degradation processes that lead to failures. The study of modern intellectual means of analyzing time sequences of high dimensionality is carried out. It is shown that contextual anomalies are of the greatest interest from the point of view of technical objects state estimation. We propose a spectral method for analyzing context anomalies. In this case, unlike the known spectral methods, a special basis of exponential functions is used. The methodology of calculating spectral coefficients of the investigated time series is described, on the basis of which a generalized attribute is calculated, allowing to attribute the case under study to a normal or anomalous group. An example of gas turbine engine state estimation with a possible defect of turbocharger rotor is given.
Keywords: complex technical objects, state diagnostics, anomalies, spectral method.
В. Н. Ефанов, Н. С. Иванова (Уфимский университет науки и технологий, Уфа, Россия? Уфа, Россия.) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
V. N. Efanov, N. S. Ivanova (Ufa University of Science and Technology, Ufa, Russia) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
,
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
1. ГОСТ 18322–2016. Система технического обслуживания и ремонта техники. Термины и определения: национальный стандарт Российской Федерации: дата введения 2017-09-01 / Федеральное агентство по техническому регулированию и метрологии. Изд. официальное. М.: Стандартинформ, 2017. 16 с.
2. Gupta M., Gao J., Aggarwal C. C., Han J. Outlier Detection for Temporal Data: A Survey // IEEE Trans. on Knowledge and Data Engineering. 2014. V. 26, No. 9. P. 2250–2267. DOI: 10.1109/TKDE.2013.184
3. Cai X., Aydin B., Maydeo S., et al. Local Outlier Detection for Multi-Type Spatio-Temporal Trajectories // IEEE Int. Conf. on Big Data. Atlanta, USA, 10 – 13 Dec. 2020. Atlanta, 2020. P. 4509–4518. DOI: 10.1109/BigData50022.2020.9377801
4. Yu K., Shi W., Santoro N., Ma X. Real-Time Outlier Detection Over Streaming Data // 2019 IEEE SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI). Leicester, UK, 19 – 23 Aug. 2019. Leicester, 2019. P. 125–132. DOI: 10.1109/SmartWorld-UIC-ATC-SCALCOM-IOP-SCI.2019.00063
5. Cao K., Liu Y., Meng G., et al. Trajectory Outlier Detection on Trajectory Data Streams // IEEE Access. 2020. V. 8. P. 34187–34196. DOI: 10.1109/ACCESS.2020.2974521
6. Cai X., Aydin B., Ji A., Angryk R. A Framework for Local Outlier Detection from Spatio-Temporal Trajectory Datasets // 25th International Conference on Pattern Recognition (ICPR). Milan, Italy, 10 – 15 Jan. 2021. Milan, 2021. P. 5682–5689. DOI: 10.1109/ICPR48806.2021.9412274
7. Wang Y., Qin K., Sun H., Lu B. Spatial-Temporal Analysis of High Plateau Flight Turning Procedure Exceptions Based on QAR Data // IEEE 3rd International Conference on Civil Aviation Safety and Information Technology (ICCASIT). Changsha, China, 20 – 22 Oct. 2021. Changsha, 2021. P. 61–64. DOI: 10.1109/ICCASIT53235.2021.9633729
8. Song Y., Yu J., Tang D., et al. Telemetry Data-Based Spacecraft Anomaly Detection Using Generative Adversarial Networks // International Conference on Sensing, Measurement & Data Analytics in the Era of Artificial Intelligence (ICSMD). Xi'an, China, 15 – 17 Oct. 2020. Xi'an, 2020. P. 297–301. DOI: 10.1109/ICSMD50554.2020.9261736
9. Pu J., Wang Y., Liu X., Zhang X. STLP-OD: Spatial and Temporal Label Propagation for Traffic Outlier Detection // IEEE Access. 2019. V. 7. P. 63036–63044. DOI: 10.1109/ACCESS.2019.2916853
10. Fitters W., Cuzzocrea A., Hassani M. Enhancing LSTM Prediction of Vehicle Traffic Flow Data via Outlier Correlations // IEEE 45th Annual Computers, Software, and Applications Conference (COMPSAC). Madrid, Spain, 12 – 16 July 2021. Madrid, 2021. P. 210–217. DOI: 10.1109/COMPSAC51774.2021.00039
11. Al Samara M., Bennis I., Abouaissa A., Lorenz P. An Efficient Outlier Detection and Classification Clustering-Based Approach for WSN // IEEE Global Communications Conference (GLOBECOM). Madrid, Spain, 7 – 11 Dec. 2021. Madrid, 2021. P. 1–6. DOI: 10.1109/GLOBECOM46510.2021.9685756
12. Haj-Hassan A., Habib C., Nassar J. Real-Time Spatio-Temporal Based Outlier Detection Framework for Wireless Body Sensor Networks // IEEE International Conference on Advanced Networks and Telecommunications Systems (ANTS). New Delhi, India, 14 – 17 Dec. 2020. New Delhi, 2020. P. 1–6. DOI: 10.1109/ANTS50601.2020.9342827.
13. Al Samara M., Bennis I., Abouaissa A., Lorenz P. OP-TICS-Based Outlier Detection with Newton Classification // International Wireless Communications and Mobile Computing (IWCMC), Dubrovnik, Croatia, 30 May – 3 June 2022. Dubrovnik, 2022. P. 784–789. DOI: 10.1109/IWCMC55113.2022.9825224
14. Zhang H., Li Z. Anomaly Detection Approach for Urban Sensing Based on Credibility and Time-Series Analysis Optimization Model // IEEE Access. 2019. V. 7. P. 49102–49110. DOI: 10.1109/ACCESS.2019.2909967
15. Mo R., Pay Y., Venkatarayalu N.V., et al. Unsupervised TCN-AE-Based Outlier Detection for Time Series with Seasonality and Trend for Cellular Networks // IEEE Transactions on Wireless Communications. 2023. V. 22, No. 5. P. 3114–3127. DOI: 10.1109/TWC.2022.3216004
16. Dridi A., Boucetta C., Hammami S.E., et al. STAD: Spatio-Temporal Anomaly Detection Mechanism for Mobile Network Management // IEEE Transactions on Network and Service Management. 2021. V. 18, No. 1. P. 894–906. DOI: 10.1109/TNSM.2020.3048131
17. Mo R., Pei Y., Venkatarayalu N., et al. An Unsupervised TCN-Based Outlier Detection for Time Series with Seasonality and Trend // IEEE VTS 17th Asia Pacific Wireless Communications Symposium (APWCS). Osaka, Japan, 30 – 31 Aug. 2021. Osaka, 2021. P. 1–5. DOI: 10.1109/APWCS50173.2021.9548759
18. Borah A., Gruenwald L., Leal E., Panjei E. A GPU Algorithm for Detecting Contextual Outliers in Multiple Concurrent Data Streams // IEEE International Conference on Big Data (Big Data). Orlando, FL, USA, 15 – 18 Dec. 2021. Orlando, 2021. P. 2737–2742. DOI: 10.1109/BigData52589.2021.9671460
19. Lu W., Cheng Y., Xiao C., et al. Unsupervised Sequential Outlier Detection with Deep Architectures // IEEE Transactions on Image Processing. 2017. V. 26, No. 9. P. 4321–4330. DOI: 10.1109/TIP.2017.2713048
20. Суетин П. К. Классические ортогональные многочлены. М.: Физматлит, 2007. 480 с.
21. Никифоров А. Ф., Суслов С. К. Классические ортогональные полиномы. М.: Знание, 1985. 32 с.
1. Equipment maintenance and repair system. Terms and definitions: national standard of the Russian Federation. (2017). Standard No. GOST 18322–2016. Moscow: Standartinform. [in Russian language]
2. Gupta M., Gao J., Aggarwal C. C., Han J. (2014). Outlier Detection for Temporal Data: A Survey. IEEE Transactions on Knowledge and Data Engineering, 26(9), 2250 – 2267. DOI: 10.1109/TKDE.2013.184
3. Cai X., Aydin B., Maydeo S. et al. (2020). Local Outlier Detection for Multi-Type Spatio-Temporal Trajectories. IEEE International Conference on Big Data, 4509 – 4518. Atlanta. DOI: 10.1109/BigData50022.2020.9377801
4. Yu K., Shi W., Santoro N., Ma X. (2019). Real-Time Outlier Detection Over Streaming Data. 2019 IEEE SmartWorld/SCALCOM/UIC/ATC/CBDCom/IOP/SCI, 125 – 132. Leicester. DOI: 10.1109/SmartWorld-UIC-ATC-SCALCOM-IOP-SCI.2019.00063
5. Cao K., Liu Y., Meng G. et al. (2020). Trajectory Outlier Detection on Trajectory Data Streams. IEEE Access, 8, 34187 – 34196. DOI: 10.1109/ACCESS.2020.2974521
6. Cai X., Aydin B., Ji A., Angryk R. (2021). A Framework for Local Outlier Detection from Spatio-Temporal Trajectory Datasets. 25th International Conference on Pattern Recognition (ICPR), 5682 – 5689. Milan. DOI: 10.1109/ICPR48806.2021.9412274
7. Wang Y., Qin K., Sun H., Lu B. (2021). Spatial-Temporal Analysis of High Plateau Flight Turning Procedure Exceptions Based on QAR Data. IEEE 3rd International Conference on Civil Aviation Safety and Information Technology (ICCASIT), 62 – 64. Changsha. DOI: 10.1109/ICCASIT53235.2021.9633729
8. Song Y., Yu J., Tang D. et al. (2020). Telemetry Data-Based Spacecraft Anomaly Detection Using Generative Adversarial Networks. International Conference on Sensing, Measurement & Data Analytics in the Era of Artificial Intelligence (ICSMD), 297 – 301. Xi'an. DOI: 10.1109/ICSMD50554.2020.9261736
9. Pu J., Wang Y., Liu X., Zhang X. (2019). STLP-OD: Spatial and Temporal Label Propagation for Traffic Outlier Detection. IEEE Access, 7, 63036 – 63044. DOI: 10.1109/ACCESS.2019.2916853
10. Fitters W., Cuzzocrea A., Hassani M. (2021). Enhancing LSTM Prediction of Vehicle Traffic Flow Data via Outlier Correlations. IEEE 45th Annual Computers, Software, and Applications Conference (COMPSAC), 210 – 217. Madrid. DOI: 10.1109/COMPSAC51774.2021.00039
11. Al Samara M., Bennis I., Abouaissa A., Lorenz P. (2021). An Efficient Outlier Detection and Classification Clustering-Based Approach for WSN. IEEE Global Communications Conference (GLOBECOM), 1 – 6. Madrid. DOI: 10.1109/GLOBECOM46510.2021.9685756
12. Haj-Hassan A., Habib C., Nassar J. (2020). Real-Time Spatio-Temporal Based Outlier Detection Framework for Wireless Body Sensor Networks. IEEE International Conference on Advanced Networks and Telecommunications Systems (ANTS), 1 – 6. New Delhi. DOI: 10.1109/ANTS50601.2020.9342827.
13. Al Samara M., Bennis I., Abouaissa A., Lorenz P. (2022). OPTICS-Based Outlier Detection with Newton Classification. International Wireless Communications and Mobile Computing (IWCMC), 784 – 789. Dubrovnik. DOI: 10.1109/IWCMC55113.2022.9825224
14. Zhang H., Li Z. (2019). Anomaly Detection Approach for Urban Sensing Based on Credibility and Time-Series Analysis Optimization Model. IEEE Access, 7, 49102 – 49110. DOI: 10.1109/ACCESS.2019.2909967
15. Mo R., Pay Y., Venkatarayalu N.V. et al. (2023). Unsupervised TCN-AE-Based Outlier Detection for Time Series with Seasonality and Trend for Cellular Networks. IEEE Transactions on Wireless Communications, 22(5), 3114 – 3127. DOI: 10.1109/TWC.2022.3216004
16. Dridi A., Boucetta C., Hammami S.E. et al. (2021). STAD: Spatio-Temporal Anomaly Detection Mechanism for Mobile Network Management. IEEE Transactions on Network and Service Management, 18(1), 894 – 906. DOI: 10.1109/TNSM.2020.3048131
17. Mo R., Pei Y., Venkatarayalu N. et al. (2021). An Unsupervised TCN-Based Outlier Detection for Time Series with Sea-sonality and Trend. IEEE VTS 17th Asia Pacific Wireless Communications Symposium (APWCS), 1 – 5. Osaka. DOI: 10.1109/APWCS50173.2021.9548759
18. Borah A., Gruenwald L., Leal E., Panjei E. (2021). A GPU Algorithm for Detecting Contextual Outliers in Multiple Concurrent Data Streams. IEEE International Conference on Big Data (Big Data), 2737 – 2742. Orlando. DOI: 10.1109/BigData52589.2021.9671460
19. Lu W., Cheng Y., Xiao C. et al. (2017). Unsupervised Sequential Outlier Detection with Deep Architectures. IEEE Transactions on Image Processing, 26(9), 4321 – 4330. DOI: 10.1109/TIP.2017.2713048
20. Suetin P. K. (2007). Classical orthogonal polynomials. Moscow: Fizmatlit. [in Russian language]
21. Nikiforov A. F., Suslov S. K. (1985). Classical orthogonal polynomials. Moscow: Znanie. [in Russian language]
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 500 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/td.2024.02.pp.056-062
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 500 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/td.2024.02.pp.056-062
and fill out the form
.
|
Текущий номер
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»