Интеллектуальная технология оценки остаточного ресурса сложных технических систем

Интеллектуальная технология оценки остаточного ресурса сложных технических систем

Автор: Ефанов В.Н., Иванова Н.С., Разумов В.Г.

Журнал: Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника @vestnik-susu-ctcr

Рубрика: Управление в технических системах

Статья в выпуске: 3 т.24, 2024 года.

Бесплатный доступ

Задача оценки остаточного ресурса сложных технических систем становится в последнее время все более актуальной. Для достоверной оценки этого показателя требуется обрабатывать большие массивы данных о текущем состоянии исследуемой системы. При этом задача реконструкции модели развития процессов деградации, приводящих к возникновению отказов, требует решения целого ряда проблем. В связи с этим возникает необходимость применения интеллектуальных методов обработки данных, к числу которых относятся методы анализа аномалий временных рядов. Цель исследования: разработка метода выявления контекстных аномалий временных рядов, позволяющего определить степень развития процессов деградации, которые приводят к возникновению отказов.

Еще

Сложные технические системы, остаточный ресурс, аномалии временных рядов, спектральный метод, газотурбинный двигатель

Короткий адрес: https://sciup.org/147244600

IDR: 147244600   |   DOI: 10.14529/ctcr240305

Список литературы Интеллектуальная технология оценки остаточного ресурса сложных технических систем

  • ГОСТ 27.002–2015. Надежность в технике. Термины и определения: национальный стандарт Российской Федерации: дата введения 2016-06-21. Федеральное агентство по техническому регулированию и метрологии. Изд. официальное. М: Стандартинформ, 2015. 28 с.
  • Истомин И.А., Котляров О.Л., Лоскутов А.Ю. К проблеме обработки временных рядов: расширение возможностей метода локальной аппроксимации посредством сингулярного спектрального анализа // Теоретическая и математическая физика. 2005. Т. 142, № 1. С. 148–159. DOI: 10.4213/tmf1771
  • Лоскутов А.Ю., Козлов А.А., Хаханов Ю.М. Энтропия и прогноз временных рядов в теории динамических систем // Известия высших учебных заведений. Прикладная нелинейная динамика. 2009. Т. 17, № 4. С. 98–113. DOI: 10.18500/0869-6632-2009-17-4-98-113
  • Efanov V.N., Ivanova N.S. Expert System for Assessing the Technical Status of Gas Turbine Engines Using the Knowledge Base of Temporal Precedents // Russian Aeronautics. 2023. Vol. 66, no. 1. P. 64–71. DOI: 10.3103/S1068799823010099
  • A GPU Algorithm for Detecting Contextual Outliers in Multiple Concurrent Data Streams / А. Borah, L. Gruenwald, E. Leal, E. Panjei // Proceedings of 2021 IEEE International Conference on Big Data (Big Data). Orlando, FL, USA, 2021. P. 2737–2742. DOI: 10.1109/BigData52589.2021.9671460
  • Trajectory Outlier Detection on Trajectory Data Streams / K. Cao, Y. Liu, G. Meng et al. // IEEE Access. 2020. Vol. 8. P. 34187–34196. DOI: 10.1109/ACCESS.2020.2974521
  • A Framework for Local Outlier Detection from Spatio-Temporal Trajectory Datasets / X. Cai, B. Aydin, A. Ji, R. Angryk // Proceedings of 2020 25th International Conference on Pattern Recognition (ICPR). Milan, Italy, 2021. P. 5682–5689. DOI: 10.1109/ICPR48806.2021.9412274
  • Telemetry Data-based Spacecraft Anomaly Detection Using Generative Adversarial Networks / Y. Song, J. Yu, D. Tang et al. // Proceedings of 2020 International Conference on Sensing, Measurement & Data Analytics in the era of Artificial Intelligence (ICSMD). Xi'an, China, 2020. P. 297–301. DOI: 10.1109/ICSMD50554.2020.9261736
  • Haj-Hassan A., Habib C., Nassar J. Real-time Spatio-Temporal based Outlier Detection Framework for Wireless Body Sensor Networks // Proceedings of 2020 IEEE International Conference on Advanced Networks and Telecommunications Systems (ANTS). New Delhi, India, 2020. P. 1–6. DOI: 10.1109/ANTS50601.2020.9342827
  • STAD: Spatio-Temporal Anomaly Detection Mechanism for Mobile Network Management / A. Dridi, C. Boucetta, S.E. Hammami et al. // IEEE Transactions on Network and Service Management. 2021. Vol. 18, no. 1. P. 894–906. DOI: 10.1109/TNSM.2020.3048131
  • An Efficient Outlier Detection and Classification Clustering-Based Approach for WSN / M. Al Samara, I. Bennis, A. Abouaissa, P. Lorenz // Proceedings of 2021 IEEE Global Communications Conference (GLOBECOM). Madrid, Spain, 2021. P. 1–6. DOI: 10.1109/GLOBECOM46510.2021.9685756
  • A Novel Outlier Detection Model for Vibration Signals Using Transformer Networks / R. Zhang, Q. Zhou, L. Tian et al. // IEEE Access. 2022. Vol. 10. P. 57234–57241. DOI: 10.1109/ACCESS.2022.3178373
  • An Unsupervised TCN-based Outlier Detection for Time Series with Seasonality and Trend / R. Mo, Y. Pei, N. Venkatarayalu et al. // Proceedings of 2021 IEEE VTS 17th Asia Pacific Wireless Communications Symposium (APWCS). Osaka, Japan, 2021. P. 1–5. DOI: 10.1109/APWCS50173.2021.9548759
  • STLP-OD: Spatial and Temporal Label Propagation for Traffic Outlier Detection / J. Pu, Y. Wang, X. Liu, X. Zhang // IEEE Access. 2019. Vol. 7. P. 63036–63044. DOI: 10.1109/ACCESS.2019.2916853
  • Fitters W., Cuzzocrea A., Hassani M. Enhancing LSTM Prediction of Vehicle Traffic Flow Data via Outlier Correlations // Proceedings of 2021 IEEE 45th Annual Computers, Software, and Applications Conference (COMPSAC). Madrid, Spain, 2021. P. 210-217. DOI: 10.1109/COMPSAC51774.2021.00039
  • Romero M., Estévez P.A. Outlier Detection based on Transformations for Astronomical Time Series // Proceedings of 2022 International Joint Conference on Neural Networks (IJCNN). Padua, Italy, 2022. P. 1–8. DOI: 10.1109/IJCNN55064.2022.9892590
  • Zhang H., Li Z. Anomaly Detection Approach for Urban Sensing Based on Credibility and Time-Series Analysis Optimization Model // IEEE Access. 2019. Vol. 7. P. 49102–49110. DOI: 10.1109/ACCESS.2019.2909967
  • Anomaly Detection and Classification in Multispectral Time Series Based on Hidden Markov Models / K.M. León-López, F. Mouret, H. Arguello, J.-Y. Tourneret // IEEE Transactions on Geoscience and Remote Sensing. 2022. Vol. 60. P. 1–11. Art no. 5402311. DOI: 10.1109/TGRS.2021.3101127
  • DIM Moving Target Detection using Spatio-Temporal Anomaly Detection for Hyperspectral Image Sequences / Li Y., Wang J., Liu X. et al. // Proceedings of 2018 IEEE International Geoscience and Remote Sensing Symposium. Valencia, Spain, 2018. P. 7086–7089. DOI: 10.1109/IGARSS.2018.8517601
  • Lee J., Jeon C.-R., Kang S.-J. Performance Comparison of Soiling Detection Using Anomaly Detection Methodology // Proceedings of 2022 19th International SoC Design Conference (ISOCC). Gangneung-si, Korea, Republic of, 2022. P. 229–230. DOI: 10.1109/ISOCC56007.2022.10031428
  • Hyperspectral Anomaly Detection With Multiscale Attribute and Edge-Preserving Filters / S. Li, K. Zhang, Q. Hao et al. // IEEE Geoscience and Remote Sensing Letters. 2018. Vol. 15, no. 10. P. 1605–1609. DOI: 10.1109/LGRS.2018.2853705
  • Lee C., Kim J., Kang S.-J. Semi-supervised Anomaly Detection with Reinforcement Learning // Proceedings of 2022 37th International Technical Conference on Circuits/Systems, Computers and Communications (ITC-CSCC). Phuket, Thailand, 2022. P. 933-936. DOI: 10.1109/ITC-CSCC55581.2022.9895028
  • Karim S.M.A., Ranjan N., Shah D. A Scalable Approach to Time Series Anomaly Detection & Failure Analysis for Industrial Systems // Proceedings of 2020 10th Annual Computing and Communication Workshop and Conference (CCWC). Las Vegas, NV, USA, 2020. P. 0678–0683. DOI: 10.1109/CCWC47524.2020.9031262
  • Суетин П.К. Классические ортогональные многочлены. М.: Физматлит, 2007. 480 с.
  • Никифоров А.Ф, Суслов С.К. Классические ортогональные полиномы. М.: Знание, 1985. 32 с.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp