Интеллектуальная технология оценки остаточного ресурса сложных технических систем
Автор: Ефанов В.Н., Иванова Н.С., Разумов В.Г.
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.
Сложные технические системы, остаточный ресурс, аномалии временных рядов, спектральный метод, газотурбинный двигатель
Короткий адрес: https://sciup.org/147244600
IDR: 147244600 | УДК: 004.896 | DOI: 10.14529/ctcr240305
Intelligent technology for assessing the remaining useful life of complex technical systems
The task of estimating the residual life of complex technical systems has recently become increasingly important. For the pre-trustworthy estimation of this indicator it is required to process large arrays of data on the current state of the system under study. At the same time the task of reconstruction of the model of degradation processes development leading to the occurrence of failures requires solving a number of problems. In this regard, there is a need to use intelligent methods of data processing, which include methods of time series anomaly analysis. Purpose of the study: development of a method for detecting contextual anomalies of time series, allowing to determine the degree of development of degradation processes that lead to the occurrence of failures.
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.
