ПРИМЕНЕНИЕ ЦИФРОВОЙ ОБРАБОТКИ СИГНАЛОВ И НЕЙРОННОЙ СЕТИ ПРИ ФОРМИРОВАНИИ ПРОГНОЗА ВРЕМЕННЫХ РЯДОВ ДАННЫХ ДЛЯ ЦЕЛЕЙ ОБНАРУЖЕНИЯ АНОМАЛИЙ ПРИ АВТОМАТИЗИРОВАННОМ УПРАВЛЕНИИ ТЕХНОЛОГИЧЕСКИМИ ПРОЦЕССАМИ

##plugins.themes.bootstrap3.article.main##

Андрей Николаевич РАГОЗИН

Аннотация

С целью обнаружения аномалий и повышения качества прогнозирования динамических потоков данных, наблюдаемых с сенсоров в автоматизированных системах управления технологическими процессами (АСУ ТП), предлагается применять прогнозирующий модуль, состоящий из последовательно соединенных блока цифровой обработки сигналов (ЦОС) и прогнозирующего блока с использованием нейронной сети (НС) (прогнозирующего автоэнкодера (автокодировщика), рredictive Аutoencoder (PAE)). В проведенном исследовании показано, что блок предварительной ЦОС входного прогнозируемого сигнала, состоящий из параллельного набора (гребенки) цифровых фильтров нижних частот с конечными импульсными характеристиками (КИХ-ФНЧ), приводит к неравновесному учету корреляционных связей временных отсчетов входного сигнала и повышению точности конечного результата прогнозирования. Предложенный и рассмотренный в работе прогнозирующий автоэнкодер (PAE), кроме восстановления на выходе PAE входного сигнала, или части входного сигнала, также формирует на выходе прогнозируемые отсчеты входного сигнала на заданное количество временных шагов «вперед», что повышает точность результата прогнозирования. Уменьшение ошибки прогноза происходит за счет наложения ограничений при формировании прогноза, то есть дополнительного требования восстановления на выходе НС входных выборок отсчетов – «стабилизаторов». Введение «стабилизаторов» повышает точность результата прогнозирования. При возникновении аномалий в работе АСУ ТП будут происходить структурные изменения в сигнале ошибки формируемого прогноза, в результате анализа этих структурных изменений ошибки прогноза, собственно происходит детектирование (обнаружение) аномалий в наблюдаемых процессах АСУ ТП. В данном случае рассматривается режим обучения «частично с учителем». Исходные данные при таком подходе представляют только класс «нормальных данных», при этом, при обучении «частично с учителем» не требуется информация об аномальном классе целевых данных.

##plugins.themes.bootstrap3.article.details##

Раздел
Методы анализа данных
Биография автора

Андрей Николаевич РАГОЗИН

кандидат технических наук, доцент кафедры защиты информации, доцент кафедры инфокоммуникационных технологий высшей школы электроники и компьютерных наук ФГАОУ ВО «Южно-Уральский государственный университет (национальный исследовательский университет)». Россия, 454080, г. Челябинск, проспект Ленина, д. 76