Введение 3
Постановка задачи 5
Обзор литературы 6
Глава 1. Детектирование событий 8
1.1. Алгоритм кумулятивных сумм 8
1.2. SVD-разложение 13
Глава 2. Альтернативные методы детектирования событий и локализация
событий 16
2.1. Спектральный анализ 16
2.1. Кепстральный анализ 17
2.2. Корреляционный метод локализации событий 21
Глава 3. Валидация данных 29
3.1. Виды валидаторов и их задачи 29
3.2. Многомерный валидатор 31
Выводы 36
Заключение 38
Список литературы 39
Приложение 43
Анализ данных — широкая и непрерывно развивающаяся область математики и информатики. Вычислительные алгоритмы и математические методы анализа данных позволяют извлекать полезные очевидные и неочевидные закономерности из большого объема сырых данных. Это помогает в решении классов задач предаварийного контроля, поддержки принятия решений и различных оптимизационных задач.
Системы пространственно распределённых датчиков необходимы для мониторинга состояния различных крупных объектов (например, систем водоснабжения, теплоснабжения, продуктопроводов, ГЭС, ГАЭС). В системах датчиков используются сенсорные элементы разного типа: акустические, электрические, пьезоэлектрические, тепловые, электромагнитные [10][18].
Например, для организации системы предаварийного контроля на основе систем пожарной автоматики следует устанавливать тепловизионные камеры, датчики температуры, давления, виброакустические датчики, интегральные датчики контроля высокодисперсных аэрозолей и некоторые другие [11].
Для любого из таких объектов важно предотвратить или, в крайнем случае, моментально обнаружить возникновение неполадок в работе оборудования.
Актуальность исследования данной темы обусловлена высокой значимостью поддержания работоспособности систем пространственно распределённых датчиков.
Новизна работы состоит в предложенных комплексных подходах к обнаружению неполадок работы систем.
Целью работы является реализация методов детектирования и локализации неполадок на системах пространственно распределённых датчиков, а также валидации данных.
Для достижения данной цели были поставлены следующие задачи:
1) Анализ методов детектирования и локализации событий на системах пространственно распределённых датчиков.
2) Анализ методов валидации данных от систем сенсоров.
3) Выбор конкретных методов детектирования и локализации событий, валидации данных.
4) Разработка программной реализации выбранных методов.
5) Оценка результатов применения методов на тестовых и реальных данных.
В рамках сотрудничества с компанией Сименс было рассмотрено применение исследуемых методов для решения реальных задач.
Работа состоит из введения, постановки задачи, обзора литературы, трёх глав, выводов и заключения.
Глава 1 данной работы посвящена детектированию неполадок в работе систем датчиков. В главе рассматривается применение модифицированного алгоритма кумулятивных сумм и SVD-разложения. Демонстрируются результаты применения методов детектирования на реальных данных.
В главе 2 рассматриваются альтернативные методы детектирования (спектральный и кепстральный анализ) и метод локализации неполадок (корреляционный метод). Приведены результаты применения методов на тестовых и реальных данных.
Глава 3 посвящена валидации данных. В главе приводятся краткий обзор задач валидаторов и подробное описание реализации многомерного валидатора. Демонстрируются результаты применения многомерного валидатора на реальных данных.
Выражаю благодарность компании Сименс за сотрудничество, команде аналитиков за консультации по исследуемым темам. Особо благодарю инженеров исследования и разработки Сазыкина Дмитрия и Бакутеева Антона, руководителя направления исследований Вениаминова Николая за консультации и общее руководство практической частью работы.
Постановка задачи
В рамках сотрудничества с компанией Сименс была предложена задача программной реализации методов детектирования и локализации событий на продуктопроводах.
Под событиями на трубопроводе будем понимать возникновение прорывов, врезок, работу запорной арматуры и переключение режимов работы насосов.
Наличие прорывов и врезок в продуктопроводе приводит к потерям продукта, что невыгодно в финансовом плане и экологическом, и к временным затратам на обнаружение мест прорывов и их устранение. Появляется необходимость применения методов анализа данных для обнаружения таких критических событий.
Реализация методов детектирования и локализации событий осуществлена на языке MATLAB.
Работоспособность и адекватность методов проверена на данных датчиков при эмуляции возникновения разного рода событий на реальном продуктопроводе. В главах 1-2 приведены результаты работы методов.
Также в рамках сотрудничества была предложена задача валидации данных для систем сенсоров.
Валидация данных является важным этапом технологического процесса, позволяющим принимать решение о достоверности и надёжности данных. Обработка сигналов, поступающих с сенсоров, позволяет выявить неустойчивость системы, аварийные ситуации, сбой в работе оборудования или его непригодность.
Реализация валидации данных осуществлена на языке Python.
Работоспособность метода валидации данных проверена на реальных данных системы сенсоров. В главе 3 также приведены результаты работы метода
Проведён обзор алгоритмов детектирования и локализации событий на продуктопроводе, методов валидации данных. Предложен новый подход к осуществлению многомерной валидации. Разработана программная реализация рассмотренных алгоритмов.
Приведены результаты работы методов на тестовых и реальных данных. На основании результатов можно заметить, что предложенный подход детектирования событий с помощью алгоритма кумулятивных сумм даёт достаточно точные результаты, а также позволяет сократить количество пропущенных событий. Метод SVD-разложения будет полезен при детектировании событий на многоканальных системах. Альтернативные методы детектирования (спектральный и кепстральный анализ) не дают высокой точности.
Результаты нахождения временной задержки между приходом события на разные датчики не так хороши. Предложения по адаптации метода для улучшения результатов вынесены в разделе «Выводы».
Реализация многомерного валидатора успешно прошла проверку на реальных данных. При предложенной модификации валидатора снижается количество ложных срабатываний валидатора.
