АННОТАЦИЯ 23
ВВЕДЕНИЕ 4
1 Технологические сигналы и их аномалии 6
1.1 Данные временных рядов 6
1.2 Технологические сигналы 7
1.3 Задача обнаружения аномальных значений в сигналах временных рядов.. 8
2 Обзор существующих подходов к обнаружению аномалий во временных
рядах 13
3 Обзор нейросетевых методов для обнаружения аномалий 21
3.1 Сверточные нейронные сети 22
3.2 Рекуррентные нейронные сети 23
3.3 Автокодировщики 26
3.4 Трансформер 28
4 Практическая часть 30
4.1 Метрики 30
4.2 Описание используемых данных 32
4.2.1 Первый набор данных 32
4.2.2 Второй набор данных 32
4.2.3 Третий набор данных 33
4.3 Программные инструменты 34
4.4 Метод обнаружения аномалий 35
4.5 Описание предлагаемых моделей 35
4.5.1 Регрессионная модель трансформера 36
4.5.2 Свёрточно - LSTM автокодировщик 40
4.5.3 Свёрточно -Трансформер автокодировщик 46
4.6 Результаты 51
ЗАКЛЮЧЕНИЕ 52
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ И ЛИТЕРАТУРЫ 54
ПРИЛОЖЕНИЕ А 56
Обнаружение аномалий играет ключевую роль в анализе процессных сигналов, имеет важное значение для обеспечения стабильности производственных процессов и оптимизации управления ресурсами. Технологии обнаружения аномалий позволяют, анализируя исторические и текущие данные, идентифицировать сигналы, отклоняющиеся от нормального диапазона операций, что предотвращает потенциальные неисправности оборудования и производственные прерывания, снижает ненужные затраты на обслуживание и повышает общую производительность.
Обнаружение аномалий в процессных сигналах является междисциплинарной областью исследований, сочетающей методы и техники из областей обработки сигналов, машинного обучения и статистического анализа. В науке о данных исследования в области обнаружения аномалий привлекают широкое внимание, особенно на фоне значительных достижений в технологиях глубокого обучения. Исследователи стремятся применять эти технологии в других областях, помимо задач классификации. Этот междисциплинарный подход способствует развитию технологий обнаружения аномалий и предлагает новые решения для управления и обслуживания промышленного оборудования.
На практике обнаружение аномалий часто включает мониторинг и анализ больших объемов данных с датчиков в реальном времени. Эти данные представлены в виде временных рядов, фиксирующих рабочее состояние оборудования в разные моменты времени. Анализируя эти временные ряды, можно выявить аномальные паттерны, такие как резкие изменения амплитуды, частоты или отклонения от трендов.
Для повышения точности и эффективности обнаружения аномалий исследователи и инженеры разработали различные алгоритмы и технологии, включая статистические методы, классификаторы на основе машинного обучения и методы глубокого обучения, которые становятся все более популярными. Глубокое обучение, особенно сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), уже доказало свою эффективность в распознавании изображений и обработке речи, и теперь эти методы применяются для обнаружения аномалий в процессных сигналах.
В исследованиях и на практике для проверки эффективности алгоритмов часто используются общедоступные наборы данных, которые содержат информацию о работе различных типов оборудования, таких как двигатели.
В данной работе исследованы проблемы аномалий сигналов в текущем процессе обнаружения.
- По завершению задач были достигнуты следующие результаты:
- Проведен обзор существующих методов обнаружения аномалий;
- Определены основные трудности задачи;
- Разработаны два автокодировщика на основе различных алгоритмов нейронных сетей;
- Проведены вычислительные эксперименты и сравнительный анализ предложенных моделей;
- Разработанные модели продемонстрировали устойчивое обучение;
- Доказано, что точность разработанных моделей на 20% - 30% выше по сравнению со статистическими моделями и простыми автокодировщиками на основе CNN.
Преимущества предложенного метода:
1. Повышенная точность обнаружения: благодаря учету каждого сигнального пункта в контексте скользящего окна, повышена точность обнаружения контекстных аномалий.
2. Независимость от расположения аномалий: Изученные признаки не зависят от расположения аномалий (механизм самовнимания модели Transformer).
3. Отсутствие необходимости в аномалиях в тренировочных данных: не требуется наличие аномалий в тренировочных данных.
4. Обобщенные входные данные: Входные данные являются обобщенными, так как энкодер обучается распознавать основные характеристики входной последовательности, а декодер использует эти характеристики для восстановления исходной последовательности.
5. Возможность отдельного предварительного обучения: Возможность предварительного обучения энкодера и декодера отдельно.
6. Обработка временной зависимости (CNN+LSTM автокодировщик): Сеть LSTM эффективно захватывает временные зависимости во входных данных, что
делает эту модель превосходной для обработки временных рядов.
7. Плавные переходы (CNN+LSTM автокодировщик): Слой LSTM может обрабатывать долгосрочные зависимости, что делает обнаружение аномальных сигналов более стабильным и плавным.
8. Способность к параллельной обработке (CNN+Transformer автокодировщик): Структура Transformer позволяет более эффективную параллельную обработку, увеличивая скорость обучения и вывода модели.
В итоге, разработанные модели обладают более высокой точностью по сравнению со статистическими моделями и автокодировщиками на основе CNN, однако они не могут превзойти методы машинного обучения с учителем по точности. С другой стороны, из-за высокого уровня дисбаланса классов, методы машинного обучения с учителем часто неприменимы. Разработанные модели могут быть использованы в реальном производстве, при условии, что они будут обучены на данных, полученных с этого производственного оборудования. Возможно, также потребуется изменение параметров модели в зависимости от данных.
