Наука о данных, позволила серьезно упростить и усовершенствовать жизненный цикл технологического производства вместе с классическими автоматизированными системами управления технологическими процессами (АСУ ТП), появляются и внедряются системы интернета вещей (IoT), больших данных (Big Data) и машинного обучения. Появилось новое направление - предиктивная аналитика. Находящаяся в стадии активного развития. Постоянно возникают новые исследования в рамках предсказания состояния того или иного производственного процесса. Ключевой же задачей, решаемой предиктивной аналитикой, является детектирование аномалий или же внештатного состояния работы оборудования, а также любых события, нарушающих регламентное протекание контролируемого технологического процесса.
Сложная структура сигналов, их зашумление и другие факторы затрудняют проведение анализа базовыми средствами контроля или человеком. Для анализа подобного рода данных требуются методы, учитывающие ретроспективный опыт эксплуатации, и способные адаптироваться к изменчивой динамике сигнала [1]. Своевременное обнаружение аномалий является как основой предотвращения нештатных (аварийных) ситуаций и преждевременных отказов технологического оборудования, так и одним из способов извлечения полезной информации из сигнала. На сегодняшний день существуют немногочисленные примеры решения задачи обнаружения аномалий с применением интеллектуального анализа в технических системах мониторинга. Одними из таких примеров являются платформа Clover — система предиктивного анализа для промышленных компаний [2], Astera — аналитическая программная платформа для цифровой 8 промышленной трансформации [3], модуль аналитики в составе корпоративной цифровой платформы AggreGate [4]. Большинство из этих систем имеют ряд больших недостатков, такие как ограниченная применимость или примитивность методов, например, сравнение с пороговым значением. В данной работе рассматривается проблема недостаточной изученности подходов и методов к обнаружению аномалий в многомерных технологических сигналах. Объектом исследования является процесс обнаружения аномального поведения технологического оборудования.
Предметом исследования являются подходы обнаружения аномалий на основе таких подходов, как: автокодировщик, сверточные и рекуррентные нейронные сети. Таким образом целью данного исследования является сравнительный анализ результатов обучения моделей и их модификаций.
Для достижения поставленной цели сформулированы следующие задачи, которые необходимо решить:
1. Поиск и изучение научных статей и литературы, посвящённых тематике обнаружения аномалий, изучить подходы для решения схожих задач;
2. Проведение этапов предварительной обработки исходных данных;
3. Разработка модели обнаружения аномалий на основе извлечения признаков мел-кепстральными коэффициентами;
4. Проведение вычислительного эксперимента;
5. Проведение анализа и оценки полученных результатов.
При выполнении работы использовались следующие методы исследования: анализ литературных источников, описывающих
существующие подходы в решении задачи обнаружения аномалий в технологических сигналах.
В работе была исследована актуальная на данный момент и обещающая быть актуальной в дальнейшем задача обнаружения аномалий в технологических сигналах.
В результате решения поставленных задач были получены следующие результаты:
1. Технически описан разработанный прототип модуля, представлены диаграммы UML развертывания, компонентов и последовательности;
2. Проведен обзор существующих методов обнаружения аномалий и выявлены нюансы и сложности задачи;
3. Разработаны три архитектуры нейронных сетей: рекуррентный
автоэнкодер, сверточный автоэнкодер, сверточно-рекуррентный
автоэнкодер;
4. Проведено исследование по извлечению признаков из временных рядов при помощи мел-кепстральных коэффициентов;
5. Проведено сравнение разработанных подходов с существующими классическими методами и статистической моделью;
6. Сделаны соответствующие выводы по полученным результатам.
