Обнаружение аномалий в радиотехнических сигналах

РЕФЕРАТ 2
ВВЕДЕНИЕ 6
1 Анализ технического задания 8
2 Методы машинного обучения для задач поиска аномалий 11
2.1 Стратегия компьютерного обучения 11
2.2 Обучение с учителем 15
2.2.1 Классификация 15
2.2.2 Регрессия 16
2.3 Обучение без учителя 17
2.3.1 Кластеризация 18
2.3.2 Подавление шума 18
2.3.3 Понижение размерности 20
2.4 Обучение с подкреплением 21
2.5 Глубокое обучение 22
3 Обнаружение аномалий в промышленном оборудовании с
использованием трехосевых вибрационных данных 24
3.1 Предварительная подготовка данных и извлечение характеристик сигнала с
помощью программы Diagnostic Feature Designer 24
3.1.1 Визуализация сигнала 24
3.1.2 Импорт данных в Diagnostic Feature Designer 27
3.1.3 Ранжирование данных по признакам в Diagnostic Feature Designer. 29
3.1.4 Экспорт функции в рабочую область Matlab 35
3.2 Подготовка полных наборов данных для обучения 35
3.3 Моделирование обнаружителей и их работа 36
3.3.1 Обнаружение аномалий с помощью метода one class SVM 36
3.3.2 Визуализация результатов работы метода one class SVM 38
3.3.3 Обнаружение аномалий с помощью сети автокодеров LSTM 39
4 Обнаружение аномалий в радиотехнических сигналах с использованием
данных с ассинхнронного двигателя 44
4.1 Предварительная подготовка данных и извлечение характеристик сигнала и
его визуализация 44
4.2 Обнаружение аномалий в радиотехническом сигнале с помощью
одноклассного SVM 48
4.3 Обнаружение аномалий в радиотехническом сигнале с помощью bi-
LSTM автоэнкодера 49
5 Организационно-экономический раздел 52
5.1 Расчет ожидаемой продолжительности работы 52
5.2 Расчёт параметров событий сетевого графика 53
5.3 Расчёт параметров работ сетевого графика 54
5.4 Расчет затрат на проектирование 57
5.5 Расчет всех доходов проекта 61
5.6 Расчет экономического эффекта 61
6. Раздел безопасность жизнедеятельности 62
6.1 Опасные и вредные производственные факторы, характерные для рабочего
места оператора ПЭВМ 62
6.1.1 Недостаточная освещенность 62
6.1.2 Статическое электричество и электромагнитные поля 64
6.1.3 Шум 66
6.1.4 Нарушение параметров микроклимата 67
6.1.5 Поражение электрическим током 68
6.2 Общие требования, предъявляемые к рабочему месту оператора ПЭВМ
(ГОСТ Р 50923-96 п. 4.1 по 4.5) 70
6.2.1 Требования к рабочему столу 71
6.2.2 Требования к рабочему стулу (креслу) 71
6.2.3 Требования к подставке для ног 73
6.2.4 Требования к дисплею 73
6.3 Анализ собственного рабочего места на соответствие этим требованиям
(ГОСТ Р 50923-96) 74
ЗАКЛЮЧЕНИЕ 77
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 78

Купить

В современном мире существует множество систем, которые под действием различных факторов меняют свои параметры и характеристики. Такие системы называются нестационарными. Для них есть необходимость сбора потоков информации с целью управления и предотвращения нештатных ситуаций. В случае организации сбора и хранения подобной информации открываются возможности применения интеллектуальных систем анализа данных. Установленные датчики могут генерировать числовые данные с интервалами, варьирующимися от десяти секунд для данных телеметрии до одной минуты для навигационных параметров. Учитывая большой объем получаемой информации, становится очевидной необходимость развития автоматических систем анализа и обработки данных с целью выявления аномалий в них.
Аномалии являются нежелательной характеристикой данных или процессов. Аномалии в данных - это выбросы или отклонения, которые существенно отличаются от большей их части.
Есть много отраслей направлений, где актуален поиск аномалий. Аномалии в индустрии сигнализируют о дефектах детали, сбоях в работе оборудования и скорой его поломке. В сфере здравоохранения этот процесс помогает в диагностике заболеваний, а финансовых технологиях выявлять мошенничество.
Инструментом для выполнения задач такого рода является машинное обучение. В общем смысле машинное обучение это совокупность множества алгоритмов и принципов, позволяющих анализировать огромное количество опытных данных для извлечения из них смысловой информации.
С помощью машинного обучения возможно изучение закономерностей в данных, которые впоследствии используются для выявления аномального поведения. Задачи машинного обучения обычно подразделяются на следующие категории в зависимости от наличия обучающего «сигнала» или «обратной связи», доступного для системы обучения.
а) Обучение с учителем заключается в обучении системы с помощью примеров «стимул-реакция». В качестве частных случаев выделяют способы машинного обучения, при которых входной сигнал может быть доступен частично или же ограничен специальной обратной связью:
1) обучение с частичным привлечением учителя, когда для части прецендентов задается только тренировочный набор без выходных значений (например, методы на основе графов);
2) активное обучение является частным случаем обучения с частичным привлечением учителя, особенностью которого является способность интерактивного запрашивания эксперта.
Используется в том случае, когда в выборке преобладают немаркированные данные, а ручная маркировка представляется трудозатратной. Некоторые алгоритмы активного обучения основаны на методе опорных векторов.
3) В ходе обучения с подкреплением система обучается, взаимодействуя с некоторой средой и получая в ходе обучения сигналы подкрепления от системы. Обучение модели представимо виде выполнения наборов правил, на основании которых с течением времени изменяется матрица взаимодействия модели и среды.
б) Обучение без учителя предполагает обучение системы без вмешательства со стороны эксперта. Подходит для задач, объекты в которых подробно описаны, и требуется установить внутренние взаимосвязи между объектами. Методы решения - метод ближайших соседей, графовые алгоритмы кластеризации (иерархическая кластеризация).

Купить