Вейвлет- преобразование и одноклассовая классификация для мониторинга состояния дамб
Ключевые слова:
обнаружение аномалий, мониторинг состояния дамб, интеллектуальная обработка сигналов, вейвлеты, «нейронные облака», одноклассовая классификацияАннотация
Постановка проблемы: мониторинг состояния дамб является важной и актуальной задачей. Алгоритмы мониторин-
га должны в режиме онлайн по сигналам с аппаратуры контроля определять аномальное состояние дамбы. Под аномаль-
ным состоянием (поведением) подразумевается отклонение от нормального состояния объекта, которое может приве-
сти к неисправности или разрушению дамбы. Для построения подобных алгоритмов, как правило, требуется знание
о нормальном и аномальном режимах поведения дамбы. Зачастую сбор данных, соответствующих аномальному пове-
дению, является высокозатратным, а моделирование аномалий — трудоемким. Цель настоящей работы — исследование
и разработка алгоритмов, которые бы обучались на исторических измерениях с дамбы и позволяли определять ее теку-
щее состояние. Результаты: представлены подход и алгоритм мониторинга состояния насыпных дамб, а также алгоритм
восстановления пропусков в измеряемых сигналах. Идея подхода к обнаружению аномального состояния заключается
в применении методов машинного обучения к признакам, извлеченным из сигналов методами частотно-временного
анализа последних. Для восстановления пропусков в измерениях, вызванных сбоями системы сбора данных и другими
факторами, используется метод «Гусеница»-SSA. Предлагаемый алгоритм обнаружения аномального состояния основан
на классификации вейвлет-разложения многомерных измерений. Одноклассовый классификатор «нейронные облака»
используется для оценки нелинейной, нечеткой функции принадлежности результатов вейвлет-разложения сигналов
к области нормального поведения. Обучение классификатора «нейронные облака» производится на исторических данных
о нормальном поведении дамбы, полученных с установленных в ней датчиков. Нечеткий выход классификатора, изменя-
ющийся от 0 до 1, позволяет давать оценку близости текущего состояния дамбы к аномальному. Апробация алгоритмов
проводилась на дамбе, расположенной в Бостоне, Великобритания. Была продемонстрирована высокая эффективность
алгоритма. Практическая значимость: результаты исследований и алгоритмические решения использованы компа-
нией «Сименс» в компоненте на основе искусственного интеллекта при разработке системы мониторинга состояния
дамб в рамках проекта Евросоюза UrbanFlood.
