Методы и модели оперативного контроля состояния сложных динамических объектов на основе измерительной информации с использованием алгоритмов интеллектуального анализа данных

Общая характеристика работы

Основная задача систем ОКССДО заключается в обнаружении изменения технического состояния объекта на основе поступающей телеметрической информации. При этом сведения о техническом состоянии объекта необходимо получить, а часто и обработать в режиме близком к режиму реального времени. В этом случае решается задача оперативного контроля состояния объекта.

Основными требованиями, предъявляемыми к системам ОКССДО, являются: высокая скорость и автоматизация процесса обработки ТМИ, обеспечение заданной точности обработки и возможность автоматически настраивать системы на работу с разными объектами.

Типовая система ОКССДО состоит из трех основных подсистем: информационно-телеметрического комплекса, подсистемы первичной обработки данных и подсистемы вторичной обработки данных.

Основными операциями первичной обработки ТМИ являются дешифровка данных, отбраковка ошибок, усреднение отсчетов, выделение экстремальных значений параметров, контроль за отклонением от номинальных значений и др. Вторичной обработкой или анализом ТМИ называется часть обработки ТМИ, связанная с формированием данных, необходимых оператору или системе для принятия решения о состоянии СДО.

Функции телеметрической системы могут быть логически сгруппированы по уровням, между которыми установлены связи, и представлены в виде иерархической модели в соответствии с эталонной моделью взаимодействия систем (OSI). Международные стандарты разработаны комитетом по космическим системам передачи данных (CCSDS) только для этапа первичной обработки ТМИ.

Для этапа вторичной обработки ТМИ стандартов не существует, идет активный процесс поиска методов обработки. Как показал анализ используемых методов, современные системы ОКССДО требуют активного участия эксперта при обработке данных, кроме того, для каждого нового объекта требуется разрабатывать новую систему, что, учитывая сложность контролируемых объектов, приводит к необходимости привлечения большого числа высококвалифицированных экспертов.

Одним из перспективных направлений устранения перечисленных недостатков является использование методов интеллектуального анализа данных на этапе вторичной обработки ТМИ и переход к интеллектуальным системам ОКССДО.

Под интеллектуальной системой ОКССДО понимается система оперативного контроля состояния сложных динамических объектов, обладающая двумя следующими свойствами:

-накопленные данные об объекте при различных режимах функционирования (штатное функционирование, не штатное функционирование) используются для извлечения знаний о характере функционирования объекта;

-в процессе анализа новых данных система использует извлеченные знания.

Во второй главе предлагается и анализируется обобщенный подход к построению автоматических систем ОКССДО. В рамках данного подхода рассматривается процесс анализа телеметрических сигналов и многоуровневая модель представления сигналов, которая позволяет описать сигналы на различных уровнях представления, каждый из которых соответствует определенному этапу обработки.

Под моделью сигнала в настоящей работе понимается некоторая стандартная форма представления информации о сигнале или группе сигналов. Термин модель употребляется в разных смыслах. Можно выделить следующие варианты использования этого термина:

-модель в смысле структуры контейнера, в котором хранятся данные о конкретном сигнале, что соответствует понятию класса в терминах ООП;

-модель конкретного сигнала, полученная, например, после предварительной обработки сигнала, что соответствует понятию экземпляра класса (объекту) в терминах ООП.

С точки зрения формы представления информации можно говорить о двух типах моделей: математических (структурных моделях) и информационных моделях, определяющих способ хранения информации о сигналах.

Предлагаемая иерархия моделей, включает 4 уровня описания. На нулевом уровне рассматривается исходный сигнал и сигнал, получаемый после предварительной обработки данных. Сигнал представляется как множество пар S=(T, V), где - момент измерения, - значение сигнала в момент времени . Построение моделей первого, второго и третьего уровней предполагает извлечение знаний о сигнале с использованием методов статистической обработки данных и методов data mining. Модель сигнала первого уровня представляет собой помеченную последовательность интервалов , где b_i и f_i обозначают соответственно начальный момент времени, когда начинает наблюдаться состояние c_i, и заключительный момент времени, когда состояние c_i больше не наблюдается, а С - множество всех возможных различимых состояний сигнала. Модель сигнала второго уровня стоится на основе модели сигнала первого уровня и представляется в виде упорядоченной пары P=(С, R), получившей название стандартного шаблона, где С - множество состояний, R - множество допустимых связей (закономерностей в следовании) между состояниями. Модель третьего уровня позволяет интегрировать извлеченные знания о сигнале со знаниями о предметной области, представленными в форме онтологии, и использовать стандартные механизмы вывода. Модель сигнала третьего уровня строится на основе модели сигнала второго уровня и представляется в виде набора ассоциативных правил вида X relation Y, где X С, Y С и X Y = . При этом в качестве отношения (relation) может рассматриваться один из элементов множества R допустимых связей между состояниями C.

Описанные модели соответствуют представлению сигналов на различных этапах обработки ТМИ. Ниже приведены основные этапы обработки ТМИ и методы построения моделей на различных этапах для статического режима обработки.

Этап 1. «Предварительная обработка данных». На этапе проводится предварительная обработка и анализ данных, в частности исключаются выбросы, шумы, тренды.

Этап 2. «Сегментация данных». Этап предполагает разбиение сигнала на участки, обладающие постоянными свойствами. Отдельно рассматривается процесс сегментации ММП и БМП.

Этап 3. «Кластерный анализ». Кластерный анализ полученной последовательности сегментов БМП решает задачу автоматической группировки выделенных сегментов с целью выделения групп “схожих” сегментов. Степень схожести сегментов определяется по заданному критерию.

Этап 4. «Секвенциальный анализ». Этап включает формирование на основе полученной последовательности классов стандартных (характерных для сигнала) последовательностей (шаблонов). При анализе эталонных сигналов происходит заполнение библиотеки шаблонов. В процессе анализа новых сигналов полученные последовательности классов сопоставляются с шаблонами. В случае их несоответствия принимается решение о наличии аномальной ситуации.

Этап 5. «Визуализация результатов». В режиме анализа эталонных сигналов визуализируются исходные данные и соответствующие им модели. При анализе новых данных отображаются сигналы, в которых была найдена разладка и указывается момент ее возникновения.

В работе предлагаются модификация метода сегментации ММП, метод сегментации БМП, модификация алгоритма секвенциального анализа для телеметрических параметров и метод сопоставления шаблонов.

Сегментация медленно меняющихся параметров. При сегментации ММП к исходным сигналам применяются алгоритмы сглаживания функций. Сглаженные функции представляют собой функции, значения которых в момент времени t определяется значением функции в моменты времени близкие к t. В простейшем случае значение сглаженной функции определяется с помощью функции ядра как линейная комбинация соседних значений. Функция ядра либо стремится, либо равна 0, при . Уровень сглаживания функции зависит от коэффициента сглаживания s, который определяет расширенную функцию ядра:

.

Сглаженная функция представляет собой свертку исходного сигнала с функцией ядра:

.

В качестве функции ядра целесообразно использовать функцию Гаусса, поскольку только использование функции Гаусса гарантирует не увеличение числа экстремумов при увеличении k, что является необходимым условием при обработке сигнальных данных. Проводится построение набора сглаженных функций с различными масштабирующими коэффициентами для исходных данных и выделение эталонных сегментов. В качестве эталонных предлагается рассматривать семь сегментов, соответствующих возможным комбинациям значений (положительные/ отрицательные/ нуль) первой и второй производных (исключаются два случая, для которых первая производная равна нулю, а вторая производная отлична от нуля). Наиболее устойчивыми, и, следовательно, представляющими интерес, являются те характеристики сигнала (границы сегментов сигнала), которые наблюдаются в возможно большем числе сглаженных функций. Для сглаживания функции требуется операций. Поскольку объем исследуемых данных велик, то решение задачи сглаживания может потребовать больших вычислительных ресурсов, поэтому предлагается алгоритм сглаживания заменить алгоритмом с дырами (algorithm б trous), который основан на быстром вычислении двоичного вейвлет-преобразования. Использование алгоритма с дырами для построения набора сглаженных функции не нарушает условие неувеличения числа экстремумов, поскольку в алгоритме используются двоичные сплайн-вейвлеты. Предлагаемый метод позволяет сократить время обработки до 10 раз.

Сегментация быстро меняющихся параметров. Сегментацию БМП предлагается осуществлять в частотной области на основе расчета спектральной плотности.

Предлагается оригинальный подход для сегментации сигнала. Рассматривается кусочно-постоянная модель, описывающая поведение анализируемого сегмента, и осуществляется в рамках сегмента поиск стационарного процесса с некоторой спектральной плотностью. Алгоритм включает в себя следующие шаги: вычисление выборочных значений оцененной спектральной плотности, проведение процедуры кластерного анализа вычисленных значений спектральной плотности.

Для оценки спектральной плотности в статистике используется периодограмма. Периодограмма , основанная на выборочных значениях определяется в виде

,

где - это Фурье частоты, , j=[-T/2]+1,…,-1,0,1,…, [T/2]. Для любого множества Фурье частот таких, что , является асимптотически независимой экспоненциальной случайной величиной со средними и дисперсиями , где g - спектральная плотность. Следовательно, периодограмма не является состоятельной оценкой . Сглаживание периодограммы позволяет получить состоятельную оценку для g. Для работы с выборкой произвольного объема, а не только кратного степени 2, используется модифицированный вариант недецицимированных вейвлет-преобразований.

На шаге кластерного анализа делается предположение о том, что все множество векторов коэффициентов , полученных на первом шаге, может быть представлено в виде

,

где - подклассы, рассматриваемые как кластеры. Плотность вероятности распределения, соответствующая , имеет вид:

,

где - условная плотность распределения, соответствующая кластеру ; - априорная вероятность появления объектов из подкласса .

Алгоритмы кластеризации на основе показа векторов обучающей выборки и заданных условий объединения объектов в кластер позволяют определить совместную плотность распределения и найти ее существенные максимумы, которые являются искомыми центрами кластеров. Основными требованиями к алгоритму кластерного анализа при решении задачи сегментации сигналов являются: высокая скорость работы, поскольку данные имеют большой объем, и автоматическое определение числа кластеров в процессе работы алгоритма, что связано со сложностью структуры анализируемых сигналов и невозможностью определить точное значение числа кластеров на основе графического представления сигнала. Сформулированным требованиям отвечает алгоритм адаптивного выбора подклассов, который применяется на втором шаге предлагаемого алгоритма.

Построение шаблонов сегментированных сигналов. Применение алгоритмов секвенциального анализа к последовательности сегментов позволяет перейти к компактной форме описания сигнала в виде набора шаблонов и предоставляет простой механизм сопоставления шаблонов.

В основе алгоритмов секвенциального анализа лежит понятие шаблона. Размерность шаблона P - это количество входящих в него сегментов n. Если , то шаблон P называется n-мерным. Закономерности следования сегментов в шаблоне строятся на базе темпоральной логики Аллена, описывающей отношения между временными интервалами. Для любой пары интервалов в работе определено допустимое множество отношений. Основной характеристикой шаблона является поддержка шаблона, которая показывает, как часто шаблон появляется в анализируемой последовательности, и которая численно равна количеству экземпляров временного шаблона в последовательности. Если последовательность сегментов оказывается слишком длинной, то подсчет поддержки шаблонов становится нетривиальной задачей. Проблема, связанная с протяженностью шаблонов по времени, решается путем введения скользящего окна.

Предлагаемый алгоритм построения шаблонов является итерационным и состоит из трех этапов: генерация кандидатов в шаблоны, расчет поддержки шаблонов, отбор шаблонов. Совместное применение при построении шаблонов скользящего окна, свойства антимонотонности и таблиц транзитивности Аллена позволяет сократить время построения шаблонов до 5 раз.

При анализе новых данных с помощью скользящего окна определяется наличие в новых данных выявленных шаблонов. Каждый шаблон в любой момент времени относится к одной из трех групп: потенциальные шаблоны, пассивные шаблоны, активные шаблоны. При перемещении скользящего окна шаблоны переходят из одного состояния в другое. Использование перехода, отличного от набора допустимых, означает наличие в последовательности разладки.

Третья глава посвящена исследованию алгоритмов, ориентированных на использование в интеллектуальных системах ОКССДО. В ней рассматриваются метод сокращения размерности анализируемых признаков и метод визуализации зависимостей параметров на основе использования решеток понятий. Выбор данных задач обуславливается тем, что именно эти задачи возникают при проектировании реальных систем, и в настоящее время автору не удалось найти готовых решений.

Основной задачей сокращения размерности признакового пространства является выбор и ранжирование наиболее значимых для объекта признаков (параметров, анализ которых является наиболее информативным).

На первом этапе к исходному набору признаков применяется один из методов преобразования количественных признаков в качественные. В случае, если целевой признак является количественным, он также преобразуется в качественный. К полученному набору качественных признаков применяется один из алгоритмов ассоциации. Значимыми считаются те признаки, которые используются в построенных ассоциативных правилах. Последовательность обработки признаков определяется достоверностью правил, в состав которых признаки входят. Данная методика позволяет сократить объем анализируемых данных при оперативной обработке ТМИ до 2 раз без существенного ухудшения качества результатов анализа.

На сегодняшний день наиболее широко используемым и хорошо зарекомендовавшим себя алгоритмом является алгоритм Apriori, который используется во многих коммерческих и свободно распространяемых системах. С точки зрения анализа данных основным достоинством алгоритма Apriori является его гибкость. Имеется возможность задавать два основных параметра: минимальную поддержку и минимальную достоверность правила, что позволяет получать существенно различные группы правил. Использование только алгоритма Apriori является недостаточным. При обработке ТМИ в ряде случаев сложно задать значения параметров минимальной поддержки и минимальной достоверности. В этом случае удобно применять алгоритм PredictiveApriori, который осуществляет поиск наиболее точных правил. На вход алгоритма PredictiveApriori подается только число правил, которые следует найти.

Поскольку данные алгоритмы не предполагают наличия целевой переменной, для решения задачи анализа ТМИ предлагается модификация данных алгоритмов. В частности модифицирован этап “генерация наборов кандидатов” и этап “построение правил”. На этапе “генерация наборов кандидатов” рассматриваются только кандидаты, в состав которых входит целевая переменная. При построении правил строятся только правила, в левой части которых расположена целевая переменная.

Во второй части третьей главы предлагается метод визуализации зависимостей телеметрических параметров, который позволяет эксперту на основе построенных шаблонов выявить группы зависимых параметров по совокупности экспериментов. Установлено, что существующие методы визуализации не позволяют решить поставленную задачу. Задача может быть решена при применении методов визуализации, оперирующих с шаблонами параметров на понятийном уровне. К числу таких методов, в первую очередь, относится метод анализа формальных понятий, который основан на использовании прикладной алгебраической теории решеток.

В работе для анализа зависимостей телеметрических параметров предлагается использовать следующий формальный контекст при построении решетки понятий: K=(T, S, I), где T - множество параметров объекта, полученных в результате различных экспериментов, S - множество шаблонов, соответствующих телеметрическим параметрам, поступающим с объекта, I - отношение инцидентности tIs, имеющее место для tT, sS, тогда и только тогда, когда параметр t не соответствует шаблону s. Соответствие определяется на основе сравнения параметра с шаблоном.

При построении решетки, отражающей зависимости поведения параметров СДО, возникает необходимость работы с нечеткими отношениями, поскольку результатом сопоставления шаблонов с параметрами является показатель соответствия, который находится в интервале от 0 до 1. В случае, если показатель соответствия может быть преобразован в качественный показатель, целесообразно использование многозначного контекста, который определяется как четверка (T, S, J, W), где W -- множество значений качественного показателя соответствия, J: T S W -- отображение, сопоставляющее паре «параметр - шаблон» значение из W.

В случае, если описанный переход к категориальным признакам не возможен, контекст можно определить как (T, S, J, P), где J: T S P -- отображение, сопоставляющее паре «параметр - шаблон» показатель соответствия P. При работе с параметрами СДО для каждого сформированного понятия определяется среднее значение показателя соответствия. Подобное представление позволяет наглядно представить значимость сформированных понятий.

Для упрощения получаемой решетки предлагается строить набор решеток с учетом структуры объекта, каждая из которых соответствует заданному уровню детализации объекта. Под “верхнем” уровнем детализации (i = 1) понимается представление объекта в виде набора систем, входящих в состав объекта. Для каждой из систем может быть построена детализирующая решетка, в которой в качестве множества T рассматривается набор параметров, характеризующий соответствующую подсистему (уровень детализации i = 2). На верхних уровнях детализации вместо конкретных параметров рассматривается оценка состояния соответствующей системы (подсистемы), получаемая на основе анализа совокупности параметров соответствующей системы (подсистемы).

В четвертой главе рассматриваются основные подходы к построению интеллектуальных систем ОКССДО: подход, основанный на использованииБД, подход, основанный на использовании экспертных систем, и онтологический подход. В работе приводится сравнительный анализ подходов и делается вывод о предпочтительности использования онтологического подхода, к основным достоинствам которого можно отнести следующее:

-онтология позволяет представить описание объекта, т.е. данные и знания в стандартной общепринятой форме, что позволяет их свободно использовать отдельно от системы;

-для работы с онтологиями на сегодняшний день разработано большое количество эффективных инструментов, все эти инструменты могут быть в полной мере использованы;

-разработанная онтология может быть повторно используема, т.е. она достаточно легко настраивается для работы с новыми объектами.

При построении онтологии в качестве ключевых можно выделить четыре группы понятий:

-понятия, описывающие внутреннюю структуру объекта (примерами понятий являются система, подсистема, агрегат, узел, датчик), для каждого объекта заполняется формуляр, содержащий информацию об объекте;

-понятия, описывающие эксперименты, т.е. результаты функционирования объекта за некоторый период времени (примерами понятий являются поступившие сигналы, описание штатной эксплуатации и эксплуатации в нештатных ситуациях);

-понятия, описывающие методы обработки ТМИ; в качестве основных групп методов рассматриваются статистические методы, методы сегментации, методы кластерного анализа, методы построения ассоциативных привил и методы секвенциального анализа;

-понятия, описывающие структуру сигнала на основе предлагаемой модели сигнала.

Структура знаний о сигналах соответствует структуре уровней описания сигналов. В качестве языка описания на нулевом уровне используется XML/XML Schema, на первом и втором уровнях - RDF/ RDFS, а на третьем уровне - язык описания знаний SWRL.

В диссертации приведена архитектура системы ОКССДО на основе онтологического подхода, в состав которой входят следующие подсистемы: подсистема автоматического извлечения знаний, в которую входят блоки предварительной обработки и набор методов data mining, подсистема обработки знаний, которая включает реализацию адаптированных для предметной области механизмов обработки знаний, в частности, предоставляет механизмы визуализации, модификации и коррекции знаний, подсистема управления знаниями, предоставляющая эффективный механизм управления знаниями, центральное место, в котором занимает онтология предметной области, и подсистема настройки ролей различных пользователей.

Реализован прототип системы ОКССДО в среде Eclipse с использованием Protйgй API и библиотеки Jess. Эксперименты на реальных и модельных сигналах подтвердили работоспособность системы.

В качестве исходных данных для анализа рассматривались данные, полученные в результате экспериментов, проводимых над 4 СДО. Из них 3 эксперимента проводилось над объектами одного типа (два из них завершились в штатном режиме и один в аварийном) и один эксперимент над объектом другого типа. Общее число рассматриваемых параметров для каждого эксперимента составляло примерно 500 параметров. Результаты работы алгоритмов оценивались на основе сравнения с экспертной оценкой. Неточностей в работе алгоритмов выявлено не было. Алгоритмы оперативного контроля применялись в качестве алгоритмов для экспресс оценки результатов.

В качестве примера рассмотрены 3 сигнала, из них сигнал 1 (Рис. 1 а)) - сигнал, полученный при функционировании объекта (объекта 1) в нормальном состоянии, сигнал 2 (Рис. 1 г)) - сигнал, полученный с того же объекта (объекта 1), но при аварийном функционировании, сигнал 3 (Рис. 1 ж)) - сигнал, полученный с другого объекта (объект 2), отличающегося от объекта 1. К сигналам были последовательно применены алгоритмы сегментации (Рис. 1 б), д), ж)), кластерного анализа (Рис. 1 в), е), и)) и секвенциального анализа (таблица 1).Для сигнала 2 выявлено несоответствие для 1,2 и 6 сегментов, для сигнала 3 выявлено несоответствие для всех сегментов.

Сигнал 1

Сигнал 2

Сигнал 3

Рис.1

Таблица 1