Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Интеллектуальная обработка сигналов для контроля состояния дамб

А.П. Козионов, А.Л. Пяйт, В.Т. Кушербаева

В данной работе нами представлена методика мониторинга состояния объектов критической инфраструктуры на примере насыпных дамб, основанный на методах машинного обучения и обработки сигналов. Предлагаемый поход не требует детального исследования объекта мониторинга, обучение проходит на исторических данных, собранных с сенсоров, установленных в объект. Апробация методики проводилась на примере дамбы, расположенной в городе Бостон, Великобритания.

Введение

Более двух третей европейских городов, постоянно находятся под риском затопления. Число зарегистрированных наводнений увеличилось в четыре раза по сравнению с 80-ми годами XX века [1]. Изменение климата и быстрая урбанизация еще сильнее усугубляют проблему.

Большое число наводнений вызвано прорывом систем защиты от наводнений (дамб, плотин) [2]. Например, в Нидерландах с 1134 по 2006 года было зарегистрировано примерно 1735 случаев разрушения дамб [3].

В Европе существуют несколько исследовательских проектов, направленных на исследование и разработку систем контроля защиты от наводнений (FLOODsite [4], FloodControl 2015 [5], UrbanFlood [6]). Одним из наиболее важнейших элементов подобных систем является система контроля состояния дамб.

Проблема мониторинга состояния дамб заключается в сложном поведении дамбы и, как следствие, измеряемых параметров системы, что требует детального исследование объекта мониторинга. В данной работе мы представляем концепцию (подход) и алгоритм мониторинга состояния дамб, основанный на методах машинного обучения и обработки сигналов. Предлагаемый поход не требует детального исследования объекта мониторинга, обучение проходит на исторических данных. Моделирование алгоритма проводилось на данных в городе Бостон (Великобритания).

Концепция обнаружения аномального поведения дамб

Мониторинг состояния дамбы осуществляется путем анализа измерений, собранных с сети датчиков, установленных в дамбу. Датчики установлены в каждой кросс-секции дамбы. Такое деление объекта мониторинга позволяет локализовать аномалии и предоставляет аналитическую и физическую избыточность измерений. Применение сетей датчиков, как части системы раннего предупреждения, в рамках проекта UrbanFlood представлено в [7],[8].

Методы машинного обучения и обработки сигналов используются для обнаружения аномалий с использованием сети датчиков [9]. Основная идея этой концепции заключается в применение комитета методов обнаружения аномалий, которые обучаются на «сырых» и/или предварительно обработанных данных. Обнаружение аномалий состоит из следующих шагов, представленных на Рис. 1. Первый этап - сбор данных с датчиков. Второй этап - предварительная обработка данных, в нашем случае восстановление пропусков в данных, методом «Гусеница-SSA (Singular Spectrum Analysis)». Данные системы контроля состояний дамб содержит пропуски, вызванные сбоями системы сбора данных и другими факторами. Пропуски могут иметь протяженность от нескольких часов до нескольких дней. Для восстановления данных используется метод «Гусеница-SSA» [10]. На третьем этапе алгоритмы обнаружения аномального состояния извлекают информации из сигналов, в нашем случае этом методы частотно-временного анализа. Далее алгоритмы классификации (методы машинного обучения) классифицируют состояние дамбы. Для выполнения описанных задач была разработана ИИ (искусственный интеллект) компонента системы раннего обнаружения UrbanFlood [6] - набор алгоритмов на основе методов машинного обучения, выполняющих предварительную обработку сигналов, обнаружение и классификацию аномалий.

Рис. 1. Подход обнаружения аномалий дамб

Выбор методов обнаружения аномалий является важной задачей. Различные типы измеряемых параметров обрабатываются в соответствии с их свойствами. Например, в случае датчиков порового давления, необходимо учитывать зависимость между измерениями: для анализа зависимости от уровня воды или зависимости между поровым давлением в разных местах дамбы. Для моделирования зависимостей между сигналами можно использовать передаточные функции линейные или нелинейные или методы кластерного анализа, которые позволяют строить границы к области нормального поведения. В первом случае существует проблема идентификации модели передаточной фикции, а так же проблема устойчивости передаточной функции, что было показано в работе [11]. Методы, основанные на построении линейных или нелинейных допусков для параметров (кластерный анализ), не позволяют учитывать частотно-временные свойства сигналов, а лишь позволяют обнаружить превышение критических значений сигналами.

состояние дамба контроль сигнал

Многомерный частотно-временной анализ в задачах обнаружения аномального поведения объектов

Предложенные метод основан на многомерном анализе результатов частотно-временного разложения анализируемых сигналов. Наиболее предпочтительным является дискретное вейвлет-преобразования [12] в виду его низких вычислительных затрат и отсутствия избыточности по количеству уровней разложения. Данный подход позволяет учитывать частотно-временные свойства и в тоже время, в отличии от моделей передаточных функций, не может быть неустойчивым.

После применения вейвлет-разложения производится выбор наиболее мощных уровней (базовые уровни) для анализа, что бы сократить число классификаторов. Далее выполняется дополнительная обработка вейвлет-коэффициентов направлена на расчет локальных СКО коэффициентов для каждого уровня разложения (Рис. 2). Локальные СКО пропорциональны локальной мощность коэффициентов, но с другой стороны СКО в отличие от мощности (дисперсии) менее чувствительны к изменению в поведении сигнала, что напрямую повлияет на робастность результатов.

Рис. 2. Метод обнаружения аномально поведения на основе классификации результатов вейвлет-разложения

Так как по каждому уровню разложения строится отдельное «нейронное облако» то необходимо объединить их результаты с учетом нормировки от 0 до 1. Выход каждого уровня разложения нормируется в соответствии с мощностным вкладом данного уровня разложения в суммарную мощность отобранных для анализа уровней ДВП - W1..N (Рис. 2). Данная нормировка позволяет комбинировать выходы классификаторов с учетом мощностного вклада каждого уровня разложения в мощность сигнала. В итоге на выходе алгоритма значение от 0 до 1.

Данные для моделирования

В данной работе мы будем рассматривать обнаружения реальной аномалии дамбы в городе Бостон (Великобритания). В дамбу была установлена сеть многопараметрических датчиков GeoBeads компании Alert Solutions (www.alertsolutions.nl). Датчики измеряют: поровое давление (давление воды в порах почвы), температуру, отклонение (инклинометры).

Локальное сползание внешнего откоса дамбы в результате эрозии почвы произошло 12 января 2012. Данная аномалия проявилась в поведении датчике порового давления - сигнал №1 (Рис. 4.).

Рис. 3. Бостонская дамба: a) структура дамбы и позиции установки датчиков; б) фотография дамбы

Аномальное поведение проявилось как демпфирование дамбой колебаний порового давления, вызванных колебаниями воды (Рис. 4.а). Базовые колебания вызваны приливами и отливами с периодичностью 12 часов (Рис. 4. в, г). Так же в измерениях присутствуют пропуски, вызванные сбоями системы сбора данных или другими факторами. Пропуски могут иметь протяженность от нескольких часов до нескольких дней (Рис. 4. а, б).

Рис. 4. Сигналы для моделирования: а) сигнал №1; б) сигнал №2; в) приближение сигнала №2; г) периодограмма сигнала №1

Алгоритм «нейронные облака»

«Нейронные облака» оценивают нелинейную, нечеткую функцию принадлежности (инкапсулятор, гиперповерхность) данных к области нормального поведения, для исходного «нормального» множества признаков. Затем функция принадлежности используется для оценки принадлежности новых экземпляров данных к области нормального поведения. Выход нейронных облаков - значение от 0 до 1. Значения, близкие к 1, отражают нормальное поведение, а близкие к 0 - аномальное [13].

Оценка функции принадлежности состоит из двух шагов: кластеризация данных методом AKM (advanced K-means, улучшенный k-средних); и аппроксимация кластеров радиальными базисными функциями (РБФ). Смесь РБФ можно представить в виде нечеткой нейронной сети [13] (Рис. 5.). Сумма всех РБФ дает функцию принадлежности. Нормализация применяется для того что бы получить выходное значение функции принадлежности в интервале от 0 до 1.

Рис. 5. «Нейронные облака»: L1 - смесь РБФ, L2 - суперпозиция РБФ, P_c -значение функции принадлежности

Результаты моделирования

Предложенная методика была применена для анализа данных Бостонской дамбы (Великобритания). Анализируются данные с датчиков порового давления (давление воды в порах почвы). Дискретизация данных 15 мин. Локальное сползание внешнего откоса дамбы в результате эрозии почвы произошло 12 января 2012. Обучающее множество для алгоритма первые 50% отсчетов сигналов с 8 августа 2011 по 10 ноября 2011. Для дискретного вейвлет преобразования был выбран вейвлет Добеши 4, число уровней разложения - 6. Предварительно сигналы были восстановлены в местах пропусков методом «Гусеница-SSA».

Из шести уровней разложения для анализа, в качестве базовых, были выбраны 3-й, 4-й и 5-й уровни разложения, так как на них пришлось 16%, 64% и 15% мощности сигнала. Суммарная мощность трех уровней - 86%. Мощность оценивалась на обучающем множестве. Для каждого уровня разложения были посчитаны локальные среднеквадратичные отклонения (СКО). Далее попарно для каждого уровня разложения для двух сигналов были построены границы допустимых значений методом «нейронные облака». В итоге получилось три двумерных «нейронных облака» (по двум сигналам) для 3-го, 4-го и 5-го уровней разложений. «Нейронные облака» были обучены на обучающем множестве.

Рассмотрим классификацию наиболее мощного 4-го уровня разложения. Для сигнала №1 видно демпфирование колебаний, и как следствие, падение СКО после 1 января, вызванное изменением свойств дамбы, в результате эрозии, и как следствие демпфированием базовых колебаний сигнала - падение мощности колебаний (Рис. 6.). Значение функции принадлежности на участке после 2 январе падает к 0, что соответствует выходу значении за допустимые границы, построенные «нейронными облаками». Таким образом, эрозия почвы была обнаружена на 10 дней раньше сползания откоса дамбы. Так же присутствует локальный участок 7 декабря, в котором значение функции принадлежности падает до 0.1, данный участок соответствует ложному срабатыванию, которое вызвано отсутствием подобного поведения в обучающем множестве (Рис. 6). Подобное поведение характерно для 3-го и 5-го уровней разложения, и не будет детально рассматриваться.

Рис. 6. Анализ методом «нейронные облака» уровня разложения 4: а) локальные СКО; б) «нейронное облако» уровня разложения 4

Далее рассчитывается результирующее значения функции принадлежности, которое стремится к 0 после 3 января (Рис. 7). Так же 7 декабря присутствует локальный участок ложного срабатывания, в котором значение функции принадлежности падает к 0.15, вызвано это отсутствием данного поведения в обучающем множестве.

Рис. 7. Результирующие значение функции принадлежности

Также было проведено моделирование алгоритма с использованием «нейронных облаков», которые обучались на «сырых» сигналы без предобработки. В данном случае значение функции выходят за границы нейронных облаков из-за растущего во времени тренда, значений которого не было в обучающей выборке.

Линейная дискретная передаточная функции для сигналов оценивается коэффициентом детерминации R²=0.58, такая точность модели не позволяет ее использовать для задачи обнаружения аномального поведения.

Заключение

Нами было проведены исследование и разработка методики обнаружения аномального поведения основе анализа частотно-временного разложения сигналов с применением методов машинного. Алгоритм был разработан для системы мониторинга состояния дамбы. Также нами было показано применений метода восстановления данных на основе алгоритма «Гусеница-SSA».

Преимущество применения методов одноклассовй классификации в том, что они не требует знаний об аномальном поведении объекта, которое часто бывает недоступным. В качестве метода извлечения свойств из сигналов нами использовался метод частотно-временного анализа - дискретное вейвлет преобразование, которое имеет приемлемое частотно-временное разрешения для решения данной задачи. Предложенный подход позволяет осуществлять робастный контроль частотно-временных зависимостей сигналов.

Моделирование метода было проведено на реальных данных дамбы города Бостон (Великобритания). Сползание склона было обнаружено на 10 дней раньше визуального обнаружения, как аномальное поведение измерений с датчиков порового давления. Недостаток в том, что если в наших данных отсутствовали некоторые примеры нормального поведения, то алгоритм может классифицировать их как аномальные.

Данный метод может быть применен для мониторинга других объектов со сложными частотными свойствами: системы контроля состояния конструкций, медицинские приложения, системы вибродиагностики и другие. Универсальность подхода не требует глубокого знания структуры объекта.

Литература

1. «Flood - Data and statistics» [В Интернете]. Available: http://www.preventionweb.net/english/hazards/statistics/?. [Дата обращения: 22 января 2013].

2. E. Wohl. Inland Flood Hazards: Human, Riparian, and Aquatic Communities // Cambridge, Cambridge: Cambridge University Press, 2000.

3. S. Baars, M. Kempen. The Causes and Mechanisms of Historical Dike Failures in the Netherlands // Official Publication of the European Water Association, 2009.

4. «FLOODsite project,» [В Интернете]. Available: http://www.floodsite.net/. [Дата обращения: 28 январь 2013].

5. «FloodControl 2015,» [В Интернете]. Available: http://www.floodcontrol2015.com/. [Дата обращения: 28 январь 2013].

6. «UrbanFlood project,» [В Интернете]. Available: http://www.urbanflood.eu. [Дата обращения: 28 январь 2013].

7. V. V. Krzhizhanovskaya, G. S. Shirshov, N. B. Melnikova, B. P. Gouldby, J. Lhomme, B. Baliњ, M. T. Bubak, [и др.]. Flood early warning system: design, implementation and computational modules // Procedia Computer Science, № 4, pp. 106 - 115, 2011.

8. J. Simm, D. Jorda и A. Topple. Interpreting sensor measurements in dikes - experiences from UrbanFlood pilot sites // Comprehensive Flood Risk Management, 2013.

9. A. Pyayt [и др.]. Machine Learning Methods for Environmental Monitoring and Flood Protection // Proceedings of the International Conference on Artificial Intelligence and Neural Networks, Amsterdam, 2011.

10. D. Kondrashov, Y. Shprits, M. Ghil. Gap filling of solar wind data by singular spectrum analysis // Geophysical research letters, pp. 1-6, 2010.

11. А. Pyayt [и др.]. Data-driven modelling for flood defence structure analysis // Comprehensive Flood Risk Management - Klijn & Schweckendiek, Rotterdam, 2013

12. Mallat S. Wavelet Tour of Signal Processing // San Diego, CA: Academic Press, 1999.

13. B. Lang [и др.]. Neural clouds for monitoring of complex systems // Optical Memory and Neural Networks, т. 3, № 17, pp. 183-192, 2008.

Размещено на Allbest.ru