Обнаружение аномальных режимов технологического процесса по многоканальной телеметрии с учётом длительности и согласованности отклонений
Как цитировать
Аннотация
Ключевые слова
Финансирование
Библиографические ссылки
Васильев В.И., Вульфин А.М., Гвоздев В.Е., Картак В.М., Атарская Е.А. Обеспечение информационной безопасности киберфизических объектов на основе прогнозирования и обнаружения аномалий их состояния // Системы управления, связи и безопасности. 2021. № 6. С. 90-119.
ГОСТ Р ИСО 17359-2015. Контроль состояния и диагностика машин. Общее руководство: национальный стандарт Российской Федерации: введён 2016-12-01. Москва: Стандартинформ, 2016. 32 с.
ГОСТ Р ИСО 7870-2-2015. Статистические методы. Контрольные карты. Часть 2. Контрольные карты Шухарта: национальный стандарт Российской Федерации: введён 2016-12-01. Москва: Стандартинформ, 2016. 32 с.
Новикова Е.С., Бухтияров М.А., Котенко И.В., Саенко И.Б., Федорченко Е.В. Подход к объяснимому обнаружению аномалий в потоке данных от технологических процессов // Вопросы кибербезопасности. 2025. № 4 (68). С. 142-151.
Тугенгольд А.К., Волошин Р.Н., Ющенко С.В. Мониторинг состояния многооперационных станков на базе концепции e-Mind Machine // Вестник Донского государственного технического университета. 2016. № 1 (83). С. 77-86.
Ширяев А.Н. Об оптимальных методах в задачах скорейшего обнаружения // Теория вероятностей и её применения. 1963. Т. 8. № 1. С. 26-51.
Agogino A., Goebel K. Milling data set // NASA Prognostics Data Repository. Moffett Field, CA: NASA Ames Research Center, 2007. https://www.nasa.gov/intelligent-systems-division/discovery-and-systems-health/pcoe/pcoe-data-set-repository/
Basseville M., Nikiforov I.V. Detection of abrupt changes: theory and application. Englewood Cliffs, NJ: Prentice Hall, 1993. xxvi, 528 p.
Blázquez-García A., Conde A., Mori U., Lozano J.A. A review on outlier/anomaly detection in time series data // ACM Computing Surveys. 2021. Vol. 54. № 3. pp. 1-33.
Chandola V., Banerjee A., Kumar V. Anomaly detection: a survey // ACM Computing Surveys. 2009. Vol. 41. № 3. pp. 1-58.
Hundman K., Constantinou V., Laporte C., Colwell I., Soderstrom T. Detecting spacecraft anomalies using LSTMs and nonparametric dynamic thresholding // Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. London, 2018. pp. 387-395.
Kim S., Choi K., Choi H.-S., Lee B., Yoon S. Towards a rigorous evaluation of time-series anomaly detection // Proceedings of the AAAI Conference on Artificial Intelligence. 2022. Vol. 36. № 7. pp. 7194-7201.
Lai K.-H., Zha D., Xu J., Zhao Y., Wang G., Hu X. Revisiting time series outlier detection: definitions and benchmarks // Proceedings of the Neural Information Processing Systems Track on Datasets and Benchmarks. 2021. Vol. 1.
Lavin A., Ahmad S. Evaluating real-time anomaly detection algorithms – the Numenta Anomaly Benchmark // 2015 IEEE 14th International Conference on Machine Learning and Applications (ICMLA). Miami, 2015. pp. 38-44.
Liu F.T., Ting K.M., Zhou Z.-H. Isolation forest // 2008 Eighth IEEE International Conference on Data Mining. Pisa, 2008. pp. 413-422.
Lowry C.A., Woodall W.H., Champ C.W., Rigdon S.E. A multivariate exponentially weighted moving average control chart // Technometrics. 1992. Vol. 34. № 1. pp. 46-53.
Nelson L.S. The Shewhart control chart – tests for special causes // Journal of Quality Technology. 1984. Vol. 16. № 4. pp. 237-239.
Page E.S. Continuous inspection schemes // Biometrika. 1954. Vol. 41. № 1-2. pp. 100-115.
Roberts S.W. Control chart tests based on geometric moving averages // Technometrics. 1959. Vol. 1. № 3. pp. 239-250.
Schmidl S., Wenig P., Papenbrock T. Anomaly detection in time series: a comprehensive evaluation // Proceedings of the VLDB Endowment. 2022. Vol. 15. № 9. pp. 1779-1797.
Ströbel R., Kuck M., Oexle F., Kader H., Puchta A., Noack B., Fleischer J. A multimodal dataset for process monitoring and anomaly detection in industrial CNC milling // Data in Brief. 2025. Vol. 63. Art. 112207.
Tatbul N., Lee T.J., Zdonik S., Alam M., Gottschlich J. Precision and recall for time series // Advances in Neural Information Processing Systems 31 (NeurIPS 2018). Montréal, 2018.
Teti R., Jemielniak K., O’Donnell G., Dornfeld D. Advanced monitoring of machining operations // CIRP Annals. 2010. Vol. 59. № 2. pp. 717-739.
Wu R., Keogh E. J. Current time series anomaly detection benchmarks are flawed and are creating the illusion of progress // IEEE Transactions on Knowledge and Data Engineering. 2023. Vol. 35. № 3. pp. 2421–2429.
Выпуск
Раздел
Метрики
Права и условия использования
Правообладатель: СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ
Условия использования полного текста: Все права защищены