ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Обнаружение аномальных режимов технологического процесса по многоканальной телеметрии с учётом длительности и согласованности отклонений

Авторы

  • Наталья Андреевна Наумова МИРЭА – Российский технологический университет, 119454, г. Москва, пр-т Вернадского, д. 78
  • Елизавета Александровна Князева МИРЭА – Российский технологический университет, 119454, г. Москва, пр-т Вернадского, д. 78
  • Марина Олеговна Журавлева https://orcid.org/0009-0001-9282-2807 МИРЭА – Российский технологический университет, 119454, г. Москва, пр-т Вернадского, д. 78
  • Михаил Николаевич Самохин https://orcid.org/0009-0008-6259-0073 МИРЭА – Российский технологический университет, 119454, г. Москва, пр-т Вернадского, д. 78
  • Тимур Ринатович Максумов МИРЭА – Российский технологический университет, 119454, г. Москва, пр-т Вернадского, д. 78

Как цитировать

ГОСТ Наумова Н. А., Князева Е. А., Журавлева М. О., Самохин М. Н., Максумов Т. Р. Обнаружение аномальных режимов технологического процесса по многоканальной телеметрии с учётом длительности и согласованности отклонений // СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ. 2026. Т. 70. № 10. С. 177-193. DOI: 10.25726/b3606-9398-4387-w
APA Наумова, Н. А., Князева, Е. А., Журавлева, М. О., Самохин, М. Н. & Максумов, Т. Р. (2026). Обнаружение аномальных режимов технологического процесса по многоканальной телеметрии с учётом длительности и согласованности отклонений. СТРОИТЕЛЬНЫЕ И ДОРОЖНЫЕ МАШИНЫ, 70(10), 177-193. https://doi.org/10.25726/b3606-9398-4387-w

Аннотация

Правило трёх сигм, применяемое к каждому каналу телеметрии по отдельности, срабатывает на одиночных экстремумах шума и плохо видит медленные изменения. В работе предложено решающее правило, в котором к порогу по нормированному отклонению добавлены три проверки: длительность превышения, совпадение превышений в нескольких каналах и наклон параметра в скользящем окне. Для каждой проверки выведена оценка вероятности ложной тревоги при гауссовском шуме, что позволяет выбирать пороги до испытаний. Правило проверено на синтетической телеметрии фрезерного станка с ЧПУ – ток шпинделя, вибрация и частота вращения – с четырьмя типами внесённых аномалий и серией запусков с разными реализациями шума. По сравнению с правилом трёх сигм ложных событий стало в несколько раз меньше при той же полноте обнаружения, и это преимущество сохранилось во всех запусках. Аналитические оценки совпали с результатами моделирования. Поочерёдное отключение проверок показало, что почти все оставшиеся ложные срабатывания даёт проверка наклона, а проверка совпадения каналов при выраженных аномалиях дублирует остальные. Начальный участок медленного тренда не обнаруживает ни один из сравниваемых методов.

Ключевые слова

обнаружение аномалий многоканальная телеметрия статистическое управление процессами серия превышений вероятность ложной тревоги фрезерный станок с ЧПУ синтетические данные F1-мера

Финансирование

Авторы не заявили о внешнем финансировании исследования.

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

ПРИКЛАДНЫЕ ИССЛЕДОВАНИЯ

Метрики

12 просмотров
0 скачиваний
Хотите опубликоваться?
Подать статью

Похожие статьи

<< < 1 2 3 4 

Вы также можете начать расширеннвй поиск похожих статей для этой статьи.