ЗАСТОСУВАННЯ ПОТОКОВОЇ КЛАСТЕРИЗАЦІЇ ДЛЯ ІДЕНТИФІКАЦІЇ ГІБРИДНИХ ТЕМПОРАЛЬНИХ АВТОМАТІВ ЗА АНАЛОГОВИМИ ДАНИМИ IIOT

Завантажити статтю

Кадомський Кирило Костянтиновичасистент Київського національного університету імені Тараса Шевченка

pages 31-44

DOI: http://doi.org/10.34229/1028-0979-2021-5-3

Моделі класу темпоральних автоматів надають зручну абстракцію для вирішення завдань діагностики та управління у системах промислового Інтернету речей (IIoT). Для їхнього застосування необхідно виконувати ідентифікацію
автомата шляхом пасивного навчання онлайн, використовуючи лише позитивні зразки. Такий тип навчання можливий лише для гібридних темпоральних автоматів (HTA) із алгоритмом OTALA. Однак для навчання HTA необхідна послідовність дискретних подій замість безперервних аналогових часових рядів, які зазвичай зустрічаються в IIoT. A. von Birgelen, O. Niggemann та інші робили спроби заповнити цю прогалину за рахунок попередньої обробки спостережень самоорганізаційними картами (SOM) із перетворенням вододілу, проте отримані моделі часто неефективні в реальних умовах. У даній статті завдання ідентифікації темпорального автомата за аналоговими даними IIoT вирішується із застосуванням інкрементного алгоритму кластеризації на основі моделей (IMCF). IMCF — це потоковий алгоритм, який обробляє вхідні часові ряди в режимі онлайн і перетворює їх на послідовність дискретних станів із чіткими або нечіткими переходами між ними. Такі переходи далі використовуються як події, необхідні для ідентифікації HTA за алгоритмом OTALA. Отримані моделі експериментально досліджено на прикладі системи IIoT, яка раніше представляла складність для моделювання. Досягнуте підвищення ефективності на 24,9–76,8 % демонструє, що дискретизація за допомогою IMCF більш інформативна для ідентифікації HTA. Також обговорюються ширші перспективи застосування HTA в системах IIoT і визначено обмеження, що залишаються актуальними для подібних практичних застосувань: дискретність переходів між станами HTA і відсутність довготривалої пам’яті переходів.

Ключові слова: промисловий інтернет речей, кіберфізичні виробничі системи, виявлення аномалій, гібридний темпоральний автомат, ідентифікація систем, потокова кластеризація.

  1. Factories of the future: multi-annual roadmap for the contractual PPP under HORIZON 2020. Publications Office of the European Union. Luxembourg, 2013. 128 p. DOI: 10.2777/29815
  2. Lu Y. Industry 4.0: A survey on technologies, applications and open research issues. Journal of industrial information integration. 2017. 6. P. 1–10. DOI: 10.1016/j.jii.2017.04.005.
  3. Kushmaro P., 5 ways industrial AI is revolutionizing manufacturing. 2018. URL: https: //www.cio.com/article/3309058/5-ways-industrial-ai-is-revolutionizing-manufacturing.html.
  4. Lee E.A. Cyber physical systems: design challenges. The 11th IEEE international symposium of object oriented real-time distributed computing (ISORC): proc. of. Orlando, FL. 2008. P. 363–369. DOI: 10.1109/ISORC.2008.25.
  5. Boyes H., Hallaq B., Cunningham J., Watson T. The industrial internet of things (IIoT): an analysis framework. Computers in industry. 2018. 101. P. 1–12. DOI: 10.1016/ j.compind.2018.04.015.
  6. Längkvist M., Karlsson L., Loutfi A. A review of unsupervised feature learning and deep learning for time-series modeling. Pattern recognition letters. 2014. 42. P. 11–24. DOI: 10.1016/ j.patrec.2014.01.008.
  7. Zhou P.-Y., Chan K.C.C. A feature extraction method for multivariate time series classification using temporal patterns. Advances in knowledge discovery and Data Mining (PAKDD 2015): proc. of 19th Pacific-Asia conference, Ho Chi Minh City, Vietnam, May 19–22, 2015. Springer, Cham, 2015. Part II. P. 409–421. DOI: 10.1007/978-3-319-18032-8_32.
  8. Challenges for software engineering in automation. B. Vogel-Heuser, C. Diedrich, A. Fay, S. Jeschke, M. Kowalewski, S. Wollschlaeger, P. Goehner. Journal of software engineering and applications. 2014. 7. P. 440–451. DOI: 10.4236/jsea.2014.75041.
  9. Alur R., Dill D.L. A theory of timed automata. Theoretical Computer Science. 1994. 126. N 2. P. 183–235. DOI: 10.1016/0304-3975(94)90010-8.
  10. Verwer S. Efficient identification of timed automata: theory and practice: Doctoral thesis. Delft University of Technology. Delft, Netherlands, 2010. 252 p.
  11. The algorithmic analysis of hybrid systems. Alur R., Courcoubetis C., Halbwachs N., Henzinger T.A., Ho P.-H., Nicollin X., Olivero A., Sifakis J., Yovine S. Theoretical Computer Science, 1995. 138. N 1. P. 3–34. DOI: 10.1016/0304-3975(94)00202-T.
  12. Bemporad A., Di Cairano S. Model-predictive control of discrete hybrid stochastic automata. IEEE trans. on automatic control. 2011. 56, N 6. P. 1307–1321. DOI: 10.1109/ TAC.2010.2084810.
  13. Vodenčarević A. Identifying behavior models for hybrid production systems: Dissertation in Computer Science. University of Paderborn. Paderborn, Germany, 2013. 167 p.
  14. Maier A. Online passive learning of timed automata for cyber-physical production systems. Industrial informatics (INDIN): proc. of 12th IEEE international conference on, Porto Alegre, Brazil, July 27–30, 2014. IEEE, 2014. P. 60–66. DOI: 10.1109/ INDIN.2014.6945484.
  15. Maier A., Niggemann O., Eickmeyer J. On the learning of timing behavior for anomaly detection in cyber-physical production systems. Principles of diagnosis (DX): proc. of the 26th international workshop on, Paris, France, August 31–September 3, 2015. Paris, France, 2015. P. 217–224.
  16. von Birgelen A., Niggemann O., Using self-organizing maps to learn hybrid timed automata in absence of discrete events. Emerging technologies and factory automation, ETFA: proc. of the 22nd IEEE international conference on, Limassol, Cyprus, 2017. P. 1–8. DOI: 10.1109/ETFA.2017.8247695.
  17. von Birgelen A., Niggemann O. Enable learning of hybrid timed automata in absence of discrete events through self-organizing maps. IMPROVE — innovative modelling approaches for production systems to raise validatable efficiency / O. Niggemann, P. Schüller (eds.). Springer Vieweg, Berlin, Heidelberg, 2008. P. 37–54. DOI: 10.1007/978-3-662-57805-6_3.
  18. Hranisavljevic N., Niggemann O., Maier A. A novel anomaly detection algorithm for hybrid production systems based on deep learning and timed automata. Principles of diagnosis (DX): proc. of the 27th international workshop on, Denver, Colorado, October 4–7, 2016.
  19. Maier A. Identification of timed behavior models for diagnosis in production systems: Dissertation in Computer Science. University of Paderborn. Paderborn, Germany, 2015. 171 p.
  20. Кадомский К. К. Повышение эффективности инкрементной кластеризации нечетких данных. Труды ИПММ НАН Украины. 2012. 24. С. 124–133.
  21. Cao F., Estert M., Qian W., Zhou A. Density-based clustering over an evolving data stream with noise. The 2006 SIAM International conference on data mining: proc. of, Bethesda, MD, 2006. pp. 328–339. DOI: 10.1137/1.9781611972764.29.
  22. Chen Y., Tu L. Density-based clustering for real-time stream data. Knowledge discovery and data mining: proc. of the 13th ACM SIGKDD international conf. on, San Jose, CA, August 2007. Association for Computing Machinery, New York, NY, 2007. P. 133–142. DOI: 10.1145/1281192.1281210.
  23. Maier A., Niggemann O., Just R., Jäger M., Vodenčarević A. Anomaly detection in production plants using timed automata: automated learning of models from observations. Informatics in control, automation and robotics (ICINCO): proc. of 8th international conf. on, Noordwijkerhout, The Netherlands, Jul 2011. SciTePress, 2011. 2. P. 363–369. DOI: 10.5220/0003538903630369.
  24. de Maesschalck R., Jouan-Rimbaud D., Massart D.L. The Mahalanobis distance. Chemometrics and intelligent laboratory systems. 2000. 50, N 1. P. 1–18. DOI: 10.1016/S0169-7439(99)00047-7.
  25. Gupta N., Ujjwal R.L. An efficient incremental clustering algorithm. World of Computer Science and Information Technology Journal. 2013. 3, N 5. p. 97–99.
  26. Young S., Arel I., Karnowski T.P., Rose D. A fast and stable incremental clustering algorithm. 2010 Seventh International Conference on Information Technology: New Generations. Las Vegas, NV, 2010. p. 204–209. DOI: 10.1109/ITNG.2010.148.
  27. Carpenter G.A., Grossberg S., Rosen D.B. Fuzzy ART: fast stable learning and categorization of analog patterns by an adaptive resonance system. Neural networks. 1991. 4. p. 759–771. DOI: 10.1016/0893-6080(91)90056-B.
  28. Physical factory / demonstrators IMPROVE. 2016. URL: http://improve-vfof.eu/background/physical-factory-demonstrators.
  29. Cerliani M. Predictive maintenance with LSTM Siamese network. 2019. URL: https: //towardsdatascience.com/predictive-maintenance-with-lstm-siamese-network-51ee7df29767.
  30. High storage system data for energy optimization. 2018. URL: https: //www.kaggle.com/inIT-OWL/high-storage-system-data-for-energy-optimization.
  31. Kadomskyi K. Evaluating Deep Learning models for anomaly detection in an industrial transporting system. CEUR workshop proceedings. 2021. 2845. P. 11–21. ISSN 1613-0073. URL: http://ceur-ws.org/Vol-2845/Paper_2.pdf.