Анализ данных от систем пространственно распределённых датчиков

Работа посвящена анализу данных от систем пространственно распределённых датчиков. Описывается система датчиков на продуктопроводе. Для детектирования событий на продуктопроводе рассматриваются следующие методы: алгоритм кумулятивных сумм, SVD-разложение, спектральный анализ и кепстральный анализ. Локализация событий основывается на нахождении временной задержки между приходом события на разные датчики с помощью корреляционного метода. Предлагается новый подход к осуществлению многомерной валидации данных систем сенсоров. Приводятся результаты работы методов на тестовых и реальных данных, а также программная реализация методов.

Введение ……………………………………………………………………………………………………. 3
Постановка задачи……………………………………………………………………………………… 5
Обзор литературы………………………………………………………………………………………. 6
Глава 1. Детектирование событий ………………………………………………………………. 8
1.1. Алгоритм кумулятивных сумм ………………………………………………………….. 8
1.2. SVD-разложение …………………………………………………………………………….. 13
Глава 2. Альтернативные методы детектирования событий и локализация
событий …………………………………………………………………………………………………… 16
2.1. Спектральный анализ ……………………………………………………………………… 16
2.1. Кепстральный анализ………………………………………………………………………. 17
2.2. Корреляционный метод локализации событий ………………………………… 21
Глава 3. Валидация данных ………………………………………………………………………. 29
3.1. Виды валидаторов и их задачи ………………………………………………………… 29
3.2. Многомерный валидатор …………………………………………………………………. 31
Выводы ……………………………………………………………………………………………………. 36
Заключение ……………………………………………………………………………………………… 38
Список литературы ………………………………………………………………………………….. 39
Приложение …………………………………………………………………………………………….. 43

Проведѐн обзор алгоритмов детектирования и локализации событий на
продуктопроводе, методов валидации данных. Предложен новый подход к
осуществлению многомерной валидации. Разработана программная
реализация рассмотренных алгоритмов.

Приведены результаты работы методов на тестовых и реальных
данных. На основании результатов можно заметить, что предложенный
подход детектирования событий с помощью алгоритма кумулятивных сумм
даѐт достаточно точные результаты, а также позволяет сократить количество
пропущенных событий. Метод SVD-разложения будет полезен при
детектировании событий на многоканальных системах. Альтернативные
методы детектирования (спектральный и кепстральный анализ) не дают
высокой точности.

Результаты нахождения временной задержки между приходом события
на разные датчики не так хороши. Предложения по адаптации метода для
улучшения результатов вынесены в разделе «Выводы».

Реализация многомерного валидатора успешно прошла проверку на
реальных данных. При предложенной модификации валидатора снижается
количество ложных срабатываний валидатора.

[1]Анпилогов В.А., Веревкин А.П., Давлетшина З.Р., Кизина И.Д.,
Гайнуллин Д.В. Обнаружение утечек и несанкционированных воздействий в
магистральных нефтепроводах с использованием Фурье- и вейвлет-
преобразований в ПТК СОУ // Автоматизация, телемеханизация и связь в
нефтяной промышленности. – 2012. – №4. – с. 28-31.
[2]Бродский Б.Е. Асимптотически оптимальные методы в задаче
скорейшего обнаружения разладки. I. Характеристики методов скорейшего
обнаружения разладки // Автоматика и телемеханика. – 1995. – №9. – с. 60-
72.
[3]Бродский Б.Е. Асимптотически оптимальные методы в задаче
скорейшего обнаружения разладки. II. Исследование методов скорейшего
обнаружения // Автоматика и телемеханика. – 1995. – №10. – с. 50-59.
[4]БродскийБ.Е.,ДарховскийБ.С.Проблемыиметоды
вероятностной диагностики // Автоматика и телемеханика. – 1999. – №8. – с.
3-50.
[5]БродскийБ.Е.,ДарховскийБ.С.Сравнительныйанализ
некоторых непараметрических методов скорейшего обнаружения момента
―разладки‖ случайной последовательности // Теория вероятностей и ее
применения. – 1990. – т.35, №4. – с. 655-668.
[6]БуреВ.М.,ПарилинаЕ.М.Теориявероятностейи
математическая статистика. М.: Лань, 2013. 416 с.
[7]Васянович А.В., Грицунова А.В., Лебедев О.Г., Чурюмов Г.И.
Эволюция спектров сигналов при переходных процессах в генераторах и
усилителях М-типа // Радиоэлектроника и информатика. – 2005. – №1. – с. 22-
28.
[8]Гоноровский И. С. Радиотехнические цепи и сигналы: Учебник
для вузов.— 4-е изд., перераб. и доп. — М.: Радио и связь, 1986. – с. 20-25.
[9]Жиглявский А.А., Красковский А.Е. Обнаружение разладки
случайных процессов в задачах радиотехники. – Л.: ЛГУ, 1988. 112 с.
[10] Каблов Е.Н. Инновационные разработки ФГУП «ВИАМ» ГНЦ
РФ по реализации «Стратегических направлений и технологий их
переработки на период до 2030 года» // Авиационные материалы и
технологии. – 2015. – №1(34). – с. 3-33.
[11] Концепция предаварийного радиационного и газового контроля
на кораблях ВМФ. – СПб.: 1 ЦНИИ МО РФ, 1997. – 11с.
[12] МамоноваТ.Е.Методыдиагностикилинейнойчасти
нефтепроводов для обнаружения утечек // Проблемы информатики. – 2012.
№5(17). – с.103-112.
[13] Мамонова Т.Е. Учѐт геометрического профиля нефтепровода при
определениипараметровутечки//Электронныйнаучныйжурнал
«Нефтегазовое дело». – 2012. – №2. – с. 85-102.
[14] Никифоров И.В. Последовательное обнаружение изменения
свойств временных рядов / Академия наук СССР. Институт проблем
управления. – М.: Наука, 1983. – 200 с.
[15] НикифоровИ.В.Применениекумулятивныхсуммдля
обнаружения изменения характеристик случайного процесса // Автоматика и
телемеханика. – 1979. – №2. – с. 48-58.
[16] Никонов А. В., Давлетшин Р. В., Яковлева Н. И., Лазарев П. С.
ФильтрацияметодомСавицкого-Голеяспектральныххарактеристик
чувствительностиматричныхфотоприемныхустройств//Успехи
прикладной физики. – 2016. –т.4, № 2. – с.198-205.
[17] Осипов Ю.М. Частотный и временной анализ стационарных и
переходных характеристик линейных электрических цепей. Учебное пособие
по курсам электротехники и ТОЭ. Ч. 2. – СПб: СПбГИТМО (ТУ), 2002. –99 с.
[18] Федотов М.Ю., Сорокин К.В., Гончаров В.А., Шиенок А.М.,
Зеленский П.В. Возможности сенсорных систем и интеллектуальных ПКМ на
их основе // Все материалы. Энциклопедический справочник. – 2013. – №2.
– с.18-23.
[19] Aimé Lay-Ekuakille, Giuseppe Griffo, Paolo Visconti, Patrizio
Primiceri, Ramiro Velazquez. Leak detection in waterworks: comparison between
STFT and FFT with an overcoming of limitations // Metrology and Measurement
Systems, 2017. 24(4). Pp. 631-644.
[20] Bogert B. P., Healy M. J. R., Tukey J. W. The Quefrency Analysis of
Time Series for Echoes: Cepstrum, Pseudo Autocovariance, Cross-Cepstrum and
Saphe Cracking // Symposium on Time Series Analysis (M. Rosenblatt, Ed)
Chapter 15, – New York: Wiley, 1963. Pp. 209-243.
[21] Eckart C., Young G. The Approximation of One Matrix by Another of
Lower Rank. Psychometrika, 1936. 4. Pp. 81-93.
[22] Ivan Miguel Pires, Nuno M. Garcia, Nuno Pombo, Francisco Flórez-
Revuelta, and Natalia Díaz Rodríguez. Validation Techniques for Sensor Data in
Mobile Health Applications // Journal of Sensors, 2016. 9 p.
[23] Lin Chen, Yongchun Liu, Fancheng Kong, Na He a. Acoustic Source
Localization Based on Generalized Crosscorrelation Time-delay Estimation //
Procedia Engineering, 2011. Vol. 15. Pp. 4912-4919.
[24] M. Taghvaei, S.B.M Beck and W.J. Staszewski. Leak detection in
pipelines using cepstrum analysis // Measurement science and technology, 2006.
17. Pp. 367-372.
[25] Motazedi, N. and Beck, S. Leak detection using cepstrum of cross-
correlation of transient pressure wave signals // Proc IMechE Part C: J Mechanical
Engineering Science 0(0), 2017. 13 p.
[26] Rhudy, M., Bucci, B., Vipperman, J., Allanach, J., & Abraham, B.
Microphone Array Analysis Methods Using Cross-Correlations. Volume 15:
Sound, Vibration and Design. – 2009.
[27] Rhudy, Matthew. Real Time Implementation of a Military Impulse
Classifier. University of Pittsburgh, Master’s Thesis, 2009. 104 p
[28] Siao Sun; Jean-luc Bertrand-krajewski, Anders Lynggaard-Jensen,
Joep van den Broeke, Florian Edthofer, Maria do Céu Almeida, Àlvaro Silva
Ribeiro, José Menaia. Literature review of data validation methods // Seventh
framework programme, 2011. Vol. 019. 19 p