АЛГОРИТМ НА ОСНОВЕ МОДЕЛИ ПЕРЕДАТОЧНОЙ ФУНКЦИИ И ОДНОКЛАССОВОЙ КЛАССИФИКАЦИИ ДЛЯ ОБНАРУЖЕНИЯ АНОМАЛЬНОГО СОСТОЯНИЯ ДАМБ


https://doi.org/10.15217/issn1684-8853.2015.6.10

Полный текст:


Аннотация

Постановка проблемы: как правило, мониторинг состояния дамб с использованием датчиков, установленных в дамбу, заключается в сравнении измерений датчиков с заранее определенными пороговыми значениями, полученными в результате анализа или моделирования структуры дамбы. Этот способ позволяет обнаружить лишь простые случаи разрушения дамбы, например переливание гребня дамбы. Более сложные случаи, вызванные процессами внутренней эрозии, такой способ обнаружить не позволяет. Цель: разработка и апробация алгоритма обнаружения аномального состояния дамбы, вызванного процессами внутренней эрозии. Результаты: предлагаемый алгоритм обнаружения аномального состояния основан на моделировании передаточной функции между измеряемыми сигналами уровня воды и порового давления внутри дамбы. Одноклассовый классификатор «нейронные облака» используется для оценки нелинейной, нечеткой функции принадлежности ошибки модели к области нормального состояния. Обучение классификатора «нейронные облака» производится на исторических данных о нормальном поведении дамбы, полученных с датчиков, установленных в дамбе. Нечеткий выход классификатора, изменяющийся от 0 до 1, позволяет давать оценку близости текущего состояния дамбы к аномальному. Апробация алгоритма проводилась на реальных данных, полученных в ходе натурного эксперимента. Практическая значимость: результаты исследований и алгоритмические решения использованы компанией «Сименс» в компоненте искусственного интеллекта при разработке системы мониторинга состояния дамб.

Об авторах

Алексей Петрович Козионов
ООО «Сименс»; Санкт-Петербургский государственный университет аэрокосмического приборостроения
Россия


Александр Леонидович Пяйт
ООО «Сименс»; Университета Амстердама
Россия


Илья Игоревич Мохов
ООО «Сименс»
Россия


Юрий Павлович Иванов
Санкт-Петербургский государственный университет аэрокосмического приборостроения
Россия


Список литературы

1. Flood - Data and Statistics. http://www.prevention-web.net/english/hazards/statistics/?hid=71 (дата обращения: 01.08.2015).

2. Wohl E. Inland Flood Hazards: Human, Riparian, and Aquatic Communities. - Cambridge, Cambridge University Press, 2000. - 518 p.

3. Baars S., Kempen M. The Causes and Mechanisms of Historical Dike Failures in the Netherlands. - Official Publication of the European Water Association, 2009. - 14 p.

4. FLOODsite project. http://www.floodsite.net/ (дата обращения: 01.08.2015).

5. FloodControl 2015. http://www.floodcontrol2015. com/ (дата обращения: 01.08.2015).

6. UrbanFlood project. http://www.urbanflood.eu (дата обращения: 01.08.2015).

7. IJkDijk project. http://www.floodcontrolijkdijk.nl/ (дата обращения: 01.08.2015).

8. Isermann R. Fault-Diagnosis Systems: an Introduction from Fault Detection to Fault Tolerance. - Berlin, Berlin Springer, 2006. - 475 p.

9. Krzhizhanovskaya V. V., et al. Flood Early Warning System: Design, Implementation and Computational Modules // Procedia Computer Science. 2011. N 4. P. 106-115. doi:10.1016/j.procs. 2011.04.012

10. Simm J., et al. Interpreting Sensor Measurements in Dikes - Experiences from Urbanflood Pilot Sites // Comprehensive Flood Risk Management: Proc. of the 2nd European Conf. on FLOODrisk Management/ Klijn & Schweckendiek (ed.). 2012. P. 327-336. doi:10.1201/b13715-47

11. Pyayt A. L., et al. Machine Learning Methods for Environmental Monitoring and Flood Protection // World Academy of Science, Engineering and Technology. 2011. N 5. P. 118-123.

12. Pyayt A. L., et al. Data-Driven Modelling for Flood Defence Structure Analysis // Comprehensive Flood Risk Management/Klijn & Schweckendiek (ed.). 2013. P. 301-306.

13. Pyayt A. L., et al. Combining Data-Driven Methods with Finite Element Analysis for Flood Early Warning Systems // Intern. Conf. on Computational Science, ICCS 2015 «Computational Science at the Gates of Nature». 2015. N 51. P. 2347-2356. doi:10.1016/j. procs.2015.05.404

14. Козионов А. П., Пяйт А. Л., Мохов И. И., Иванов Ю. П. Вейвлет-преобразование и одноклассовая классификация для мониторинга состояния дамб // Информационно-управляющие системы. 2014. № 4(71). С. 24-31.

15. Козионов А. П., Пяйт А. Л., Мохов И. И., Иванов Ю. П. Исследование алгоритмов восстановления пропусков в измеряемых сигналах для системы мониторинга состояния дамб // Научно-технические ведомости СПбГПУ. Информатика. Телекоммуникации. Управление. 2015. № 2-3. С. 217222. doi: 10.5862/JCSTCS.217-222.8

16. Lang B., et al. Neural Clouds for Monitoring of Complex Systems // Optical Memory and Neural Networks. 2008. Vol. 3. N 17. P. 183-192. doi: 10.3103/ S1060992X08030016

17. Bishop C. Pattern Recognition and Machine Learning. - N. Y.: Springer, 2006. - 738 p.

18. Box G., Jenkins G. Time Series Analysis: Forecasting and Control. - San Francisco: Holden-Day, 1970. - 573 p.

19. Akaike H. A New Look at the Statistical Model Identification // IEEE Transactions on Automatic Control. 1974. N 19. P. 716-723.

20. Alert Solutions. http://www.alertsolutions.nl/ (дата обращения: 01.08.2015).


Дополнительные файлы

Для цитирования: Козионов А.П., Пяйт А.Л., Мохов И.И., Иванов Ю.П. АЛГОРИТМ НА ОСНОВЕ МОДЕЛИ ПЕРЕДАТОЧНОЙ ФУНКЦИИ И ОДНОКЛАССОВОЙ КЛАССИФИКАЦИИ ДЛЯ ОБНАРУЖЕНИЯ АНОМАЛЬНОГО СОСТОЯНИЯ ДАМБ. Информационно-управляющие системы. 2015;(6):10-18. https://doi.org/10.15217/issn1684-8853.2015.6.10

For citation: Kozionov A.P., Pyayt A.L., Mokhov I.I., Ivanov U.P. Algorithm for Dike Abnormal Behavior Detection Based on Transfer Function Model and One-Class Classification. Information and Control Systems. 2015;(6):10-18. (In Russ.) https://doi.org/10.15217/issn1684-8853.2015.6.10

Просмотров: 34


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 1684-8853 (Print)
ISSN 2541-8610 (Online)