Контроль операций перегрузочной машины по спектральным параметрам токового сигнала в пространстве главных компонент
DOI:
https://doi.org/10.17213/0136-3360-2020-2-3-38-43Ключевые слова:
диагностика электромеханического оборудования, выявление аномалий, спектральный анализ, метод главных компонент.Аннотация
Рассмотрена проблема диагностирования перегрузочной машины, предназначенной для перемещения ядерного топлива на АЭС. Описывается подход к выявлению аномалий в диагностических сигналах, объединяющий возможности двух методов - спектрального анализа и метода главных компонент. Предлагаемый подход учитывает полипериодичность анализируемых сигналов, изменение характеристик сигналов при работе перегрузочной машины в различных штатных режимах и флуктуацию характеристик. Показано, что понижение размерности и классификация исходной диагностической информации могут быть достигнуты за счет кластеризации спектральных характеристик в пространстве главных компонент. Преимуществами предлагаемого подхода являются малый объем обрабатываемых данных и простота вычислительных процедур.Библиографические ссылки
Лапкис А.А., Никифоров В.Н., Первушин Л.А. Виброакустическая паспортизация режимов работы машин перегрузочных энергоблоков ВВЭР // Глобальная ядерная безопасность. 2018. № 2 (27). С. 82 - 90.
Wang J., Paschalidis I. “Statistical traffic anomaly detection in time-varying communication networks,” IEEE Transactions on Control of Network Systems, 2015. Vol. 2, no. 2, pp. 100 - 111.
Huang H. ""Rank Based Anomaly Detection Algorithms"" Electrical Engineering and Computer Science - Dissertations, 2013, 331.
Григоров А.С. Обзор методов обнаружения аномалий в SQL-запросах к базам данных // Современные тенденции технических наук: материалы Междунар. науч. конф., г. Уфа, октябрь 2011 г. Уфа: Лето, 2011. С. 13 - 17.
NewsomI.(2015). Data Analysis II: Logistic Regression. Available at: http://web.pdx.edu/~newsomj/da2/ho_logistic.pdf
Hochreiter S. Long short-term memory. Neural Computation, 9 (8), pp. 1735-1780 (1997). doi: 10.1162/neco.1997.9.8.1735.
C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, A. Rabinovich. Going deeper with convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 1-9, 2015.
Обзор методов обнаружения аномалий в потоках данных / В.П. Шкодырев, К.И. Ягафаров, В.А. Баштовенко, Е.Э. Ильина // Proc. of the Second Conference on Software Engineering and Information Management, Санкт-Петербург, Россия, 2017. Vol. 1864.
Померанцев А. Метод главных компонент (PCA) // Российское хемометрическое общество [Электронный ресурс]. Режим доступа: http://rcs. chemometrics. ru/Tutorials/pca. htm (дата обращения: 21.05.2019).
Reza Golafshan, Kenan Yuce Sanliturk. SVD and Hankel matrix based de-noising approach for ball bearing fault detection and its assessment using artificial faults. Mechanical Systems and Signal Processing 70-71 (2016). рр. 36 - 50.
Al Bugharbee, Hussein and Trendafilova, Irina. A methodology for fault detection in rolling element bearings using singular spectrum analysis [Электронный ресурс] // In: International Conference on Engineering Vibration 2017 (ICoEV 2017) - 4-7 September 2017, Sofia, Bulgaria - Режим доступа: https://strathprints.strath.ac.uk/62663
Lloyd S.P. Least squares quantization in PCM // IEEE Transactions, Information Theory. 1982. Vol. 28, no 2. pр. 129 - 137.