Модель обнаружения аномалий на основе обучения без учителя для многомерных временных рядов технологических параметров промышленных объектов

Темой работы является исследование процесса роста сложности киберфизических производственных систем (Cyber-Physical Systems) на судостроительных и судоремонтных заводах, который приводит к генерации многомерных временных рядов с сильными межканальными связями и «дрейфом» режимов, когда традиционные методы статистического контроля процессов (Statistical Process Control) теряют чувствительность. Целью исследования является разработка математически определенной модели обнаружения аномалий на основе обучения без учителя (Unsupervised Learning). Задачами исследования являются формализация представления состояния через сигнатурные матрицы, фиксирующие попарные зависимости между параметрами; реконструкция нормального поведения с помощью нейронной сети Long Short-Term Memory (сеть с долгой краткосрочной памятью) и ее сверточной модификации Convolutional Long Short-Term Memory; использование адаптивных порогов на основе квантильного правила и метода Exponentially Weighted Moving Average (экспоненциально взвешенное скользящее среднее) для учета дрейфа; локализация источников аномалий по остаточным картам и сопряжение с контуром управления. Модель обеспечивает масштабную инвариантность, чувствительность к межканальным зависимостям и устойчивость к режимным смещениям. Практическая значимость выполненного исследования заключается в мониторинге технологических процессов на этапах судостроительного производства, таких как сварка корпусов, сборка секций, испытания энергетических и вспомогательных систем, что снижает количество ложных тревог и обеспечивает оператору интерпретируемые причины срабатывания.

1. Lee J. A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems / J. Lee, B. Bagheri, H-A. Kao // Manufacturing Letters. — 2015. — Vol. 3. — Pp. 18–23. DOI: 10.1016/j.mfglet.2014.12.001.

2. Куприяновский В. П. Кибер-физические системы как основа цифровой экономики / В. П. Куприяновский, Д. Е. Намиот, С. А. Синягов // International Journal of Open Information Technologies. — 2016. — Т. 4. — № 2. — С. 18–25. — EDN VKCXLH.

3. Ozbayoglu A. M. Deep learning for financial applications: A survey / A. M. Ozbayoglu, M. U. Gudelek, O. B. Sezer // Applied Soft Computing. — 2020. — Vol. 93. — Pp. 106384. DOI: 10.1016/j.asoc.2020.106384.

4. Адлер Ю. П. Контрольные карты Шухарта в России и за рубежом. Часть 1 / Ю. П. Адлер, О. В. Максимова, В. Л. Шпер // Стандарты и качество. — 2011. — № 7. — С. 82–87. — EDN NXZTNV.

5. Åström K. J. Feedback Systems: An Introduction for Scientists and Engineers. / K. J. Åström, R. M. Murray. — Princeton: Princeton Univ. Press, 2008. — 408 p.

6. Журилова О. Е. Современные методы и задачи спектрального анализа сигналов: краткий обзор и сравнение / О. Е. Журилова, А. В. Башкиров, С. Ю. Белецкая [и др.] // Вестник Воронежского государственного технического университета. — 2019. — Т. 15. — № 2. — С. 128–131. DOI: 10.25987/VSTU.2019.15.2.016. — EDN HAUOVJ.

7. Hochreiter S. Long Short-Term Memory / S. Hochreiter, J. Schmidhuber // Neural Computation. — 1997. — Vol. 9. — Is. 8. — Pp. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735.

8. SHI X. Convolutional LSTM Network: A Machine Learning Approach for Precipitation Nowcasting / X. SHI, Z. Chen, H. Wang, D-Y. Yeung, W-.Wong, W-.WOO // Advances in Neural Information Processing Systems. — 28 — Curran Associates, Inc., 2015.

9. Zhang C. A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series Data / C. Zhang, D. Song, Y. Chen, X. Feng, C. Lumezanu, W. Cheng, J. Ni, B. Zong, H. Chen, N. V. Chawla // Proceedings of the AAAI Conference on Artificial Intelligence. — 2019. — Vol. 33. — Is. 01. — Pp. 1409–1416. DOI: 10.1609/aaai.v33i01.33011409.

10. Qingning L. Multi-Scale Anomaly Detection for Time Series with Attention-based Recurrent Autoencoders / L. Qingning, L. Wenzhong, Z. Chuanze [и др.] // Proceedings of Machine Learning Research — 189 — PMLR, 2023. — С. 674–689.

11. Jolliffe I. T. Principal component analysis: a review and recent developments / I. T. Jolliffe, J. . Cadima // Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences. — 2016. — Vol. 374. — Is. 2065. — Pp. 20150202. DOI: 10.1098/rsta.2015.0202.

12. Намиот Д. Е. Мониторинг сдвига данных в моделях машинного обучения / Д. Е. Намиот, Е. А. Ильюшин // International Journal of Open Information Technologies. — 2022. — Т. 10. — № 12. — С. 84–93. — EDN NDOMRK.

13. Марчук В. И. Анализ методов адаптации порогового значения при обнаружении аномальных измерений / В. И. Марчук, К. Е. Румянцев // Известия высших учебных заведений России. Радиоэлектроника. — 2006. — № 1. — С. 29–34. — EDN THUIIR.

14. Hundman K. Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding / K. Hundman, V. Constantinou, C. Laporte, I. Colwell, T. Soderstrom // KDD ‘18 — Association for Computing Machinery, 2018. — С. 387–395. DOI: 10.1145/3219819.3219845.

15. Lucas J. M. Exponentially Weighted Moving Average Control Schemes: Properties and Enhancements / J. M. Lucas, M. S. Saccucci // Technometrics. — 1990. — Vol. 32. — Is. 1. — Pp. 1–12. DOI: 10.1080/00401706.1990.10484583.

16. NIST/SEMATECH e-Handbook of Statistical Methods [Электронный ресурс]. — Режим доступа: https://www.itl.nist.gov/div898/handbook/ (дата обращения: 09.08.2025).

17. Wang F. A Survey of Deep Anomaly Detection in Multivariate Time Series: Taxonomy, Applications, and Directions / F. Wang, Y. Jiang, R. Zhang, A. Wei, J. Xie, X. Pang // Sensors. — 2025. — Vol. 25. — Is. 1. DOI: 10.3390/s25010190.