Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT

Abstract

Модели класса темпоральных автоматов предоставляют удобную абстракцию для решения задач диагностики и управления в системах промышленного Интернет вещей (IIoT). Для их применения необходимо выполнять идентификацию автомата путем пассивного обучения онлайн, используя только положительные образцы. Такой тип обучения возможен только для гибридных автоматов (HTA) с алгоритмом OTALA. Однако для обучения HTA необходима последовательность дискретных событий вместо непрерывных аналоговых временных рядов, обычно встречающихся в IIoT. A. von Birgelen, O. Niggemann и другие предпринимали попытки восполнить эту пробел за счет предварительной обработки наблюдений самоорганизационными картами (SOM) с преобразованием водораздела, однако полученные модели часто неэффективны в реальных условиях. В данной статье задача идентификации темпорального автомата по аналоговым данным IIoT решается с применением инкрементного алгоритма кластеризации на основе моделей (IMCF). IMCF - это потоковый алгоритм, который обрабатывает входные временные ряды в режиме онлайн и превращает их в последовательность дискретных состояний с четкими или нечеткими переходами между ними. Такие переходы далее используются как события, необходимые для идентификации HTA по алгоритму OTALA. Полученные модели экспериментально исследованы на примере системы IIoT, ранее представлявшей сложность для моделирования. Достигнутое повышение эффективности на 24,9–76,8 % демонстрирует, что дискретизация с помощью IMCF более информативна для идентификации HTA. Также обсуждаются более широкие перспективы применения HTA в системах IIoT и определены ограничения, остающиеся актуальными для подобных практических применений: дискретность переходов между состояниями HTA и отсутствие долговременной памяти переходов.