Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT
Моделі класу темпоральних автоматів надають зручну абстракцію для вирішення завдань діагностики та управління у системах промислового Інтернету речей (IIoT). Для їхнього застосування необхідно виконувати ідентифікаціюавтомата шляхом пасивного навчання онлайн, використовуючи лише позитивні зразки. Та...
Gespeichert in:
| Veröffentlicht in: | Проблемы управления и информатики |
|---|---|
| Datum: | 2021 |
| 1. Verfasser: | |
| Format: | Artikel |
| Sprache: | Russian |
| Veröffentlicht: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2021
|
| Schlagworte: | |
| Online Zugang: | https://nasplib.isofts.kiev.ua/handle/123456789/209003 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT / К.К. Кадомский // Проблемы управления и информатики. — 2021. — № 5. — С. 31–44. — Бібліогр.: 31 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-209003 |
|---|---|
| record_format |
dspace |
| spelling |
Кадомский, К.К. 2025-11-10T17:25:26Z 2021 Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT / К.К. Кадомский // Проблемы управления и информатики. — 2021. — № 5. — С. 31–44. — Бібліогр.: 31 назв. — рос. 0572-2691 https://nasplib.isofts.kiev.ua/handle/123456789/209003 004.852 : 004.896 10.34229/1028-0979-2021-5-3 Моделі класу темпоральних автоматів надають зручну абстракцію для вирішення завдань діагностики та управління у системах промислового Інтернету речей (IIoT). Для їхнього застосування необхідно виконувати ідентифікаціюавтомата шляхом пасивного навчання онлайн, використовуючи лише позитивні зразки. Такий тип навчання можливий лише для гібридних темпоральних автоматів (HTA) із алгоритмом OTALA. Однак для навчання HTA необхідна послідовність дискретних подій замість безперервних аналогових часових рядів, які зазвичай зустрічаються в IIoT. A. von Birgelen, O. Niggemann та інші робили спроби заповнити цю прогалину за рахунок попередньої обробки спостережень самоорганізаційними картами (SOM) із перетворенням вододілу, проте отримані моделі часто неефективні в реальних умовах. У даній статті завдання ідентифікації темпорального автомата за аналоговими даними IIoT вирішується із застосуванням інкрементного алгоритму кластеризації на основі моделей (IMCF). IMCF — це потоковий алгоритм, який обробляє вхідні часові ряди в режимі онлайн і перетворює їх на послідовність дискретних станів із чіткими або нечіткими переходами між ними. Такі переходи далі використовуються як події, необхідні для ідентифікації HTA за алгоритмом OTALA. Отримані моделі експериментально досліджено на прикладі системи IIoT, яка раніше представляла складність для моделювання. Досягнуте підвищення ефективності на 24,9–76,8 % демонструє, що дискретизація за допомогою IMCF більш інформативна для ідентифікації HTA. Також обговорюються ширші перспективи застосування HTA в системах IIoT і визначено обмеження, що залишаються актуальними для подібних практичних застосувань: дискретність переходів між станами HTA і відсутність довготривалої пам’яті переходів. In Industrial IoT (IIoT) systems, timed automata provide a highly useful abstraction for diagnosis and control tasks. Applying them requires automaton to be learned in passive online manner using positive samples only. Such kind of learning is supported by Hybrid timed Automata (HTA) and algorithm OTALA, but requireds a sequence of discrete events rather than continuous analog time series typically found in IIoT. Recent attempts to cover this gap, taken by A. von Birgelen, O. Niggemann, and others, involved pre-processing observations with a self-organized map (SOM) and watershed transform, yet resulting models have proven ineffective in some real-world systems. In this paper, incremental model-based clustering (IMCF) is employed to learn timed automaton from analog IIoT data. IMCF is a sequential algorithm that processes observed time-series online and splits them into a sequence of discrete states with either crisp or fuzzy transitions between them. Such transitions are then treated as events required for HTA identification with OTALA. Obtained models are evaluated in a case of IIoT system that has proved to be challenging for existing modelling techniques. Experimental results show 24,9–76,8% increase in model’s performance and suggest that discretizing obtained with IMCF has higher informativeness for HTA identification. Finally, wider perspectives of applying HTA in IIoT are discussed, and remaining principal limitations are identified as discrete nature of state transitions, and lack of long-term memory for transitions. Работа выполнена благодаря проекту IMPROVE, который финансировался программой исследований иинноваций Европейского Союза «Horizon 2020» и предоставил открытые данные для исследования новейших методов диагностики в CPPS. ru Інститут кібернетики ім. В.М. Глушкова НАН України Проблемы управления и информатики Адаптивное управление и методы идентификации Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT Застосування потокової кластеризації для ідентифікації гібридних темпоральних автоматів за аналоговими даними IIoT The application of stream clustering for the identification of hybrid temporal automata based on analog data from Industrial Internet of Things (IIoT). Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT |
| spellingShingle |
Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT Кадомский, К.К. Адаптивное управление и методы идентификации |
| title_short |
Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT |
| title_full |
Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT |
| title_fullStr |
Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT |
| title_full_unstemmed |
Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT |
| title_sort |
применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных iiot |
| author |
Кадомский, К.К. |
| author_facet |
Кадомский, К.К. |
| topic |
Адаптивное управление и методы идентификации |
| topic_facet |
Адаптивное управление и методы идентификации |
| publishDate |
2021 |
| language |
Russian |
| container_title |
Проблемы управления и информатики |
| publisher |
Інститут кібернетики ім. В.М. Глушкова НАН України |
| format |
Article |
| title_alt |
Застосування потокової кластеризації для ідентифікації гібридних темпоральних автоматів за аналоговими даними IIoT The application of stream clustering for the identification of hybrid temporal automata based on analog data from Industrial Internet of Things (IIoT). |
| description |
Моделі класу темпоральних автоматів надають зручну абстракцію для вирішення завдань діагностики та управління у системах промислового Інтернету речей (IIoT). Для їхнього застосування необхідно виконувати ідентифікаціюавтомата шляхом пасивного навчання онлайн, використовуючи лише позитивні зразки. Такий тип навчання можливий лише для гібридних темпоральних автоматів (HTA) із алгоритмом OTALA. Однак для навчання HTA необхідна послідовність дискретних подій замість безперервних аналогових часових рядів, які зазвичай зустрічаються в IIoT. A. von Birgelen, O. Niggemann та інші робили спроби заповнити цю прогалину за рахунок попередньої обробки спостережень самоорганізаційними картами (SOM) із перетворенням вододілу, проте отримані моделі часто неефективні в реальних умовах. У даній статті завдання ідентифікації темпорального автомата за аналоговими даними IIoT вирішується із застосуванням інкрементного алгоритму кластеризації на основі моделей (IMCF). IMCF — це потоковий алгоритм, який обробляє вхідні часові ряди в режимі онлайн і перетворює їх на послідовність дискретних станів із чіткими або нечіткими переходами між ними. Такі переходи далі використовуються як події, необхідні для ідентифікації HTA за алгоритмом OTALA. Отримані моделі експериментально досліджено на прикладі системи IIoT, яка раніше представляла складність для моделювання. Досягнуте підвищення ефективності на 24,9–76,8 % демонструє, що дискретизація за допомогою IMCF більш інформативна для ідентифікації HTA. Також обговорюються ширші перспективи застосування HTA в системах IIoT і визначено обмеження, що залишаються актуальними для подібних практичних застосувань: дискретність переходів між станами HTA і відсутність довготривалої пам’яті переходів.
In Industrial IoT (IIoT) systems, timed automata provide a highly useful abstraction for diagnosis and control tasks. Applying them requires automaton to be learned in passive online manner using positive samples only. Such kind of learning is supported by Hybrid timed Automata (HTA) and algorithm OTALA, but requireds a sequence of discrete events rather than continuous analog time series typically found in IIoT. Recent attempts to cover this gap, taken by A. von Birgelen, O. Niggemann, and others, involved pre-processing observations with a self-organized map (SOM) and watershed transform, yet resulting models have proven ineffective in some real-world systems. In this paper, incremental model-based clustering (IMCF) is employed to learn timed automaton from analog IIoT data. IMCF is a sequential algorithm that processes observed time-series online and splits them into a sequence of discrete states with either crisp or fuzzy transitions between them. Such transitions are then treated as events required for HTA identification with OTALA. Obtained models are evaluated in a case of IIoT system that has proved to be challenging for existing modelling techniques. Experimental results show 24,9–76,8% increase in model’s performance and suggest that discretizing obtained with IMCF has higher informativeness for HTA identification. Finally, wider perspectives of applying HTA in IIoT are discussed, and remaining principal limitations are identified as discrete nature of state transitions, and lack of long-term memory for transitions.
|
| issn |
0572-2691 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/209003 |
| citation_txt |
Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT / К.К. Кадомский // Проблемы управления и информатики. — 2021. — № 5. — С. 31–44. — Бібліогр.: 31 назв. — рос. |
| work_keys_str_mv |
AT kadomskiikk primeneniepotokovoiklasterizaciidlâidentifikaciigibridnyhtemporalʹnyhavtomatovnaanalogovyhdannyhiiot AT kadomskiikk zastosuvannâpotokovoíklasterizacíídlâídentifíkacíígíbridnihtemporalʹnihavtomatívzaanalogovimidanimiiiot AT kadomskiikk theapplicationofstreamclusteringfortheidentificationofhybridtemporalautomatabasedonanalogdatafromindustrialinternetofthingsiiot |
| first_indexed |
2025-11-29T02:18:23Z |
| last_indexed |
2025-11-29T02:18:23Z |
| _version_ |
1850885928342519808 |