Застосування потокової кластеризації для ідентифікації гібридних темпоральних автоматів за аналоговими даними IIoT

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. Так...

Full description

Saved in:

Bibliographic Details
Date:	2021
Main Author:	Kadomskіy , Kirill
Format:	Article
Language:	Russian
Published:	V.M. Glushkov Institute of Cybernetics of NAS of Ukraine 2021
Subjects:	промисловий інтернет речей кіберфізичні виробничі системи виявлення аномалій гібридний темпоральний автомат ідентифікація систем потокова кластеризація
Online Access:	https://jais.net.ua/index.php/files/article/view/180
Tags:	Add Tag No Tags, Be the first to tag this record!
Journal Title:	Problems of Control and Informatics

Institution

Problems of Control and Informatics

id	oai:ojs2.jais.net.ua:article-180
record_format	ojs
institution	Problems of Control and Informatics
baseUrl_str
datestamp_date	2024-03-14T10:54:41Z
collection	OJS
language	Russian
topic	промисловий інтернет речей кіберфізичні виробничі системи виявлення аномалій гібридний темпоральний автомат ідентифікація систем потокова кластеризація
spellingShingle	промисловий інтернет речей кіберфізичні виробничі системи виявлення аномалій гібридний темпоральний автомат ідентифікація систем потокова кластеризація Kadomskіy , Kirill Застосування потокової кластеризації для ідентифікації гібридних темпоральних автоматів за аналоговими даними IIoT
topic_facet	промышленный интернет вещей киберфизические производственные системы выявление аномалий гибридный темпоральный автомат идентификация систем потоковая кластеризация промисловий інтернет речей кіберфізичні виробничі системи виявлення аномалій гібридний темпоральний автомат ідентифікація систем потокова кластеризація industrial IoT (IIoT) cyber-physical production systems (CPPS) anomaly detection hybrid timed automata (HTA) model identification sequential clustering
format	Article
author	Kadomskіy , Kirill
author_facet	Kadomskіy , Kirill
author_sort	Kadomskіy , Kirill
title	Застосування потокової кластеризації для ідентифікації гібридних темпоральних автоматів за аналоговими даними IIoT
title_short	Застосування потокової кластеризації для ідентифікації гібридних темпоральних автоматів за аналоговими даними IIoT
title_full	Застосування потокової кластеризації для ідентифікації гібридних темпоральних автоматів за аналоговими даними IIoT
title_fullStr	Застосування потокової кластеризації для ідентифікації гібридних темпоральних автоматів за аналоговими даними IIoT
title_full_unstemmed	Застосування потокової кластеризації для ідентифікації гібридних темпоральних автоматів за аналоговими даними IIoT
title_sort	застосування потокової кластеризації для ідентифікації гібридних темпоральних автоматів за аналоговими даними iiot
title_alt	Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT Using sequential clustering to identification of hybrid timed automata from analog IIoT data
description	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.
publisher	V.M. Glushkov Institute of Cybernetics of NAS of Ukraine
publishDate	2021
url	https://jais.net.ua/index.php/files/article/view/180
work_keys_str_mv	AT kadomskíykirill primeneniepotokovojklasterizaciidlâidentifikaciigibridnyhtemporalʹnyhavtomatovnaanalogovyhdannyhiiot AT kadomskíykirill zastosuvannâpotokovoíklasterizacíídlâídentifíkacíígíbridnihtemporalʹnihavtomatívzaanalogovimidanimiiiot AT kadomskíykirill usingsequentialclusteringtoidentificationofhybridtimedautomatafromanalogiiotdata
first_indexed	2025-10-30T02:48:45Z
last_indexed	2025-10-30T02:48:45Z
_version_	1847373359258533888
spelling	oai:ojs2.jais.net.ua:article-1802024-03-14T10:54:41Z Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT Застосування потокової кластеризації для ідентифікації гібридних темпоральних автоматів за аналоговими даними IIoT Using sequential clustering to identification of hybrid timed automata from analog IIoT data Kadomskіy , Kirill промышленный интернет вещей киберфизические производственные системы выявление аномалий гибридный темпоральный автомат идентификация систем потоковая кластеризация промисловий інтернет речей кіберфізичні виробничі системи виявлення аномалій гібридний темпоральний автомат ідентифікація систем потокова кластеризація industrial IoT (IIoT) cyber-physical production systems (CPPS) anomaly detection hybrid timed automata (HTA) model identification sequential clustering 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. 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. V.M. Glushkov Institute of Cybernetics of NAS of Ukraine 2021-05-24 Article Article application/pdf https://jais.net.ua/index.php/files/article/view/180 10.34229/1028-0979-2021-5-3 Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; Том 66 № 5 (2021): Міжнародний науково-технічний журнал "Проблеми керування та інформатики"; 31-44 International Scientific Technical Journal "Problems of Control and Informatics; Том 66 № 5 (2021): International Scientific and Technical Journal "PROBLEMS OF CONTROL AND INFORMATICS"; 31-44 International Scientific Technical Journal "Problems of Control and Informatics"; Vol. 66 No. 5 (2021): International Scientific and Technical Journal "PROBLEMS OF CONTROL AND INFORMATICS"; 31-44 2786-6505 2786-6491 10.34229/1028-0979-2021-5 ru https://jais.net.ua/index.php/files/article/view/180/270 Copyright (c) 2021 Kirill Kadomskіy https://creativecommons.org/licenses/by-nc-nd/4.0

Застосування потокової кластеризації для ідентифікації гібридних темпоральних автоматів за аналоговими даними IIoT

Institution

Similar Items