ПОИСК АНОМАЛИЙ В СЕНСОРНЫХ ДАННЫХ НА ПРИМЕРЕ АНАЛИЗА ДВИЖЕНИЯ МОРСКОГО СУДНА

В статье рассмотрены алгоритмы поиска аномалий в сенсорных данных применительно к задаче анализа движения морских судов. Современное судно снабжено большим количеством датчиков, непрерывно записывающих показатели функционирования различных его подсистем. В случае, когда организован сбор и хранение такой информации, открываются возможности применения интеллектуальных систем анализа данных. Данные задачи относятся как к вопросам обеспечения безопасности движения (анализ и предупреждение опасных маневров), так и к проблемам повышения экономической эффективности (повышенное потребление топлива) для судовладельцев. Датчики, установленные на судне, могут генерировать числовые данные с частотой от десяти секунд для телеметрии до одной минуты для навигационных параметров. Учитывая такой большой объем информации, становится очевидной необходимость развития автоматических систем поддержки принятия решений. Прикладными областями подобных систем могут служить, например, задачи предупреждения опасных маневров, прогнозирования поломок, предотвращения столкновений, оптимизации потребления топлива. В статье рассмотрено применение алгоритмов обучения без учителя для анализа навигационных данных (координаты судна, его скорость, курс, глубина и пр.), а также пример прогнозирования потребления топлива на основе регрессионных моделей. Приведены описания различных математических подходов и демонстрация их применения на реальных данных. В заключении рассмотрены варианты дальнейшего развития и усложнения рассмотренных методов.

1. A.C. Пинский. Е-Навигация и безэкипажное судовождение // Транспорт РФ. Журнал о науке, практике, экономике. 2016. №4 (65). С. 50–54.

2. Brandsæter, G, Manno , E. Vanem, I. Glad. An application of sensorbased anomaly detection in the maritime industry // IEEE International Conference on Prognostics and Health Management, 2016. P. 1–8.

3. Y. Liu,W. Ding. A KNNS based anomaly detection method applied for UAV flight data stream // Prognostics and System Health Management Conference, Beijing, 2015. doi: 10.1109/PHM.2015.7380051.

4. K. D. Borne. Effective Outlier Detection using K-Nearest Neighbor Data Distributions: Unsupervised Exploratory Mining of Non-Stationarity in Data Streams. URL: https://pdfs.semanticscholar.org/f3eb/ 4573d3164345063351979c9409014ec33d4d.pdf

5. В.П. Шкодырев, К.И. Ягафаров, В.А. Баштовенко, Е.Э. Ильина. Обзор методов обнаружения аномалий в потоках данных // Proc. of the Second Conference on Software Engineering and Information Management, Санкт-Петербург, Россия, 2017. Vol. 1864.

6. Д.В. Заварзин. К вопросу поиска аномалий во временных рядах // Инновации в науке: сб. ст. по матер. XXIX междунар. науч.-практ. конф. № 1(26). – Новосибирск: СибАК, 2014. C. 59–64.

7. T. Klerx, M. Anderka, H. K. Büning, S. Priesterjahn, Model-Based Anomaly Detection for Discrete Event Systems // IEEE 26th International Conference on Tools with Artificial Intelligence, Limassol, 2014, pp. 665- 672. doi: 10.1109/ICTAI.2014.105

8. L. Simon, A.W. Rinehart. A Model-Based Anomaly Detection Approach for Analyzing Streaming Aircraft Engine Measurement Data. URL: ntrs.nasa.gov/archive/nasa/casi.ntrs.nasa.gov/20150000721.pdf.

9. T. Liu, K. M. Ting, Zhi-Hua Zhou. Isolation Forest. URL: https://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/icdm08b.pdf.

10. F. Harrou, F. Kadri, S. Chaabane, C. Tahon, Y. Sun. Improved principal component analysis for anomaly detection: Application to an emergency department // Computers & Industrial Engineering, 88, 2015. P. 63–77.