Метод виявлення аномальних послідовностей в діагностичних даних технологічного обладнання повітряного судна для попередження особливих випадків в польоті

DOI:10.31673/2412-4338.2020.023326

Анотація

Прогнозування особливих випадків в польоті є основним завданням параметричного діагностування технологічного обладнання повітряного судна. Для вирішення цього завдання бортові засоби автоматизованого контролю, діагностики та управління бортовим обладнанням, розвантаження та інформаційної підтримки екіпажу використовують математичні моделі, засновані на тренд-аналізі деяких реєстрованих параметрів з напрацювання. Разом із тим, існуючі діагностичні моделі, що базуються на відповідних математичних моделях, не завжди дозволяють прогнозувати виникнення відмов технологічного обладнання. Це підтверджує, що завдання прогнозування особливих випадків в польоті є актуальним. У роботі запропоновано метод прогнозування особливих випадків в польоті на основі виявлення аномальних послідовностей в діагностичних даних технологічного обладнання повітряного судна. Для виявлення зазначених аномальних послідовностей пропонується використовувати гібридну стохастичну модель, засновану на об'єднанні марковських і продукційних моделей, що використовують темпоральні правила для уточнення перехідних ймовірностей між станами процесу. За рахунок включення в модель уточнюючих продукційних правил підвищується достовірність опису випадкових процесів, які не являються марковськими. Також з'являється можливість інтеграції в модель апріорних експертних знань, що є дуже важливим для прогнозування особливих випадків в польоті. Застосування запропонованого методу дозволить впровадити прогностичний принцип управління безпекою польотів, а також отримати економічний ефект від запобігання простою повітряного судна через раптової відмови обладнання.

Ключові слова: безпека польотів, особливі випадки в польоті, параметрична діагностика, прогнозування, аномальна послідовність, часовий ряд, темпоральний патерн.

Список використаної літератури
1. Chandola, V. Anomaly detection: a survey / V. Chandola, Arindam Banerjee, Vipin Kumar // ACM Computing Surveys. – 2009. – P. 1–72.
2. Joshi, M.V. Predicting rare classes: can boosting make any weak learner strong? / M.V. Joshi, R.C. Agarwal, V. Kumar // Proceedings of the Eighth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining ACM. – New York, NY, USA, 2002. – P. 297–306.
3. Chawla, N.V. Editorial: special issue on learning from imbalanced data sets / N.V. Chawla, N. Japkowicz, A. Kotcz // SIGKDD Explorations 6 (1). – 2004. – P. 1–6.
4. Steinwart, I. A classification framework for anomaly detection / I. Steinwart, D. Hush, C. Scovel // Journal of Machine Learning Research 6. – 2005. – P. 211–232.
5. Tajbakhsh, A. Intrusion detection using fuzzy association rules / A. Tajbakhsh, Mohammad Rahmati, Abdolreza Mirzaei // Applied Soft Computing 9 (2). – 2009. – P. 462–469.
6. Xu, X. Adaptive network intrusion detection method based on PCA and support vector machines / X. Xu, X.N. Wang // ADMA 2005, Lecture Notes in Artificial Intelligence, LNAI 3584. – 2005. – P. 696– 703.
7. Jha, S. Markov chains, classifiers, and intrusion detection / S. Jha, K. Tan, R. Maxion // Proceedings of the Computer Security Foundations Workshop (CSFW). – 2001, June.
8. Specification based anomaly detection: a new approach for detecting network intrusions / R. Sekar, A. Gupta, J. Frullo, T. Shanbhag, A. Tiwari, H. Yang, S. Zhou // Proceedings of the 9th ACM Conference on Computer and Communications Security, ACM Press. – 2002. – P. 265–274.
9. Shah, H. Fuzzy clustering for intrusion detection / H. Shah, J. Undercoffer, A. Joshi // Proceedings of the 12th IEEE International Conference on Fuzzy Systems. – 2003. – P. 1274–1278.
10. Mahoney, M. Learning nonstationary models of normal network traffic for detecting novel attacks / M. Mahoney, P. Chan // Proceedings of 8th International Conference on Knowledge Discovery and Data Mining. – 2002. – P. 376–385.
11. Forrest, F. Using genetic algorithms to explore pattern recognition in the immune system / F. Forrest, В. Javornik, A.S. Perelson // Evol. – 1993. – Vol. 1. – № 3. – P. 191–211.
12. Self-nonself discrimination in a computer / Ф. Forrest 5, A.S. Perelson, L. Allen, R. Cherukuri // Proceedings of IEEE symposium on research in security and privacy. – Oakland, CA. – 16–18 May 1994. – P. 202–212.
13. Yeung, D.Y. Host-based intrusion detection using dynamic and static behavioral models / D.Y. Yeung, Y.X. Ding // Pattern Recognition 36. – 2003. – P. 229–243.
14. Гибридная стохастическая модель обнаружения особых типов паттернов в темпоральных данных / С.М. Ковалев, А.Н. Гуда, М.А. Бутакова // Вестник Ростовского государственного университета путей сообщения. – 2013. – №3(51). – С. 36-42.
15. Ma, J. Time-series novelty detection using one-class support vector machines / J. Ma, S. Perkins // Proceedings of the International Joint Conference on Neural Networks. – July 2003. – Vol. 3. – pp. 1741–1745.