Модели и методы обработки данных в сети интернета вещей для предиктивного обслуживания распределенной автоматизированной системы мониторинга окружающей среды тема диссертации и автореферата по ВАК РФ 05.13.15, кандидат наук Миленин Евгений Игоревич

• Миленин Евгений Игоревич
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Миленин Евгений Игоревич

Оглавление

Реферат

Synopsis

Введение

1. Анализ построения сетей интернета вещей

1.1. Анализ технологий построения сетей интернета вещей

1.2. Классификация архитектуры сети интернета вещей

1.2.1. Сенсоры и сенсорные сети

1.2.2. Шлюзы и сеть

1.2.3. Уровень управления

1.2.3. Уровень приложений

1.3. Сравнение протоколов взаимодействия в сенсорной сети интернета вещей

1.4. Выбор способов взаимодействия в архитектуре сети интернета вещей

1.5. Выводы по главе

2. Анализ проблемы обработки информации для диагностирования сети интернета вещей

2.1. Анализ типовых структур систем обработки диагностической информации в сети интернета вещей на сенсорном уровне

2.2. Анализ диагностических моделей для обработки технологических временных рядов

2.3. Анализ алгоритмов и методов поддержки принятия решений для диагностирования участка инженерной сети

2.3.1. Продукционные модели

2.3.2. Семантические сети

2.3.3. Фреймы

2.3.4. Формальные логические модели

2.3.5. Нейлоровский подход

2.4. Выбор и обоснование методологии для анализа технологических временных рядов

2.5. Выводы по главе

3. Реализация диагностической модели распознавания неполадок, возникающих на участке сети интернета вещей распределенной автоматизированной системы мониторинга

3.1. Разработка структуры интеллектуальной системы технического диагностирования и обработки информации

3.2. Разработка функциональной и логической модели системы технического диагностирования и обработки информации

3.3. Разработка алгоритма распознавания неполадок на основе анализа технологических временных рядов

3.4. Разработка способа выделения информативных данных в модели системы технического диагностирования

3.5. Выводы по главе

4. Интеграция нейронной сети - анализатора данных реального времени в составе системы обработки информации

4.1. Нейросетевые технологии в LSTM сетях для анализа данных в режиме реального времени

4.2. Анализ состояния сети интернета вещей с использованием нейросетевых моделей

4.3. Архитектура анализатора состояния участка сети

4.4. Разработка нейронной сети для обнаружения неполадок на участке сети

126

4.5. Выводы по главе

Заключение

Список сокращений и условных обозначений

Список литературы

Тексты публикаций

Введение диссертации (часть автореферата) на тему «Модели и методы обработки данных в сети интернета вещей для предиктивного обслуживания распределенной автоматизированной системы мониторинга окружающей среды»

Реферат

Общая характеристика диссертации

Актуальность темы. В настоящее время все больше внимания уделяется экологическому состоянию окружающей среды. В частности, неотъемлемой частью и важным условием сохранения экологии является чистота гидрографической сети. Чтобы обеспечить должный уровень защиты водных массивов от загрязнений, важно своевременно отслеживать возможные сбросы и нарушения со стороны промышленных предприятий и антропогенных факторов в целом. С целью отслеживать состояние гидрографической сети, может быть использовано устройство, которое позволяет собирать ряд метрик в онлайн-режиме, комплексно отображающих чистоту и сохранность водного массива. Очевидно, что одного устройства мало, чтобы отследить состояние даже одной реки, не говоря уже о всей гидрографической сети нашей планеты. Количество устройств, необходимых для должного мониторинга, объединенных в общую распределенную сеть, может исчисляться десятками, сотнями тысяч и даже миллионами. Важно учесть те факторы, что каждое устройство должно работать в автономном режиме, в условиях низкой доступности сетей, и в тоже время собирать целый ряд различных метрик, каждая из которых отвечает за свои показатели.

Для обработки массива разнородных данных с такой GRID-системы, важно учитывать все нюансы и особенности при проектировании и развертывании обслуживающего дата-центра таким образом, чтобы развернутая система мониторинга работало круглосуточно и бесперебойно. Благодаря стремительному развитию информационных технологий, возможностей для отслеживания состояния системы, обеспечивающей защиту окружающей среды, становится все больше. Коммуникационные способности интернета вещей позволяют в режиме реального времени собирать метрические данные с устройств, работающих в условиях низкой доступности.

Чтобы обеспечить надежную работу всего инфокоммуникационного комплекса в целом, важно заблаговременно определять вероятность возникновения возможных неисправностей как в сети, так и в самих измерительных устройствах. Современные методы обработки информации, основанные на алгоритмах машинного обучения и искусственного интеллекта формируют возможность осуществлять предиктивное обслуживание задействованных устройства, что является важной составляющей в надежной и отказоустойчивой работе системы мониторинга окружающей среды. Предиктивное обслуживание позволяет заблаговременно оценить вероятность неблагоприятного стечения обстоятельств, сказывающихся на корректной работе технических средств, базируясь на прежде накопленных данных о их корректной и стабильной работе. Интеграция таких алгоритмов и методов обработки данных в сети, работающей на MQTT-протоколе, либо ему подобных, в серверные и облачные системы, является важной и актуальной с научной точки зрения задачей. Чтобы обеспечить достойный уровень отказоустойчивости и надежности распределенной сети измерительных устройств, важно корректно смоделировать их работу, определить перечень периферийных устройств, сформировать представление об архитектуре такой сети, учесть взаимодействие на всех уровнях от преобразования аналогового сигнала в цифровой на самом измерительном устройстве, до кластера распределения нагрузки распределенной системы мониторинга и модуля хранения, обработки и классификации полученных данных для их дальнейшей интерпретации.

Целью диссертационной работы является повышение эффективности моделей и методов обработки данных в сетях интернета вещей для предиктивного обслуживания в распределенной автоматизированной системе мониторинга окружающей среды.

Для достижения данной цели в рамках диссертации были поставлены и решены следующие задачи:

1. Обосновать основные принципы повышения эффективности методов обработки данных, используемых в сетях интернета вещей.

2. Разработать метод распознавания неполадок в сети интернета вещей автоматизированной системы мониторинга на основе анализа технологических временных рядов.

3. Разработать диагностическую модель распознавания возникающих неполадок для предиктивного обслуживания в сети интернета вещей автоматизированной системы мониторинга.

4. Разработать программный комплекс в виде модуля интеллектуальной системы обработки диагностической информации.

5. Разработать интеллектуальную нейронную сеть на базе разработанной модели для предиктивного контроля и обнаружения неполадок на участках смоделированной сети.

6. Оценить эффективность модели на основании смоделированных данных.

Методы исследования. В проведенных исследованиях применялись теоретический и расчётно-аналитический методы. Методологической базой диссертационной работы являются работы Букреева В.Г., Колесникова С.И., Янковской А.Е.; Рыбалко В.В., Вычужанина В.В., Шибаева Н.О. Байхельт, Ф. и др. В расчетно-аналитических методах исследования применяется математический аппарат в области линейной алгебры, теории вероятности и статистики, многомерного анализа и вычислений. Экспериментальные исследования проводились на действующих стендах ООО «ОРБЛ РУС», что подтверждается актом о внедрении и использовании результатов научной и инновационной деятельности.

Основные положения, выносимые на защиту:

1. Модель и организация процесса взаимодействия функциональных модулей периферийного оборудования измерительных устройств

автоматизированной системы мониторинга окружающей среды, отличающиеся возможностью блокировать запросы агентов при возникновении коллизий, дублировании периферийных устройств, осуществляющая контроль и диагностирование состояний измерительных устройств и их периферийного оборудования при управлении повторными передачами при их неготовности и отказах.

2. Метод детектирования аномалий в многомерных временных рядах на основании правдоподобия распределения ошибки, характеризующийся возможностью распознавания неполадок на основе анализа технологических рядов с использованием модели LSTM модификации рекуррентной нейронной сети.

3. Модель обучения нейронной сети, позволяющая прогнозировать в реальном времени вероятность возникновения неполадок на сенсорном участке инженерной сети, учитывая колебания данных на временном ряду и своевременно сигнализируя о спрогнозированных аномалиях.

Научная новизна диссертации отражена в следующих пунктах:

1. Предложена архитектура интеллектуальной системы технического диагностирования и обработки информации для предиктивного обслуживания распределенной системы мониторинга окружающей среды c особенностью, заключающейся в обработке массива схожих специфических паттернов диагностических данных, определяющих состояние периферийного оборудования измерительных устройств.

2. Предложена модель и организация процесса взаимодействия функциональных модулей периферийного оборудования измерительных устройств автоматизированной системы мониторинга окружающей среды, отличающаяся возможностью блокировать запросы агентов при возникновении коллизий, при дублировании периферийных устройств, осуществляя контроль и диагностирование состояний измерительных устройств и их периферийного

оборудования для управления повторными передачами при их неготовности и отказах.

3. Предложен метод детектирования аномалий в многомерных временных рядах на основании правдоподобия распределения ошибки, отличающийся распознаванием неполадок на основе анализа технологических рядов с использованием модели LSTM модификации рекуррентной нейронной сети.

4. Проведен анализ и определена модель обучения нейронной сети, отличающаяся возможностью прогнозировать в реальном времени вероятности возникновения неполадок на сенсорном участке инженерной сети с учетом колебаний данных на временном ряду при своевременной сигнализации о спрогнозированных аномалиях, обнаруженных в процессе обработки данных.

Научно-техническая задача, решаемая в диссертации, заключается в создании модели и метода для корректных расчетов в предиктивном обслуживании проектируемой распределенной системы мониторинга окружающей среды.

Объектом исследования является система обработки данных в сети интернета вещей для предиктивного обслуживания в распределенной автоматизированной системе мониторинга окружающей среды.

Предметом исследования являются методы обработки информации для диагностирования участков сети интернета вещей в распределенной автоматизированной системе мониторинга по методологии интеллектуального анализа данных в технологических временных рядах.

Теоретическая значимость результатов диссертационной" работы состоит в перспективности использования проведенного сравнения технологий построения сетей интернета вещей, архитектур и протоколов взаимодействия, а также проведенного анализа типовых структур систем обработки диагностической

информации, диагностических моделей и алгоритмов, и методов поддержки принятия решений для диагностирования инженерных сетей.

Практическая значимость результатов диссертационной" работы состоит в

1. Разработанной функциональной и логической модели системы технического диагностирования и обработки информации.

2. Разработанном алгоритме распознавания неполадок на основе анализа технологических временных рядов.

3. Реализованной диагностической модели распознавания неполадок, возникающих на исследуемом участке сети.

4. Спроектированной и интегрированной нейронной сети на базе искусственного интеллекта для своевременного обнаружения возможных неполадок на исследуемом участке сети.

Определение новых терминов и понятий

Интернет вещей - концепция сети передачи данных между физическими объектами, оснащёнными встроенными средствами и технологиями для взаимодействия друг с другом или с внешней средой.

Предиктивное обслуживание - метод предотвращения незапланированных остановок, в основе которого лежит машинная обработка данных, полученных с оборудования.

Достоверность полученных результатов обеспечивается комплексом теоретических и расчётно-аналитических исследований, которые базируются на общих принципах фундаментальной науки и научных основах прогрессивной техники и технологии. Экспериментальные исследования проводились на действующих стендах ООО «ОРБЛ РУС».

Внедрение результатов работы. Проведенный анализ и описанные методы применяются при разработке программного комплекса на стендах ООО «ОРБЛ

РУС». Результаты исследований включены в НИР № 620164 «Методы искусственного интеллекта для киберфизических систем», а также использованы при проведении лекционных и практических занятий для магистрантов факультета Программной инженерии и компьютерной техники.

Апробация результатов работы. Основные положения диссертационной работы докладывались, обсуждались и были одобрены на международных научно-практических конференциях:

- XVI Санкт-Петербургская международная конференция «Региональная информатика» 2018 г.;

- IV Всероссийская научно-практическая конференция «Информационные системы и технологии в моделировании и управлении» 2019 г.

- IV Санкт-Петербургская международная конференция кластеров «Кластеры открывают границы. Время лидеров» 2019 г.

- Международная научно-практическая конференция CXLVII «Молодой исследователь: вызовы и перспективы» 2019 г.

- IV All-Russian scientific and practical conference with international participation "Information Systems and Technologies in Modeling and Control" 2019 г.

- 11th Majorov International Conference on Software Engineering and Computer Systems 2019 г.

- V International scientific and practical conference with international participation "Information Systems and Technologies in Modeling and Control" 2020 г.

- 12th The Majorov International Conference on Software Engineering and Computer Systems 2020 г.

- International Conference on Industrial Engineering, Applications and Manufacturing 2020 г.

Личный вклад автора.

В диссертации представлены результаты исследования, полученные автором самостоятельно. В публикациях всех статей с участием соавтором, процент участия распределен между всеми соавторами в равных пропорциях.

Автору исследования принадлежит:

- постановка задачи исследования;

- анализ литературных источников;

- разработка методик и проведение экспериментальных исследований;

- обработка полученных результатов и их обобщение;

- выработка практических рекомендаций.

Структура и объем диссертации.

Диссертация состоит из введения, четырех глав, заключения и списка использованной литературы. Работа изложена на 106 страницах машинописного текста, содержит 2 таблицы, 33 рисунка и список литературы, включающий 80 наименований.

Основное содержание работы

Введение. Во введении обоснована актуальность диссертационной работы, определены объект, предмет, цель и методы исследования, Отражены достоверность и обоснованность работы, научная новизна, практическая значимость и список конференций, на которых обсуждались и были одобрены основные положения диссертационной работы.

Заключение диссертации по теме «Вычислительные машины и системы», Миленин Евгений Игоревич

Заключение

В диссертационном исследовании предложены методы, модели и инструментальные средства обработки данных в сети интернета вещей для предиктивного обслуживания распределенной системы мониторинга окружающей среды, поддерживающих высокую точность прогнозирования потенциального выхода из строя периферийного оборудования, обеспечивая надежность и отказоустойчивость с использованием технологий прогнозирования, в том числе с применением рекуррентных нейронных сетей.

При этом:

1. Проведено исследование, позволяющее в достаточной мере обосновать основные принципы повышения надежности алгоритмов обработки данных для предиктивного обслуживания в сетях интернета вещей.

2. Сформированы рекомендации по организации архитектурной составляющей сети распределенных измерительных устройств в автоматизированной системе мониторинга окружающей среды.

3. Обосновано применение метода детектирования аномалий в многомерных временных рядах на основе правдоподобия распределения ошибки.

4. Предложена архитектура интеллектуальной системы технического диагностирования с особенностью, заключающейся в обработке массива схожих специфических паттернов диагностических данных, определяющих состояние периферийного оборудования измерительных устройств.

5. Предложена модель и организация процесса взаимодействия функциональных модулей периферийного оборудования измерительных устройств автоматизированной системы мониторинга окружающей среды.

6. Предложен метод детектирования аномалий в многомерных временных рядах на основании правдоподобия распределения ошибки с использованием модели LSTM модификации рекуррентной нейронной сети.

7. Определена модель обучения нейронной сети, отличающаяся возможностью прогнозировать в реальном времени вероятности возникновения неполадок на сенсорном участке инженерной сети с учетом колебаний данных на временном ряду при своевременной сигнализации о спрогнозированных аномалиях, обнаруженных в процессе обработки данных.

8. Определено, что рассмотренные решения с применением нейросетевых технологий для анализа данных в технологических временных рядах позволяют повысить эффективность прогнозирования возможных неполадок в предиктивном обслуживании распределенной автоматизированной системы мониторинга окружающей среды.

9. Определено, что предложенный метод повышения надежности функционирования сенсорной сети распределенной системы мониторинга окружающей среды позволяет добиться точного прогнозирования возможного состояния измерительных устройств.

10.0босновано, что разработанная диагностическая модель и алгоритм распознавания неполадок в сети интернета вещей автоматизированной системы мониторинга на основе анализа технологических временных рядов позволяют разработать средства для интеллектуальной системы обработки диагностической информации с последующей оценкой эффективности предлагаемого решения на основании накопленных данных.

11.Определено, что разработанная нейронная сеть на базе

LSTM модели для предиктивного контроля и обнаружения неполадок на участке инженерной сети позволяет обеспечить высокую эффективность обнаружения аномалий во временном ряде, тем самым повышая надежность функционирования всей системы в целом.

Список литературы диссертационного исследования кандидат наук Миленин Евгений Игоревич, 2021 год

Список литературы

1. Храмцов, П. Всеобъемлющий Интернет: прогнозы и реальность [текст] / П. Храмцов // Открытые системы. СУБД. - 2013. - No4. - С. 19-22.

2. Чеклецов, В.В. Чувство планеты (Интернет Вещей и следующая технологическая революция) [текст] / В.В. Чеклецов. - М.: Российский исследовательский центр по Интернету Вещей, 2013. - 132 с.

3. Черняк, Л. Интернет вещей: новые вызовы и новые технологии [текст] / Л. Черняк // Открытые системы. СУБД. - 2013. - No4. - С. 14-18.

4. Черняк, Л. От первых радиометок до Интернета вещей [текст] / Л.Черняк // Открытые системы. СУБД. - 2005. - No07-08. - С. 92-94.

5. Черняк, Л. Платформа Интернета вещей [текст] / Л. Черняк // Открытые системы. СУБД. - 2012. - No7. - С. 44-45. ETSI TS 102 690 «Machine-to-Machine communications (M2M); Functional architecture» [электронный ресурс], V1.1.1. -2011. - 280 р.

6. ETSI TS 102 921 «Machine-to-machine communications (M2M); mIa, dIa and mId interfaces» V1.1.1 [электронный ресурс]. - 2012. - 538 р.

7. Internet of Things Russia [электронный ресурс]. - Режим доступа: http://internetofthings.ru

8. ISO/IEC 18092:2004. Information technology - Telecommunications and information exchange between systems - Near Field Communication - Interface and Protocol (NFCIP-1) [электронный ресурс].

9. ITU-T Rec. Y.2060 (06/2012): Overview of the Internet of things [электронный ресурс]. Вишневский, В. Mesh-сети стандарта IEEE 802.11s - технологи и реализация [текст] / В. Вишневский, Д. Лаконцев, А. Сафонов, С. Шпилев // Первая миля. - 2008. - No2-3. - С. 26- 31.

10. Восков, Л.С. Web вещей - новый этап развития интернета вещей [текст] / Л.С. Восков , Н.А. Пилипенко // Качество. Инновации. Образование. -2013. - No 2. - С. 44-49. Гайкович, Г.Ф. Стандартизация в области промышленных сетей. Развитие беспроводных стандартов для АСУ ТП [текст] / Г.Ф. Гайкович // Электронные компоненты. - 2009. - No1. - С. 48-53. Barry Haughian, "De-sign, Launch, and Scale IoT Services" // Apress - 2018, pp. 194-220

11. Perry Lea, "Internet of Things for Architects" // Packt Publishing - 2018, pp. 410-422

12. Dominique D. Guinard, Vlad M. Trifa, "Using the Web to Build the IoT" // Manning - 2016, pp. 144-161

13. Anand Tamboli, "Build Your Own IoT Platform" // Apress - 2019, pp. 65-84

14. Gaston C. Hillar, "Hands-On MQTT Programming with Python" // Packt Publishing - 2018, pp. 92-113

15. Jeff Mesnil. Mobile and Web Messaging. O'Reilly Media, Inc., 2014 ISBN 978-1-4919-4480-6 — II. MQTT, pp 43-47

16. Bryan Boyd et al. Building Real-time Mobile Solutions with MQTT and IBM MessageSight. IBM Redbooks, 2014, p.38

17. Gerard Blokdyk, "MQTT: A Concise and Practical Tutorial" // Paperback -November 5, 2017, pp. 25-32

18. Ousmane Sadio, Ibrahima Ngom, Claude Lishou "Lightweight Security Scheme for MQTT/MQTT-SN Protocol" //

19. Sadio, O., Ngom, I. and Lishou, C., 2019. Lightweight Security Scheme For MQTT/MQTT-SN Protocol - IEEE Conference Publication. [online] Ieeex-plore.ieee.org. Available at: <https://ieeexplore.ieee.org/document/8939177> [Ac-cessed 29 March 2021].

20. Tantitharanukul, N., 2017. MQTT-Topics Management System For Sharing Of Open Data - IEEE Conference Publication. [online] Ieeexplore.ieee.org. Available at: <https://ieeexplore.ieee.org/document/7904935>.

21. Su, W., Chen, W. and Chen, C., 2019. An Extensible And Transparent Thing-To-Thing Security Enhancement For MQTT Protocol In Iot Environment - IEEE Conference Publication. [online] Ieeexplore.ieee.org. Available at: <https://ieeexplore.ieee.org/document/8766412>.

22. Alqinsi, P., Matheus Edward, I., Ismail, N. and Darmalaksana, W., 2018. IoT-Based UPS Monitoring System Using MQTT Protocols - IEEE Conference Publication. [online] Ieeexplore.ieee.org. Available at: <https://ieeexplore.ieee.org/document/8527815>.

23. Sameer Sadeq, A., Hassan, R., Al-rawi, S. and Jubair, A., 2020. A Qos Approach For Internet Of Things (Iot) Environment Using Mqtt Protocol - IEEE Conference Publication. [online] Ieeexplore.ieee.org. Available at: <https://ieeexplore.ieee.org/document/8971097>.

24. Juud J. Principles of SAN Design // San Jose: Brocade Bookshelf - 2008. 589p.

25. Clark T. The New Data Center. New technologies are radically reshaping the data center. // Brocade Bookshelf. San Jose - 2010. 156 p.

26. Giancarlo Zaccone, "Python Parallel Programming Cookbook" // Packt Publishing - 2015, pp. 211-219

27. Mike Ryan, Federico Lucifredi, "AWS System Administration" // O'Reilly Media - 2018, pp. 305-317

28. Rahul Sharma, "NGINX High Performance" // Packt Publishing - 2015, pp. 110-116

29. Jeffrey Taylor O "VMware Virtual SAN Cookbook" // Packt Publishing - 2015, pp. 23-28

30. Krauss, Kirk J (2018). "Thread Safety for Performance". Develop for Perfor-mance.

31. Hennessy, John L.; Patterson, David A.; Larus, James R. (1999). Computer organization and design: the hardware/software interface (2. ed., 3rd print. ed.). San Francisco: Kaufmann. ISBN 978-1-55860-428-5.

32. Thomas Rauber; Gudula Rünger (2013). Parallel Programming: for Multicore and Cluster Systems. Springer Science & Business Media. p. 2. ISBN 9783642378010.

33. Singh, David Culler; J.P. (1997). Parallel computer architecture ([Nachdr.] ed.). San Francisco: Morgan Kaufmann Publ. p. 15. ISBN 978-1-55860-343-1.

34. Paul Osman, "Microservices Development Cookbook" // Packt Publishing -2018, pp. 115-127 1. Wang J., Zhang W., Shi Y., Duan S., Liu J. Industrial Big Da-ta Analytics: Challenges, Methodologies, and Applications. 2018 : [Электронный ресурс] Режим доступа : https://arxiv.org/ftp/arxiv/papers/1807/1807.01016.pdf.

35. Bi Z.M., Cochran D.S. Big data analytics with applications // Journal of Management Analytics. 2014. Vol. 1, No. 4. P. 249-265.

36. Chidambaram V., Evans H., Etheredge K. Big Data: Is the Energy Industry Starting to See Real Applications? // Supply Chain Management Review. 2015. No. 12. P. 62-64.

37. Silipo R., Winters P. Big Data, Smart Energy, and Predictive Analytics Time Series Prediction of Smart Energy Data. 2013. 2009. [Электронный ресурс]. - Режим доступа:

https://files.knime.com/sites/default/files/inlineimages/knime_bigdata_energy_timeserie s_whitepaper.pdf.

38. Шевцов Ю.Д., Дудник Л.Н., Арефьева С.А., Фадеев Е.Д. Прогнозирование параметров технического состояния двигателей" энергетических установок // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2017. No 132. С. 508-517.

39. Shin S.J., Meilanitasari P. Developing a big data analytics platform for manufacturing systems: architecture, method, and implementation // International Journal of Advanced Manufacturing Technology. 2018. P. 1-42.

40. Peres R.S., Rocha A.D., Leitao P., Barata J. IDARTS - Towards Intelligent Data Analysis and Real-Time Supervision for Industry 4.0 // Computers in Industry. 2018. P. 1-12.

41. Wang J., Ma Y., Zhang L., Gao R.X., Wu D. Deep learning for smart manufacturing: Methods and applications // Journal of Manufacturing Systems. 2018. Vol. 48. P. 144-156.

42. Park J.K., Kwon B.K., Park J.H., Kang D.J. Machine learning-based imaging system for surface defect inspection. International Journal of Precision Engineering and Manufacturing-Green Technologies. 2016. Vol. 3. No. 3. P. 303-310.

43. Zhao R., Yan R., Chen Z., Chen Z., Mao K., Wang P., et al. Deep learning and its applications to machine health monitoring: a survey. 2016 : [Электронный ресурс] Режим доступа : https://arxiv. org/pdf/1612.07640.pdf.

44. Букреев В.Г., Колесникова С.И., Янковская А.Е. Выявление закономерностей" во временных рядах в задачах распознавания состояний динамических объектов: монография. - Томск: Изд-во Томского политехнического университета. 2010. - 254 с.

45. Рыбалко В.В. Математические модели контроля надёжности объектов энергетики. Монография. - ГОУВПО СПбГТУРП. СПб., 2010. - 151 с.

46. Вычужанин В.В., Шибаева Н.О. Информатизация прогнозирования риска структурно сложных технических систем с помощью моделей байесовских сетей доверия // Информатика и математические методы в моделировании. 2016. Том. 6. No. 3. С. 205-214.

47. Goldberg D.E. Genetic algorithms in search, optimization, and machine learning. - Reading, MA: Addison-Wesley, 1989. 372 p.

48. Цуриков Г.Н., Щербатов И.А. Применение промышленного интернета вещей на объектах энергетики // Мехатроника, автоматика и робототехника. 2018. No 2. С. 97-100.

49. Андрейчиков, А.В. Интеллектуальные информационные системы / А.В. Андрейчиков, О.Н. Андрейчикова. - М. : Финансы и статистика, 2006. - 424 c.

50. Аралбаев, Т.З. Построение адаптивных систем мониторинга и диагностирования сложных промышленных объектов на основе принципов самоорганизации / Т.З. Аралбаев. - Уфа : Гилем, 2003. - 238 с.

51. Байхельт, Ф. Надежность и техническое обслуживание. Математический подход : пер с нем. / Ф. Байхельт, П. Франкен. - М. : Радио и связь, 1988. - 92 с.

52. Pankaj Malhotra, Anusha Ramakrishnan, Gaurangi Anand, Lovekesh Vig, Pu-neet Agarwal, and Gautam Shroff. Lstm-based encoder-decoder for multi-sensor anomaly detection. CoRR, abs/1607.00148, 2016. URL http://arxiv.org/abs/1607.00148.

53. Subutai Ahmad, Alexander Lavin, Scott Purdy, Zuha Aghaa Unsupervised real-time anomaly detection for streaming data. 2017, Neurocomputing Volume 262, Pages 134-147. URL: https://doi.org/10.1016/j.neucom.2017.04.070

54. Sridhar Ramaswamy, Rajeev Rastogi, and Kyuseok Shim. Efficient algorithms for mining outliers from large data sets. In ACM SIGMOD Record, volume 29, pages 427-438. ACM, 2000.

55. Fabrizio Angiulli and Clara Pizzuti. Fast outlier detection in high dimensional spaces. In European Conference on Principles of Data Mining and Knowledge Discovery, pages 15-27. Springer, 2002

56. Stephen D Bay and Mark Schwabacher. Mining distance-based outliers in near linear time with randomization and a simple pruning rule. In Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining, pages 29-38. ACM, 2003.

57. D Danilov and A Zhigljavsky. Principal components of time series: the "cater-pillar" method. St.Petersburg: University of St. Petersburg, pages 1-307, 1997.

58. Lin J, Keogh E, Lonardi S, et al. A symbolic representation of time series, with implications for streaming algorithms. In: Proceedings of the 8th ACM SIGMOD workshop on research issues in data mining and knowledge discovery, pp 2-11, 2002.

59. E. Keogh, J. Lin and A. Fu. HOT SAX: Efficiently Finding the Most Unusual Time Series Subsequence. In Proc. of the 5th IEEE International Conference on Da-ta Mining (ICDM 2005), pp. 226 - 233., Houston, Texas, Nov 27-30, 2005.

60. Markus M Breunig, Hans-Peter Kriegel, Raymond T Ng, and Jorg Sander. Lof: identifying densitybased local outliers. In ACM sigmod record, volume 29, pages 93-104. ACM, 2000.

61. Hans-Peter Kriegel, Peer Kroger, Erich Schubert, and Arthur Zimek. Loop: local outlier probabilities. In Proceedings of the 18th ACM conference on Information and knowledge management, pages 1649-1652. ACM, 2009.

62. Evgeny Burnaev, Vladislav Ishimtsev. Conformalized density- and distance-based anomaly detection in time-series data. 2016. URL https://arxiv.org/abs/1608.04585

63. Liu, Fei Tony, Ting, Kai Ming and Zhou, Zhi-Hua. Isolation forest. Data Mining, 2008. ICDM 08. Eighth IEEE International Conference on.

64. B. Scholkopf, J.C. Platt, J.Shawe-Taylor, A.J. Smola, and R.C. Williamson. Estimating the support of a high-dimensional distribution. Technical report, Microsoft Research, MSR-TR-99-87, 1999.

65. Malhotra, Pankaj, Vig, Lovekesh, Shroff, Gautam, and Agarwal, Puneet. Long short term memory networks for anomaly detection in time series. In ESANN, 23rd European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning, 2015.

66. Sepp Hochreiter and Jurgen Schmidhuber. Long short-term memory. Neural Comput., 9(8):1735- 1780, November 1997. ISSN 0899-7667. doi: 10.1162/neco.1997.9.8.1735. URL http://dx.doi. org/10.1162/neco.1997.9.8.1735.

67. Cho, Kyunghyun; van Merrienboer, Bart; Gulcehre, Caglar; Bahdanau, Dzmitry; Bougares, Fethi; Schwenk, Holger; Bengio, Yoshua. Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. arXiv:1406.1078, 2014.

68. Pavel Filonov, Andrey Lavrentyev, Artem Vorontsov. Multivariate Industrial Time Series with Cyber-Attack Simulation: Fault Detection Using an LSTM-based Predictive Data Model. 2016. URL: https://arxiv.org/abs/1612.06676.

69. Minh-Thang Luong, Hieu Pham, Christopher D. Manning Effective Approaches to Attention-based Neural Machine Translation. 2015. URL http://arxiv.org/abs/arXiv: 1508.04025

70. Sergey Ioffe, Christian Szegedy Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. 2015. URL: https://arxiv.org/abs/1502.03167

71. Nitish Srivastava and Geoffrey Hinton and Alex Krizhevsky and Ilya Sutskever and Ruslan Salakhutdinov Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research. 2014, volume 15, 1929-1958.

72. L H Chiang, E L Russell, and R D Braatz. Fault detection and diagnosis in industrial systems. Measurement Science and Technology, 12(10):1745, 2001. URL http://stacks.iop.org/0957-0233/ 12/i=10/a=706.

73. Kingma, Diederik P. and Ba, Jimmy. Adam: A method for stochastic optimization. CoRR, abs/1412.6980, 2014. URL http://arxiv.org/abs/1412.6980.

74. Lavin, A and Ahmad, Subutai. Evaluating real-time anomaly detection algorithms - the Numenta Anomaly Benchmark. CoRR, abs/1510.03336, 2015. URL http://arxiv.org/abs/1510.03336.

75. Sutskever, Ilya, Vinyals, Oriol, and Le, Quoc V. Sequence to sequence learning with neural networks. In Ghahramani, Z., Welling, M., Cortes, C., Lawrence, N. D., and Weinberger, K. Q. (eds.), Advances in Neural Information Processing Systems 27, pp. 3104-3112. Curran Associates, Inc., 2014.

76. Kingma, Diederik P, Salimans, Tim, and Welling, Max. Variational dropout and the local reparameterization trick. In Cortes, C., Lawrence, N. D., Lee, D. D., Sugiyama, M., and Garnett, R. (eds.), Advances in Neural Information Processing Systems 28, pp. 2575-2583. Curran Associates, Inc., 2015.

77. Neal, Radford M. Bayesian learning for neural networks, volume 118. Springer Science & Business Media, 1996.

78. MacKay, David JC et al. Bayesian nonlinear modeling for the prediction competition. ASHRAE transactions, 100 (2):1053-1062, 1994.

79. Gal, Yarin and Ghahramani, Zoubin. Dropout as a bayesian approximation: Insights and applications. In Deep Learning Workshop, ICML, 2015.

80. Marti, Luis, Sanchez-Pi, Nayat, Molina, Jose Manuel, and Garcia, Ana Cristina Bicharra. Anomaly detection based on sensor data in petroleum industry applications. Sensors, 15(2):2774, 2015. .