Big Data Analytics för feldetektering och dess tillämpning inom underhåll
Denna forskning har utvecklat en ABSAD-metod (Angle-based Subspace Anomaly Detection) för feldetektering i högdimensionella data. Metodens effektivitet demonstreras i analytiska studier och numeriska illustrationer.
Sponsor: Trafikverket/JVTC
Forskare: Liangwei Zhang, Ramin Karim, Janet Lin
Varaktighet: 2013-2017
Big Data-analys har på senare tid väckt stort intresse för sina försök att extrahera information, kunskap och visdom från Big Data. I och med utvecklingen av sensorteknik och informations- och kommunikationsteknik (ICT) inom industrin samlas mängder av högdimensionella, strömmande och olinjära data in och bearbetas för att stödja beslutsfattandet. Att upptäcka fel i dessa data är en viktig tillämpning i eMaintenance-lösningar, eftersom det kan underlätta beslutsfattandet inom underhåll. Tidig upptäckt av systemfel kan säkerställa tillförlitligheten och säkerheten hos industriella system och minska risken för oplanerade haverier.
Komplexiteten i data, inklusive hög dimensionalitet, snabbflödande dataströmmar och hög olinjäritet, innebär stora utmaningar för applikationer för feldetektering. Ur ett datamodelleringsperspektiv kan hög dimensionalitet orsaka den ökända "dimensionalitetens förbannelse" och leda till försämrad precision i feldetekteringsalgoritmerna. Snabbt flödande dataströmmar kräver att algoritmerna ger svar i realtid eller nästan i realtid när nya prover kommer in. Hög olinjäritet kräver att feldetekteringsmetoderna är tillräckligt uttrycksfulla och att problem med över- eller underanpassning undviks.
De flesta befintliga metoder för feldetektering arbetar i relativt lågdimensionella rum. Teoretiska studier av högdimensionell feldetektering fokuserar främst på att upptäcka avvikelser i projektioner av underrymder. Dessa modeller är dock antingen godtyckliga när det gäller att välja delrymder eller beräkningsintensiva. För att uppfylla kraven på snabbflödande dataströmmar har flera strategier föreslagits för att anpassa befintliga modeller till ett online-läge för att göra dem tillämpliga vid datautvinning i strömmar. Men få studier har samtidigt tagit itu med de utmaningar som är förknippade med hög dimensionalitet och dataströmmar. Befintliga icke-linjära metoder för feldetektering kan inte ge tillfredsställande prestanda när det gäller jämnhet, effektivitet, robusthet och tolkningsbarhet. Nya metoder behövs för att hantera denna fråga.
I denna forskning utvecklas en ABSAD-metod (Angle-based Subspace Anomaly Detection) för feldetektering i högdimensionella data. Metodens effektivitet demonstreras i analytiska studier och numeriska illustrationer. Baserat på strategin med glidande fönster utvidgas metoden till ett online-läge för att upptäcka fel i högdimensionella dataströmmar. Experiment med syntetiska dataset visar att online-tillägget kan anpassas till det övervakade systemets tidsvarierande beteende och därmed är tillämpligt för dynamisk feldetektering. För att hantera mycket olinjära data föreslår forskningen en Adaptive Kernel Density-baserad (Adaptive-KD) metod för anomalidetektering. Numeriska illustrationer visar metodens överlägsenhet när det gäller jämnhet, effektivitet och robusthet.
Uppdaterad: