МЕТОД ВИЯВЛЕННЯ АНОМАЛЬНИХ ЗМІН У ФУНКЦІОНУВАННІ ТЕХНІЧНОГО ОБ’ЄКТУ З ВИКОРИСТАННЯМ ДЕКОМПОЗИЦІЇ СИНГУЛЯРНИХ ЗНАЧЕНЬ МАТРИЦІ ЕКСПЕРИМЕНТАЛЬНИХ ДАНИХ
DOI:
https://doi.org/10.30837/2663-9564.2024.1.08Ключові слова:
вимірювальна інформаційна система, декомпозиція сингулярних значень, матриця експериментальних даних, аномальні змінювання параметрів, відстань між множинами сингулярних значеньАнотація
Поведінка динамічної системи характеризується великим набором експериментальних даних, який для нормальних умов її функціонування є добре вивченим. При несправності системи або аномальних умовах функціонування характер цих даних змінюється. Існує багато статистичних методів, які дозволяють виявити ці зміни. Особливістю статті є виявлення істотних змін в результатах вимірювання майже без використання статистичних методів. Для цього використовується матриця експериментальних даних і з допомогою методу декомпозиції сингулярних значень здійснюється аналіз сингулярних мод цієї матриці. При істотній зміні характеру даних відбувається змінювання сингулярних значень. Для прийняття рішення щодо переходу системи в аномальний режим оцінюється відстань у евклідовому просторі між множиною сингулярних значень для нормальних умов функціонування системи і множиною таких значень для можливих аномальних умов. Якщо ця відстань буде перевищувати наперед встановлений поріг, то приймається рішення щодо переходу системи в аномальний режим. Визначення порогу може здійснюватися статистичними методами.
Посилання
1. Poliarus O. V., Poliakov Ye. O., Lindner L. Determination of landmarks by mobile robot’s vision system based on detecting abrupt changes of echo signals parameters. The 44th Annual Conference of the IEEE Industrial Electronics Society. Washington D. C., USA, October 21-23, 2018. Pp 3165 3170. DOI:10.1109/IECON.2018.8591362
2. Uri Lerner, Ronald Parr, Daphne Koller, Gautam Biswas. Bayesian Fault Detection and Diagnosis in Dynamic Systems. Proceedings of the Seventeenth National Conference on Artificial Intelligence (AAAI-00). Austin, Texas, August, 2000. Pp 531-537.
3. Wojbor A. Woyczyński. A First Course in Statistics for Signal Analysis. Birkhäuser, Boston, 2006. 207 p.
4. Jeremy Boettinger. Math and Statistics Guides from UB's Math & Statistics Center. University of Baltimore, 2019. 226 р.
5. Robert Nisbet, Gary Miner, Ken Yale. Handbook of Statistical Analysis and Data Mining Applications. Second Edition. Elsevier, Academic Press, 2018. 795 p.
6. Marcos Quiñones-Grueiro, Alberto Prieto-Moreno, Cristina Verde, Orestes Llanes-Santiago. Data-driven monitoring of multimode continuous processes: A review. Chemometrics and Intelligent Laboratory Systems. 15 June 2019. Volume, 189. Pp. 56-71.
7. Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical Learning, Data Mining, Inference, and Prediction.. Springer, 2001. 533 p.
8. Weiss, S., Proudler, I. K., Barbarino, G., Pestana, J., & McWhirter, J. G. Properties and structure of the analytic singular value decomposition. IEEE Transactions on Signal Processing, 2024. Pр. 1-15.
9. Rowley, C.W., Mezić, I., Bagheri, S., Schlatter, S., Henningson, D.S. Spectral analysis of nonlinear flows. Journal of Fluid Mechanics, 2009. Pp. 115–127.
10. Ahmed F. Mabied, Shunsuke Nozawa, Manabu Hoshino, Ayana Tomita, Tokushi Satob and Shin-ichi Adachi. Application of singular value decomposition analysis to time-dependent powder diffraction data of an in-situ photodimerization reaction. Journal of Synchrotron Radiation, 2014. Vol. 21. Pp. 554–560.
11. Yuanyuan Ma, Dengyin Zhang. A New Face Recognition Method Based On SVD. - Advances in Computer Science Research. Vol. 62. 2nd Joint International Information Technology, Mechanical and Electronic Engineering Conference (JIMEC 2017). Pp. 291–294.
12. Amin Zehtabian, Hamid Hassanpour, Shahrokh Zehtabian, Vicente Zarzoso. A Novel Speech Enhancement Approach Based on Singular Value Decomposition and Genetic Algorithm. Proc. SoCPaR-2010, 2nd Int. Conf. on Soft Computing and Pattern Recognition, Cergy Pontoise, France, Dec. 7-10, 2010. Pp. 430–435.
13. Marius Schmidt, Sudarshan Rajagopal, Zhong Ren, and Keith Moffat. Application of Singular Value Decomposition to the Analysis of Time-Resolved Macromolecular X-Ray Data. Biophysical Journal, Volume 84, March 2002. Pр. 2112–2129.
14. Czeslaw Cempel. Double Singular Value Decomposition оf Symptoobservation Matrix іn Machine Condition Monitoring. Diagnostyka, 2010. Vol. 1(53). Pр. 3–12.
15. Manuel Duarte Ortigueira and Miguel-Angel Lagunas. Eigendecomposition vs Singular Value Decomposition in Adaptive Array Signal Processing. - Signal Processing. Vol. 25. Issue 1, October 199. Pp. 35-49.
16. Xiaoming Zhang, Jian Tang, Meijun Zhang, Qunce Ji. Noise subspaces subtraction in SVD based on the difference of variance values. - JVE International Ltd. Journal оf Vibroengineering. 2016. Vol. 18.Issue 7. Pр. 4852–4861.
17. Thomas Schanze. Removing noise in biomedical signal recordings by singular value decomposition. Current Directions in Biomedical Engineering, 2017. Vol. 3(2). Pр. 253–256.
18. Xianbo Yin, Yang Xu, Xiaowei Sheng and Yan Shen. Signal Denoising Method Using AIC–SVD and Its Application to Micro-Vibration in Reaction Wheels. Sensors, 2019. Vol. 19. 5032. Pр. 1–18.
19. Asenso Kwarteng, Yaw Marfo Missah. Radar Signals Compression using Singular Value Decomposition (SVD) Approach. International Journal of Computer Applications, 2016. Vol. 150. No.12. Pр. 14–19.
20. Rowayda A. Sadek. SVD Based Image Processing Applications: State of The Art, Contributions and Research Challenges. International Journal of Advanced Computer Science and Applications. Vol. 3. No. 7. 2012. Pр. 26–34.
21. Zijian Qiao and Zhengrong Pan. SVD principle analysis and fault diagnosis for bearings based on the correlation coefficient. Measurement Science and Technology, 2015. No 26. Pр. 1–15.
22. Hussam D. Abdulla, Abdella S. Abdelrahman, Vaclav Snasel. Using Singular Value Decomposition (SVD) as a Solution for Search Result Clustering. Poznan University of Technology Academic Journals. Electrical Engineering, 2014. No. 80. Pp. 71–78.
