ترجمه فارسی عنوان مقاله

پیرامون ترکیب ماشین‌های بردار پشتیبان و الگوریتم‌های بخش‌بندی برای تشخیص ناهنجاری: مطالعه‌ی تطبیقی صنعت نفت

عنوان انگلیسی

On the combination of support vector machines and segmentation algorithms for anomaly detection: A petroleum industry comparative study

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
159977	2017	14 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Journal of Applied Logic, Volume 24, Part A, November 2017, Pages 71-84

فهرست مطالب ترجمه فارسی

چکیده

کلمات کلیدی

1.مقدمه

2- بنیان‌های نظری

2-1- تشخیص ناهنجاری

2-2- بخش‌بندی سری زمانی

2-3- فیلترهای کالمن

2-4- ماشین بردار پشتیبان تک‌دسته‌ای

3- الگوریتم پیشنهادی

3-1- الگوریتم بخش‌بندی

3-2- SVM تک‌دسته‌ای برای تشخیص ناهنجاری

4- استفاده از تشخیص ناهنجاری برای توربوماشین‌های استخراج نفت فراساحلی

5- ملاحظات نهایی

ترجمه کلمات کلیدی

تشخیص آنومالی، ماشین آلات بردار پشتیبانی، تقسیم سری زمانی، فیلترهای کالمن، کاربرد صنعت نفت،

کلمات کلیدی انگلیسی

Anomaly detection; Support vector machines; Time series segmentation; Kalman filters; Oil industry application;

ترجمه چکیده

تشخیص ناهنجاری مربوط به یافتن الگوهایی در داده‌هاست که دارای رفتار مورد انتظار نیستند. این مقوله اخیراً به دلیل کاربردهای خود در جهان واقعی، توجه جامعه‌ی تحقیقاتی را جلب کرده است. تشخیص درست رخدادهای غیرمعمول باعث می‌شود تصمیم‌گیرنده بتواند عملی بر روی سیستم انجام دهد تا به‌درستی از وضعیت‌های مرتبط با این رخدادها اجتناب کرده، آن‌ها را تصحیح کرده یا به آن‌ها واکنش نشان دهد. صنعت نفت یکی از همین سناریوهای کاربردی جهان واقعی است. علی‌الخصوص، دستگاه‌های استخراج سنگین برای عملیات پمپاژ و تولید از قبیل توربوماشین‌ها به شکل گسترده توسط صدها حسگر مورد نظارت قرار دارند و هرکدام از این حسگرها اندازه‌گیری‌های با بسامد بالایی را ارسال می‌کند تا از صدمه به دستگاه جلوگیری شود. در این مقاله، به‌منظور مدیریت این داده‌ها و کنار آمدن با فقدان داده‌های برچسب خورده، ترکیبی از یک الگوریتم بخش‌بندی سریع و با کیفیت بالا همراه با یک رویکرد ماشین بردار پشتیبان تک‌دسته‌ای را برای تشخیص کارای ناهنجاری‌ها در توربوماشین‌ها ارائه می‌کنیم. در ادامه، مطالعات تجربی را برای مقایسه‌ی رویکرد خود با یک رویکرد دیگر با استفاده از فیلترهای کالمن (Kalman) برای کاربردهای واقعی مرتبط با تشخیص ناهنجاری توربوماشین‌های سکوی نفتی اجرا می‌کنیم.

ترجمه مقدمه

اهمیت تشخیص ناهنجاری ناشی از این واقعیت است که ناهنجاری در داده‌ها به اطلاعات مهم قابل‌استفاده در مجموعه‌ی گسترده‌ای از حوزه‌های کاربردی ترجمه می‌شود. تشخیص صحیح این نوع اطلاعات غیرمعمول این توانایی را به تصمیم‌گیرنده می‌دهد که عملی بر روی سامانه انجام دهد تا به‌درستی از وضعیت‌های مرتبط با این موارد جلوگیری کند، این وضعیت‌ها را تصحیح کند یا به‌درستی به آن‌ها واکنش نشان دهد. تشخیص ناهنجاری استفاده‌ی گسترده‌ای در مجموعه‌ی وسیعی از کاربردها از قبیل تشخیص کلاه‌برداری و تهاجم [10]، تشخیص نقش در سامانه‌های بحرانی ایمنی [16]، امور مالی [4] یا سامانه‌های صنعتی دارد (برای پیمایش‌هایی در خصوص این موضوع ن.ک. [35، 6]). مثالی از کاربردهای صنعتی عبارت است از تشخیص ناهنجاری‌ها در توربوماشین‌های نصب‌شده بر روی سکوهای استخراج نفت فراساحلی. رویدادهای اخیر به ما نشان می‌دهند که مدیریت صحیح این تجهیزات تا چه اندازه مهم است چراکه نقص در این صنعت، اثرات عظیم اقتصادی، اجتماعی و زیست‌محیطی به دنبال دارد. در مورد خاص تشخیص ناهنجاری صنعتی، واحدها به دلیل استفاده‌ی مداوم و استهلاک عادی، دچار صدمه می‌شوند. چنین صدماتی باید خیلی زود شناسایی شوند تا از صدمات و ضررهای بیشتر جلوگیری شود. داده‌های این حوزه را داده‌های حسگر صنعتی می‌نامند چراکه این داده‌ها با استفاده از حسگرهای مختلف ثبت‌شده و برای تحلیل جمع‌آوری می‌شوند. به این دلیل که این موقعیت‌ها دارای یک بعد زمانی هستند، تحلیل سری زمانی نیز در بعضی مطالعات از قبیل [15] استفاده می‌شود. به دلیل فقدان داده‌های برچسب خورده برای آموزش/اعتبارسنجی مدل‌ها، در [20، 30]، ما راه‌حلی برای تشخیص ناهنجاری‌ها در توربوماشین‌ها با استفاده از یک SVM تک‌دسته‌ای ارائه کردیم. این شیوه از فنون یادگیری تک‌دسته‌ای برای SVM [26] استفاده می‌کند و ناحیه‌ی شامل موارد داده‌ی آموزشی (یک مرز) را یاد می‌گیرد. کرنل‌ها، از قبیل توابع پایه‌ی شعاعی (RBF)، برای یادگیری نواحی پیچیده استفاده می‌شوند. برای هر مورد آزمون، شیوه‌ی اصلی مشخص می‌کند که آیا بهترین مورد درون ناحیه‌ی یاد گرفته‌شده قرار می‌گیرد یا خیر. اگر یک مورد آزمون درون ناحیه‌ی یاد گرفته‌شده قرار گیرد، به‌عنوان نرمال شناخته می‌شود و در غیر این صورت ناهنجار اعلام می‌شود. ما این روش را با بخش‌بندی سری زمانی ترکیب کردیم تا داده‌های دارای نویز، غیر استوار و ناسازگار را هرس کنیم. در این مقاله، ما از این رویکرد برای یک مشکل مرتبط با صنعت نفت در بستر واقعی استفاده می‌کنیم و به‌منظور ارزیابی اعتبار این روش، عملکرد آن را با رویکردهای مورداستفاده‌ی کنونی از قبیل فیلترهای کالمن (Kalman) و فاصله اطمینان‌ها مقایسه می‌کنیم. مابقی این مقاله به شکل زیر سازمان‌دهی شده است. در بخش بعدی، تعدادی از بنیان‌های نظری این مطالعه را بررسی می‌کنیم. در ادامه، رویکرد پیشنهادی را به شکل دقیق ارائه می‌کنیم. پس‌ازآن، یک مطالعه‌ی موردی برای توربوماشین‌های سکوی نفتی فراساحلی را ارائه می‌کنیم. این مطالعه‌ی موردی برای مقایسه‌ی رویکرد ما با کاربرد فیلترهای کالمن استفاده می‌شود. درنهایت، در بخش پنجم این مقاله، نتیجه‌گیری‌ها و مسیرهایی برای مطالعات آتی ارائه می‌شوند.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

Anomaly detection has to do with finding patterns in data that do not conform to an expected behavior. It has recently attracted the attention of the research community because of its real-world application. The correct detection unusual events empower the decision maker with the capacity to act on the system in order to correctly avoid, correct, or react to the situations associated with them. Petroleum industry is one of such real-world application scenarios. In particular, heavy extraction machines for pumping and generation operations like turbomachines are intensively monitored by hundreds of sensors each that send measurements with a high frequency for damage prevention. For dealing with this and with the lack of labeled data, in this paper we describe a combination of a fast and high quality segmentation algorithm with a one-class support vector machine approach for efficient anomaly detection in turbomachines. As a result we perform empirical studies comparing our approach to another using Kalman filters in a real-life application related to oil platform turbomachinery anomaly detection.