کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
5778225 1413706 2017 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
On the combination of support vector machines and segmentation algorithms for anomaly detection: A petroleum industry comparative study
ترجمه فارسی عنوان
در ترکیبی از ماشین های بردار پشتیبانی و الگوریتم های تقسیم بندی برای تشخیص آنومالی: یک مطالعه مقدماتی صنعت نفت
کلمات کلیدی
تشخیص آنومالی، ماشین آلات بردار پشتیبانی، تقسیم سری زمانی، فیلترهای کالمن، کاربرد صنعت نفت،
ترجمه چکیده
تشخیص آنومالی با پیدا کردن الگوهای داده ای که با رفتار مورد انتظار مطابقت ندارد. به تازگی توجه جامعه پژوهشی به دلیل کاربرد دنیای واقعی آن را جلب کرده است. تشخیص صحیح رویدادهای غیرمعمول، تصمیم گیرنده را قادر می سازد تا بر روی سیستم عمل کند تا به درستی از موقعیت های مربوط به آنها جلوگیری، اصلاح شود یا واکنش نشان دهند. صنعت نفت یکی از چنین سناریوهای کاربردی در دنیای واقعی است. به طور خاص، ماشین های استخراج سنگین برای عملیات پمپاژ و تولید مثل توربوماشین ها به شدت توسط صدها سنسور تحت نظارت قرار می گیرند که هر کدام اندازه گیری هایی را با فرکانس بالا برای پیشگیری از آسیب می کنند. برای مقابله با این و با کمبود داده های برچسب دار، در این مقاله ترکیبی از یک الگوریتم تقسیم بندی سریع و با کیفیت بالا با یک روش ماشین بردار پشتیبانی یک طبقه برای تشخیص آنومالی کارآمد در تورب ماشین ها را توصیف می کنیم. در نتیجه، ما مطالعات تجربی را مقایسه می کنیم که رویکرد ما به استفاده از فیلترهای کلمن در یک برنامه کاربردی واقعی مربوط به تشخیص آنومالی توربوماشین پلت فرم نفت است.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات منطق ریاضی
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.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Journal of Applied Logic - Volume 24, Part A, November 2017, Pages 71-84
نویسندگان
, , , ,