Применение потоковой кластеризации для идентификации гибридных темпоральных автоматов на аналоговых данных IIoT

Abstract

Моделі класу темпоральних автоматів надають зручну абстракцію для вирішення завдань діагностики та управління у системах промислового Інтернету речей (IIoT). Для їхнього застосування необхідно виконувати ідентифікаціюавтомата шляхом пасивного навчання онлайн, використовуючи лише позитивні зразки. Такий тип навчання можливий лише для гібридних темпоральних автоматів (HTA) із алгоритмом OTALA. Однак для навчання HTA необхідна послідовність дискретних подій замість безперервних аналогових часових рядів, які зазвичай зустрічаються в IIoT. A. von Birgelen, O. Niggemann та інші робили спроби заповнити цю прогалину за рахунок попередньої обробки спостережень самоорганізаційними картами (SOM) із перетворенням вододілу, проте отримані моделі часто неефективні в реальних умовах. У даній статті завдання ідентифікації темпорального автомата за аналоговими даними IIoT вирішується із застосуванням інкрементного алгоритму кластеризації на основі моделей (IMCF). IMCF — це потоковий алгоритм, який обробляє вхідні часові ряди в режимі онлайн і перетворює їх на послідовність дискретних станів із чіткими або нечіткими переходами між ними. Такі переходи далі використовуються як події, необхідні для ідентифікації HTA за алгоритмом OTALA. Отримані моделі експериментально досліджено на прикладі системи IIoT, яка раніше представляла складність для моделювання. Досягнуте підвищення ефективності на 24,9–76,8 % демонструє, що дискретизація за допомогою IMCF більш інформативна для ідентифікації HTA. Також обговорюються ширші перспективи застосування HTA в системах IIoT і визначено обмеження, що залишаються актуальними для подібних практичних застосувань: дискретність переходів між станами HTA і відсутність довготривалої пам’яті переходів.In Industrial IoT (IIoT) systems, timed automata provide a highly useful abstraction for diagnosis and control tasks. Applying them requires automaton to be learned in passive online manner using positive samples only. Such kind of learning is supported by Hybrid timed Automata (HTA) and algorithm OTALA, but requireds a sequence of discrete events rather than continuous analog time series typically found in IIoT. Recent attempts to cover this gap, taken by A. von Birgelen, O. Niggemann, and others, involved pre-processing observations with a self-organized map (SOM) and watershed transform, yet resulting models have proven ineffective in some real-world systems. In this paper, incremental model-based clustering (IMCF) is employed to learn timed automaton from analog IIoT data. IMCF is a sequential algorithm that processes observed time-series online and splits them into a sequence of discrete states with either crisp or fuzzy transitions between them. Such transitions are then treated as events required for HTA identification with OTALA. Obtained models are evaluated in a case of IIoT system that has proved to be challenging for existing modelling techniques. Experimental results show 24,9–76,8% increase in model’s performance and suggest that discretizing obtained with IMCF has higher informativeness for HTA identification. Finally, wider perspectives of applying HTA in IIoT are discussed, and remaining principal limitations are identified as discrete nature of state transitions, and lack of long-term memory for transitions.