Интеллектуальный подход к анализу структуры и семантики группового телеметрического сигнала

Размещено на http://www.allbest.ru/

Санкт-Петербургский государственный электротехнический университет “ЛЭТИ”

Интеллектуальный подход к анализу структуры и семантики ГТС

В.Э. Балтрашевич

А.Д. Витол

Н.А. Жукова

Санкт-Петербург

В работе рассмотрен подход к интеллектуальному анализу группового телеметрического сигнала. Предложена графовая модель описания ГТС. Описан разработанный метод определения семантического состава данных. Приведены результаты экспериментальных исследований на модельных данных.

Оценка функционирования сложной технической системы во время испытаний производится на основании интеллектуального анализа структурированного потока регистрируемых параметров. Данный информационный поток принято называть групповой телеметрический сигнал (ГТС). Основная трудность анализа ГТС заключается в колоссальном объеме обрабатываемых данных: к примеру, сложные технические системы из ракетно-космической отрасли могут содержать до нескольких тысяч датчиков [Назаров и др., 2007].

Первым этапом обобщенного процесса анализа ГТС является комплекс процессов предварительной обработки данных, которые направлены на преобразование бинарного потока исходных данных в структурированный набор параметров. Вследствие достаточно сложной организации ГТС наличие и корректность программы телеизмерения (структура и семантическое описание ГТС) определяют возможность проведения дальнейшего анализа, и влияют на качество получаемых результатов. В случае если программа телеизмерения известна, то данный этап сводится к простой декоммутации параметров. Однако если программы телеизмерений нет, или она содержит ошибки, для ее восстановления или контроля корректности выполняется анализ на предмет поиска структуры ГТС и выявления семантики параметров. Ошибки при данном анализе чреваты невозможностью дальнейшего анализа и сопровождаются огромными трудозатратами на ручную проверку. Применение ряда интеллектуальных методов предложенных в данной статье позволяют значительно сократить время обработки и повысить ее качество.

Задача анализа структуры ГТС

Формальная постановка задачи

Обобщенная структурная схема ГТС имеет вид:

где - множества частот параметров,

- синхрогруппа, скорость передачи и информативность,

- схема коммутации,

- длина слова, малого кадра, большого кадра, - фаза слова, кадров, параметров.

В свою очередь схема коммутации G представляет собой:

,

где Sup - множество суперкоммутируемых параметров,

Sub - множество субкоммутируемых параметров.

Множество Sup определяется как множество пар: ,

где i - индекс суперкоммутируемого параметра,

f - период суперкоммутации.

Множество Sub определяется как множество пар: ,

где j - индекс субкоммутируемого параметра,

d - период суперкоммутации.

Анализ результатов испытаний начинается с декоммутации ГТС на набор отдельных параметров, по которым уже и происходит системный анализ. Формально процесс декоммутации можно представить как отображение:

,

где - это двоичная последовательность данных (ГТС записанный в цифровом виде),

S - структура ГТС - набор информации достаточный для распаковки ГТС на наборы измерений отдельных параметров.

В рамках схемы (1.1) при выровненном ГТС S задается только схемой коммутации G.

Как видно из (1.2) неточность или искажения в S приводит к тому, что в результате декоммутации будет получен неверный набор измерений параметров, что с большой вероятностью приведет на последующих стадиях к неверным результатам анализа работы сложной технической системы во время испытаний. В случае если S не известен, то дальнейший анализ вообще становится невозможным.

Пусть истинная структура ГТС, будем говорить, что текущая структура S не соответствует по элементу , и т.д., если значения данного элемента между S и различаются. В ряде случаев может быть неизвестно.

Требуется найти такую структур S, при которой - количество несоответствий структуры S истинной структуре минимально. Если S полностью соответствует истинной структуре , то .

Анализ существующих решений

Один из подходов к решению задачи контроля структуры ГТС заключается в нахождении наиболее близких по предопределенным критериям ГТС с известной структурой для ГТС с неизвестной структурой [Балтрашевич и др., 2009]. На основании сходства ГТС делается предположение о сходстве их структур.

В работе [Геппенер и др., 2009] предлагается использовать в качестве модели ГТС вектор коэффициентов для аппроксимации статистико-лингвистического распределения:

,

где Ф - относительная частота слова с рангом r;

d - параметр увеличения коэффициента частотно-рангового соотношения.

Сам же вектор-образ ГТС представлен как:

.

Модель (1.3) не требует никакой информации о внутренней организации ГТС кроме длины кадра, но модель обладает низкой точность идентификации ГТС.

Предлагаемый подход к анализу структуры ГТС

Схема предлагаемого подхода представлена на Рис. 2. Предварительное определение структуры включает два этапа: поиск субкоммутаций и поиск суперкоммутаций. Оба алгоритма основаны на анализе математического ожидания изменения значений слова в кадре и дальнейшем корреляционном анализе временного ряда параметров.

Рис. 2. Схема предлагаемого подхода к анализу структуры ГТС

Потенциальные слова с субкоммутацией обладают значительно большим средним изменением, чем слова обычных параметров. Глубина субкоммутации может быть определена с помощью вычисления периода корреляции для временного ряда данного слова. Потенциальные слова с суперкоммутацией вместе со словами, стоящими на позициях кратных периоду суперкоммутации образуют временной ряд с малым средним изменение по сравнению с двумя случайными параметрами, и более того при подборе кратности суперкоммутации наблюдает резкий скачек при переходе через реальное значение. После предварительного определения структуры ГТС можно описать его как совокупность поведения параметров и внутренней организация ГТС. Для этого необходимо использовать структурное описание объектов.

Для структурного описания объекта в работе [Eshera et al., 1986] предлагается использовать нагруженный граф отношений (НГО) (Attributed Relational Graph - ARG). Данный граф определяется как кортеж из шести элементов:

,

где и - представляют собой множества вершин и ребер НГО;

и - это множества атрибутов для вершин и ребер;

и являются функциями ассоциации для каждой вершины и каждого ребра соответствующего атрибута.

Атрибуты для узла или ребра имеют следующий вид:

,

где t - это тип атрибута, который задан как элемент конечного алфавита T.

В свою очередь являются картежом параметров, заданным также на конечных множествах (тип каждого множества зависит предметной областью). Количество атрибутов и их последовательность в кортеже зависят от типа атрибута. Могут существовать особые типы атрибутов , для которых может быть равен 0, то есть атрибут не имеет никаких параметров. Тип атрибута используется для задания различных типов узлов (или ребер), а параметры несут информацию, характеризующую узлы (или ребра) данного типа.

Модифицированная модель НГО для представления ГТС, получившая название графовой модели ГТС:

,

где и - множества вершин и ребер НГО для представления ГТС, алфавит типов вершин ( - тип атрибута «датчик», - тип атрибута «коммутатор»),

- множество атрибутов вершин, множество атрибутов ребер (- атрибут ребер «непосредственно связан», - атрибут ребер «элемент заменяется на»),

и - функциями ассоциации соответствующих атрибутов.

Атрибут для вершин коммутаторов с задается как:

,

где - имена вершин , связанных с данным коммутатором - .

Так как на данном этапе семантический тип параметра не известен, для задания характеристик параметра необходимо использовать универсальный подход, в нашем случае предлагается строить гистограмму частоты встречаемости каждого значения информационного слова для данного параметра:

,

где - это вероятность появления значений 0…l, где .

Для нахождения расстояния между структурными моделями ГТС (1.4) авторами статьи предлагается использовать расстояние редактирования графов (graph edit distance) [Fernandez et al., 2001]. Данный метод является толерантным к ошибкам методом сравнения графов (inexact graph matching). Ключевая идея заключается в определении набора взвешенных операций редактирования графов, которые могут быть применены, чтобы привести два графа к единому виду. Набор операций редактирования определен как: вставка, удаление и изменение узла или ребра.

Пусть и - это графы вида (1.4), то расстояние редактирования между графами и определяется как:

,

где обозначает множество путей редактирования для трансформации в , и с(e) - функция стоимости операции e. Определение адекватных функций стоимости является ключевой задачей в сравнении графов с помощью расстояния редактирования. Для удаления и вставки узлов и ребер, назначается постоянная стоимость равная , где , - количество узлов и ребер соответственно. Алгоритмы для вычисления расстояния редактирования для графов и , основан на комбинаторной процедуре поиска, в рамках которой происходит рассмотрение всех возможных отображений узлов и ребер из g1 на узлы и ребра g2 [H. Bunke et al., 1983].

Задача семантического анализа ГТС

Формальная постановка задачи

Задача семантического анализа заключается в классификации множества параметров по семантическим группам, т.е. требуется построить отображение где . - набор групп параметров: константные, контактно-кодовые, меандры, мантиссы, счётчики, порядки, старшие и младшие части и функционально зависимые параметры, включающие синусно-косинусные пары, интегрально-дифференциальные пары, матрицы пересчёта. графовый телеметрический сигнал коммутатор

Подход к определению семантического состава ГТС

Процесс определения семантического состава ГТС предполагает три основных этапа (Рис.2): предварительное определение типа представления параметров, определение типов параметров и выявление функциональных связей.

Предварительное определение типа представления телеметрических параметров осуществляется на этапе декоммутации ГТС. На этапе определения типов параметров множество декоммутированных параметров представляется в виде совокупности множеств типизированных параметров. Определение типов представления параметров на этапе определения типов параметров осуществляется при анализе составных параметров для проверки правильности их представления в декоммутированном виде. На первом этапе определения типа представлении параметров точность не столь важна, однако желательна скорость и низкая ресурсоёмкость алгоритма, во втором ни скорость, ни ресурсоёмкость не являются ограничителями, но важна точность.

Этап определения функциональных зависимостей подразумевает поиск синусов и косинусов одинаковых углов (формирование синусно-косинусных пар), выявление параметров, описывающих координаты, скорости и ускорения (интегрально-дифференциальные зависимости) и матрицы пересчета между различными системами координат.

Рис. 2. Процесс определения семантического состава ГТС

Определение типа представления телеметрических параметров

Алгоритм предварительного определения типа (быстрый алгоритм) основан на распределении слов при неправильном представлении. Строится функция:

,

где I - подмножество точек параметра , где и - граничные значения.

Строится функция принадлежности к классу параметров со знаком:

,

где Smin - пороговое значение.

Экспериментальным путем установлено, что при неправильном представлении более 75% значений будут располагаться в 12,5% интервалах у начала и конца диапазона значений сигнала, образованного длиной информационного слова.

Алгоритм определения типов параметров на втором этапе обработки (точный алгоритм) основан на предположении о гладкости параметров, т. е. отсутствии резких скачков и разрывов производной. Для параметров со знаком будут наблюдаться скачки производной в моменты перехода значения параметра через прямую, проведённую через максимальное положительное число диапазона при знаковом представлении

где .

Можно составить характеристики

где dye - среднее значение I' ,

и функцию принадлежности к классу параметров со знаком:

,

где - пороговые значения для характеристик. Экспериментальным путём установлено, что .

Определение типа телеметрических параметров

Для определения типа параметра предлагается пропустить параметр через серию из 7 последовательных тестов: константы, контактно-кодового, меандра, счетчика, мантиссы, младшей части, порядка, старшей части. Тесты расположены в порядке возрастания сложности алгоритма, и в порядке убывания его строгости. Тесты проводятся строго в рассмотренном порядке до первого положительного результата. Параметру присваивается тот тип, тест которого сработал положительно. Если ни один тест не сработал положительно, тип параметра считается не определенным, и он относится к функциональным параметрам. Перед прохождением тестов желательно провести предварительную обработку параметров с целью очистки от шума и удаления выбросов [Айфичер и др., 2004].

Все тесты основаны на алгоритмах, высчитывающих вероятность принадлежности параметра к заданному классу на основе выполнения определённых зависимостей. Условно алгоритмы можно разделить на три группы: алгоритмы на поиске максимума встречаемости значения, алгоритмы на поиске разрывов и смешанные. К первой группе относятся алгоритмы определения констант и меандров, ко второй - мантисс, порядков, старших и младших частей, к третьей - счётчиков и контактно кодовых параметров. Подробно алгоритмы рассмотрены в [Васильев и др., 2010].

Выявление функциональных зависимостей

Алгоритм определения синусно-косинусных пар базируется на проверке выполнения основного тригонометрического тождества для конкретной пары параметров. Перебором всех возможных пар выявляются такие, для которых сумма квадратов значений примерно равна 1. Параметры перед проверкой предварительно нормируются до -1..1.

Алгоритм определения пар производная-интеграл основан на проверке разности между первым параметром из пары и производной второго - для пары эта разность должна оставаться константой.

Алгоритм определения элементов матриц пересчёта координат базируется на проверке выполнения основного свойства таких параметров - для конкретной тройки параметров, являющихся элементами матриц, сумма квадратов значений постоянна. Суммы перед проверкой предварительно центрируются. После поиска троек параметров из них составляются девятки параметров на основе совпадения номеров содержащихся в тройках параметров.

Экспериментальные исследования

Для проверки эффективности методов было проведены экспериментальные исследования на 40 модельных ГТС, сгенерированных на основе реальных параметров.

Для группы из 20 ГТС с уровнем шума 2% после предварительного определения структуры ГТС и сравнения с банком ГТС с известной структурой (100 экземпляров) для 18 из 20 были обнаружены только 2 похожих ГТС, структура одного из которых была верна. В остальных случаях 3. Для группы из 20 ГТС с уровнем шума 20% после предварительного определения структуры ГТС и сравнения с банком ГТС с известной структурой (100 экземпляров) для 14 из 20 были обнаружены только 2 похожих ГТС, структура одного из которых была верна. В остальных случаях 3 и более.

На этапе предварительного определения знака при 2% уровне шума было верно определено представление 168 из 180 параметров для каждого ГТС. Для 20% уровня - 153 из 180 для каждого ГТС. При последующем уточнении типа представления - 172 из 180 и 162 из 180 соответственно. На этапе определения типа параметра при 2% уровне шума, был верно определён тип для 164 из 180 параметров. При 20% ровне шума - 148 из 180 параметров были верно идентифицированы.

Список литературы

1. [Айфичер и др., 2004] Айфичер Э., Джервис Б. Цифровая обработка сигналов: практический подход: Пер. с англ. - М.: Вильямс, 2004.

2. [Балтрашевич и др., 2009] Балтрашевич В.Э., Васильев А.В., Жукова Н.А., Соколов И.С. Метод идентификации групповых телеметрических сигналов на основе частотно-рангового распределения // Математические методы распознавания образов (ММРО-14): 14-я Всероссийская конференция. Владимирская обл., г. Суздаль, 21-26 сентября 2009г.: Сборник докладов. М.:МАКС Пресс, 2009.

3. [Васильев и др., 2010] Васильев А.В., Жукова Н.А, Витол А.Д. Определение семантического состава группового телеметрического сигнала // Известия СПбГЭТУ «ЛЭТИ». Специальный выпуск. № 1. СПб.: СПбГЭТУ «ЛЭТИ», 2010.

4. [Геппенер и др., 2009] Геппенер В.В., Горбачева Н.В., Жукова Н.А., Соколов И.С. Идентификация телеметрических параметров с использованием нейронных сетей // Нейрокомпьютеры: разработка, применение № 11. М.: «Радиотехника», 2009.

5. [Назаров и др., 2007] Назаров А.В., Козырев Г.И., Шитов И.В. и др. Современная телеметрия в теории и на практике. - СПб.: Наука и техника, 2007.

6. [Сафарав и др., 1983] Сафарав Р.Т., Буга Н. Н., Зверев Р. И, Шитов И. В. Телеметрия - М. 1983.

7. [Eshera et al., 1986] Eshera M. A. and Fu K. S. An image understanding system using attributed symbolic representation and inexact graph matching // IEEE Transactions on Pattern Analysis and Machine Intelligence, 8(5), 1986.

8. [Fernandez et al., 2001] Fernandez M.-L. and Valiente G. A graph distance metric combining maximum common subgraph and minimum common supergraph // Pattern Recognition Letters, 22(6-7), 2001.

Размещено на Allbest.ru