Исследователи из лаборатории искусственного интеллекта Массачусетского технологического института и IBM Watson разработали метод машинного обучения, который автоматически определяет аномалии в электросетях в режиме реального времени.
Ученые пояснили, что в аномалия — это событие, вероятность возникновения которого невелика, это может быть, например, внезапный скачок напряжения. Ученые обрабатывают данные электросети в соответствии с законом распределения вероятностей, то есть они могут идентифицировать значения, обладающие низкой вероятностью. Такие значения и считаются аномалией.
Оценка вероятностей осложняется тем, что данных много, а датчики, фиксирующие информацию, зависят друг от друга. Для изучения распределения вероятностей данных, исследователи использовали специальный тип модели глубокого обучения, нормализующий поток, который особенно эффективен при оценке плотности вероятности выборки. Они дополнили эту модель с помощью байесовской сети — графа, который может обрабатывать сложную структуру причинно-следственных связей между различными датчиками. Этот метод особенно эффективен, поскольку сеть может изучать данные без присмотра.
Экспериментальная модель превзошла все базовые показатели и показала более высокий процент обнаружения истинных аномалий в каждом наборе данных. Информация, которую они использовали для тестирования, содержала аномалии, уже отмеченные людьми, поэтому исследователи смогли сравнить аномалии, выявленные их моделью, с реальными сбоями в каждой системе.
«Системы, основанные на правилах обнаружения со знанием предметной области, даже подкрепленные статистическим анализом данных, требуют большого труда и опыта. Мы показываем, что можем автоматизировать этот процесс, а также извлекать закономерности из данных, используя передовые методы машинного обучения», — говорит старший автор Цзе Чен, научный сотрудник и менеджер лаборатории искусственного интеллекта MIT-IBM Watson.
Разработанная методология является гибкой. Вооружившись большим немаркированным набором данных, ученые могут настроить модель для прогнозирования аномалий и в других ситуациях, например, таких как схемы движения.
Комментариев нет:
Отправить комментарий