Обнаружение контекстных неисправностей в беспилотных летательных аппаратах с использованием динамической линейной регрессии и классификации методом k-ближайших соседей
https://doi.org/10.17285/0869-7035.0024
Аннотация
Беспилотный летательный аппарат (БПЛА) представляет собой сложную систему, при проектировании которой рассматриваются проблемы управления, аэродинамики и связи. В статье предложен новый метод обнаружения контекстных неисправностей на основе сложных линейных соотношений между параметрами БПЛА (показаниями датчиков и командами). Под контекстными неисправностями подразумеваются вырабатываемые неисправным датчиком значения, недопустимые в контексте других параметров. Предлагаемый подход основан на оценке значений целевого параметра с использованием динамической линейной регрессии, после чего выполняется расчет погрешности оценивания на каждом временном интервале. Путем классификации методом ближайших соседей (K-Nearest Neighbour – K-NN) значения погрешности оценивания разделяются на нормальные и аномальные. Аномальные значения принимаются за потенциально ошибочные. Помимо этого, предложенный метод сравнивается с другими методами поиска аномалий – k-средних (K-Means) и One-Class SVM. Результаты сопоставления продемонстрировали более высокую эффективность нового подхода в большинстве случаев.
Ключевые слова
Об авторах
А. Алос
Высший институт прикладных наук и технологий (Дамаск, Сирия).
Сирия
Сирия
Алос Ахмад. Аспирант, кафедра информатики.
З. Дахрудж
Высший институт прикладных наук и технологий (Дамаск, Сирия).
Россия
Россия
Дахрудж Зухайр. Доктор наук, преподаватель, кафедра информатики.
Список литературы
1. Colomina, I., Molina, P., Unmanned aerial systems for photogrammetry and remote sensing: A review, ISPRS Journal of Photogrammetry and Remote Sensing, 2014, vol. 92, pp. 79–97. DOI:10,1016/j. isprsjprs.2014.02.013.
2. Chandola, V., Banerjee, A., and Kumar, V., Anomaly detection: A survey, ACM Comput. Surv., 2009, vol. 41, pp. 1–58. DOI:10,1145/1541880,1541882.
3. Renckens, I., Automatic detection of suspicious behaviour, Master Thesis, 2014.
4. Sun, R., Cheng, Q., Wang, G., and Ochieng, W.Y., A novel online data-driven algorithm for detecting UAV navigation sensor faults, Sensors, 2017, vol. 17, no. 10, p. 2243. doi:10,3390/s17102243.
5. Ding, X., Li, Y., Belatreche, A., and Maguire, L.P., An experimental evaluation of novelty detection methods, Neurocomputing, 2014, vol. 135, pp. 313–327. DOI: 10,1016/j.neucom.2013.12.002.
6. Pasillas-Díaz, J.R., Ratté, S., An unsupervised approach for combining scores of outlier detection techniques, based on similarity measures, Electron. Notes Theor. Comput. Sci., 2016, vol. 329, pp. 61–77. DOI:10,1016/j.entcs.2016.12.005.
7. Khalastchi, E., Kalech, M., Kaminka, G.A., and Lin, R., Online data-driven anomaly detection in autonomous robots, Knowledge and Information Systems, 2015, vol. 43, pp. 657–688. DOI: 10,1007/ s10115-014-0754-y.
8. Cork, L., Walker, R., Sensor fault detection for UAVs using a nonlinear dynamic model and the IMMUKF algorithm, IEEE Information, Decision and Control, 2007, pp. 230–235.
9. Bu, J., Sun, R., Bai, H., Xu, R., Xie, F., Zhang, Y., and Ochieng, W.Y., Integrated method for the UAV navigation sensor anomaly detection, IET Radar, Sonar & Navigation, 2017, vol. 11, pp. 847–853. DOI:10,1049/iet-rsn.2016.0427.
10. Lin, R., Khalastchi, E., and Kaminka, G.A., Detecting anomalies in unmanned vehicles using the Mahalanobis distance, Proc. IEEE International Conference on Robotics and Automation, 2010, pp. 3038–3044. DOI:10,1109/ROBOT.2010,5509781.
11. Khalastchi, E., Kaminka, G.A., Kalech, M., and Lin, R., Online anomaly detection in unmanned vehicles, Proc. 10th International Conference on Autonomous Agents and Multiagent Systems, 2011, vol. 1, pp. 115–122.
12. Pokrajac, D., Latecki, L.J., and Lazarevic, A., Incremental local outlier detection for data streams, Proc. IEEE Symposium on Computational Intelligence and Data Mining, 2007, pp. 504–515. DOI:10,1109/CIDM.2007.368917. 13. Paffenroth, R., Kay, K., and Servi, L., Robust PCA for anomaly detection in cyber networks, ArXiv, 2018, https://arxiv.org/pdf/1801.01571.pdf.
13. Yong, D., Yaqing, X., Yuanpeng, Z., Yu, P., and Datong, L., Unmanned aerial vehicle sensor data anomaly detection using kernel principal component analysis, Proc. IEEE 13th International Conference on Electronic Measurement and Instruments, 2017, pp. 241–246.
14. Hundman, K., Constantinou, V., Laporte, C., Colwell, I., and Soderstrom, T., Detecting spacecraft anomalies using LSTMs and nonparametric dynamic thresholding, Proc. 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, New York, NY, 2018, pp. 387–395.
15. Weisberg, S., Applied Linear Regression, Hoboken, NJ: Wiley-Interscience, 2005.
16. Ullah, I., Fayaz, M., and Kim, D., Improving accuracy of the Kalman filter algorithm in dynamic conditions using ANN-based learning module, Symmetry, 2019, vol. 11, no. 1, p. 94. DOI:10,3390/ sym11010094.
17. Oza, N., FLTz flight simulator, https://c3.ndc.nasa.gov/dashlink/resources/294/
18. Chu, E., Gorinevsky, D., and Boyd, S.P., Detecting aircraft anomalies cruise flight data, Proc. AIAA Infotech Aerospace Conference, Atlanta, GA, 2010, pp. 1–15.
19. Le, V.-H., Kim, S.-R., K-strings algorithm, a new approach based on Kmeans, Proc. 2015 Conference on Research in Adaptive and Convergent Systems (RACS), 2015, pp. 15–20.
20. Ouyang, Q., Lu, W., Monthly rainfall forecasting using echo state networks coupled with data preprocessing methods, Water Resources Management, 2018, vol. 32, pp. 659–674. DOI:10,1007/ s11269-017-1832-1.
21. Karami, A., Guerrero-Zapata, M., A fuzzy anomaly detection system based on hybrid PSOKmeans algorithm in content-centric networks, Neurocomputing, 2015, vol. 149, pp. 1253–1269. DOI:10,1016/j.neucom.2014.08.070.
Рецензия
Для цитирования:
Алос А., Дахрудж З. Обнаружение контекстных неисправностей в беспилотных летательных аппаратах с использованием динамической линейной регрессии и классификации методом k-ближайших соседей. Гироскопия и навигация. 2020;28(1):66-80. https://doi.org/10.17285/0869-7035.0024
For citation:
Alos A., Dahrouj Z. Detecting Contextual Faults in Unmanned Aerial Vehicles Using Dynamic Linear Regression and K-Nearest Neighbour Classifier. Giroskopiya i Navigatsiya. 2020;28(1):66-80. (In Russ.) https://doi.org/10.17285/0869-7035.0024
Просмотров:
3
Послать статью по эл. почте 