Самоконтролируемое обучение временных рядов в АСУ ТП: профили внедрения и критерии приемки на основе структурированного обзора и стендового эксперимента
(Стр. 162-175)
Подробнее об авторах
Ильин Евгений Васильевич
аспирант
Чувашский государственный университет им. И.Н. Ульянова
г. Чебоксары, Российская Федерация Сидоркина Ирина Геннадьевна доктор технических наук, профессор; РИНЦ Author ID: 175203;
Поволжский государственный технологический университет
г. Йошкар-Ола, Российская Федерация
Чувашский государственный университет им. И.Н. Ульянова
г. Чебоксары, Российская Федерация Сидоркина Ирина Геннадьевна доктор технических наук, профессор; РИНЦ Author ID: 175203;
Поволжский государственный технологический университет
г. Йошкар-Ола, Российская Федерация
Нажимая на кнопку купить вы соглашаетесь с условиями договора оферты
Аннотация:
Задача исследования: обосновать выбор и внедрение методов самоконтролируемого обучения для промышленных временных рядов в вычислительном контуре АСУ ТП, а также проверить предложенные профили внедрения на стендовом ICS/HIL-наборе данных. Актуальность определяется дефицитом достоверной разметки, требованиями к надежности мониторинга и развитием работ иностранных авторов по контрастивному обучению, универсальным представлениям и таксономии методов анализа временных рядов. Модель. Использован структурированный обзор открыто доступных полнотекстовых публикаций 2019–2026 гг.; итоговый корпус включает 20 работ. Материалы кодировались по семейству метода, режиму работы, ресурсному профилю, устойчивости к пропускам и сдвигам, диагностическому сигналу, порогам и правилам обновления. Экспериментальная часть выполнена на открытом наборе HAIEnd 23.05: обучение и калибровка порогов проводились по архиву нормального поведения, а тестовые метки использовались только для итоговой оценки профилей П1–П3. Выводы. Выделены четыре профиля внедрения: легкий потоковый детектор, фиксированный кодировщик с легкими решающими блоками, двухстадийная схема «тревога–подтверждение» и межобъектный перенос. Стендовый прогон показал, что профиль П2 с маскирующим автокодировщиком при пороге q = 0,995 обеспечивает наилучшее в рассматриваемом эксперименте значение F1 = 0,537 и покрытие 29 из 52 атакованных интервалов, тогда как более консервативные конфигурации П2 (q = 0,999) и П3 предпочтительнее при ограничении ложных тревожных эпизодов. Рамки исследования. Корпус обзора ограничен открыто доступными полнотекстовыми публикациями, а стендовый эксперимент выполнен на открытом наборе HAIEnd 23.05, не являющемся архивом конкретного промышленного предприятия. Поэтому результаты следует трактовать как воспроизводимую стендовую проверку приемочного протокола и профилей внедрения, а не как подтверждение промышленной эффективности на конкретном объекте АСУ ТП. Практическое значение. Предложен и апробирован минимальный набор приемочных критериев для самоконтролируемого компонента АСУ ТП: качество обнаружения, покрытие атакованных интервалов, задержка обнаружения, нагрузка тревогами, устойчивость к сдвигу режимов, регрессионная проверка по режимам, трассируемость версии, возможность отката и отказобезопасное поведение при деградации входных данных. Социальные последствия. Косвенный эффект внедрения связан со снижением нагрузки на оператора, повышением доверия к тревожной подсистеме и уменьшением риска ошибочной интерпретации технологических отклонений. При промышленном применении требуется сохранять роль человека в принятии эксплуатационно значимых решений и обеспечивать прозрачность тревожных сообщений. Оригинальность/ценность. Новизна работы состоит в переводе результатов обзора самоконтролируемого обучения в язык проектирования, приемки и сопровождения вычислительных подсистем АСУ ТП, а также в экспериментальной демонстрации такого подхода через сценарий теневого сравнения версий на HAIEnd 23.05. Результаты предназначены для исследователей и разработчиков промышленных систем мониторинга, специалистов по автоматизации, диагностике и сопровождению программно-технических комплексов.
Образец цитирования:
ОБРАЗЕЦ ЦИТИРОВАНИЯ: Ильин Е.В., Сидоркина И.Г. Самоконтролируемое обучение временных рядов в АСУ ТП: профили внедрения и критерии приемки на основе структурированного обзора и стендового эксперимента // Computational Nanotechnology. 2026. Т. 13. № 2. С. 162-175. DOI: 10.33693/2313-223X-2026-13-2-162-175. EDN: ZCGOTO
Список литературы:
Eldele E., Ragab M., Chen Z. et al. Time-series representation learning via temporal and contextual contrasting. In: Proceedings of the Thirtieth International Joint Conference on Artificial Intelligence (IJCAI-21). Montreal, QC, Canada: IJCAI Organization, 2021. Pp. 2352–2359. DOI: 10.24963/ijcai.2021/324.
Ermshaus A., Schäfer P., Leser U. CLaP – state detection from time series. Proceedings of the VLDB Endowment. 2025. Vol. 19. No. 1. Pp. 70–83. DOI: 10.14778/3772181.3772187.
Franceschi J.-Y., Dieuleveut A., Jaggi M. Unsupervised scalable representation learning for multivariate time series. Advances in Neural Information Processing Systems (NeurIPS 2019). 2019. Vol. 32. Pp. 4650–4661.
Fu Y., Xue F. MAD: Self-supervised masked anomaly detection task for multivariate time series. In: International Joint Conference on Neural Networks (IJCNN). Padova, Italy: IEEE, 2022. Pp. 1–8. DOI: 10.1109/IJCNN55064.2022.9892218.
Kitchenham B.A., Budgen D., Brereton P. Evidence-based software engineering and systematic reviews. Boca Raton: Chapman and Hall/CRC, 2015. 304 p. DOI: 10.1201/b19467.
Liu J., Chen S. TimesURL: Self-supervised contrastive learning for universal time series representation learning. Proceedings of the AAAI Conference on Artificial Intelligence. 2024. Vol. 38. No. 12. Pp. 13918–13926. DOI: 10.1609/aaai.v38i12.29299.
Mahmoud H., Wu W., Gaber M.M. A time-series self-supervised learning approach to detection of cyber-physical attacks in water distribution systems. Energies. 2022. Vol. 15. No. 3. Art. 914. DOI: 10.3390/en15030914.
Page M.J., McKenzie J.E., Bossuyt P.M. et al. The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ. 2021. Vol. 372. Art. n71. DOI: 10.1136/bmj.n71.
Tonekaboni S., Eytan D., Goldenberg A. Unsupervised representation learning for time series with temporal neighborhood coding. In: International Conference on Learning Representations. Vienna, Austria: ICLR, 2021. Pp. 1–16. Also available on arXiv. 10.48550/arXiv.2106.00750.
Tran D.H., Nguyen V.L., Nguyen H., Jang Y.M. Self-supervised learning for time-series anomaly detection in industrial internet of things. Electronics. 2022. Vol. 11. No. 14. Art. 2146. DOI: 10.3390/electronics11142146.
Yang Y., Zhang C., Zhou T. et al. DCdetector: Dual attention contrastive representation learning for time series anomaly detection. In: Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. Long Beach, CA: ACM, 2023. Pp. 3033–3045. DOI: 10.1145/3580305.3599295.
Yue Z., Wang Y., Duan J. et al. TS2Vec: Towards universal representation of time series. Proceedings of the AAAI Conference on Artificial Intelligence. 2022. Vol. 36. No. 8. Pp. 8980–8987. DOI: 10.1609/aaai.v36i8.20881.
Zerveas G., Jayaraman S., Patel D. et al. A transformer-based framework for multivariate time series representation learning. In: Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining. New York, NY, USA: ACM, 2021. Pp. 2114–2124. DOI: 10.1145/3447548.3467401.
Zhang K., Wen Q., Zhang C. et al. Self-supervised learning for time series analysis: Taxonomy, progress, and prospects. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2024. Vol. 46. No. 10. Pp. 6775–6794. DOI: 10.1109/TPAMI.2024.3387317.
Zhang X., Zhao Z., Tsiligkaridis T., Zitnik M. Self-supervised contrastive pre-training for time series via time-frequency consistency. Advances in Neural Information Processing Systems. 2022. Vol. 35. Pp. 3988–4003.
Ermshaus A., Schäfer P., Leser U. CLaP – state detection from time series. Proceedings of the VLDB Endowment. 2025. Vol. 19. No. 1. Pp. 70–83. DOI: 10.14778/3772181.3772187.
Franceschi J.-Y., Dieuleveut A., Jaggi M. Unsupervised scalable representation learning for multivariate time series. Advances in Neural Information Processing Systems (NeurIPS 2019). 2019. Vol. 32. Pp. 4650–4661.
Fu Y., Xue F. MAD: Self-supervised masked anomaly detection task for multivariate time series. In: International Joint Conference on Neural Networks (IJCNN). Padova, Italy: IEEE, 2022. Pp. 1–8. DOI: 10.1109/IJCNN55064.2022.9892218.
Kitchenham B.A., Budgen D., Brereton P. Evidence-based software engineering and systematic reviews. Boca Raton: Chapman and Hall/CRC, 2015. 304 p. DOI: 10.1201/b19467.
Liu J., Chen S. TimesURL: Self-supervised contrastive learning for universal time series representation learning. Proceedings of the AAAI Conference on Artificial Intelligence. 2024. Vol. 38. No. 12. Pp. 13918–13926. DOI: 10.1609/aaai.v38i12.29299.
Mahmoud H., Wu W., Gaber M.M. A time-series self-supervised learning approach to detection of cyber-physical attacks in water distribution systems. Energies. 2022. Vol. 15. No. 3. Art. 914. DOI: 10.3390/en15030914.
Page M.J., McKenzie J.E., Bossuyt P.M. et al. The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ. 2021. Vol. 372. Art. n71. DOI: 10.1136/bmj.n71.
Tonekaboni S., Eytan D., Goldenberg A. Unsupervised representation learning for time series with temporal neighborhood coding. In: International Conference on Learning Representations. Vienna, Austria: ICLR, 2021. Pp. 1–16. Also available on arXiv. 10.48550/arXiv.2106.00750.
Tran D.H., Nguyen V.L., Nguyen H., Jang Y.M. Self-supervised learning for time-series anomaly detection in industrial internet of things. Electronics. 2022. Vol. 11. No. 14. Art. 2146. DOI: 10.3390/electronics11142146.
Yang Y., Zhang C., Zhou T. et al. DCdetector: Dual attention contrastive representation learning for time series anomaly detection. In: Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. Long Beach, CA: ACM, 2023. Pp. 3033–3045. DOI: 10.1145/3580305.3599295.
Yue Z., Wang Y., Duan J. et al. TS2Vec: Towards universal representation of time series. Proceedings of the AAAI Conference on Artificial Intelligence. 2022. Vol. 36. No. 8. Pp. 8980–8987. DOI: 10.1609/aaai.v36i8.20881.
Zerveas G., Jayaraman S., Patel D. et al. A transformer-based framework for multivariate time series representation learning. In: Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery & Data Mining. New York, NY, USA: ACM, 2021. Pp. 2114–2124. DOI: 10.1145/3447548.3467401.
Zhang K., Wen Q., Zhang C. et al. Self-supervised learning for time series analysis: Taxonomy, progress, and prospects. IEEE Transactions on Pattern Analysis and Machine Intelligence. 2024. Vol. 46. No. 10. Pp. 6775–6794. DOI: 10.1109/TPAMI.2024.3387317.
Zhang X., Zhao Z., Tsiligkaridis T., Zitnik M. Self-supervised contrastive pre-training for time series via time-frequency consistency. Advances in Neural Information Processing Systems. 2022. Vol. 35. Pp. 3988–4003.
Ключевые слова:
АСУ ТП, промышленные временные ряды, самоконтролируемое обучение, обнаружение аномалий, вычислительные системы, критерии приемки, HAIEnd, теневой контур.
