(50-1) 18 * << * >> * Русский * English * Содержание * Все выпуски

Локализация и классификация аномалий в одномерных сигналах на основе вейвлет-анализа и математических методов оптимизации
Н.Д. Сакович1,2, Д.А. Аксенов1,2, Е.С. Плешакова3, С.Т. Гатауллин4

1 Финансовый университет при Правительстве РФ, 125167, Москва, Ленинградский пр-кт, д. 49/2;
2 НИИ - филиал АО "Гознак", 115162, Москва, Мытная ул., д. 19;
3 МИРЭА - Российский технологический университет, 119454, Москва, пр. Вернадского, д. 78;
4 Центральный экономико-математический институт Российской академии наук, 117418, Москва, Нахимовский пр., д. 47

  Полный текст (PDF)

DOI: 10.18287/COJ1683

ID статьи: 1683

Аннотация:
Метод классификации типов нестационарностей во временных рядах на основе вейвлет-анализа для локализации и детекции границ нестационарности; математических алгоритмов для сравнения типов нестационарностей на основе шаблонов эталонных сигналов и классификации аномалий при помощи неградиентных методов оптимизации; с возможностью дальнейшего применения для разработки автоматизированных информационных систем комплексного мониторинга состояния электросети и ее отдельных компонент представлен в данном исследовании. Кодовая база размещена в открытом репозитарии проекта и доступна для воспроизведения вычислительных экспериментов. Предлагаемый подход имеет широкий спектр применения, но отдельного внимания заслуживает возможная интеграция в целях повышения надежности систем диагностики с технологиями Интернета вещей, построения цифровых двойников, агент-ориентированного моделирования сложных социально-экономических процессов, облачными высокопроизводительными вычислениями, позволяющими анализировать большие данные в реальном времени.

Ключевые слова:
цифровая обработка сигналов, вейвлет-анализ, численные методы, алгоритмы.

Благодарности:
Работа выполнена при поддержке Министерства науки и высшего образования Российской Федерации в рамках проекта № 075-15-2024-525 от 23.04.2024.

Цитирование:
Сакович, Н.Д. Локализация и классификация аномалий в одномерных сигналах на основе вейвлет-анализа и математических методов оптимизации / Н.Д. Сакович, Д.А. Аксенов, Е.С. Плешакова, С.Т. Гатауллин // Компьютерная оптика. - 2026. - Т. 50, № 1. - 1683. - DOI: 10.18287/COJ1683.

Citation:
Sakovich ND, Aksenov DA, Pleshakova ES, Gataullin ST. Localization and classification of anomalies in one-dimensional signals based on wavelet analysis and mathematical optimization methods. Computer Optics 2026; 50(1): 1683. DOI: 10.18287/COJ1683.

References:

  1. Bykov A, Grecheneva A, Kuzichkin O, Surzhik D, Vasilyev G. Mathematical description and laboratory study of electrophysical methods of localization of geodeformational changes during the control of the railway roadbed. Mathematics; 2021, 9 (24): 3164. DOI 10.3390/math9243164.
  2. Daurenbayeva N, Atymtayeva L, Nurlanuly A, Bykov A, Akhmetov B, Shuitenov G, Umut A. A Machine Learning Approach to Microclimate Monitoring and Fault Detection. Appl Math; 2025, 19 (2): 327-334. DOI 10.18576/amis/190209.
  3. Bykov AA, Surzhik DI, Kuzichkin OR. Assessing the Ground Structure in Drilling by Analysis of the Phase Shift in the Probing Electrical Signal. Russian Engineering Research; 2024, 44 (11): 1691-1696. DOI 10.3103/S1068798X24702800.
  4. Abid A, Khan MT, Iqbal J. A review on fault detection and diagnosis techniques: basics and beyond. Artificial Intelligence Review; 2021, 54 (5): 3639-3664. DOI 10.1007/s10462-020-09934-2.
  5. Hong YY, Pula RA. Methods of photovoltaic fault detection and classification: A review. Energy Reports; 2022, 8: 5898-5929. DOI 10.1016/j.egyr.2022.04.043.
  6. Jua Y, Tian X, Liu H, Ma L. Fault detection of networked dynamical systems: A survey of trends and techniques. International Journal of Systems Science; 2021, 52 (16): 3390-3409. DOI 10.1080/00207721.2021.1998722.
  7. Zhang L, Matt L, Yeonjin B,Borui C, Saptarshi B, Seungjae L, Piljae I, Veronica A, Draguna V, Teja K. Sensor impact evaluation and verification for fault detection and diagnostics in building energy systems: A review. Advances in Applied Energy; 2021, 3: 100055. DOI 10.1016/j.adapen.2021.100055.
  8. Li G,Yue Z, Jiangyan L, Zhenxin Z, Chengliang X, Xi F, Qing Y. An improved stacking ensemble learning-based sensor fault detection method for building energy systems using fault-discrimination information. Journal of Building Engineering; 2021, 43: 102812. DOI 10.1016/j.jobe.2021.102812.
  9. Wang Z, Wang L, Tan Y, Yuan J. Fault detection based on Bayesian network and missing data imputation for building energy systems. Applied Thermal Engineering; 2021, 182: 116051. DOI 10.1016/j.applthermaleng.2020.116051.
  10. Aviña-Corral V, de Jesus Rangel-Magdaleno J; Peregrina-Barreto H, Ramirez-Cortes JM. Bearing fault detection in asd-powered induction machine using modwt and image edge detection. IEEE Access; 2022, 10: 24181-24193. DOI 10.1109/ACCESS.2022.3154410.
  11. Gupta V. Wavelet transform and vector machines as emerging tools for computational medicine. Journal of Ambient Intelligence and Humanized Computing; 2023, 14 (4): 4595-4605. DOI 10.1007/s12652-023-04582-0.
  12. Wu W et al. Wavelet-improved score-based generative model for medical imaging. IEEE transactions on medical imaging; 2023. DOI 10.1109/TMI.2023.3325824.
  13. Ahmad MA, Elloumi M, Samak AH, Al-Sharafi AM, Alqazzaz A, Kaid MA, Iliopoulos C. Hiding patients' medical reports using an enhanced wavelet steganography algorithm in DICOM images. Alexandria Engineering Journal; 2022, 61 (12): 10577-10592. DOI 10.1016/j.aej.2022.03.056.
  14. Karpov OE, Afinogenov S, Grubov VV, Maksimenko V, Korchagin S, Utyashev N, Hramov AE. Detecting epileptic seizures using machine learning and interpretable features of human EEG. The European Physical Journal Special Topics; 2023, 232 (5): 673-682. DOI 10.1140/epjs/s11734-022-00714-3.
  15. Guo T, Zhang T, Lim EG, López‐Benítez M, Ma F, Yu L. A review of wavelet analysis and its applications: Challenges and opportunities. IEEE Access; 2022, 10: 58869-58903. DOI 10.1109/ACCESS.2022.3179517.
  16. Yan Z, Chao P, Ma J, Cheng D, Liu C. Discrete convolution wavelet transform of signal and its application on BEV accident data analysis. Mechanical systems and signal processing; 2021, 159: 107823. DOI 10.1016/j.ymssp.2021.107823.
  17. Santhosh Kumar HS, Karibasappa K. An approach for brain tumour detection based on dual-tree complex Gabor wavelet transform and neural network using Hadoop big data analysis. Multimedia Tools and Applications; 2022, 81 (27): 39251-39274. DOI 10.1007/s11042-022-13016-6.
  18. Zhao N, Wei J, Long Z, Yang C, Bi J, Wan Z, Dong S. An Integrated Method for Tunnel Health Monitoring Data Analysis and Early Warning: Savitzky--Golay Smoothing and Wavelet Transform Denoising Processing. Sensors; 2023, 23 (17): 7460. DOI 10.3390/s23177460.
  19. Petushkov GV, Sigov AS. Analysis and selection of the structure of a multiprocessor computing system according to the performance criterion. Russian Technological Journal; 2024, 12 (6): 20-25. DOI 10.32362/2500-316X-2024-12-6-20-25.
  20. Andriyanov N, Khasanshin I, Utkin D, Gataullin T, Ignar S, Shumaev V, Soloviev V. Intelligent system for estimation of the spatial position of apples based on YOLOv3 and real sense depth camera D415. Symmetry; 2022, 14 (1): 148. DOI 10.3390/sym14010148.
  21. Osipov A, Pleshakova E, Bykov A, Kuzichkin O, Surzhik D, Suvorov S, Gataullin S. Machine learning methods based on geophysical monitoring data in low time delay mode for drilling optimization. IEEE Access; 2023, 11: 60349-60364. DOI 10.1109/ACCESS.2023.3284030.
  22. Osipov AV, Pleshakova ES, Gataullin ST. Production processes optimization through machine learning methods based on geophysical monitoring data. Computer Optics; 2024, 48 (4): 633-642. DOI 10.18287/2412-6179-CO-1373.
  23. Osipov A, Pleshakova E, Liu Y, Gataullin S. Machine learning methods for speech emotion recognition on telecommunication systems. Journal of Computer Virology and Hacking Techniques; 2024, 20 (3): 415-428. DOI 10.1007/s11416-023-00500-2.
  24. https://github.com/NekkittAY/WONC-FD-Method; 2025.
  25. Beylkin G, Coifman R, Rokhlin V. Fast wavelet transforms and numerical algorithms I. Communications on pure and applied mathematics; 1991, 44 (2): 141-183. DOI 10.1002/cpa.3160440202.
  26. Nelder JA, Mead R. A simplex method for function minimization. The computer journal; 1965, 7 (4): 308-313. DOI 10.1093/comjnl/8.1.27.
  27. Nocedal J, Wright SJ. Numerical optimization. Springer New York; 1999.
  28. Bergstra J, Bardenet R, Bengio Y, Kégl B. Algorithms for hyper-parameter optimization. Advances in neural information processing systems; 2011, 24.
  29. Björck A. Numerical methods for least squares problems. SIAM; 2024.
  30. Ahmed N, Hashmani AA, Khokhar S, Tunio MA, Faheem M. Fault detection through discrete wavelet transform in overhead power transmission lines. Energy Science Engineering; 2023, 11: 4181-4197. DOI 10.1002/ese3.1573.
  31. Hadad K, Pourahmadi M, Majidi-Maraghi H. Fault diagnosis and classification based on wavelet transform and neural network. Progress in Nuclear Energy; 2011, 53 (1): 41-47. DOI 10.1016/j.pnucene.2010.09.006.

Россия, 443001, Самара, ул. Молодогвардейская, 151; электронная почта: journal@computeroptics.ru; тел: +7 (846) 242-41-24 (ответственный секретарь), +7 (846) 332-56-22 (технический редактор), факс: +7 (846) 332-56-20