RU2013142338A - Организация системы управления в режиме реального времени - Google Patents

Организация системы управления в режиме реального времени Download PDF

Info

Publication number
RU2013142338A
RU2013142338A RU2013142338/08A RU2013142338A RU2013142338A RU 2013142338 A RU2013142338 A RU 2013142338A RU 2013142338/08 A RU2013142338/08 A RU 2013142338/08A RU 2013142338 A RU2013142338 A RU 2013142338A RU 2013142338 A RU2013142338 A RU 2013142338A
Authority
RU
Russia
Prior art keywords
control system
specified
processing device
parameter
embedded control
Prior art date
Application number
RU2013142338/08A
Other languages
English (en)
Other versions
RU2658392C2 (ru
Inventor
Уинфен ЛИ
Моника М. КХОТ
Арун АЙЯГАРИ
Рик Н. БЛЭЙР
Original Assignee
Зе Боинг Компани
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Зе Боинг Компани filed Critical Зе Боинг Компани
Publication of RU2013142338A publication Critical patent/RU2013142338A/ru
Application granted granted Critical
Publication of RU2658392C2 publication Critical patent/RU2658392C2/ru

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0751—Error or fault detection not based on redundancy
    • G06F11/0754—Error or fault detection not based on redundancy by exceeding limits
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

1. Основанный на применении компьютера способ отслеживания поведения и обнаружения аномалий встроенных систем управления в режиме реального времени, согласно которому:создают поведенческую обучающую последовательность для встроенной системы управления, причем поведенческая обучающая последовательность соотносит входные сигналы в указанную встроенную систему управления с выходными сигналами из нее во время обучающего процесса для определения поведенческих характерных признаков для указанной встроенной системы управления;отслеживают входные сигналы в указанную встроенную систему управления и выходные сигналы из нее в режиме реального времени во время работы указанной встроенной системы управления исоздают тревожный сигнал, когда по меньшей мере один из входных сигналов в указанную встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, представляет аномалию.2. Способ по п.1, в котором создание поведенческой обучающей последовательности для встроенной системы управления включает настройку указанной поведенческой обучающей последовательности с использованием по меньшей мере одного параметра.3. Способ по п.2, в котором указанный по меньшей мере один параметр выбран из группы параметров, содержащей:параметр размера резервуара, который задает количество узлов внутри сети на основе вычислительного резервуара;параметр входного масштабирования, который взвешивает атрибуты входных сигналов, поступающих во встроенную систему управления;параметр масштабирования выходного сигнала обратной связи, который задает величину сигнала обратной св�

Claims (20)

1. Основанный на применении компьютера способ отслеживания поведения и обнаружения аномалий встроенных систем управления в режиме реального времени, согласно которому:
создают поведенческую обучающую последовательность для встроенной системы управления, причем поведенческая обучающая последовательность соотносит входные сигналы в указанную встроенную систему управления с выходными сигналами из нее во время обучающего процесса для определения поведенческих характерных признаков для указанной встроенной системы управления;
отслеживают входные сигналы в указанную встроенную систему управления и выходные сигналы из нее в режиме реального времени во время работы указанной встроенной системы управления и
создают тревожный сигнал, когда по меньшей мере один из входных сигналов в указанную встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, представляет аномалию.
2. Способ по п.1, в котором создание поведенческой обучающей последовательности для встроенной системы управления включает настройку указанной поведенческой обучающей последовательности с использованием по меньшей мере одного параметра.
3. Способ по п.2, в котором указанный по меньшей мере один параметр выбран из группы параметров, содержащей:
параметр размера резервуара, который задает количество узлов внутри сети на основе вычислительного резервуара;
параметр входного масштабирования, который взвешивает атрибуты входных сигналов, поступающих во встроенную систему управления;
параметр масштабирования выходного сигнала обратной связи, который задает величину сигнала обратной связи для сети на основе вычислительного резервуара;
параметр весовой матрицы резервуара, который управляет по меньшей мере одним импульсным откликом в сети на основе вычислительного резервуара;
параметр скорости рассеяния, который управляет чувствительностью сети на основе вычислительного резервуара к помехонасыщенному поведению и поведению, искаженному по времени; и
параметр масштабирования помех, который управляет по меньшей мере одним интегратором помех в сети на основе вычислительного резервуара.
4. Способ по п.1, в котором создание тревожного сигнала, когда по меньшей мере один из выходных сигналов, собранных из встроенной системы управления в режиме реального времени, представляет аномалию, включает:
сравнивание указанного по меньшей мере одного из входных сигналов во встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, по меньшей мере с одним выходным сигналом, собранным во время обучающего процесса; и
характеризуют указанный по меньшей мере один из входных сигналов во встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, как аномалию, когда расхождение между указанными по меньшей мере одним выходным сигналом, собранным из встроенной системы управления во время работы в режиме реального времени, и по меньшей мере одним выходным сигналом, собранным во время обучающего процесса, превышает пороговое значение.
5. Способ по п.4, дополнительно включающий определение степени критичности указанной аномалии.
6. Способ по п.1, дополнительно включающий выпуск указанного тревожного сигнала по меньшей мере в одно приложение, связанное с указанной встроенной системой управления.
7. Способ по п.6, дополнительно включающий:
сохранение указанного по меньшей мере одного из входных сигналов во встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, в запоминающем устройстве; и
обновление поведенческой обучающей последовательности, используя указанный по меньшей мере один из входных сигналов во встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, в запоминающем устройстве.
8. Основанная на применении компьютера система для отслеживания поведения и обнаружения аномалий встроенной системы управления в режиме реального времени, содержащая:
обрабатывающее устройство и
логические инструкции, хранящиеся на материальном носителе, читаемом с помощью компьютера и соединенном с обрабатывающим устройством, которые при выполнении их указанным обрабатывающим устройством конфигурируют его с обеспечением возможности:
создания поведенческой обучающей последовательности для встроенной системы управления, причем поведенческая обучающая последовательность соотносит входные сигналы в указанную встроенную систему управления с выходными сигналами из нее во время обучающего процесса для определения поведенческих характерных признаков для указанной встроенной системы управления;
отслеживания входных сигналов в указанную встроенную систему управления и выходных сигналов из нее в режиме реального времени во время работы указанной встроенной системы управления и
создания тревожного сигнала, когда по меньшей мере один из входных сигналов в указанную встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, представляет аномалию.
9. Система по п.8, дополнительно содержащая логические инструкции, хранящиеся на материальном носителе, читаемом с помощью компьютера и соединенном с обрабатывающим устройством, которые при выполнении их указанным обрабатывающим устройством конфигурируют его с обеспечением возможности настройки поведенческой обучающей последовательности с использованием по меньшей мере одного параметра.
10. Система по п.9, в которой указанный по меньшей мере один параметр выбран из группы параметров, содержащей:
параметр размера резервуара, который задает количество узлов внутри сети на основе вычислительного резервуара;
параметр входного масштабирования, который взвешивает входные атрибуты для встроенной системы управления;
параметр масштабирования выходного сигнала обратной связи, который задает величину сигнала обратной связи для сети на основе вычислительного резервуара;
параметр весовой матрицы резервуара, который управляет по меньшей мере одним импульсным откликом в сети на основе вычислительного резервуара;
параметр скорости рассеяния, который управляет чувствительностью сети на основе вычислительного резервуара к помехонасыщенному поведению и поведению, искаженному по времени; и
параметр масштабирования помех, который управляет по меньшей мере одним интегратором помех в сети на основе вычислительного резервуара.
11. Система по п.8, дополнительно содержащая логические инструкции, хранящиеся на материальном носителе, читаемом с помощью компьютера и соединенном с обрабатывающим устройством, которые при выполнении их указанным обрабатывающим устройством конфигурируют его с обеспечением возможности:
сравнивания указанного по меньшей мере одного из входных сигналов во встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, по меньшей мере с одним выходным сигналом, собранным во время обучающего процесса; и
охарактеризования указанного по меньшей мере одного из входных сигналов во встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, как аномалии, когда расхождение между указанными по меньшей мере одним выходным сигналом, собранным из встроенной системы управления во время работы в режиме реального времени, и по меньшей мере одним выходным сигналом, собранным во время обучающего процесса, превышает пороговое значение.
12. Система по п.11, дополнительно содержащая логические инструкции, хранящиеся на материальном носителе, читаемом с помощью компьютера и соединенном с обрабатывающим устройством, которые при выполнении их указанным обрабатывающим устройством конфигурируют его с обеспечением возможности определения степени критичности указанной аномалии.
13. Система по п.8, дополнительно содержащая логические инструкции, хранящиеся на материальном носителе, читаемом с помощью компьютера и соединенном с обрабатывающим устройством, которые при выполнении их указанным обрабатывающим устройством конфигурируют его с обеспечением возможности выпуска тревожного сигнала по меньшей мере в одно приложение, связанное с указанной встроенной системой управления.
14. Система по п.8, дополнительно содержащая логические инструкции, хранящиеся на материальном носителе, читаемом с помощью компьютера и соединенном с обрабатывающим устройством, которые при выполнении их указанным обрабатывающим устройством конфигурируют его с обеспечением возможности:
сохранения указанного по меньшей мере одного из входных сигналов во встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, в запоминающем устройстве; и
обновления поведенческой обучающей последовательности, используя указанный по меньшей мере один из входных сигналов во встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, в запоминающем устройстве.
15. Компьютерный программный продукт, содержащий логические инструкции, хранящиеся на материальном носителе, читаемом с помощью компьютера и соединенном с обрабатывающим устройством, которые при выполнении их указанным обрабатывающим устройством конфигурируют его с обеспечением возможности:
создания поведенческой обучающей последовательности для встроенной системы управления, причем поведенческая обучающая последовательность связывает входные сигналы в указанную встроенную систему управления с выходными сигналами из нее во время обучающего процесса для определения поведенческих характерных признаков для указанной встроенной системы управления;
отслеживания входных сигналов в указанную встроенную систему управления и выходных сигналов из нее в режиме реального времени во время работы указанной встроенной системы управления и
создания тревожного сигнала, когда по меньшей мере один из входных сигналов в указанную встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, представляют аномалию.
16. Компьютерный программный продукт по п.15, дополнительно содержащий логические инструкции, хранящиеся на материальном носителе, читаемом с помощью компьютера и соединенном с обрабатывающим устройством, которые при выполнении их указанным обрабатывающим устройством конфигурируют его с обеспечением возможности настройки поведенческой обучающей последовательности с использованием по меньшей мере одного параметра.
17. Компьютерный программный продукт по п.16, в котором указанный по меньшей мере один параметр выбран из группы параметров, содержащей:
параметр размера резервуара, который задает количество узлов внутри сети на основе вычислительного резервуара;
параметр входного масштабирования, который взвешивает входные атрибуты для встроенной системы управления;
параметр масштабирования выходного сигнала обратной связи, который задает величину сигнала обратной связи для сети на основе вычислительного резервуара;
параметр весовой матрицы резервуара, который управляет по меньшей мере одним импульсным откликом в сети на основе вычислительного резервуара;
параметр скорости рассеяния, который управляет чувствительностью сети на основе вычислительного резервуара к помехонасыщенному поведению и поведению, искаженному по времени; и
параметр масштабирования помех, который управляет по меньшей мере одним интегратором помех в сети на основе вычислительного резервуара.
18. Компьютерный программный продукт по п.15, дополнительно содержащий логические инструкции, хранящиеся на материальном носителе, читаемом с помощью компьютера и соединенном с обрабатывающим устройством, которые при выполнении их указанным обрабатывающим устройством конфигурируют его с обеспечением возможности:
сравнивания указанного по меньшей мере одного из входных сигналов во встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, по меньшей мере с одним выходным сигналом, собранным во время обучающего процесса; и
охарактеризования указанного по меньшей мере одного из входных сигналов во встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, как аномалии, когда расхождение между указанными по меньшей мере одним выходным сигналом, собранным из встроенной системы управления во время работы в режиме реального времени, и по меньшей мере одним выходным сигналом, собранным во время обучающего процесса, превышает пороговое значение.
19. Компьютерный программный продукт по п.18, дополнительно содержащий логические инструкции, хранящиеся на материальном носителе, читаемом с помощью компьютера и соединенном с обрабатывающим устройством, которые при выполнении их указанным обрабатывающим устройством конфигурируют его с обеспечением возможности определения степени критичности указанной аномалии.
20. Компьютерный программный продукт по п.18, дополнительно содержащий логические инструкции, хранящиеся на материальном носителе, читаемом с помощью компьютера и соединенном с обрабатывающим устройством, которые при выполнении их указанным обрабатывающим устройством конфигурируют его с обеспечением возможности:
сохранения указанного по меньшей мере одного из входных сигналов во встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, в запоминающем устройстве; и
обновления поведенческой обучающей последовательности, используя указанный по меньшей мере один из входных сигналов во встроенную систему управления или выходных сигналов, собранных из нее во время работы в режиме реального времени, в запоминающем устройстве.
RU2013142338A 2012-10-22 2013-09-17 Организация системы управления в режиме реального времени RU2658392C2 (ru)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US13/657,440 US20140114442A1 (en) 2012-10-22 2012-10-22 Real time control system management
US13/657,440 2012-10-22

Publications (2)

Publication Number Publication Date
RU2013142338A true RU2013142338A (ru) 2015-03-27
RU2658392C2 RU2658392C2 (ru) 2018-06-21

Family

ID=49382187

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2013142338A RU2658392C2 (ru) 2012-10-22 2013-09-17 Организация системы управления в режиме реального времени

Country Status (5)

Country Link
US (1) US20140114442A1 (ru)
EP (1) EP2722762A3 (ru)
JP (1) JP6305004B2 (ru)
CN (1) CN103777623A (ru)
RU (1) RU2658392C2 (ru)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9472084B1 (en) * 2014-03-12 2016-10-18 Ca, Inc. Alarm notification based on detecting anomalies in big data
CN104281512A (zh) * 2014-10-31 2015-01-14 成都众易通科技有限公司 一种服务器智能机箱系统
US9766818B2 (en) * 2014-12-31 2017-09-19 Samsung Electronics Co., Ltd. Electronic system with learning mechanism and method of operation thereof
SE542513C2 (en) * 2015-12-15 2020-05-26 Saab Ab A method for authenticating software
CN106126409B (zh) * 2016-07-01 2018-11-23 浪潮(北京)电子信息产业有限公司 一种实时监控oracle单块读延迟的方法及装置
US10204226B2 (en) * 2016-12-07 2019-02-12 General Electric Company Feature and boundary tuning for threat detection in industrial asset control system
JP6907014B2 (ja) 2017-04-25 2021-07-21 三菱重工業株式会社 管理監視システム
US10921422B2 (en) * 2017-10-25 2021-02-16 The Boeing Company Below-noise after transmit (BAT) Chirp Radar
JP7044117B2 (ja) * 2018-01-09 2022-03-30 日本電信電話株式会社 モデル学習装置、モデル学習方法、及びプログラム
JP6977686B2 (ja) * 2018-08-06 2021-12-08 オムロン株式会社 制御システムおよび制御装置
JP7282195B2 (ja) * 2019-03-05 2023-05-26 シーメンス インダストリー ソフトウェア インコーポレイテッド 組み込みソフトウェアアプリケーションのための機械学習ベースの異常検出
RU2716389C1 (ru) * 2019-03-26 2020-03-11 Акционерное общество "Информационные спутниковые системы имени академика М.Ф. Решетнёва" Способ построения вычислительного процесса испытаний аппаратуры с мультиинтерфейсным взаимодействием
US11455500B2 (en) 2019-12-19 2022-09-27 Insitu, Inc. Automatic classifier profiles from training set metadata
CN115004196A (zh) * 2020-03-26 2022-09-02 Tdk株式会社 参数的设定方法和储备池元件的控制方法
US11157267B1 (en) * 2020-09-09 2021-10-26 International Business Machines Corporation Evaluation of dynamic relationships between application components
US11729195B1 (en) 2022-09-15 2023-08-15 Cyviation Ltd Computerized-system and computerized-method for detecting cyber-attacks on avionic communications of an airborne computerized-device

Family Cites Families (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04363705A (ja) * 1991-01-22 1992-12-16 Jgc Corp ニューラルネットワークによるサーボ系の異常診断　　　　　　　　　　　　方法及び装置
US5365723A (en) * 1991-04-16 1994-11-22 Ramos Enrique A Portable baggage wrapping apparatus
US5568377A (en) * 1992-10-29 1996-10-22 Johnson Service Company Fast automatic tuning of a feedback controller
US5980096A (en) * 1995-01-17 1999-11-09 Intertech Ventures, Ltd. Computer-based system, methods and graphical interface for information storage, modeling and stimulation of complex systems
JPH11324782A (ja) * 1998-05-14 1999-11-26 Yamaha Motor Co Ltd 内燃機関の空燃比制御装置における学習方法
US6597777B1 (en) * 1999-06-29 2003-07-22 Lucent Technologies Inc. Method and apparatus for detecting service anomalies in transaction-oriented networks
US6853921B2 (en) * 1999-07-20 2005-02-08 Halliburton Energy Services, Inc. System and method for real time reservoir management
US7346929B1 (en) * 1999-07-29 2008-03-18 International Business Machines Corporation Method and apparatus for auditing network security
US6742124B1 (en) * 2000-05-08 2004-05-25 Networks Associates Technology, Inc. Sequence-based anomaly detection using a distance matrix
US6622099B2 (en) * 2000-08-14 2003-09-16 Kollmorgen Corporation Frequency domain auto-tune for an internal motor controller
US6772036B2 (en) * 2001-08-30 2004-08-03 Fisher-Rosemount Systems, Inc. Control system using process model
JP4018374B2 (ja) * 2001-11-21 2007-12-05 株式会社山武 空気調和機の異常検出装置、異常検出方法及びプログラム
US7472413B1 (en) * 2003-08-11 2008-12-30 F5 Networks, Inc. Security for WAP servers
US7426498B2 (en) * 2004-07-27 2008-09-16 International Business Machines Corporation Method and apparatus for autonomous classification
JP4652741B2 (ja) * 2004-08-02 2011-03-16 インターナショナル・ビジネス・マシーンズ・コーポレーション 異常検出装置、異常検出方法、異常検出プログラム、及び記録媒体
US20070028219A1 (en) * 2004-10-15 2007-02-01 Miller William L Method and system for anomaly detection
US20070028220A1 (en) * 2004-10-15 2007-02-01 Xerox Corporation Fault detection and root cause identification in complex systems
US8051484B2 (en) * 2005-06-14 2011-11-01 Imperva, Inc. Method and security system for indentifying and blocking web attacks by enforcing read-only parameters
US7590481B2 (en) * 2005-09-19 2009-09-15 Ford Global Technologies, Llc Integrated vehicle control system using dynamically determined vehicle conditions
US7962403B2 (en) * 2006-03-16 2011-06-14 Sungard Avantgard Llc Method and apparatus for a model assessing debtor behavior
JP2007334554A (ja) * 2006-06-14 2007-12-27 Nissan Motor Co Ltd 障害物検出装置および障害物検出方法
US8713190B1 (en) * 2006-09-08 2014-04-29 At&T Intellectual Property Ii, L.P. Method and apparatus for performing real time anomaly detection
US20080270328A1 (en) * 2006-10-18 2008-10-30 Chad Lafferty Building and Using Intelligent Software Agents For Optimizing Oil And Gas Wells
US20090138415A1 (en) * 2007-11-02 2009-05-28 James Justin Lancaster Automated research systems and methods for researching systems
RU2355024C2 (ru) * 2007-02-12 2009-05-10 ВОЕННАЯ АКАДЕМИЯ СВЯЗИ имени С.М. Буденного Способ мониторинга безопасности автоматизированных систем
US20090049547A1 (en) * 2007-08-13 2009-02-19 Yuan Fan System for real-time intrusion detection of SQL injection web attacks
US20090187344A1 (en) * 2008-01-19 2009-07-23 Brancaccio Daniel S System, Method, and Computer Program Product for Analyzing Power Grid Data
FR2939170B1 (fr) * 2008-11-28 2010-12-31 Snecma Detection d'anomalie dans un moteur d'aeronef.
US8146429B2 (en) * 2009-08-03 2012-04-03 Georgia Tech Research Corporation Methods and systems for classifying the type and severity of defects in welds
US8676721B2 (en) * 2009-09-18 2014-03-18 Apo Offshore, Inc. Method, system and apparatus for intelligent management of oil and gas platform surface equipment
US8478548B2 (en) * 2010-01-15 2013-07-02 Fluke Corporation User interface system and method for diagnosing a rotating machine condition not based upon prior measurement history
US8322658B2 (en) * 2010-04-05 2012-12-04 The Boeing Company Automated fire and smoke detection, isolation, and recovery

Also Published As

Publication number Publication date
JP6305004B2 (ja) 2018-04-04
CN103777623A (zh) 2014-05-07
EP2722762A2 (en) 2014-04-23
JP2014096145A (ja) 2014-05-22
RU2658392C2 (ru) 2018-06-21
US20140114442A1 (en) 2014-04-24
EP2722762A3 (en) 2017-03-15

Similar Documents

Publication Publication Date Title
RU2013142338A (ru) Организация системы управления в режиме реального времени
JP6275868B2 (ja) ニューラルウォッチドッグ
CN106104496B (zh) 用于任意时序的不受监督的异常检测
JP2019528812A5 (ru)
JP2015011722A5 (ru)
EA201391111A1 (ru) Система и способ для использования искусственной нейронной сети для моделирования гидравлики трубопроводов в имитаторе пластов
KR102577188B1 (ko) 목표 시스템에 대한 제어 시스템 생성
JP2017016306A5 (ru)
JP2018530071A5 (ru)
WO2019071438A1 (zh) 对流程行业中的设备进行状态监测的方法、装置及介质
EP3584722A3 (en) Methods and systems for controlling machine vibration
JP2016537711A (ja) スパイキングニューロンのネットワークにおける輻輳回避
CN103499923A (zh) 一种结构amd主动控制器
WO2012104135A3 (de) Zuflussbestimmung in kanalnetzen
JP2016536676A (ja) ニューラルモデル実行をリモートで制御および監視するための方法および装置
Khamehchi et al. Prediction of the influence of liquid loading on wellhead parameters
Mohammad et al. Comparing Gamma and Log-Normal GLMs in R Using Simulation and Real Data Set.
Yu et al. Convolutional Neural Network for Subsurface Flow Prediction
CN203455628U (zh) 一种结构amd主动控制器
Hill Making Earth-human system modeling easier and more interesting
O'Reilly Sensitivity analysis of machine-learning models of hydrologic time series
Wilson et al. The role of land use and rainfall on the characteristic scale unit of specific sediment flux: a catchment approach
Wang et al. Multi-agent dam management model based on improved reinforcement learning technology
Darmani Efficiency Evaluation of Artificial Neural Networks for Prediction Suspended Sediment in Mashhad, s Kardeh Watershe
Oladyshkin et al. Efficient Bayesian updating with PCE-based particle filters based on polynomial chaos expansion and CO2 storage