Способ предсказания выхода из строя оборудования сенсорных и беспроводных сетей на основе онтологии с применением машинного обучения

Изобретение относится к области обработки информации об отказах оборудования сенсорных и беспроводных сетей. Техническим результатом является уменьшение количества ошибок предсказания отказов оборудования сенсорных и беспроводных сетей. В способе принимают аварийные сигналы от оборудования сенсорных и беспроводных сетей, идентифицируют оборудование путем анализа содержимого аварийного сигнала с помощью онтологии предметной области и классификатора, определяют признак класса объектов для машинного обучения, определяют вид отказа, устанавливают семантические связи между классами объектов онтологии и с устройствами и со значениями параметров классифицированных объектов и с содержимым аварийных сигналов, и далее передают на вход компьютерной программы машинного обучения в машиночитаемой форме классифицированные объекты и значения их параметров, и получают предсказание признака наступления выхода из строя или условий реализации события выхода из строя оборудования сенсорных и беспроводных сетей и в графической и в машиночитаемой форме. 1 з.п. ф-лы, 3 ил.

 

Область техники, к которой относится изобретение

Изобретение относится к области обработки информации об отказах оборудования сенсорных и беспроводных сетей. С помощью изобретения решается техническая проблема повышения достоверности прогноза определения отказа оборудования. Технический результат заключается в уменьшении количества ошибок предсказания отказов оборудования сенсорных и беспроводных сетей и достигается путем применения онтологии предметной области и разработанного на основе онтологии классификатора для определения класса объектов, к которому относится отказавшее оборудование, и далее применяют машинное обучение.

Уровень техники

Раскрытие уровня техники осуществлено в той степени, в какой это известно заявителям. Работы изобретателей, согласно описанию, посвящены основам и аспектам описания изобретения, которые могут квалифицироваться как предшествующий уровень техники, необходимый для понимания сущности изобретения и экспертизы заявки. Уровень техники определяется следующими известными заявителю аналогами изобретения.

Известен «Fault diagnostics» (WO 2006/097675 A1, G06N 5/02 (2006.01), H04L 12/24 (2006.01), 18.03.2005), где метод основан на использовании системы принятия решений на основе прецедентов или события отказа, где система повторного принятия решений на основе прецедентов, содержит множество прецедентов, каждый из которых имеет ассоциированное решение и значимость, а упомянутый способ включает этапы сбора данных, связанных с отказом; определение степени совпадения, оценивающего степень соответствия между получаемыми данными по отказам и каждым из множества прецедентов; предоставление решения, связанного с одним из множества случаев, в зависимости от соответствия прецендента и значимости прецедента; получение актуального решения по действию в случае отказа; увеличение значимости или веса случая, связанного с предоставленным решением, если фактическое решение совпало с предоставленным системой решением; и добавление нового случая к множеству прецедентов, связанных с устранением неисправности, если фактическое решение не совпало с предоставленным системой решением, при этом фактическое решение связано с новым случаем отказа.

Техническая проблема повышения достоверности прогноза события выхода из строя или условий реализации такого события при осуществлении аналога изобретения не может быть решена, потому что в аналоге изобретения используется подход, предусматривающий, что случаи отказов имеют прецеденты, которые связаны только с событием отказа, а добавление нового случая к множеству прецедентов не классифицировано по объектам и, следовательно, не связано с ранее определенными случаями, что можно было бы решить с помощью машинного обучения.

Известен «Fault diagnosis in networks» (EP 2015058924 WO2016169616 A1 H04L 12/24 (2006.01), 24.05.2015)) которое относится к способам и устройствам для определения причин неисправностей в компьютерных или телекоммуникационных сетях, включающее устройство и соответствующий метод определения причины неисправности в сети. Устройство состоит из средства для приема, которое может быть приемником, настроенным для приема множества разделенных по времени выборок сетевых метрик, которые указывают на неисправность в сети, и множество разделенных во времени выборок одной или нескольких индикаторных метрик сети. Устройство также включает средство для осуществления корреляции в виде коррелятора, настроенном для определения одного или нескольких значений корреляции показателей, относящихся к зависимостям между выборками по начальным сетевым метрикам и выборками по конкретной метрике или нескольким индикаторным сетевым метрикам. Коррелятор дополнительно настраивается для определения одного или нескольких значений корреляции сбоев, относящихся к зависимостям между одним или несколькими значениями корреляции показателей и множеством сохраненных значения метрической корреляции, связанные с причиной неисправности. Устройство содержит средство определения неисправности, которое может быть определителем неисправности, сконфигурирован для определения причины неисправности на основе одного или нескольких значений корреляции неисправностей.

Техническая проблема повышения достоверности прогноза события выхода из строя или условий реализации такого события при осуществлении аналога изобретения не может быть решена, потому что в аналоге изобретения отсутствует возможность классифицировать источники сетевых метрик и нет возможности проверить обоснованность действий коррелятора и оценить точность его работы, что в заявляемом способе достигается машинным обучением.

Известен «Система и способы для прогнозирования поведения скважины» (RU 2573 746 C2 H04L 12/24 (2006.01), 3.06.2011), где группа изобретений относится к области моделирования и может быть использована для прогнозирования поведения скважины. Техническим результатом является прогнозирование интенсификации добычи. Способ содержит этапы, на которых: идентифицируют входные переменные, которые имеют влияние на выходной показатель, идентифицируют поднабор из набора входных переменных, где данный поднабор имеет относительно большее влияние на выходной показатель, выбирают поднабор из набора входных переменных, основанный, по меньшей мере, частично на каждой входной переменной в поднаборе, имеющем относительно большее влияние на выходной показатель. Модель физических свойств строят, чтобы прогнозировать выходной показатель как функцию поднабора из набора входных переменных. Предполагаемые изменения в поднабор из набора входных переменных ранжируют по вероятности, используя модель физических свойств. Поведение физической системы прогнозируют на основании уровня предполагаемых изменений. Используется байесовская сеть, представляющей модель, в которой три входных переменных используют, чтобы делать прогноз.

Техническая проблема повышения достоверности прогноза события выхода из строя или условий реализации такого события при осуществлении аналога изобретения не может быть решена, потому что в аналоге изобретения отсутствует возможность классифицировать источники входных переменных и нет возможности увеличить количество переменных больше трёх для прогноза, что в заявляемом способе достигается машинным обучением.

Аналогом, наиболее близким к изобретению – прототипом – является идентификация вариантов выявления неисправностей для устранения отказов сети (RU №2682018 C2 H04W 40/24 (2009.01), 19.03.2015), где изобретение относится к отрасли обработки и хранения данных. Технический результат – сокращение периода времени оператору для устранения неисправности сети. Для этого принимается аварийный сигнал, и на основе содержания аварийного сигнала идентифицируется отказавшее устройство. Для условий отказа для аварийного сигнала устанавливается соответствие симптому отказа, который мог проявляться отказавшим устройством, и варианты выявления неисправностей, использованные ранее для смягчения последствий симптома отказа, извлекаются из хронологических данных. Вариантам выявления неисправностей соответственно присвоены метки, причем метка является показателем вероятности того, что вариант выявления неисправностей, которому была присвоена метка, смягчит последствия симптома отказа.

Группировка аварийных сигналов может осуществлять несколькими способами, при этом первый сигнал может быть сгруппирован со вторым аварийным сигналом, сформированным вторым устройством, которое является соседом первого устройства в сети (например, через 1-2 транзитных участка в восходящем или нисходящем направлении в сетевой иерархической топографии); и группа избыточности; первый аварийный сигнал может быть сгруппирован со вторым аварийным сигналом, сформированным вторым устройством в той же самой группе избыточности, как первое устройство (например, может указать на проблему с протоколом аварийного переключения).

Техническая проблема повышения достоверности прогноза события выхода из строя или условий реализации такого события не может быть решена в прототипе, потому что в прототипе изобретения не соотносят отказ с подобными ему отказами других, однотипных устройств и не прогнозируют значения меток, которые являются показателем вероятности того, что вариант выявления неисправностей, которому была присвоена метка, смягчит последствия симптома отказа, что в заявляемом способе достигается машинным обучением.

Раскрытие сущности изобретения

Технический результат заключается в уменьшении количества ошибок определения класса и параметров отказавшего объекта при контроле и управлении оборудованием сенсорных и беспроводных сетей и достигается применением онтологии предметной области и разработанного на основе онтологии классификатора для определения класса объектов, к которому относится оборудование, что повышает качество и снижает противоречивость данных для машинного обучения.

Сущность заявляемого способа состоит в приёме аварийных сигналов в машиночитаемой форме от оборудования сенсорных и беспроводных сетей, и на основе содержания аварийного сигнала идентифицируется класс оборудования с помощью онтологии предметной области и классификатора, причем классификатор предварительно создан экспертом на основе представления знаний об оборудовании сенсорных и беспроводных сетей, семантических связях между оборудованием различных типов, параметрах аварийных сообщений и(или) сигналов, совокупно хранимых в энергозависимой памяти в машиночитаемой форме компьютера.

Следующим действием, основанным на классификаторе, есть определение класса оборудования сенсорных и беспроводных сетей. Также использование онтологии предметной области и разработанного н классификатора позволяет определить, например, соответствие разнородного оборудования сенсоров и датчиков одному классу «Датчик» и далее выделить область отказа оборудования датчиков как однотипных объектов для предсказания выхода из строя с помощью машинного обучения вне зависимости от других классов оборудования.

Результат работы классификатора в виде классифицированных объектов, соответствующих оборудованию, их параметров и содержания сообщений об отказах передаются как входные данные для запуска компьютерной модели машинного обучения, хранимой в энергозависимой памяти в виде компьютерной программы. Следующим действием получен с помощью компьютера выход модели машинного обучения в виде данных в машиночитаемой и в графической форме с предсказанием признака наступления выхода из строя или условий реализации события выхода из строя оборудования сенсорных и беспроводных сетей.

Если имеются оборудование, не идентифицируемое с помощью анализа содержимого аварийного сигнала и с помощью онтологии предметной области и классификатора, то и далее сведения о таком оборудовании не используют, но при этом список такого оборудования направляется эксперту предметной области для анализа причин несоответствия.

Осуществление изобретения

Осуществление заявляемого изобретения, выраженного Способ предсказания выхода из строя оборудования сенсорных и беспроводных сетей на основе онтологии с применением машинного обучения, производится в одном или в нескольких одинаковых или различных вариантах осуществления.

Наиболее очевидный вариант осуществления обозначен как «предпочтительный» для раскрытия существенных признаков, а термины «содержащий», «включающий», «имеющий», «позволяющий» и т.п., используются в отношении варианта осуществления и являются синонимами.

Следует понимать, что могут использоваться и другие варианты осуществления и структурные или логические изменения заявляемого способа, что может быть выполнено без выхода за рамки предпочтительного варианта осуществления изобретения. Следовательно, последующее подробное описание не следует рассматривать в ограничительном смысле, набор вариантов осуществления определены прилагаемой формулой изобретения.

В предпочтительном варианте осуществления изобретения аварийный сигнал от физического или виртуального объекта сенсорной и беспроводной сети включает сведения об отказе, которые в рамках предпочтительного варианта раскрытия семантически обозначается «Fault» или «Отказ». Аварийный сигнал или аварийное сообщение может генерироваться программным обеспечением устройства либо формироваться в результате анализа сообщения или физического сигнала отдельным устройством системы управления.

В рамках предпочтительного варианта осуществления использована компьютерная модель для описания знаний об оборудовании, являющимся источником аварийных сигналов или сообщений об отказах в сенсорной и беспроводной сети, что позволяет единообразно описать разнородные устройства как источники сообщений об отказах с помощью единой системы классификации, где устройства относятся к классам, и далее для классов сформировано семантическое описание связей между ними, включая точное и объективное описание терминов, определяющих каждый класс как концепт онтологии.

В предпочтительном варианте осуществления используется онтологический подход позволяющий определить истинность или ложность отнесения оборудования и полученного аварийного сигнала или сообщения к определенному классу, и далее с помощью описания связей между классами устройств онтология и классификатор определяют семантическую принадлежность аварийного сигнала или сообщения. Это позволяет выявлять ситуацию, когда полученный аварийный сигнал или сообщение не может быть связан с классом оборудования, что доказывает наличие нераспознанного класса, подмены аварийного сигнала или сообщения или наличие ранее неизвестного класса оборудования в сети, что требует расширения и уточнения экспертом в проблемной области модели для описания знаний в формате онтологии.

При разработке онтологической модели классов и связей между классами им присваиваются уникальные имена и даются определения в предпочтительном варианте раскрытия. Определение классов и связей могут описываться с помощью формального или логического языка описания, что позволяет использовать логический вывод для получения фактов из существующих данных об аварийных сигналах или сообщениях.

В качестве классов в предпочтительном варианте раскрытия рассматривается обобщенные описания физических устройств одного вида (типа). При этом физическое устройство рассматривается как сущность, обладающая материальным существованием в реальном мире.

Дополнительно в рамках осуществления изобретения выделены виртуальные то есть цифровые (нематериальные) сущности, например программное обеспечение (прошивка) сенсорных узлов в объективной форме представления или описание события материального мира, например «Отказ».

В предпочтительном варианте осуществления определены, но не ограничиваясь ими, нижеследующие классы и соответствующие им термины, совокупно требуемые для осуществления изобретения.

Класс «Сенсорный узел» (Sensor Node) представляет собой описание в машиночитаемой форме устройства (сетевого элемента) в виде средства связи, который имеет в своём составе, по крайней мере один датчик и, возможно, исполнительное устройство с возможностями радиосвязи и обработки данных непосредственно на данном устройстве. Класс «Сенсор» (Sensor) представляет собой описание в машиночитаемой форме устройства, которое измеряет характеристики физического мира и преобразует их в цифровую форму. Класс «Исполнительное устройство» (Actuator) представляет собой описание в машиночитаемой форме устройства, которое меняет свойство физической сущности в ответ на входной сигнал заданным образом. Класс «Компонент» (Сomponent) представляет собой описание в машиночитаемой форме модульной, развертываемой и взаимозаменяемой части сенсорного узла, который реализует заданные функции и предоставляет набор интерфейсов для взаимосвязей со шлюзом и радиоканалом. Класс «Радиоканал» (RadioChannel) представляет собой описание в машиночитаемой форме комплекса технических средств и среды распространения, обеспечивающий передачу и прием сигнала электросвязи в установленных пределах радиочастотного спектра. Класс «Шлюз» (Gateway) представляет собой описание в машиночитаемой форме элемента беспроводной сенсорной сети, соединяющий сенсорную сеть с другой сетью, в том числе с другой архитектурой или протоколами связи, обеспечивающий обмен информацией между этими сетями. Класс «Сенсорная сеть» (Sensor Network) представляет собой описание в машиночитаемой форме cистемы пространственно-распределенных сенсорных узлов и(или) шлюзов беспроводной связи, взаимодействующих друг с другом и, в зависимости от функций, возможно, с другой телекоммуникационной инфраструктурой для получения, обработки, передачи и предоставления информации, извлеченной из информационной среды, с основной функцией сбора сенсорной информации и возможностью управления. Класс «Базовая станция беспроводной сети» (Base Node) представляет собой описание в машиночитаемой форме устройства, выполняющего функции коммутации каналов и пакетов, организации каналов связи для сенсорной сети и собственных устройств. Класс «Сеть передачи пакетов» (Packet Data Network) представляет собой описание в машиночитаемой форме сети передачи пакетов данных через канальный или сетевой уровень модели взаимосвязи открытых систем. Класс «Беспроводная сеть» (Wireless Network) понимается беспроводная сеть наземной подвижной радиотелефонной связи (GSM/2G, UMTS/3G, LTE/4G) или беспроводная локальная или городская беспроводная вычислительная сеть (WLAN, MAN).

Класс «Отказ» (Fault) представляет собой описание в машиночитаемой форме cобытия, заключающегося в нарушении работоспособного состояния оборудования сенсорной и беспроводной сети. Отказ в рамках предпочтительного раскрытия рассматривается как полный отказ.

У рассмотренных классов устройств в рамках модели выделяются атрибуты. Атрибут представляет собой описание машиночитаемой форме свойства физического или виртуального устройства, и этой свойство описано физической величиной или качественным свойством, значение или сведения о котором может быть получено от оборудования сенсорных и беспроводных сетей путем считывания параметров настройки. Набор атрибутов в предпочтительном варианте осуществления представляет собой уникальный идентификатор устройства.

В предпочтительном варианте осуществления каждый класс имеет набор объектов класса, где каждый объект класса соответствует оборудованию сенсорной и беспроводной сети.

В предпочтительном варианте осуществления событие отказа можно формально выразить в виде выражения–кортежа согласно формуле :

где Fault – общее обозначение события отказа в рамках предпочтительного варианта осуществления;

Obj – множество объектов классов онтологии, то есть множество источников аварийных сигналов или сообщений в предпочтительном варианте осуществления;

Attr(Obj) – множество атрибутов объектов классов компьютерной модели;

Rel (Obj) – множество семантических отношений между объектами классов – источниками сообщений об отказах в предпочтительном варианте осуществления.

Для формирования семантических связей между классами используются отношения , которые формируются как семантические записи (предикаты), и которые характеризуют свойства соответствующих отношений между классами. В рамках предпочтительного варианта осуществления все объекты класса поддерживают описываемые далее связи в виде семантических отношений для «своего» класса.

В предпочтительном варианте осуществления отношение вида «связан с…»{connectedTo} показывает, что один объект класса связан с другим объектом класса, что требуется учитывать в машинном обучения.

В предпочтительном варианте осуществления отношение вида «выявлен отказ»{detectedWithFault} показывает, что объект класса связан со классом «Отказ», для описания обнаружения и фиксации факта отказа на оборудования в физическом мире.

В предпочтительном варианте осуществления всё оборудование есть источники информации об отказе, которые способны передать аварийный сигнал или сообщение по выделенному либо произвольно формируемому каналу управления, либо по физическому проводнику в виде сигнала электросвязи, но не ограничиваясь рассмотренными способами.

Разработанная классификация используется для реализации модели машинного обучения, причем в предпочтительном варианте осуществления в качестве входных параметров рассматриваются классы объектов «Сенсорный узел», «Шлюз», «Радиоканал», «Сенсорная сеть», «Беспроводная сеть», «Базовая станция беспроводной сети», «Сеть передачи пакетов», «Датчик», «Компонент», «Исполнительное устройство», для которых известен набор объектов каждого класса и установлена возможность быть отнесенным к источника аварийного сигнала или сообщения, при этом кроме признака, соответствующего идентификатору объекта класса и признака, указывающего на возможность быть источником аварийного сигнала или сообщения допускается использовать, но не ограничиваясь ими, признак указывающие на время формирования сообщения об отказе, признак, указывающий на связь объекта класса с объектом того же класса, признак, указывающий на связь объекта класса с объектом другого класса.

Таким образом, модель машинного обучения, которая функционирует с помощью компьютера, получает на входе информацию в машиночитаемой форме о сообщениях об отказах от источников аварийных сигналов или сообщений, а на выходе автоматически определяет категорийный признак события выхода из строя, например долю аварийных сообщений от классифицированных объектов, с помощью известных в других осуществлениях метода k-ближайших соседей, метода опорных векторов, метода k-средних, метода деревьев решений, алгоритма случайного леса, метода построения нейронной сети с долгой краткосрочной памятью, но не ограничиваясь ими. В другом варианте осуществления на выходе автоматически определяется появление во времени категорийного признака, соответствующего выходу из строя беспроводной и сенсорной сети, при этом определение объёма обработанных аварийных сигналов или сообщений в качестве обучающей и контрольной последовательности при машинном обучении не относится к настоящему осуществлению.

В случае поступления аварийного сигнала или сообщения от неизвестного объекта класса в рамках классификатора экспертом определяется описание нового объекта как источника аварийного сигнала или сообщения и в онтологии формируется класс новых объектов, который добавляется в классификатор, после чего данные передаются в качестве входной информации в модель машинного обучения для повторного обучения или переобучения.

Различные последовательности и сочетания связанных классов объектов в рамках вариантов осуществления, кроме предпочтительного варианта осуществления, могут быть описаны иным, наиболее полезным, для понимания заявленного, способом. Состав классов объектов, порядок описания последовательности связей, статусов, признаков, классификатор классов объектов не следует толковать как подразумевающий, что существует явная и прямая зависимость осуществления заявляемого способа от порядка следования и состава классов, количества и содержания связей между классами объектов, заявленных признаков классификации и моделей машинного обучения. В частности, состав классов объектов, порядок описания содержания и последовательности связей между классами объектов, количество и смысл статусов, набор объектов каждого класса, состав и назначение признаков объектов класса могут быть иным и формироваться не в порядке, описанном в предпочтительном варианте осуществления, и быть связанными другим, по сравнению с описанным, образом.

Описанные классы объектов, термины, выражения и связанные с выражением операции над объектами, методы машинного обучения могут реализовываться в ином порядке, чем в предпочтительном варианте осуществления. Возможны различные дополнительные классы объектов, термины, связи, выражения, признаки объектов классов, выполняемые операции и/или описанные операции, методы машинного обучения, которые могут быть реализованы в дополнительных вариантах осуществления по отношению к предпочтительному варианту осуществления.

Краткое описание чертежей

В нижеследующем подробном описании сделаны ссылки на прилагаемые чертежи, которые составляют часть подробного описания, на которых одинаковые цифры обозначают одинаковые части на всем протяжении, и в котором в качестве иллюстрации показан вариант осуществления, который наиболее полно отражает раскрытие сущности изобретения, но не является при этом единственно возможным вариантом, который может быть реализован на практике.

На фигуре 1 представлена функциональная схема связности сенсорной и беспроводной сети и компьютера.

На фигуре 2 представлена схема классов объектов предметной области предсказания отказов сенсорной и беспроводной сети и связей между классами.

На фигуре 3 показан алгоритм процедур обработки информации в рамках заявляемого способа.

На фиг.1 схематично показана сенсорная сеть (100) (далее «Сеть 100»), которая организует связь между сенсорным узлом (105) (далее «Узел 105»), шлюзом (125) (далее «Шлюз 125»).

«Сеть 100», «узел 105», «шлюз 125» технически способны принимать и обрабатывать аварийные сигналы и сообщения от других узлов, формировать аварийные сигналы и сообщения в связи с приёмом сообщений об отказах других узлов, не добавляя при этом к таким аварийным сигналам и сообщениям информацию о собственном отказе, а при наступлении собственного отказа «Сеть 100», «Узел 105», «Шлюз 125» формируют собственные аварийные сигналы и сообщения.

«Узел 105» принимает аварийные сигналы и сообщения от датчика (115), аварийные сигналы и сообщения от исполнительного устройства (120), аварийные сигналы и сообщения от компонента (110) и транслирует аварийные сигналы и сообщения от датчика (115), от исполнительного устройства (120), от компонента (110) в «Шлюз 125».

«Шлюз 125» принимает аварийные сигналы и сообщения от «Узла 105», но не ограничиваясь им, транслирует аварийные сигналы и сообщения от «Узла 105» в «Компьютер 145» напрямую либо через «Беспроводную сеть» (140) (далее «Сеть 140»).

«Базовая станция беспроводной сети» (130 (далее «Станция 130») принимает аварийные сигналы и сообщения от «Сети 100», аварийные сигналы и сообщения от «Шлюза 125», но не ограничиваясь ими, транслирует аварийные сигналы и сообщения от «Шлюза 125», и от «Сети 100» в «Компьютер 145» через «Беспроводную сеть» (140) («Сеть 140»).

«Станция 130» формирует собственные аварийные сигналы и сообщения, и передает сообщение об отказе в «Компьютер 145».

«Сеть передачи пакетов 135» (далее «Сеть 135») принимает аварийные сигналы и сообщения от «Узла связи 130», но не ограничиваясь ими, транслирует аварийные сигналы и сообщения от «Узла связи 130» в «Компьютер 145».

«Сеть 135» передаёт собственные аварийные сигналы и сообщения в «Компьютер 145» по «Сети 140».

«Компьютер 145» принимает, распознаёт аварийные сигналы и сообщения с помощью хранимой в энергозависимой памяти (165) (далее «Память 165») программы обработки данных об отказах (150), далее именуемой «Программой 150», которые запускаются на исполнение и останавливают работу процессором (170).

«Компьютер 145» хранит в «Памяти 165» классификатор на основе онтологии (155) в объективной форме представления для применения в отношении полученных аварийных сигналов и сообщений.

«Компьютер 145» хранит в «Памяти 165» модель машинного обучения (160) в форме программы для применения машинного обучения к классифицированным объектам с помощью классификатор на основе онтологии (155) для предсказания признака наступления выхода из строя или условий реализации события выхода из строя оборудования сенсорных и беспроводных сетей

«Компьютер 145» хранит в «Памяти 165» результат применения классификатора на основе онтологии (155) (далее «Классификатор 155») модели машинного обучения с учителем (160) (далее «Модель 160») в виде данных в машиночитаемом виде и в графическом формате.

На фиг. 2 представлена схема классов объектов предметной области сенсорных и беспроводных сетей и связей между классами.

«Отказ» (201) описывает объекты класса «Отказ» в виде элемента для представления информации в виде записи, хранимой в «Памяти 165» в битовой форме аварийных сигналов или сообщений, и далее обрабатывается в форме данных «Программой 150», «Классификатором 155», «Моделью 160». При этом источниками для появления элемента для представления информации об аварийных сигналах и сообщениях в машиночитаемой форме являются классы для представления информации для хранения и обработки данных об одноименных объектах «Сенсорный узел (Sensor Node)» (105), «Датчик (Sensor)» (115), «Компонент (Component)» (110), «Исполнительное устройство (Actuator)» (120), «Шлюз (Gateway)» (125), «Радиоканал (RadioChannel)» (205), «Сенсорная сеть (Sensor Network)» (100), «Базовая станция беспроводной сети (Base Node)» (130), «Сеть передачи пакетов (Packet Delivery Network)» (135), «Беспроводная сеть (Wireless Network)» (140), но не ограничиваясь ими. Для моделирования связи между перечисленными компонентами и компонентом «Отказ (Fault)» 201 используется отношение «выявлен отказ» (detectedWithFault) (210), которое отображает факт наличия зависимости при хранении, обработки, модификации и предоставления данных в битовой форме, хранимых в «Памяти 165», когда запись, изменение и считывание данных по объекту «Отказ (Fault)» приводит к записи, считыванию и изменению данных, хранимыми в «Памяти 165» и объектов «Сенсорный узел (Sensor Node)» (105), «Датчик (Sensor)» (115), «Компонент (Component)» (110), «Исполнительное устройство (Actuator)» (120), «Шлюз (Gateway)» (125), «Радиоканал (RadioChannel)» (205), «Сенсорная сеть (Sensor Network)» (100), «Базовая станция беспроводной сети (Base Node)» (130), «Сеть передачи пакетов (Packet Delivery Network)» (135), «Беспроводная сеть (Wireless Network)» (140), но не ограничиваясь ими.

Для моделирования связей между классами используется отношение «связан с (connectedTo)» (220), которое отображает факт наличия зависимости при хранении, обработки, модификации и предоставления данных в битовой форме, хранимых в «Памяти 165», когда запись, изменение и считывание данных по объектам одного класса приводит к записи, считыванию и изменению данных связанного класса объектов, также хранимых в «Памяти 165».

На фиг. 3 схематично показан алгоритм процедур обработки данных в рамках заявляемого способа.

В блоке «Прием сообщения об аварийном сигнале, переданное объектом беспроводной сенсорной сети» (305) (далее блок 305) осуществляется сбор и анализ сообщений о информацией об отказах, переданных объектами беспроводной сенсорной сети и внешних сетей, но не ограничиваясь ими с помощью «Устройства сбора сообщений об отказах» (145), после чего сообщения об отказах в машиночитаемой форме с учетом связей с источниками информации об отказе становятся доступными средствам компьютерной обработки данных и системе диагностики (175).

В блоке «Проверка состояния объектов беспроводной сенсорной сети и внешних сетей с помощью системы диагностики» (310) осуществляется контроль работоспособности устройств беспроводной сенсорной сети и связанных сетей из блока (305), но не ограничиваясь ими с помощью «Устройства сбора сообщений об отказах» (145), причем информации о наличии и отсутствии отказов объектов беспроводной сенсорной сети и связанных сетей записывается в энергозависимую память в виде данных, причем запись данных приводит к изменению сведений по объектам класса «Отказ (Fault)» (201), «Сенсорный узел (Sensor Node)»-«Узел 105), «Датчик (Sensor)»-сенсор (115), «Компонент (Component)»-компонент (110), «Исполнительное устройство (Actuator)»-исполнительное устройство (120), «Шлюз (Gateway)»-«Шлюз 125», «Радиоканал (RadioChannel)» (210), «Беспроводная сенсорная сеть (Wireless Sensor Network)»-«Сеть 100», «Узел связи (Communication Node)»-«Узел 130», «Магистральная сеть связи (Backbone Network)»-«Сеть 135», для чего обрабатываются онтологическим классификатором для отнесения данных диагностики к объекту класса, и становится доступна средствам компьютерной обработки данных.

На фиг. 3 схематически показан алгоритм процедур обработки аварийных сигналов и сообщений в рамках заявляемого способа.

В блоке «Прием аварийных сигналов и сообщений от оборудования сенсорных и беспроводных сетей» (305) происходит сбор сообщений об отказах от оборудования сенсорных и беспроводных сетей.

В блоке «Классификация оборудования с аварийными сигналами и сообщениями с помощью онтологии» (310) автоматически осуществляется разделение источников аварийных сигналов и сообщений по классам объектов с помощью разработанного на основе онтологии классификатора.

В блоке сравнения «Всё оборудование классифицировано?» (315) происходит сравнение в машиночитаемой форме результата классификации и поступивших аварийных сигналов и сообщений об отказах от оборудования сенсорных и беспроводных сетей, и определяется, есть ли неклассифицированные источники аварийных сигналов и сообщений.

В блоке «Формирование перечня классифицированных объектов и их параметров для машинного обучения» (320) автоматически осуществляется создание массива данных (Big Data) с указанием классифицированных объектов, их параметров и величин, полученных после обработки аварийных сигналов и сообщений с помощью разработанного на основе онтологии классификатора.

В блоке «Запуск и получение предсказания событий или признаков отказов с помощью машинного обучения» (325) происходит запуск компьютером программы для получения результатов машинного обучения в виде описания в машиночитаемой и графической формы признаков наступления выхода из строя или условий реализации события выхода из строя оборудования сенсорных и беспроводных сетей.

В блоке «Исключение неклассифицированного оборудования из данных для машинного обучения» (330) происходит исключение из массива данных (Big Data) неклассифицированных объектов, их параметров и величин, полученных после обработки аварийных сигналов и сообщений с помощью разработанного на основе онтологии классификатора.

1. Способ предсказания выхода из строя оборудования сенсорных и беспроводных сетей на основе онтологии с применением машинного обучения, где принимают аварийные сигналы, и на основе содержания аварийного сигнала идентифицируют отказавшее устройство, и вариантам выявления неисправностей присваивают метки, причем метка является показателем вероятности того, что вариант выявления неисправностей, которому была присвоена метка, смягчит последствия отказа, отличающийся тем, что используют компьютер, содержащий процессор, энергозависимую память и машиночитаемый носитель, где сохраняют в машиночитаемой форме онтологию предметной области, и сохраняют в машиночитаемой форме классификатор типов устройств и отказов, и сохраняют в машиночитаемой форме компьютерную программу машинного обучения, и далее принимают аварийные сигналы от оборудования сенсорных и беспроводных сетей, и далее оборудование идентифицируют путем анализа содержимого аварийного сигнала с помощью онтологии предметной области и классификатора, и далее определяют признак класса объектов для машинного обучения, и далее определяют вид отказа, и далее устанавливают семантические связи между классами объектов онтологии и с устройствами и со значениями параметров классифицированных объектов и с содержимым аварийных сигналов, и далее передают на вход компьютерной программы машинного обучения в машиночитаемой форме классифицированные объекты и значения их параметров, и получают предсказание признака наступления выхода из строя или условий реализации события выхода из строя оборудования сенсорных и беспроводных сетей и в графической и в машиночитаемой форме.

2. Способ предсказания выхода из строя оборудования сенсорных и беспроводных сетей на основе онтологии с применением машинного обучения, отличающийся от способа в п. 1 тем, что оборудование не идентифицируют с помощью анализа содержимого аварийного сигнала с помощью онтологии предметной области и классификатора, и не определяют вид отказа, и далее сведения о таком оборудовании не передают на вход компьютерной программы машинного обучения в машиночитаемой форме.