Применение топологического анализа данных в создании гибридных методов анализа изображений в АСУТП

Автор(ы): Бородов Э.В.

Выпуск: 119

Рубрика: Системный анализ

Год: 2026

Библиография: Бородов Э.В. Применение топологического анализа данных в создании гибридных методов анализа изображений в АСУТП // Управление большими системами. - 2026. - Вып. 119. - С.79-90.

Дата опубликования: 31.01.2026

Ключевые слова: персистентные гомологии, топологический анализ, АСУТП

Аннотация: Описана разработка, математическое обоснование и внедрение модели элемента системы безопасности на промышленных объектах на основе сверточных нейросетей и персистентных гомологий. Произведены анализ требований к системам мониторинга на промышленных объектах, формализация признакового пространства, разработка гибридной модели анализа данных, оптимизация модели в условиях встраиваемых систем, экспериментальное исследование эффективности модели, разработана методики интеграции гибридной модели в структуру АСУТП на объектах энергетики. Достигнуто повышение точности детекции аномалий до 8–9% на датасете, имитирующем тепловые и радиационные карты. Ключевым фактором, позволяющим достичь повышения точности распознавания, является метод персистентных изображений, позволяющий использовать градиентные методы для оптимизации метода персистентных гомологий. Это позволяет встраивать модуль топологического анализа данных в архитектуру нейронных сетей. Экспериментальная часть проведена на трех датасетах различной архитектуры. Метод показывает повышение точности до 8–9% по различным метрикам на датасете тепловых карт и до 6% на датасете, используемом для контроля целостности конструкций. Делается вывод об универсальности метода для применения в работе с датасетами с выраженной топологической структурой.

Author(s): Borodov E.

Article title: Usage of topological data analysis in the creation of hybrid image analysis methods in automated control systems

Issue: 119

Year: 2026

Keywords: persistent homology, topological analysis, automated control system

Abstract: The paper describes the development, mathematical justification and implementation of a security element model at industrial facilities based on convolutional neural networks and persistent homology. The following works were performed: analysis of requirements for monitoring systems at industrial facilities, formalization of the feature space, development of a hybrid data analysis model, optimization of the model in embedded systems, experimental study of the model's effectiveness, methods for integrating the hybrid model into the automated control system structure at energy facilities. An increase in the accuracy of anomaly detection to 8-9% has been achieved on a dataset simulating thermal and radiation maps. The key factor in achieving improved recognition accuracy is the persistent image method, which allows the use of gradient methods to optimize the persistent homology method. This makes it possible to integrate the topological data analysis module into the architecture of neural networks. The experimental part was carried out on three datasets of different architectures. The method shows an increase in accuracy of up to 8-9% according to various metrics on the dataset of heat maps and up to 6% on the dataset used to monitor the integrity of structures. The conclusion is made about the universality of the method for use in working with data sets with a pronounced topological structure.