Informacionnye TehnologiiInformacionnye TehnologiiИнформационные технологии1684-6400New Technologies Publishing House70838910.17587/it.32.300-308Neural network technologiesНейросетевые технологииResearch ArticleIntelligent segmentation of anomalies in oceanographic data: comparative analysis of BiLSTM and TCN on time and time-frequency representationsИнтеллектуальная сегментация аномалий в океанографических данных: сравнительный анализ BiLSTM и TCN на временных и частотно-временных представленияхKorotchenkoR. A.КоротченкоР. А.
Russian Federation

Ph.D., Senior Researcher

канд. техн. наук, ст. науч. сотр.

kosheleva@poi.dvo.ruKoshelevaA. V.КошелеваА. В.
Russian Federation

Researcher

науч. сотр.

kosheleva@poi.dvo.ruV. I. Il’ichev Pacific Oceanological Institute, Far Eastern Branch, Russian Academy of SciencesТихоокеанский океанологический институт им. В. И. Ильичева ДВО РАН090620263263003080806202608062026Copyright ©; 2026, Informacionnye TehnologiiCopyright ©; 2026, Информационные технологии2026Informacionnye TehnologiiИнформационные технологииhttps://journals.eco-vector.com/1684-6400/article/view/708389

This paper concerns the use of Deep Learning methods and Neural Networks for the task of segmentation and classification of hydrophysical time series in order to identify anomalies of a certain type caused by hardware failures. Two models based on Bidirectional Long-Short Term Memory networks and one based on a Temporal Convolutional Network were used. We made the performance comparisons and assessed the detection success. The results obtained demonstrate the effectiveness of the proposed approaches, and it was found that time-frequency analysis significantly improves the models’ ability to detect anomalies of different types.

Исследуется применение глубоких нейронных сетей для сегментации и классификации гидрофизических временных рядов в целях выявления и устранения аномалий, обусловленных аппаратными сбоями. Были использованы две модели на основе двунаправленных сетей с долгой краткосрочной памятью и одна на основе темпоральной сверточной сети. Выполнено сравнение производительности и оценена успешность обнаружения. Результаты демонстрируют эффективность предложенных подходов, при этом выявлено, что анализ частотно-временных признаков значительно повышает способность моделей детектировать аномалии.

anomaly detectionhardware failuresdeep learningtime series segmentationneural networkclassificationtime-frequency analysisобнаружение аномалийаппаратные сбоиглубокое обучениесегментация временных рядовнейронная сетьклассификациячастотно-временной анализМинистерство науки и высшего образования Российской ФедерацииMinistry of Science and Higher Education of the Russian Federation124022100074-9The research was carried out as a part of the Russian State assignment on the topic 124022100074-9 "Study of the nature of linear and nonlinear interaction of geospheric fields of transition zones of the World Ocean and their consequences"Работа выполнена в рамках государственного задания по теме 124022100074-9 "Изучение природы линейного и нелинейного взаимодействия геосферных полей переходных зон Мирового океана и их последствий"Kosheleva A. V., Lazaryuk А. Yu., Yaroshchuk I. O., Korotchenko R. A., Gulin O. E., Samchenko A. N., Pivovarov A. A., Shvyrev А. N. Acoustic-oceanological simulation of seawater hydrophysical parameters on temperature measurements in the Sea of Japan shelf zone, Vestnik Dalnevostochnogo otdeleniya Rossijskoj akademii nauk, 2018, vol. 197, no. 1. pp. 25—30 (in Russian).Кошелева А. В., Лазарюк А. Ю., Ярощук И. О., Коротченко Р. А., Гулин О. Э., Самченко А. Н., Пивоваров А. А., Швырев А. Н. Акустико-океанологическое моделирование гидрофизических параметров морской воды по измерениям температуры в шельфовой зоне японского моря // Вестник Дальневосточного отделения Российской академии наук. 2018. Т. 197, № 1. С. 25—30.Korotchenko R. A., Kosheleva А. V. Integrated Method for Moderation of Hydrological Data Using Singular Spectrum Analysis and Neural Networks, Informacionnye tehnologii, 2023, vol. 29, no. 3. pp. 149—156, DOI: 10.17587/it.29.149—156 (in Russian).Коротченко Р. А., Кошелева А. В. Комбинированный метод модерации данных гидрологических наблюдений с помощью сингулярного спектрального анализа и нейросетей // Информационные технологии. 2023. Т. 29, № 3. С. 149—156. DOI: 10.17587/it.29.149-156.Bruce P., Bruce A., Gedeck P. Practical Statistics for Data Scientists: 50+ Essential Concepts Using R and Python, 2-nd ed., Boston, O’Reilly Media, 2020, 360 p.Брюс П., Брюс Э., Гедек П. Практическая статистика для специалистов Data Science: 50+ важнейших понятий с использованием R и Python, 2-е изд. Санкт-Петербург: БХВ-Петербург, 2021. 352 с.Bendat J. S., Piersol А. G. Random Data: Analysis and Measurement Procedures, New York, John Wiley and Sons, 1986.Бендат Дж., Пирсол А. Прикладной анализ случайных данных. М.: Мир, 1989. 540 с.Chandola V., Banerjee A., Kumar V. Anomaly detection: А survey, ACM computing surveys, 2009, vol. 41, no. 3, pp. 1—58, DOI: 10.1145/1541880.1541882.Chandola V., Banerjee A., Kumar V. Anomaly detection: А survey // ACM computing surveys. 2009. Vol. 41, No. 3. P. 1—58. DOI: 10.1145/1541880.1541882.Salvador S., Chan Ph. Learning States and Rules for Detecting Anomalies in Time Series, Applied Intelligence, 2005, vol. 23, no. 3, pp. 241—255, DOI: 10.1007/s10489-005-4610-3.Salvador S., Chan Ph. Learning States and Rules for Detecting Anomalies in Time Series // Applied Intelligence. 2005. Vol. 23, No. 3, P. 241—255. DOI: 10.1007/s10489-005-4610-3.Goodfellow I., Bengio Y., Courville А. Deep Learning, Massachusetts, MIT Press, 2016, 801 p.Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение. М.: ДМК Пресс, 2018. 651 с.Gift N. Pragmatic AI: Machine Learning and Cloud Technologies, St. Petersburg, Piter, 2019, 304 p. (in Russian).Гифт Н. Прагматичный ИИ. Машинное обучение и облачные технологии. СПб.: Питер, 2019. 304 с.Malcev V. A., Murzagulov D. A., Zamyatin А. V. Detecting anomalies in process signals using an autoencoder-type neural network architecture, Avtomatizaciya v promyshlennosti, 2020, no. 10, pp. 54—58, DOI: 10.25728/avtprom.2020.10.10 (in Russian).Замятин А. В., Мальцев В. А., Мурзагулов Д. А. Обнаружение аномалий в технологических сигналах с применением нейросетевой архитектуры типа автоэнкодер // Автоматизация в промышленности. 2020. № 10. С. 54—58. DOI: 10.25728/avtprom.2020.10.10.Beale M., Hagan M., Demuth Н. Deep Learning Toolbox. User’s Guide, MathWorks, 2024, 5456 p.Beale M., Hagan M., Demuth Н. Deep Learning Toolbox. User’s Guide. MathWorks, 2024. 5456 p.Lea C., Flynn M. D., Vidal R., Reiter A., Hager G. D. Temporal Convolutional Networks for Action Segmentation and Detection, 2016, DOI: 10.48550/arXiv.1611.05267.Lea C., Flynn M. D., Vidal R., Reiter A., Hager G. D. Temporal Convolutional Networks for Action Segmentation and Detection. 2016. DOI: 10.48550/arXiv.1611.05267.Mallat S. G. А Wavelet Tour of Signal Processing, San Diego, Academic Press, 1998, 577 p.Малла С. Вэйвлеты в обработке сигналов. Пер. с англ. M.: Мир, 2005. 671 с.Auger F., Flandrin P, Lin Y., McLaughlin S., Meignen S., Oberlin T., Wu Н. Time-frequency reassignment and synchrosqueezing: An overview, IEEE Signal Processing Magazine, 2013, vol. 30, no. 6, pp. 32—41, DOI: 10.1109/MSP.2013.2265316.Auger F., Flandrin P, Lin Y., McLaughlin S., Meignen S., Oberlin T., Wu Н. Time-frequency reassignment and synchrosqueezing: An overview // IEEE Signal Processing Magazine. 2013. Vol. 30, No. 6. P. 32—41. DOI: 10.1109/MSP.2013.2265316.Oberlin T., Meignen S., Perrier V. The fourier-based synchrosqueezing transform, IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2014, pp. 315—319, DOI: 10.1109/icassp.2014.6853609.Oberlin T., Meignen S., Perrier V. The fourier-based synchrosqueezing transform. // IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). 2014. P. 315—319. DOI: 10.1109/icassp.2014.6853609.Thakur G., Brevdo E., Fuckar N. S. et al. The synchrosqueezing algorithm for time-varying spectral analysis: Robustness properties and new paleoclimate applications, Signal Processing, 2013, vol. 93, no. 5, pp. 1079—1094, DOI: 10.1016/j.sigpro.2012.11.029.Thakur G., Brevdo E., Fuckar N. S. et al. The synchrosqueezing algorithm for time-varying spectral analysis: Robustness properties and new paleoclimate applications // Signal Processing. 2013. Vol. 93, No. 5. P. 1079—1094. DOI: 10.1016/j.sigpro.2012.11.029.Yaroshchuk I. O., Kosheleva A. V., Lazaryuk А. Yu., Dolgikh G. I., Pivovarov A. A., Samchenko A. N., Shvyrev A. N., Gulin O. E., Korotchenko R. A. Estimation of Seawater Hydrophysical Characteristics from Thermistor Strings and CTD Data in the Sea of Japan Shelf Zone, Journal of Marine Science and Engineering, 2023, vol. 11, no. 6, art. no. 1204, DOI: 10.3390/jmse11061204.Yaroshchuk I. O., Kosheleva A. V., Lazaryuk А. Yu., Dolgikh G. I., Pivovarov A. A., Samchenko A. N., Shvyrev A. N., Gulin O. E., Korotchenko R. A. Estimation of Seawater Hydrophysical Characteristics from Thermistor Strings and CTD Data in the Sea of Japan Shelf Zone // Journal of Marine Science and Engineering. 2023. Vol. 11, No. 6. Art. N 1204. DOI: 10.3390/jmse11061204.