Ein Hybrid aus nichtlinearem autoregressivem Modell mit exogenem Input und autoregressivem gleitendem Durchschnittsmodell für die langfristige Maschinenzustandsvorhersage Dieses Papier präsentiert eine Verbesserung des Hybrid von nichtlinearen autoregressiven mit exogenem Input (NARX) Modell und autoregressivem Gleitendurchschnitt (ARMA) Modell für langfristige Maschinenstatusvorhersage auf Basis von Schwingungsdaten. In dieser Studie werden Schwingungsdaten als eine Kombination von zwei Komponenten betrachtet, die deterministische Daten und Fehler sind. Die deterministische Komponente kann den Verschlechterungsindex der Maschine beschreiben, während die Fehlerkomponente das Auftreten unsicherer Teile darstellen kann. Ein verbessertes Hybrid-Prognosemodell, nämlich das NARXndashARMA-Modell, wird durchgeführt, um die Prognoseergebnisse zu erhalten, in denen das NARX-Netzwerkmodell, das für nichtlineares Problem geeignet ist, verwendet wird, um die deterministische Komponente und das ARMA-Modell vorherzusagen, um die Fehlerkomponente aufgrund geeigneter Fähigkeiten vorherzusagen In linearer Vorhersage. Die endgültigen Prognoseergebnisse sind die Summe der Ergebnisse aus diesen Einzelmodellen. Die Leistung des NARXndashARMA-Modells wird dann unter Verwendung der Daten von Niedrigmethan-Kompressoren, die aus der Zustandsüberwachungsroutine gewonnen wurden, ausgewertet. Um die Fortschritte der vorgeschlagenen Methode zu bestätigen, wird auch eine vergleichende Untersuchung der Prognoseergebnisse aus dem NARXndashARMA-Modell und den traditionellen Modellen durchgeführt. Die Vergleichsergebnisse zeigen, dass das NARXndashARMA-Modell hervorragend ist und als potentielles Werkzeug zur Maschinenzustandsvorhersage genutzt werden könnte. Autoregressiver gleitender Durchschnitt (ARMA) Nichtlinearer autoregressiver mit exogener Input (NARX) Langfristige Vorhersage Maschinenstatusvorhersage Entsprechender Autor. Tel. 82 51 629 6152 Fax: 82 51 629 6150. Copyright Kopie 2009 Elsevier Ltd. Alle Rechte vorbehalten. Cookies werden von dieser Seite benutzt. Weitere Informationen finden Sie auf der Seite "Cookies". Copyright 2017 Elsevier B. V. oder seine Lizenzgeber oder Mitwirkenden. ScienceDirect ist ein eingetragenes Warenzeichen von Elsevier B. V.Dokumentation a ist ein konstanter Vektor von Offsets mit n Elementen. A i sind n - by-n Matrizen für jedes i. Die A sind autoregressive Matrizen. Es gibt p autoregressive Matrizen. 949 t ist ein Vektor von seriell unkorrelierten Innovationen. Vektoren der Länge n Die 949 t sind multivariate normale Zufallsvektoren mit einer Kovarianzmatrix Q. Wobei Q eine Identitätsmatrix ist, sofern nicht anders angegeben. Bj sind n - by-Matrix für jedes j. Die Bj bewegen die durchschnittlichen Matrizen. Es gibt q gleitende durchschnittliche Matrizen. X t ist eine n - by-Matrix, die exogene Terme zu jedem Zeitpunkt t darstellt. R ist die Anzahl der exogenen Serien. Exogene Ausdrücke sind Daten (oder andere ungemusterte Eingänge) zusätzlich zu der Antwortzeitreihe y t. B ist ein konstanter Vektor von Regressionskoeffizienten der Größe r. So ist das Produkt X t middotb ein Vektor der Größe n. Im allgemeinen sind die Zeitreihen y t und X t beobachtbar. Mit anderen Worten, wenn Sie Daten haben, stellt es eine oder beide dieser Serien dar. Du kennst nicht immer den Offset a. Koeffizient b. Autoregressive Matrizen A i. Und gleitende mittlere Matrizen B j. Sie möchten diese Parameter in der Regel an Ihre Daten anpassen. Siehe die vgxvarx-Funktionsreferenzseite für die Möglichkeit, unbekannte Parameter abzuschätzen. Die Innovationen 949 t sind nicht zu beobachten, zumindest in Daten, obwohl sie in Simulationen beobachtbar sind. Lag Operator Representation Es gibt eine äquivalente Darstellung der linearen autoregressiven Gleichungen in Bezug auf Lagoperatoren. Der Lagoperator L verschiebt den Zeitindex um eins zurück: L y t y t 82111. Der Operator L m verschiebt den Zeitindex um m zurück. L m y t y t 8211 m In der Verzögerungsoperatorform wird die Gleichung für ein SVARMAX (Modell q) r) Modell (A 0 x 2212 x 2211 i 1 p A i L i) y t a X t b (B 0 x 2211 j 1 q B j L j) x03B5 t Diese Gleichung kann als A (L) y t a X t b B (L) x03B5 t geschrieben werden. Ein VAR-Modell ist stabil, wenn det (I n x2212 A 1 z x2212 A 2 z 2 x 2212 x 2212 A pzp) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Diese Bedingung impliziert, dass bei allen Innovationen gleich Null der VAR-Prozess zu einem konvergiert wie die Zeit vergeht. Siehe Luumltkepohl 74 Kapitel 2 für eine Diskussion. Ein VMA-Modell ist invertierbar, wenn det (I n B 1 z B 2 z 2 B q z q) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Diese Bedingung impliziert, dass die reine VAR-Darstellung des Prozesses stabil ist. Für eine Erläuterung, wie man zwischen VAR - und VMA-Modellen umwandelt, siehe Ändern von Modelldarstellungen. Siehe Luumltkepohl 74 Kapitel 11 für eine Diskussion über invertierbare VMA-Modelle. Ein VARMA-Modell ist stabil, wenn sein VAR-Teil stabil ist. Ähnlich ist ein VARMA-Modell invertierbar, wenn sein VMA-Teil invertierbar ist. Es gibt keinen klar definierten Begriff der Stabilität oder Umkehrbarkeit für Modelle mit exogenen Eingaben (z. B. VARMAX-Modelle). Ein exogener Eingang kann ein Modell destabilisieren. VAR-Modelle aufbauen Um ein mehrfaches Zeitreihenmodell oder mehrere Zeitreihendaten zu verstehen, führen Sie in der Regel folgende Schritte durch: Importieren und Vorverarbeiten von Daten. Geben Sie ein Modell an. Spezifikation Strukturen ohne Parameter Werte, um ein Modell zu spezifizieren, wenn Sie möchten, dass MATLAB x00AE die Parameter spezifizieren Spezifikationsstrukturen mit ausgewählten Parameterwerten, um ein Modell anzugeben, in dem Sie einige Parameter kennen und MATLAB schätzen, um die anderen zu bestimmen, die eine bestimmte Anzahl von Lags bestimmen, um zu bestimmen Eine passende Anzahl von Verzögerungen für Ihr Modell Passen Sie das Modell an Daten an. Anpassen von Modellen an Daten, um vgxvarx zu verwenden, um die unbekannten Parameter in Ihren Modellen abzuschätzen. Dies kann Folgendes beinhalten: Ändern von Modelldarstellungen, um Ihr Modell auf einen Typ zu ändern, den vgxvarx behandelt analysiert und prognostiziert mit dem eingebauten Modell. Dies kann Folgendes beinhalten: Untersuchen der Stabilität eines angepassten Modells, um festzustellen, ob Ihr Modell stabil und invertierbar ist. VAR-Modell Vorhersage, um direkt von Modellen zu prognostizieren oder mit einer Monte-Carlo-Simulation zu prognostizieren. Berechnen von Impulsantworten zur Berechnung von Impulsantworten, die Prognosen auf der Grundlage einer angenommenen Änderung einer Eingabe in eine Zeitreihe geben. Vergleichen Sie die Ergebnisse Ihrer Modellvorhersagen mit Daten, die für die Prognose ausgehändigt wurden. Ein Beispiel finden Sie unter VAR Model Case Study. Ihre Anwendung muss nicht alle Schritte in diesem Workflow beinhalten. Zum Beispiel haben Sie keine Daten, sondern wollen ein parametrisiertes Modell simulieren. In diesem Fall würden Sie nur die Schritte 2 und 4 des generischen Workflows durchführen. Sie können durch einige dieser Schritte iterieren. Verwandte Beispiele Wählen Sie Ihr LandUnivariate ARMAXGARCH Composite-Modelle, einschließlich EGARCH, GJR und andere Varianten Multivariate Simulation und Prognose von VAR, VEC und cointegrierten Modellen State-Space-Modelle und Kalman-Filter für die Parameterschätzung Tests für Einheit Wurzel (Dickey-Fuller, Phillips - Perron) und Stationarity (Leybourne-McCabe, KPSS) Statistische Tests, einschließlich Likelihood Ratio, LM, Wald, Engles ARCH und Ljung-Box Q Cointegrationstests, einschließlich Engle-Granger und Johansen Diagnostics und Utilities, einschließlich AICBIC Modell Auswahl und Teil - , Auto - und Kreuzkorrelationen Hodrick-Prescott-Filter für die Konjunkturanalyse Die Zeitreihenmodellierungsfunktionen in der Econometrics Toolbox dienen der Erfassung von Merkmalen, die häufig mit finanziellen und ökonometrischen Daten verbunden sind, einschließlich Daten mit Fettschwänzen, Volatilitätsclustering und Hebelwirkung . Unterstützte bedingte Mittelmodelle sind: Autoregressiver gleitender Durchschnitt (ARMA) Autoregressiver gleitender Durchschnitt mit exogenen Eingängen (ARMAX) Autoregressiver integrierter gleitender Durchschnitt (ARIMA) mit exogenen Eingaben (ARIMAX) Regression mit ARIMA-Fehlerterminen Unterstützte bedingte Varianzmodelle beinhalten: Verallgemeinerte autoregressive bedingte hetrerosedastizität ( GARCH) Glosten-Jagannathan-Runkle (GJR) Exponentielle GARCH (EGARCH) Die Econometrics Toolbox verfügt über einen kompletten Satz von Werkzeugen für den Aufbau zeitveränderlicher Volatilitätsmodelle. Die Toolbox unterstützt mehrere Varianten von univariaten GARCH-Modellen, darunter Standard-ARCHGARCH-Modelle, sowie asymmetrische EGARCH - und GJR-Modelle zur Erfassung von Hebelwirkungseffekte bei Asset-Renditen. Die Toolbox unterstützt auch die Simulation von stochastischen Volatilitätsmodellen. Modellieren Sie das Marktrisiko eines hypothetischen globalen Aktienindexportfolios nach Monte Carlo Simulation. Schätzung des Marktrisikos durch Bootstrapping und gefilterte historische Simulationstechnik. Plots zeigen gefilterte Residuen und Volatilität der Portfolio-Renditen aus einem AR (1) EGARCH (1,1) - Modell (oben rechts), das simulierte Portfolio kehrt über einen einmonatigen Horizont zurück (links) und die Wahrscheinlichkeitsverteilungsfunktion (rechts unten) . Wählen Sie Ihr Land Wählen Sie Ihr Land, um übersetzte Inhalte zu erhalten, wo verfügbar und sehen Sie lokale Veranstaltungen und Angebote. Basierend auf Ihrem Standort empfehlen wir Ihnen:. Sie können auch einen Ort aus der folgenden Liste auswählen: Asien-Pazifik Erkunden Sie Produkte Versuchen Sie oder kaufen Lernen Sie, um Unterstützung zu erhalten Über MathWorks Beschleunigung des Tempo der Technik und Wissenschaft MathWorks ist der führende Entwickler von mathematischen Computer-Software für Ingenieure und Wissenschaftler.
No comments:
Post a Comment