Um modelo híbrido de modelo autoregressivo não-linear com entrada exógena e modelo de média móvel autorregressiva para a previsão de estado de máquina a longo prazo. Este artigo apresenta uma melhoria de híbrido de autorregressão não-linear com modelo NARX de entrada exógeno e modelo ARMA de média móvel autorregressiva para previsão de estado de máquina a longo prazo Com base em dados de vibração Neste estudo, os dados de vibração são considerados como uma combinação de dois componentes que são dados deterministas e erro. O componente determinístico pode descrever o índice de degradação da máquina, enquanto o componente de erro pode representar o aparecimento de partes incertas. É utilizado o modelo NARX ARMA para obter os resultados de previsão em que o modelo de rede NARX que é adequado para a emissão não linear é usado para prever a componente determinística eo modelo ARMA é usado para prever a componente de erro devido à capacidade apropriada na previsão linear Os resultados finais de previsão são a soma de t Resultados obtidos a partir destes modelos únicos O desempenho do modelo NARX ARMA é então avaliado utilizando os dados do compressor de baixo metano adquirido a partir da rotina de monitoramento de condições. Para corroborar os avanços do método proposto, um estudo comparativo dos resultados de previsão obtidos de NARX modelo ARMA e modelos tradicionais também é realizada Os resultados comparativos mostram que NARX modelo ARMA é excelente e poderia ser usado como uma ferramenta potencial para máquina de previsão state. Autoregressive média móvel ARMA. Nonlinear autorregressivo com entrada exógena NARX. Long-term predição. Machine state forecasting. Corresponding autor Tel 82 51 629 6152 fax 82 51 629 6150.Copyright 2009 Elsevier Ltd Todos os direitos reservados. Cookies são utilizados por este site Para obter mais informações, visite a página cookies. Copyright 2017 Elsevier BV ou seus licenciadores ou contribuintes ScienceDirect É uma marca registada de Elsevier B Vc é um vector constante de deslocamentos, com n elementos. i são n - by - N matrices para cada i As i são matrizes autorregressivas Existem p matrizes autorregressivas, e algumas podem ser inteiramente compostas de zeros. t é um vetor de inovações não correlacionadas em série, vetores de comprimento n Os t são vetores aleatórios normais multivariados com uma matriz de covariância. J são matrizes n-by-n para cada j As j são matrizes de média móvel Existem q matrizes de média móvel e algumas podem ser inteiramente compostas de zeros. é um vetor constante de coeficientes de tendência de tempo linear, com n elementos. xt é um R - by - 1 vetor representando termos exógenos a cada momento tr é o número de séries exógenas Termos exógenos são dados ou outras entradas não modificadas além da série de tempo de resposta yt Cada série exógena aparece em todas as equações de resposta. Geralmente, as séries de tempo yt E xt são observáveis Em outras palavras, se você tem dados, representa uma ou ambas as séries Você nem sempre sabe o deslocamento c coeficiente de coeficiente coeficiente matrizes autorregressivas i e média móvel tapete Rices j Você costuma querer ajustar esses parâmetros aos seus dados Veja as estimativas para formas de estimar parâmetros desconhecidos As inovações t não são observáveis, pelo menos em dados, embora possam ser observáveis em simulações. Econometrics Toolbox suporta a criação e análise do VAR P usando varm e métodos associados. Rag Representação do Operador. Existe uma representação equivalente das equações de auto-regressão linear em termos de operadores de atraso O operador de atraso L move o índice de tempo de volta por um L ytyt 1 O operador L m move o índice de tempo de volta Por m L mytyt m. Na forma de operador lag, a equação para um SVARMAX pq modelo torna-se. 0 i 1 pi L iytcxt 0 j 1 qj L j t. Esta equação pode ser escrita como. Selecione Seu País. c é um vetor constante de deslocamentos, com n elementos. i são n - por-matrizes para cada i A i São matrizes autorregressivas Existem p matrizes autorregressivas, e algumas podem ser inteiramente compostas por zeros. t é um vetor de inovações não correlacionadas em série, vetores de comprimento n Os t são vetores aleatórios normais multivariados com uma matriz de covariância. j são n - byn Matrizes para cada j As j são matrizes de média móvel Existem q matrizes de média móvel e algumas podem ser inteiramente compostas de zeros. é um vetor constante de coeficientes de tendência de tempo linear, com n elementos. x é um vetor r-por-1 representando Termos exógenos a cada tempo tr é o número de séries exógenas Termos exógenos são dados ou outras entradas não modificadas além da série de tempo de resposta yt Cada série exógena aparece em todas as equações de resposta. Geralmente, as séries de tempo yt e xt são observáveis Em outras palavras , Se você tiver dados, Representa uma ou ambas as séries Você nem sempre sabe o deslocamento c coeficiente de coeficiente de tendência matrizes autorregressivas i e matrizes de média móvel j Você normalmente deseja ajustar esses parâmetros aos seus dados Veja estimativa para formas de estimar parâmetros desconhecidos As inovações t não são Observável, pelo menos em dados, embora eles possam ser observáveis em simulações. Econometrics Toolbox suporta a criação e análise do modelo VAR p utilizando varm e métodos associados. Lag Representante Operador. Existe uma representação equivalente das equações linear autorregressivas em termos de Lag O operador de atraso L move o índice de tempo de volta por um L ytyt 1 O operador L m move o índice de tempo de volta por m L mytyt m. Na forma de operador de lag, a equação para um modelo SVARMAX pq se torna. 0 i 1 p i L i y t c x t 0 j 1 q j L j t. Esta equação pode ser escrita como. Selecione seu país.
No comments:
Post a Comment