Autoregressive Moving Average Mit Exogenen Eingängen

Ein Hybrid aus nichtlinearen autoregressiven Modell mit exogenen Eingang und autoregressive gleitenden Durchschnitt Modell für die langfristige Maschinenzustandsprognose Hong Thom Pham Van Tung Tran Bo-Suk Yang. Institut für Maschinenbau, Pukyong National University, San 100, Yongdang-dong, Nam-gu, Busan 608-739, Südkorea Verfügbar online 15. Oktober 2009. Dieses Papier stellt eine Verbesserung der hybriden nichtlinearen autoregressive mit exogenen Eingang (NARX) Modell Und autoregressive Moving Average (ARMA) - Modell für eine langfristige Maschinenzustandsvorhersage basierend auf Vibrationsdaten. In dieser Studie werden Schwingungsdaten als eine Kombination von zwei Komponenten betrachtet, die deterministische Daten und Fehler sind. Die deterministische Komponente kann den Degradationsindex der Maschine beschreiben, während die Fehlerkomponente das Auftreten unsicherer Teile darstellen kann. Ein verbessertes hybrides Prognosemodell, nämlich das NARXARMA-Modell, wird durchgeführt, um die Prognoseergebnisse zu erhalten, in denen ein NARX-Netzmodell, das für nichtlineares Problem geeignet ist, zur Prognose der deterministischen Komponente und des ARMA-Modells verwendet wird, um die Fehlerkomponente aufgrund geeigneter Fähigkeiten vorherzusagen In der linearen Vorhersage. Die endgültigen Prognoseergebnisse sind die Summe der Ergebnisse dieser einzelnen Modelle. Die Leistung des NARXARMA-Modells wird dann unter Verwendung der Daten des Niedrig-Methan-Kompressors ausgewertet, die von der Zustandsüberwachungsroutine erhalten werden. Um die Fortschritte des vorgeschlagenen Verfahrens zu bestätigen, wird auch eine vergleichende Untersuchung der Prognoseergebnisse des NARXARMA-Modells und der traditionellen Modelle durchgeführt. Die Vergleichsergebnisse zeigen, dass das NARXARMA-Modell hervorragend ist und als potenzielles Instrument zur Maschinenzustandsprognose eingesetzt werden kann. Autoregressiver gleitender Durchschnitt (ARMA) Nichtlineare autoregressive mit exogenem Eingang (NARX) Langzeitvorhersage Maschinenzustandsvorhersage Abb. Fig. Fig. Fig. Tabelle 1. Fig. Fig. Fig. Fig. Fig. Fig. Tabelle 2. Fig. Fig. Tabelle 3. Fig. Fig. 14. Entsprechender Autor. Tel. 82 51 629 6152 fax: 82 51 629 6150.Vector Atoregressive Moving Average Mit Exogenen Eingängen (VARMAX) Statistik Zuweisung Hausaufgabe Hilfe Atoregressive Moving Average mit exogenen Eingängen (VARMAX) Zuweisung Hilfe Die VARMAX-Behandlung schätzt die Designanforderungen und erzeugt mit dem Vektor verbundene Prognosen Autoregressive Moving-Average-Behandlungen mit exogenen Regressoren (VARMAX) Designs. Die VARMAX-Behandlung ermöglicht es Ihnen, die dynamische Beziehung zwischen den abhängigen Variablen und ähnlich zwischen den abhängigen und unabhängigen Variablen zu entwickeln. VARMAX-Designs werden in Anliegen der Befehle der gleitenden durchschnittlichen oder autoregressiven Behandlung (oder beides) definiert. Wenn Sie von der VARMAX-Behandlung Gebrauch machen, können diese Aufträge durch Optionen festgelegt werden oder sie können sofort herausgefunden werden. Anforderungen für die schnelle Bestimmung dieser Aufträge umfassen die folgenden: 8211 Akaike8217s Details Nachfrage (AIC). 8211 Fixed AIC (AICC). 8211 Hannan-Quinn (HQ) Nachfrage. 8211 Letzter Projektionsfehler (FPE). - Schwarz Bayesian Nachfrage (SBC), die so genannte Bayesian Details Nachfrage (BIC). Der Zustand-Raum Fundament dieser Behandlungen Materialien Anpassungsfähigkeit, wie sie genutzt werden können, um jede lineare feste Koeffizienten Design, wie ARIMA, VARMAX oder strukturelle Zeitreihen Designs. Eine Simulationsübung macht aus, dass ihre Rechenkosten und ihre Finite-Sample-Leistung außergewöhnlich sind. Reisende müssen Modellierung und Prognose sind wichtig für tourismusbezogene Business-Option machen. Dieses Beispiel zeigt Modellierung Reisende benötigen die Verwendung der VARMAX Behandlung. Durch die Verwendung eines VARMAX-Entwurfs wird eine beschränkte Beschreibung der Eingangs-Ausgangs-Beziehung hergestellt. Eine ausgedehnte Kleinste-Quadrate-Rekursion wird verwendet, um die Markov-Anforderungen im VARMAX-Design-Set zu approximieren. Die VARMAX-Klasse in Statsmodels ermöglicht die Preisangabe von VAR-, VMA - und VARMA-Designs (über das Auftragsargument), zusätzlich mit einem konstanten Begriff (durch das Dreiglied). Exogene Regressoren können ebenso aufgenommen werden (wie in Statsmodellen üblich, durch das Exon-Argument), und in dieser Technik kann ein Zeitmuster bestehen. Die Klasse macht es möglich, Messfehler (nach Methoden des Arguments Messfehler) und ermöglicht die Angabe entweder eine diagonale oder chaotisch fortschrittliche Kovarianzmatrix. Es ist beliebt, dass jede VARMAX-Behandlung in einem ähnlichen Zustand-Raum (SS) gemacht werden kann. Es ist natürlich, zu fragen, ob es möglich ist, die invertierte Modifikation durchzuführen, d. H. Die Koeffizienten der VARMAX-Konstruktion zu erhalten, die äquivalent zu einer bereitgestellten SS-Darstellung ist. Unsere Ergebnisse liefern eine positive Reaktion auf diese Frage, und als Ladung ist die Wahl zwischen beiden Darstellungen nur eine Frage von Vorteil. Gesucht nach Koeffizienten State-Space und VARMAX Designs sind ähnlich, was zeigt, dass sie die Fähigkeit haben, die präzise gleichen linearen Qualitäten zu repräsentieren, die in Anliegen zu insgesamt passen. Jede Darstellung kann für spezifische Verwendungen spezifisch sein, also hat sie die Fähigkeit, zwischen ihnen zu wählen. VARX - und VARMAX-Konstruktionen sind Erweiterungen der VAR - und VARMA-Struktur, so dass exogene (8216X8217) Variablen, deren Eigenschaften nicht definiert sind oder deren Qualitäten ein Minimum nicht von den etablierten 8216endogenen8217-Variablen y abhängen, möglich sind. Für die Prognose benötigen die X-Variablen eine Extrapolationsstrategie oder Erwartungen an ihre zukünftigen Regimen. Wenn Sie die automatische Auftragswahl nicht nutzen wollen, bietet die VARMAX-Behandlung folgende autoregressive Auftragsbestätigungen an :. 8211 Teilweise Kreuzkorrelationen. 8211 Yule-Walker zitiert. 8211 Teilweise autoregressive Koeffizienten. 8211 Teilweise kanonische Verbindungen. Für Situationen, in denen die Stationarität der Zeitreihe weiterhin in Frage gestellt wird, liefert die VARMAX-Behandlung Tests, um das Vorhandensein von Gadgetwurzeln und Co-Mix zu unterstützen. Diese Tests umfassen die folgenden :. 8211 Dickey-Fuller-Tests. 8211 Johansen-Kointegrationstest für Nicht-Setvektorbehandlungen von gebündelter Ordnung. 8211 Stock-Watson gemeinsame Muster Test für die Möglichkeit der Co-Mix unter Nicht-Satz Vektor-Behandlungen der gebündelten Auftrag ein. 8211 Johansen-Kointegrationstest für nicht eingestellte Vektorbehandlungen von gebündelter Ordnung 2. Um die Bedenken der hohen Dimensionalität in den Anforderungen des VAR-Entwurfs zu bewältigen, liefert die VARMAX-Behandlung sowohl das Vektorfehlerkorrekturdesign (VECM) als auch das bayesische Vektorfehlerkorrekturdesign BVECM). Die VARMAX-Behandlung erlaubt in ähnlicher Weise, dass unabhängige (exogene) Variablen mit ihren dispergierten Verzögerungen abhängige Variablen in vielen Konstruktionen wie VARMAX, BVARX, VECMX und BVECMX beeinflussen können. Die Prognose gehört zu den Hauptzielen der multivariaten Zeitreihenanalyse. Nach der effizienten Anpassung der VARMAX-, BVARX-, VECMX - und BVECMX-Modelle wartet der VARMAX-Behandlungsrechner auf Werte, die auf den Anforderungszinssätzen und den bisherigen Werten der Vektor-Zeitreihen basieren. Die Prüfverfahren für die Prüfverfahren sind:. 8211 Leastplätze. 8211 Optimale Möglichkeit. Das primäre Ziel dieser Forschungsstudie ist es, einen Vektor autoregressiven gleitenden Durchschnitt mit exogenen Variablen (VARMAX) Design zu einer Auto-assoziierten Behandlung zu nutzen, um ein Auge auf eine solche Behandlung durch ein Kontrolldiagramm zu halten. Insbesondere wird ein VARMAX-Design an die in-control historischen Behandlungsdetails offline angepasst und Residuen können basierend auf der gesammelten Beobachtung und dem VARMAX-Design berechnet werden. Es wird angenommen, dass die Residuen der gemeinsamen Verteilung folgen und unabhängig sein müssen, ein multivariates Kontrolldiagramm für die Residuen verwendet werden kann. Die VARMAX Behandlung Materialien viele Hypothesen Tests der langfristigen Ergebnisse und Anpassungskoeffizienten die Nutzung der Möglichkeit Ratio-Test auf der Grundlage Johansen co Kombination Analyse. Die VARMAX-Behandlung bietet die Möglichkeit Ratio-Test der schwachen Exogenität für jede Variable. Die VARMAX-Behandlung unterstützt verschiedene Modellierungsfunktionen, einschließlich der folgenden :. 8211 Saisonale deterministische Begriffe. 8211 Subset-Designs. 8211 Viele Regression mit dispergierten Verzögerungen. 8211 Totpunktgestaltung, die keine aktuellen Werte der exogenen Variablen aufweist. 8211 GARCH-Typ multivariate bedingte Heterosedastizität Designs. Die VARMAX-Behandlung schätzt die Designanforderungen und entwickelt Schätzungen im Zusammenhang mit vektorautoregressiven Moving-Average-Behandlungen mit exogenen Regressoren (VARMAX). Die VARMAX-Behandlung ermöglicht auch unabhängige Variablen mit ihren dispergierten Lags Einfluss auf abhängige Variablen in vielen Designs wie VARMAX, BVARX, VECMX und BVECMX Designs. Insbesondere wird ein VARMAX-Design an die in-control historische Behandlung info offline angepasst und Residuen können basierend auf der gesammelten Beobachtung und dem VARMAX-Design berechnet werden. VARMAX-Designs werden in Anliegen der Befehle der gleitenden durchschnittlichen oder autoregressiven Behandlung (oder beides) definiert. Die VARMAX-Klasse in Statsmodels ermöglicht es, Preisvoranschläge von VAR-, VMA - und VARMA-Designs (über das Auftragsargument), ferner mit einem konstanten Term (durch das Trendargument). Es ist natürlich, zu fragen, ob es möglich ist, die invertierte Modifikation hervorzubringen, d. H. Die Koeffizienten der VARMAX-Konstruktion zu beobachten, die äquivalent zu einer bereitgestellten SS-Darstellung ist. Das äußerst erste Ziel dieser Forschungsstudie ist es, einen vektorautoregressiven gleitenden Durchschnitt mit exogenen Variablen (VARMAX) Design zu einer Auto-assoziierten Behandlung zu nutzen, um eine solche Behandlung durch ein Kontrolldiagramm zu verfolgen. Insbesondere wird ein VARMAX-Design an die in-control historischen Behandlungsdetails offline angepasst und Residuen können basierend auf der gesammelten Beobachtung und dem VARMAX-Design berechnet werden. Wir bieten erfahrene Unterstützung für Vektor autoregressive gleitenden Durchschnitt mit exogenen Eingaben Job oder Vector autoregressive gleitenden Durchschnitt mit exogenen Eingaben Forschung Studie. Vector autoregressive gleitenden Durchschnitt mit exogenen Eingaben Online-Tutoren werden schnell 24/7 zur Verfügung gestellt, um Task-Unterstützung zusätzlich zu Vector autoregressive gleitenden Durchschnitt mit exogenen Eingaben Forschung Studienhilfe zu liefern. Zugehörige Statistiken Zuordnungen Zeitreihenanalyse und Vorhersage Vektor-Fehlerkorrektur (VEC) Vektor Autoregressive (VAR) Verwendungen der Zeitreihe Exponential GARCH (EGARCH) Nichtstationare und differenzierende Spektralanalyse Stationarität Vektor Autoregressive Moving Average (VARMA)