Un ibrido di non lineare modello autoregressivo con l'input esogeni e modello autoregressivo a media mobile per lo stato della macchina a lungo termine previsione Questo documento presenta un miglioramento di ibrido di autoregressivo lineare con il modello di ingresso esogeno (NARX) e modello autoregressivo a media mobile (ARMA) a lungo termine previsione stato della macchina in base a dati di vibrazione. In questo studio, i dati di vibrazione è considerato come una combinazione di due componenti che sono dati deterministici e di errore. Il componente deterministica può descrivere l'indice di degradazione della macchina, mentre la componente di errore può rappresentare l'aspetto delle parti incerti. Un migliorato modello previsionale ibrido, cioè il modello NARXndashARMA, viene effettuata per ottenere i risultati di previsione in cui il modello di rete NARX che è adatto per il rilascio non lineare è usato per prevedere il componente deterministica e il modello ARMA sono utilizzati per predire il componente errore dovuto alla capacità adeguata in previsione lineare. I risultati finali di previsione sono la somma dei risultati ottenuti da questi singoli modelli. Le prestazioni del modello NARXndashARMA viene poi valutata utilizzando i dati di bassa compressore metano acquisito dal monitoraggio delle condizioni di routine. Al fine di corroborare i progressi del metodo proposto, uno studio comparativo dei risultati di previsione ottenuti dal modello NARXndashARMA e modelli tradizionali viene effettuata anche. I risultati comparativi mostrano che il modello NARXndashARMA è eccezionale e potrebbe essere usato come un potenziale strumento per previsioni stato della macchina. Autoregressive media mobile (ARMA) autoregressivo lineare con ingresso esogeno (NARX) previsione dello stato di previsione a lungo termine macchina corrispondente autore. Tel. 82 51 629 6152 fax: 82 51 629 6150. Copyright copia 2009 Elsevier Ltd. Tutti i diritti riservati. I cookie vengono utilizzati da questo sito. Per ulteriori informazioni, visitare la pagina cookie. Copyright 2017 Elsevier B. V. o dei suoi licenziatari o collaboratori. ScienceDirect è un marchio registrato di Elsevier B. V.Documentation a è un vettore costante di offset, con n elementi. A i sono n - by - n matrici per ogni i. La A i sono matrici autoregressivi. Ci sono p matrici autoregressivi. 949 t è un vettore di innovazioni in serie non correlati. vettori di lunghezza n. I 949 t sono multivariati vettori casuale normale con una matrice di covarianza Q. dove Q è una matrice identità, se non diversamente specificato. B j sono n - by - n matrici per ogni j. Il j B si stanno muovendo matrici media. Ci sono q in movimento matrici media. X t è un n - by - matrice R rappresenta termini esogeni in ogni tempo t. r è il numero di serie esogeno. termini esogeni sono dati (o altri ingressi non modellate) oltre al tempo di risposta Serie Y t. b è una costante vettore di coefficienti di regressione di dimensioni r. Così il prodotto X t middotb è un vettore di dimensione n. In generale, il tempo di Serie Y t e X t sono osservabili. In altre parole, se si dispone di dati, esso rappresenta una o entrambe queste serie. Non sempre si conosce il compensato a. coefficiente b. autoregressivo matrici A i. e lo spostamento matrici media B j. In genere si vuole adattare questi parametri per i dati. Vedere la pagina di riferimento funzione di vgxvarx di modi per stimare i parametri sconosciuti. Le innovazioni 949 t non sono osservabili, almeno nei dati, anche se possono essere osservabili nelle simulazioni. Lag Operatore Rappresentazione Vi è una rappresentazione equivalente di equazioni lineari autoregressivi in termini di operatori lag. L'operatore ritardo L si muove l'indice di tempo indietro da uno: L y t y t 82111. L'operatore L m muove l'indice di tempo indietro di m. L m y t y t 8211 m. In forma di operatore di ritardo, l'equazione per un modello SVARMAX (p. Q. R) diventa (A x2211 0 x2212 i 1 p A i L i) y t un X t b (B 0 x2211 j 1 q B j L j) x03B5 t. Questa equazione può essere scritta come A (L) y T una X t b B (L) x03B5 t. Un modello VAR è stabile se det (I n x2212 A 1 Z x2212 A 2 Z 2 x2212. X2212 A PZP) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Questa condizione implica che, con tutte le innovazioni uguale a zero, il processo VAR converge ad un col passare del tempo. Vedere Luumltkepohl 74 Capitolo 2 per una discussione. Un modello VMA è invertibile se det (I n B 1 z B 2 Z 2. B q z q) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Questa condizione implica che la rappresentazione VAR pura del processo è stabile. Per una spiegazione di come convertire tra i modelli VMA VAR e, vedere Modifica del modello Rappresentanze. Vedere Luumltkepohl 74 Capitolo 11 per una discussione di modelli VMA invertibili. Un modello VARMA è stabile se la sua parte VAR è stabile. Allo stesso modo, un modello VARMA è invertibile se parte VMA è invertibile. Non vi è ben definito concetto di stabilità o di invertibilità per modelli con ingresso esogeni (ad esempio modelli VarMax). Un ingresso esogeno può destabilizzare un modello. Modelli VAR Costruzione Per capire un modello più serie di tempo, o più dati di serie temporali, in genere si eseguono i seguenti passaggi: Importazione e pre-elaborazione dei dati. Specificare un modello. Strutture Specification No Valori parametro per specificare un modello quando si desidera MATLAB x00AE per stimare i parametri Strutture di specifica con valori dei parametri selezionati per specificare un modello di cui si conosce alcuni parametri, e si desidera MATLAB per stimare gli altri Determinare un adeguato numero di GAL per determinare un numero adeguato di ritardi per il vostro modello di misura il modello di dati. I modelli di montaggio a dati da utilizzare vgxvarx per stimare i parametri sconosciuti nei modelli. Questo può comportare: la modifica del modello Rappresentanze di cambiare il proprio modello di un tipo che vgxvarx maniglie Analizzare e previsioni utilizzando il modello montato. Questo può comportare: Esaminando la stabilità di un modello su misura per determinare se il modello è stabile e invertibile. VAR modello di previsione di prevedere direttamente dai modelli o di prevedere con una simulazione Monte Carlo. Calcolo Risposte Impulse per calcolare risposte all'impulso, che danno le previsioni sulla base di un cambiamento ipotizzato in un ingresso per una serie temporale. Confrontare i risultati delle previsioni dei modelli di dati detenuti per la previsione. Per un esempio, vedere VAR Modello Caso di studio. L'applicazione non è necessario coinvolgere tutti i passaggi in questo flusso di lavoro. Ad esempio, si potrebbe non avere tutti i dati, ma vuole simulare un modello con parametri. In questo caso, si dovrebbe eseguire i passaggi solo il 2 e 4 del flusso di lavoro generico. Si potrebbe scorrere alcuni di questi passaggi. Esempi correlati Seleziona il tuo modelli compositi CountryUnivariate ARMAXGARCH, tra cui EGARCH, GJR, e altre varianti di simulazione multivariata e la previsione di VAR, VEC, e modelli cointegrate modelli Stato-spaziali e filtri di Kalman per le prove di stima parametrica per radice unitaria (Dickey-Fuller, Phillips - Perron) e stazionarietà (Leybourne-McCabe, KPSS) I test statistici, tra cui rapporto di verosimiglianza, LM, Wald, Engles ARCH, e prove di Ljung-Box Q Cointegrazione, tra cui Engle-Granger e Johansen diagnostica e dei servizi, tra cui la scelta del modello AICBIC e parzialmente autonome , automazione, e cross-correlazioni Hodrick-Prescott filtro per reti business-ciclo capacità di analisi time-series di modellazione in Econometrics Toolbox sono progettati per catturare le caratteristiche comunemente associati con i dati finanziari ed econometriche, compresi i dati con code grasse, la volatilità di clustering, e effetti leva . modelli di media condizionata supportati includono: autoregressiva media mobile (ARMA) autoregressiva media mobile con ingressi esogeni (ARMAX) autoregressiva integrata media mobile (ARIMA) con gli input esogeni (Arimax) Regressione con termini di errore ARIMA supportati modelli varianza condizionale includono: Generalized hetreroscedasticity condizionale autoregressiva ( GARCH) Glosten-Jagannathan-Runkle (GJR) esponenziale GARCH (EGARCH) Econometrics Toolbox dispone di un set completo di strumenti per la creazione di modelli di volatilità su variabili nel tempo. Il Toolbox supporta diverse varianti di modelli GARCH univariata, compresi i modelli ARCHGARCH standard, così come EGARCH asimmetrica e modelli GJR progettati per catturare effetti leva a rendimenti delle attività. Il toolbox supporta anche la simulazione di modelli di volatilità stocastica. Modellare il rischio di mercato di un ipotetico portafoglio indice azionario globale utilizzando simulazione Monte Carlo. La stima del rischio di mercato mediante bootstrapping e la tecnica della simulazione storica filtrata. Grafici mostrano filtrati residui e volatilità dei rendimenti del portafoglio da un modello AR (1) EGARCH (1,1) (in alto a destra), il portafoglio simulati ritorna su un orizzonte di un mese (a sinistra), e la funzione di distribuzione di probabilità (in basso a destra) . Seleziona il tuo Paese Seleziona il Paese per ottenere tradotti contenuti, se disponibili e vedere eventi locali e offerte. In base alla tua posizione, si consiglia di selezionare:. È anche possibile selezionare una posizione dalla seguente lista: Asia Pacific Esplora i prodotti provare o acquistare Imparare ad utilizzare Get Supporto Chi MathWorks accelerando il ritmo di MathWorks di ingegneria e scienza è leader nello sviluppo di software per il calcolo matematico per ingegneri e scienziati.
No comments:
Post a Comment