Ein Hybrid aus nichtlinearen autoregressiven Modell mit exogenen Eingang und autoregressiven Durchschnitt Modell für staatliche Langzeitmaschine zu bewegen Dieses Papier prognostiziert stellt eine Verbesserung von Hybrid von nichtlinearen autoregressiven mit exogenen Eingang (NARX-) Modell und autoregressive gleitende Durchschnitt (ARMA) Modell für die 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. Eine verbesserte Hybrid-Prognosemodell wird nämlich NARXndashARMA Modell, ausgeführt, um die Prognoseergebnisse zu erhalten, in dem NARX - Netzwerk-Modell, das für nichtlineare Problem geeignet ist, verwendet wird, um die deterministische Komponente und ARMA-Modell die Fehlerkomponente aufgrund entsprechende Fähigkeit verwendet werden, um Prognose vorherzusagen In der linearen Vorhersage. Die endgültigen Prognoseergebnisse sind die Summe der Ergebnisse dieser einzelnen Modelle. Die Leistung des NARXndashARMA-Modells wird dann unter Verwendung der Daten des Niedrig-Methan-Kompressors ausgewertet, die von der Zustandsüberwachungsroutine erhalten werden. Um die Fortschritte der vorgeschlagenen Methode zu bestätigen, wird eine vergleichende Untersuchung der Prognoseergebnisse des NARXndashARMA-Modells und der traditionellen Modelle durchgeführt. Die Vergleichsergebnisse zeigen, dass das NARXndashARMA-Modell hervorragend ist und als potentielles Werkzeug zur Maschinenzustandsprognose eingesetzt werden kann. Autoregressiver gleitender Durchschnitt (ARMA) Nichtlineare autoregressive mit exogenem Eingang (NARX) Langfristige Vorhersage Maschinenzustandsvorhersage Entsprechender Autor. Tel. 82 51 629 6152 Fax: 82 51 629 6150. Copyright 2009 Elsevier Ltd. Alle Rechte vorbehalten. Cookies werden von dieser Website verwendet. Weitere Informationen finden Sie auf der Cookieseite. Copyright 2017 Elsevier B. V. oder seine Lizenzgeber oder Mitwirkenden. Sciencedirect ist ein eingetragenes Warenzeichen von Elsevier BVUnivariate ARMAXGARCH Verbund Modelle, darunter EGARCH, GJR und andere Varianten Multivariate Simulation und Prognose von VAR, VEC, und co-integrierte Modelle Zustandsraummodelle und Kalman Filter zur Parameterschätzung Tests für Einheitswurzel (Dickey Fuller, Phillips-Perron) und Stationarität (Leybourne-McCabe, KPSS) Statistische Tests, einschließlich Wahrscheinlichkeitsverhältnis, LM, Wald, Engles ARCH und Ljung-Box Q Kointegrationstests, einschließlich Engle-Granger und Johansen Diagnose und Dienstprogramme, einschließlich AICBIC Modell Auswahl und Teil-, auto - und Kreuzkorrelationen Hodrick-Prescott-Filter für Geschäftszyklusanalyse Zeitreihenmodellierungsfunktionen in Econometrics Toolbox sind so konzipiert, Merkmale zu erfassen häufig mit finanziellen und ökonometrischen Daten verbunden sind, einschließlich Daten mit fat Tails, Volatility Clustering , Und Hebelwirkung. Unterstützt bedingten Mittelwert Modelle umfassen: Autoregressiven Moving Average (ARMA) Autoregressiven gleitenden Durchschnitt mit exogenen Eingänge (ARMAX) Autoregressiven bewegen integriert Durchschnitt (ARIMA) mit exogenen Eingänge (ARIMAX) Regression mit ARIMA Fehlerterme Unterstützt bedingte Varianz Modelle umfassen: Generalized autoregressive bedingte hetreroscedasticity ( GARCH) Glanz-Jagannathan-Runkle (GJR) Exponential GARCH (EGARCH) Die Econometrics Toolbox verfügt über einen vollständigen Satz an Werkzeugen für den Aufbau zeitvariabler Volatilitätsmodelle. Die Toolbox unterstützt verschiedene Varianten von univariaten GARCH-Modellen, einschließlich Standard-ARCHGARCH-Modellen sowie asymmetrische EGARCH - und GJR-Modelle zur Erfassung von Hebelwirkung bei Anlagenrenditen. Die Toolbox unterstützt auch die Simulation stochastischer Volatilitätsmodelle. Modellieren Sie das Marktrisiko eines hypothetischen globalen Aktienindexportfolios mit Hilfe der Monte-Carlo-Simulation. Schätzung des Marktrisikos durch bootstrapping und gefilterte historische Simulationstechnik. Die Plots zeigen gefilterte Residuen und die Volatilität der Portfolioerträge aus einem AR (1) EGARCH (1,1) - Modell (oben rechts), das simulierte Portfolio über einen einmonatigen Horizont (links) und die Wahrscheinlichkeitsverteilungsfunktion (unten rechts) . Wählen Sie Ihr Land Wählen Sie Ihr Land, um übersetzten Inhalt zu erhalten, wo verfügbar und sehen Sie lokale Ereignisse und Angebote. Wählen Sie auf der Grundlage Ihres Standortes:. Sie können auch einen Standort aus der folgenden Liste auswählen: Asien-Pazifik Erkunden Produkte Versuchen oder Kaufen Erfahren Sie mehr Verwenden Sie Unterstützung über MathWorks Beschleunigen Sie das Tempo der Technik und Wissenschaft MathWorks ist der führende Entwickler der mathematischen Computing-Software für Ingenieure und Wissenschaftler.
No comments:
Post a Comment