Autoregressiv Beweglich Durchschnittlich Exogen

ARMAX-Modellierung ARMAX ist im Wesentlichen ein lineares Regressionsmodell, das ein ARMA-i-Typ-Modell für Residuen verwendet. Die Eingangszeitreihen und die exogenen Variablen müssen entweder alle stationär oder kointegriert sein. Der ARMAX Model Wizard in NumXL automatisiert die Modellierungsschritte: Ermitteln von Anfangsparametern, Parametervalidierung, Güteprüfung und Restdiagnose. Um diese Funktionalität zu nutzen, markieren Sie eine leere Zelle in Ihrem Arbeitsblatt und wählen das ARMAX-Symbol auf der Symbolleiste (oder dem Menüpunkt): Der NumXL ARMAX Model Wizard erscheint. Standardmäßig ist die Ausgabe so eingestellt, dass sie die aktiven Zellen in Ihrem Arbeitsblatt verweist. Als nächstes wählen oder zeigen Sie auf den Zellenbereich, in dem Sie die Eingabe (abhängige) Datenprobe und die exogenen (erklärenden unabhängigen) Variablen in Ihrem Arbeitsblatt speichern. Sobald Sie die Eingabedaten ausgewählt haben, sind die Registerkarten Modell und Optionen aktiviert. Klicken Sie nun auf die Registerkarte Modell. Bei ARMAX halten wir das Kontrollkästchen "Saison" unkontrolliert und setzen den nicht-saisonalen Integrationsordner auf Null (Standard). Wählen Sie die entsprechende Reihenfolge des autoregressiven (AR) Komponentenmodells und der Reihenfolge des gleitenden Durchschnittskomponentenmodells aus. Klicken Sie nun auf die Registerkarte Optionen. Auf dieser Registerkarte können wir den Modell-Assistenten anweisen, ob Güte - und Restdiagnosetabellen erzeugt werden sollen. Wir können auch bestimmen, wie die Werte der Modellparameter initialisiert werden sollen, entweder mit einer schnellen Vermutung oder mit kalibrierten optimalen Werten. Hinweis: Standardmäßig generiert der Modell-Assistent eine schnelle Vermutung der Werte der Modellparameter, aber der Benutzer kann kalibrierte Werte für die Modellkoeffizienten erzeugen. Nach Abschluss gibt die ARMAX-Modellierungsfunktion die ausgewählten Modellparameter und ausgewählte Testskalkulationen an der vorgesehenen Position des Arbeitsblatts aus. Der ARMAX-Assistent fügt Excel-Typ von Kommentaren (rote Pfeilköpfe) den Beschriftungszellen hinzu, um sie zu beschreiben. Hybrid des nichtlinearen autoregressiven Modells mit exogenem Eingang und autoregressivem gleitendem Durchschnittsmodell für die langfristige Maschinenzustandsvorhersage Dieses Papier stellt eine Verbesserung des Hybrids dar Des nichtlinearen autoregressiven Modells mit exogenem Eingangs - (NARX) - Modell und einem autoregressiven Moving Average-Modell (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 Hybrid-Prognosemodell, nämlich das NARXndashARMA-Modell, wird durchgeführt, um die Prognoseergebnisse zu erhalten, in denen ein NARX-Netzmodell, das für ein 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 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 B. V.Documentation a ist ein konstanter Vektor von Offsets mit n Elementen. A i sind n - by-n Matrizen für jedes i. Die A i 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 nichts anderes angegeben ist. B j sind n - by-n Matrizen für jedes j. Die B j sind gleitende Mittelmatrizen. Es gibt q gleitende Mittelmatrizen. Xt ist eine n-by-r-Matrix, die exogene Terme zu jedem Zeitpunkt t darstellt. R die Zahl der exogenen Reihen. Exogene Terme sind Daten (oder andere nicht modellierte Eingaben) zusätzlich zur Reaktionszeitreihe y t. B ist ein konstanter Vektor von Regressionskoeffizienten der Größe r. Das Produkt X t middotb ist also ein Vektor der Größe n. Im allgemeinen sind die Zeitreihen y t und X t zu beobachten. Mit anderen Worten, wenn Sie Daten haben, repräsentiert es eine oder beide dieser Serien. Sie kennen nicht immer den Versatz a. Koeffizient b. Autoregressive Matrizen A i. Und gleitende Mittelmatrizen B j. Normalerweise möchten Sie diese Parameter auf Ihre Daten anpassen. Siehe die Referenzseite der vgxvarx-Funktion zum Schätzen von unbekannten Parametern. Die Innovationen 949 t sind zumindest in den Daten nicht zu beobachten, obwohl sie in Simulationen beobachtbar sind. Lag-Operator-Darstellung Es gibt eine äquivalente Darstellung der linearen autoregressiven Gleichungen in Hinsicht auf Lag-Operatoren. Der Lag-Operator L bewegt den Zeitindex um eins zurück: L y t y t 82111. Der Operator L m bewegt den Zeitindex um m zurück. L m y t y t 8211 m. In der Verzögerungsoperatorform wird die Gleichung für ein SVARMAX (p. q.r) - Modell (A 0 × 2212 × 2211 i 1 p A i L i) y t a X t b (B 0 × 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 × 2212 A 1 z × 2212 A 2 z 2 x 2212 x 2212 A pzp) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Diese Bedingung bedeutet, dass bei allen Neuerungen gleich Null der VAR-Prozess zu a 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 bedeutet, dass die reine VAR-Darstellung des Prozesses stabil ist. Eine Erläuterung zur Konvertierung zwischen VAR - und VMA-Modellen finden Sie unter Ändern von Modelldarstellungen. Siehe Luumltkepohl 74 Kapitel 11 für eine Diskussion von invertierbaren VMA-Modellen. 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 Invertierbarkeit für Modelle mit exogenen Eingaben (z. B. VARMAX-Modellen). Ein exogener Eingang kann ein Modell destabilisieren. Erstellen von VAR-Modellen Um ein Mehrfach-Zeitreihenmodell oder mehrere Zeitreihendaten zu verstehen, führen Sie im Allgemeinen die folgenden Schritte aus: Importieren und Verarbeiten von Daten. Geben Sie ein Modell an. Spezifikation Structures mit keinen Parameterwerten, um ein Modell anzugeben, wenn MATLAB x00AE die Parameter Specification Structures mit ausgewählten Parameterwerten schätzen soll, um ein Modell anzugeben, in dem Sie einige Parameter kennen und möchten, dass MATLAB die anderen Schätzwerte ermittelt 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 zu schätzen. Dies kann Folgendes mit sich bringen: Modell-Repräsentationen ändern, um Ihr Modell auf einen Typ zu ändern, den vgxvarx behandelt. Analysieren und prognostizieren Sie das Modell. Dies kann Folgendes beinhalten: Untersuchen der Stabilität eines angepassten Modells, um zu bestimmen, ob Ihr Modell stabil und invertierbar ist. VAR Model Forecasting zur Prognose direkt von Modellen oder zur Prognose einer Monte-Carlo-Simulation. Berechnen von Impulsantworten, um Impulsantworten zu berechnen, die Prognosen basierend auf einer angenommenen Änderung einer Eingabe in eine Zeitreihe liefern. Vergleichen Sie die Ergebnisse Ihrer Modelle Prognosen, um Daten für die Prognose gehalten. Ein Beispiel finden Sie in der VAR-Modell-Fallstudie. Ihre Bewerbung muss nicht alle Schritte in diesem Workflow beinhalten. Beispielsweise können Sie keine Daten haben, sondern 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 Land aus