Media Móvil Autorregresiva No Lineal Con Entradas Exógenas

Un híbrido de modelo autoregresivo no lineal con entrada exógena y un modelo de media móvil autorregresiva para la predicción a largo plazo del estado de la máquina Hong Thom Pham Van Tung Tran Bo-Suk Yang. Este artículo presenta una mejora del híbrido de autorregresión no lineal con entrada exógena (NARX) Modelo y modelo de media móvil autorregresiva (ARMA) para la predicción a largo plazo del estado de máquina basada en datos de vibración. En este estudio, los datos de vibración se considera como una combinación de dos componentes que son datos deterministas y error. El componente determinista puede describir el índice de degradación de la máquina, mientras que el componente de error puede representar la aparición de partes inciertas. Se lleva a cabo un modelo de predicción híbrido mejorado, es decir, el modelo NARXARMA para obtener los resultados de pronóstico en los que se utiliza el modelo de red NARX que es adecuado para la emisión no lineal para pronosticar el componente determinista y el modelo ARMA para predecir el componente de error debido a la capacidad apropiada En la predicción lineal. Los resultados finales de la predicción son la suma de los resultados obtenidos de estos modelos únicos. El rendimiento del modelo NARXARMA se evalúa a continuación utilizando los datos del compresor de bajo contenido de metano adquiridos de la rutina de control de la condición. Con el fin de corroborar los avances del método propuesto, también se realiza un estudio comparativo de los resultados de predicción obtenidos a partir del modelo NARXARMA y los modelos tradicionales. Los resultados comparativos muestran que el modelo NARXARMA es sobresaliente y podría utilizarse como una herramienta potencial para pronosticar el estado de la máquina. (ARMA) Autoregresivo no lineal con entrada exógena (NARX) Predicción a largo plazo Predicción del estado de la máquina Fig. 1. La Fig. 2. La fig. 3. La fig. 4. Tabla 1. La Fig. 5. La Fig. 6. La Fig. 7. La fig. 8. La fig. 9. La fig. 10. Tabla 2. Fig. 11. La Fig. 12. Tabla 3. Fig. 13. La fig. 14. Autor correspondiente. Tel. 82 51 629 6152 fax: 82 51 629 6150. Identificación del Sistema No Lineal: Métodos NARMAX en los Dominios de Tiempo, Frecuencia y Spatio-Temporales Identificación de Sistemas No Lineales: Los Métodos NARMAX en los Dominios de Tiempo, Frecuencia y Spatio-Temporales describen un marco integral para La identificación y análisis de sistemas dinámicos no lineales en el tiempo, frecuencia y dominios espacio-temporales. Este libro se escribe con un énfasis en hacer los algoritmos accesibles de modo que puedan ser aplicados y usados ​​en la práctica. El algoritmo de mínimos cuadrados ortogonal que permite la construcción de modelos de término a término donde la relación de reducción de errores revela el porcentaje de contribución de cada término de modelo. Los métodos de validación de modelos estadísticos y cualitativos que Puede aplicarse a cualquier clase de modelo Funciones de respuesta de frecuencia generalizadas que proporcionan una visión significativa de comportamientos no lineales Una clase completamente nueva de filtros que se pueden mover, dividir, difundir y enfocar energía El mapa de espectro de respuesta y el estudio de sistemas sub-armónicos y severamente no lineales Algoritmos Que puede hacer un seguimiento de la variación rápida del tiempo en los sistemas lineales y no lineales La clase importante de sistemas espacio-temporales que evolucionan tanto en el espacio como en el tiempo Muchos ejemplos de estudio de casos de modelado del tiempo espacial, Al seguimiento de la causalidad en los datos de EEG se incluyen para demostrar la facilidad con que los métodos pueden aplicarse en la práctica y para mostrar el conocimiento que los algoritmos revelan incluso para sistemas complejos algoritmos NARMAX proporcionar un enfoque fundamentalmente diferente a la identificación del sistema no lineal y procesamiento de señales para sistemas no lineales . Los métodos NARMAX proporcionan modelos que son transparentes, que pueden ser fácilmente analizados, y que pueden usarse para resolver problemas reales. Este libro está dirigido a graduados, postgraduados e investigadores en ciencias e ingeniería, así como a usuarios de otros ámbitos que han recogido datos y que desean identificar modelos que ayuden a comprender la dinámica de sus sistemas. 1 Introducción 1 1.1 Introducción a la identificación del sistema 1 1.2 Identificación del sistema lineal 3 1.3 Identificación del sistema no lineal 5 1.4 Métodos NARMAX 7 1.5 La filosofía NARMAX 8 1.6 ¿Qué es la identificación del sistema para 9? 1.7 Respuesta de frecuencia de los sistemas no lineales 11 1.8 Tiempo continuo, severamente no lineal, Y modelos y sistemas de variación del tiempo 12 1.9 Sistemas espaciales y temporales 13 1.10 Uso de la identificación de sistemas no lineales en la práctica y ejemplos de estudios de casos 13 2 Modelos para sistemas lineales y no lineales 17 2.1 Introducción 17 2.2 Modelos lineales 18 2.3 Modelos lineales por pieza 22 2.4 Modelos de la serie Volterra 30 2.5 Modelos estructurados en bloques 31 2.6 Modelos NARMAX 33 2.7 Modelos aditivos generalizados 40 2.8 Redes neuronales 41 2.9 Modelos wavelet 45 2.10 Modelos espacio-estado 48 2.11 Extensiones al caso MIMO 49 2.12 Modelado de ruido 49 2.13 Modelos espacio-temporales 52 3 Estructura del modelo Detección y estimación de parámetros 61 3.1 Introducción 61 3.2 El estimador de mínimos cuadrados ortogonales y el coeficiente de reducción de errores 64 3.3 Algoritmo OLS de regresión hacia adelante 70 3.4 Selección de términos y variables 79 3.5 Relación de OLS y suma de errores 80 3.6 Identificación del modelo de ruido 84 3.7 Un ejemplo De selección de variables y plazos para un conjunto de datos real 87 3.8 ERR no está afectado por ruido 94 3.9 Modelos estructurados comunes para acomodar diferentes parámetros 95 3.10 Parámetros del modelo como función de otra variable 98 3.11 OLS y reducción del modelo 100 3.12 Versiones recursivas de OLS 102 4 Selección y clasificación de características 105 4.1 Introducción 105 4.2 Selección de características y extracción de características 106 4.3 Análisis de componentes principales 107 4.4 Un algoritmo de búsqueda ortogonal hacia adelante 108 4.5 Un algoritmo de clasificación base basado en PCA 113 5 Validación de modelo 119 5.1 Introducción 119 5.2 Detección de no linealidad 121 5.3 Conjuntos de datos de estimación y prueba 123 5.4 Predicciones del modelo 124 5.5 Validación estadística 127 5.6 Agrupación de términos 135 5.7 Validación cualitativa de modelos dinámicos no lineales 137 6 Identificación y análisis de sistemas no lineales en el dominio de frecuencia 149 6.1 Introducción 149 6.2 Funciones de respuesta de frecuencia generalizada 151 6.3 Salida Frecuencias de sistemas no lineales 184 6.4 Funciones de respuesta de frecuencia de salida no lineal 191 6.5 Función de respuesta de frecuencia de salida de sistemas no lineales 202 7 Diseño de sistemas no lineales en el dominio de frecuencia 8211 Filtros de transferencia de energía y amortiguación no lineal 217 7.1 Introducción 217 7.2 Filtros de transferencia de energía 218 7.3 Filtros de enfoque de energía 240 7.4 Abordaje basado en OFRF para el diseño de sistemas no lineales en el dominio de frecuencia 249 8 Redes neuronales para la identificación de sistemas no lineales 261 8.1 Introducción 261 8.2 Perceptron de múltiples capas 263 8.3 Redes de funciones de base radial 264 8.4 Redes de wavelets 270 8.5 Wavelet de múltiples resoluciones Modelos y redes 277 9 Sistemas severamente no lineales 289 9.1 Introducción 289 9.2 Modelos Wavelet NARMAX 291 9.3 Sistemas que presentan sub-armónicas y caos 301 9.4 El mapa del espectro de respuesta 305 9.5 A Marco de modelado para sistemas sub-armónicos y severamente no lineales 313 9.6 Funciones de respuesta de frecuencia Para sistemas sub-armónicos 320 9.7 Análisis de sistemas sub-armónicos y la cascada al caos 326 10 Identificación de modelos no lineales en tiempo continuo 337 10.1 Introducción 337 10.2 El método de invarianza del kernel 338 10.3 Utilización de los GFRF para reconstruir modelos de ecuación Integro-diferencial no lineal sin Diferenciación 352 11 Diferencia de tiempo y no lineal Identificación del sistema 371 11.1 Introducción 371 11.2 Algoritmos de estimación de parámetros adaptativos 372 11.3 Seguimiento de variaciones rápidas de parámetros utilizando las olas 376 11.4 Caracterización espectral dependiente del tiempo 378 11.5 Estimación no lineal del modelo variable en el tiempo 380 11.6 Cartografía y seguimiento en la frecuencia Dominio 381 11.7 Un acercamiento de la ventana deslizante 388 12 Identificación de los automatas celulares y N-modelos del estado de los sistemas espacio-temporales 391 12.1 Introducción 391 12.2 Automata celular 393 12.3 Identificación de los automatas celulares 402 12.4 N-sistemas del estado 414 13 Identificación del acoplado del mapa Enrejado y Ecuaciones Diferenciales Parciales de Sistemas Espaciales 431 13.1 Introducción 431 13.2 Patrones Espaciales-Temporales y Modelos de Estado Continuo 432 13.3 Identificación de Modelos de Enrejado de Mapa Acoplado 437 13.4 Identificación de Modelos de Ecuación Diferencial Parcial 458 13.5 Funciones de Respuesta de Frecuencia No Lineal para Sistemas Espaciales-Temporales 466 14 Estudios de casos 473 14.1 Introducción 473 14.2 Identificación práctica del sistema 474 14.3 Caracterización del comportamiento del robot 478 14.4 Identificación del sistema para el tiempo espacial y la magnetosfera 484 14.5 Detección y seguimiento del parto de los icebergs en Groenlandia 493 14.6 Detección y seguimiento de la causalidad variable para los datos EEG 498 14.7 La identificación y el análisis de fotorreceptores de mosca 505 14.8 Tomografía óptica difusa en tiempo real utilizando RBF Modelos de orden reducido de la propagación de luz para monitorizar la hemodinámica del cerebro 514 14.9 Identificación de efectos de histéresis en dispositivos de amortiguación de caucho metálico 522 14.10 Identificación de la reacción de Belousov8211Zhabotinsky 528 14.11 Modelado dinámico de biopartículas sintéticas 534 14.12 Predicción de mareas altas en la laguna de Venecia 539AA (Departamento de Control Automático y Ingeniería de Sistemas, Universidad de Sheffield, Sheffield, Reino Unido), AB (Departamento de Control Automático y Ingeniería de Sistemas, Universidad de Sheffield, Sheffield, Reino Unido ), AC (Departamento de Física, Universidad Ben Gurion, Beer-Sheva, Israel), AD (Departamento de Control Automático y Ingeniería de Sistemas, Universidad de Sheffield, Reino Unido), AE Sheffield, Reino Unido), AF (Departamento de Control Automático y Ingeniería de Sistemas, Universidad de Sheffield, Sheffield, Reino Unido), AG (Laboratorio de Física y Química de Inovación, Centro Nacional de Investigación Científica, Orleans, Francia) Departamento de Ciencia y Tecnología Espaciales, Laboratorio de Rutherford Appleton, Didcot, Reino Unido), AI (Departamento de Matemáticas Aplicadas, Universidad de Sheffield, Sheffield, Reino Unido), Revista de Investigación Geofísica: Física Espacial, Volumen 113, Número A4, CiteID A04221 (JGRA Homepage) Física del plasma espacial: ondas de choque (4455), Geofísica no lineal: Turbulencia (3379, 4568, 7863), Física del plasma espacial: Fenómenos no lineales (4400, 6944), Geofísica no lineal: Ondas no lineales, ondas de choque, solitones (0689, 2487, 3280) , 3285, 4275, 6934, 7851, 7852), choques sin colisión, foreshock, interacciones no lineales, identificación del sistema, turbulencia del plasma Copyright 2008 by the American Geophysical Union. Resumen Las técnicas de identificación de procesos no lineales basadas en media móvil autorregresiva no lineal de entrada múltiple con modelo de entradas exógenas se han aplicado a medidas de Cluster de cuatro puntos para estudiar procesos no lineales que tienen lugar en el foreshock terrestre. Se demuestra que tanto los procesos cuadráticos como los cúbicos están implicados en la evolución de los amortiguadores en particular en el aumento de su borde delantero y en la generación del precursor del silbido. Los procesos no lineales no juegan un papel esencial en la dinámica y propagación de paquetes de silbidos de pequeña amplitud. Sin embargo, para los paquetes de ondas de gran amplitud, los procesos cúbicos conducen a la considerable modificación de la velocidad de propagación aparente.