Um modelo híbrido de modelo auto-regressivo não linear com entrada exógena e modelo de média móvel autorregressivo para previsão de longo prazo do estado da máquina Este artigo apresenta uma melhoria do modelo de modelo auto-regressivo não-linear com modelo de entrada exógena (modelo NARX) e média móvel autorregressiva (ARMA) para longo prazo Previsão do estado da máquina com base em dados de vibração. Neste estudo, os dados de vibração são considerados como uma combinação de dois componentes que são dados deterministas e erros. O componente determinista pode descrever o índice de degradação da máquina, enquanto o componente de erro pode representar a aparência de partes incertas. Um modelo de previsão híbrido melhorado, a saber, o modelo NARXndashARMA, é realizado para obter os resultados de previsão em que o modelo de rede NARX, adequado para problemas não lineares, é usado para prever o componente determinista eo modelo ARMA são usados para prever o componente de erro devido à capacidade apropriada Em previsão linear. Os resultados finais de previsão são a soma dos resultados obtidos a partir desses modelos únicos. O desempenho do modelo NARXndashARMA é então avaliado usando os dados do baixo compressor de metano adquirido da rotina de monitoramento de condições. Para corroborar os avanços do método proposto, também é realizado um estudo comparativo dos resultados de previsão obtidos no modelo NARXndashARMA e nos modelos tradicionais. Os resultados comparativos mostram que o modelo NARXndashARMA é excelente e pode ser usado como uma ferramenta potencial para a previsão do estado da máquina. Média móvel autorregressiva (ARMA) Autoregressiva não linear com entrada exógena (NARX) Previsão a longo prazo Previsão do estado da máquina Autor correspondente. Tel. 82 51 629 6152 fax: 82 51 629 6150. Copyright copy 2009 Elsevier Ltd. Todos os direitos reservados. Os cookies são usados por este site. Para obter mais informações, visite a página de cookies. Copyright 2017 Elsevier B. V. ou seus licenciadores ou contribuidores. ScienceDirect é uma marca registrada dos modelos Elsevier BVUnivariate ARMAXGARCH composto, incluindo EGARCH, GJR e outras variantes Simulação e previsão multivariada de modelos VAR, VEC e cointegrados Modelos de espaço estadual e filtros de Kalman para estimação de parâmetros Testes de raiz unitária (Dickey - Fuller, Phillips-Perron) e estacionança (Leybourne-McCabe, KPSS) Testes estatísticos, incluindo taxa de verossimilhança, LM, Wald, Engles ARCH e Ljung-Box Q Cointegration, incluindo Engle-Granger e Johansen Diagnostics and utilities, incluindo o modelo AICBIC Seleção e correlação parcial, automática e cruzada Filtro Hodrick-Prescott para análise de ciclo de negócios As capacidades de modelagem de séries temporais em Econometrics Toolbox são projetadas para capturar características comumente associadas a dados financeiros e econométricos, incluindo dados com caudas de gordura, agrupamento de volatilidade , E efeitos de alavanca. Os modelos médios condicionais suportados incluem: média móvel autorregressiva (ARMA) Média móvel autorregressiva com entradas exógenas (ARMAX) Média móvel integrada autoregressiva (ARIMA) com entradas exógenas (ARIMAX) Regressão com termos de erro ARIMA Os modelos de variância condicional suportados incluem: hetreroscedasticidade condicional autorregressiva generalizada ( GARCH) Glosten-Jagannathan-Runkle (GJR) A caixa de ferramentas exponencial GARCH (EGARCH) Econometrics tem um conjunto completo de ferramentas para construir modelos de volatilidade variáveis no tempo. A caixa de ferramentas suporta várias variantes de modelos GARCH univariados, incluindo modelos ARCHGARCH padrão, bem como modelos EGARCH e GJR assimétricos projetados para capturar efeitos de alavancagem nos retornos de ativos. A caixa de ferramentas também suporta a simulação de modelos de volatilidade estocástica. Modelar o risco de mercado de um hipotético portfólio mundial de índice de ações usando a simulação de Monte Carlo. Estimando o risco de mercado usando bootstrapping e técnica de simulação histórica filtrada. As parcelas mostram os resíduos filtrados e a volatilidade dos retornos da carteira de um modelo AR (1) EGARCH (1,1) (superior direito), a carteira simulada retorna ao longo de um horizonte de um mês (à esquerda) e a função de distribuição de probabilidade (inferior direita) . Selecione seu país Escolha o seu país para obter conteúdo traduzido onde disponível e veja eventos e ofertas locais. Com base na sua localização, recomendamos que você selecione:. Você também pode selecionar um local da seguinte lista: Ásia Pacífico Explorar produtos Experimente ou compre Aprenda a usar Obter apoio Sobre o MathWorks Acelerando o ritmo de engenharia e ciência MathWorks é o principal desenvolvedor de software de computação matemática para engenheiros e cientistas.
No comments:
Post a Comment