Zaman serisi motor verilerini sınıflandırmak için en iyi algoritma


9

Bir makine kontrol projesi üzerinde çalışıyorum. Çalışma sırasında motorun akımını ölçebiliriz. İşlemi başarıyla gerçekleştiren iki motordan alınan örnek veriler aşağıdadır. Kırmızı iz bir motordan akımı, mavi iz başka bir akımdan gösterir. Makine davranışı ile ilgili sorunları tanımlamak için bir algoritma bulmaya çalışmak istiyorum. Sorunlar aşırı yüksek motor akımı, sıfıra yakın motor akımı, işlemin sonunda artan akım, normalden daha kısa bir zaman serisi, genel olarak aşağıdaki tipik bir işlem gibi görünmeyen herhangi bir şey olabilir. Bunu başarmak için iyi bir algoritma önerilebilir mi? Bildiğim tek şey sinir ağıdır. Motor akımlarına gerçek verilerin bir Excel dosyasını koydum

Motor akımları - iyi çalışma Motor akımları - çalışma sonunda sıkışma


İstatistik zaman bölgesi için muhtemelen daha uygundur, çünkü bu bir zaman serisinin anomali tespiti ve istatistiksel modellemesini içerir. Hayatta kalma analizi bir rol oynayabilir, ancak bu sorudan açıkça anlaşılamamıştır.
Yineleyici

Bir "problemin" resmini gönderebilir misiniz? Bir fikir, "ideal operasyon" (kırmızı çizgi gibi) ve "gerçek operasyon" (mavi çizgi) arasındaki mesafeyi hesaplamak olacaktır. Herhangi bir nokta "ideal işlem" den çok uzaksa, sorunu işaretleyin.
Zach

1
+1 Bu önemli bir fikirdir: davranışı karakterize etmek için uygulamaya özgü bilgileri kullanın. Bu, tamamen istatistiksel tekniklerin olabileceğinden çok daha uygun ve güçlü olacaktır. İstatistikler daha sonra verileri "taban çizgisi" veya ideal serilerle karşılaştırmanın yollarını sunabilir .
whuber

Teorik veya ideal kullanma fikri, Transfer Fonksiyonu modelinde bir öngörücü / neden / sağ taraf destek serisi olarak kolayca dahil edilebilir ve daha sonra cevabımda tarif ettiğim değişiklik noktası tespit bilgilerini verir.
IrishStat

@İrishce bence o kadar basit değil. Akım tüketiminin karakteristik bir şekli vardır: bir ilk hızlı ani yükseliş, daha yavaş (üstel?) Bir düşüş, uzun bir (umarım) kararlı akım bölgesi, ardından sondaki son düşüş (karakteristik bir şekil alır) . Ayrıntılar değişecektir, ancak normal varyasyonu "kötü" varyasyondan ayırt etmek önemlidir. Endişe verici şey, ilk başlangıcın göreli yüksekliği ve dengelenmesi için geçen zaman gibi şeylerdir. Unutmayın, amaç sorunları tanımlamaktır ve bunlardan bazıları standart analizlerin göstereceğinden daha incedir.
whuber

Yanıtlar:


4

Benim yaklaşımım veriler için bir ARIMA Modeli oluşturmak ve daha sonra beklenmedik "şeyler" hakkında erken uyarı sağlamak için çeşitli "değişim noktası tespit şemaları" kullanmaktır. Bu şemalar şunları içerir:

  1. Bakliyatların / Seviye Kaymalarının / Yerel Zaman Eğilimlerinin varlığını / başlangıcını tespit etme, yani zaman içindeki hataların ortalamasındaki değişiklikler
  2. zaman içinde parametrelerde değişiklik varlığını / başlangıcını tespit etme
  3. zaman içinde artıkların varyansındaki değişikliklerin varlığının / başlangıcının saptanması

Dizilerinizden birini gerçekten göndermek istiyorsanız, işlerin değiştiği veya önemli ölçüde değiştiği fikrini "dışarı çıkarabilecek" bu tür bir analizi size gösterebiliriz.



3

Gizli Markov Modeli

Zaman serisi verilerinin modellenmesine yönelik en iyi yaklaşımlardan biri Gizli Markov Modeli'dir (HMM). Sorun olmayan durumunuzun tek bir modelini, bilinen sorun durumlarınızın her birinin ayrı modellerini veya yeterli veriye sahipseniz, bilinen tüm sorun durumlarınızın tek bir bileşik modelini oluşturabilirsiniz. İyi bir açık kaynak kütüphanesi Matlab için Gizli Markov Model Araç Kutusu'dur.

http://www.cs.ubc.ca/~murphyk/Software/HMM/hmm.html

Kalman Filtresi

Biraz daha ilgili olan bir diğer yaklaşım da Kalman Filtresidir. Bu yaklaşım, verilerinizde çok fazla gürültü varsa özellikle yararlıdır. İyi bir açık kaynak kütüphanesi Matlab için Kalman Filtre Araç Kutusu.

http://www.cs.ubc.ca/~murphyk/Software/Kalman/kalman.html

Bayesci Modeller

Bu yaklaşımların her ikisi de Bayesci Modeller olarak kabul edilir. Matlab için Bayes Net Toolbox iyi bir açık kaynak kütüphanesidir.

http://code.google.com/p/bnt

Umarım bu senin için işe yarar.

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.