Tuesday, 14 November 2017

Não linear auto regressivo móvel média com exógenos de entrada


Um híbrido do modelo autorregressivo não-linear com entrada exógena e modelo de média movente autorregressivo para a previsão a longo prazo do estado da máquina. Thong Pham. Van Tung Tran. School da engenharia mecânica, universidade nacional de Pukyong, San 100, Yongdang-dong, Nam-gu, Busan 608-739, Coréia do Sul. Disponível on-line em 15 de outubro de 2009. Este artigo apresenta uma melhoria do híbrido de autorregressão não-linear com entrada exógena modelo NARX e auto-regressivo modelo ARMA média móvel para a longo prazo máquina de previsão do estado baseado em dados vibração Neste estudo, Os dados de vibração são considerados como uma combinação de dois componentes que são dados deterministas e erro. O componente determinístico pode descrever o índice de degradação da máquina, enquanto o componente de erro pode representar o aparecimento de partes incertas. Para obter os resultados da previsão em que o modelo de rede NARX que é adequado para emissão não-linear é usado para forec Ast o componente determinístico eo modelo ARMA são usados ​​para prever o componente de erro devido à capacidade apropriada na predição linear Os resultados de previsão final são a soma dos resultados obtidos a partir desses modelos únicos O desempenho do modelo NARX ARMA é então avaliado usando os dados De compressor de baixo teor de metano adquirido a partir da rotina de monitoramento de condições Para corroborar os avanços do método proposto, também é realizado um estudo comparativo dos resultados de previsão obtidos a partir do modelo NARX ARMA e modelos tradicionais. Os resultados comparativos mostram que o modelo NARX ARMA é excelente e Poderia ser usado como uma potencial ferramenta para máquina de previsão do estado. Média móvel agressiva ARMA. Nonlinear autorregressivo com entrada exógena NARX. Previsão de longo prazo. Previsão do estado da máquina. Fig 1 Fig 2 Fig 3 Fig 4.Table 1 Fig 5 Fig 6 Fig 7 Fig 8 Fig 9 Fig 10.Tabela 2 Fig 11 Fig 12.Tabela 3 Fig 13 Fig 14.Corresponding autor Tel 82 51 629 6152 fax 82 51 629 6150.Nonlinear Dinâmica de estruturas de foreshock Aplicação da média móvel autorregressiva não-linear com modelo de entradas exógenas para dados de Cluster. Balikhin, MALJC Woolliscroft HS Alleyne M Dunlop e MA Gedalin 1997, Determinação da dispersão de ondas, com base em características cospectral de turbulência Aplicação ao estudo de plasma Ondas na jusante do choque quase perpendicular Ann Geophys 15 143 151.Web of Science Times Citado 20. Balikhin, MAI Bates e S Walker 2001, Identificação de processos lineares e não-lineares nos dados de turbulência do espaço espacial Adv Space Res 28 787 800.Web De tempos de onda de iões na frente de choque quase perpendicular Geophys Res Lett 32 L24106, doi 10 1029 2005GL024660.Balogh, A Et al 2001, A investigação de campo magnético cluster Visão geral do desempenho em vôo e resultados iniciais Ann Geophys 19 1207 1217.Web of Science Times Cited 770.Billings, SA e QM Zhu 1995, Testes de validação de modelos multivariáveis ​​não-lineares, incluindo redes neurais Int J Control 62 4, 749 766.Web of Science Times Citado 47.Billings, SAMJ Korenberg e S Chen 1988, Lineares, usando um algoritmo de mínimos quadrados ortogonais. Int. J. Sci. 19 1559 1568. Web of Science Times citado 99.Billings, SAS Chen e MJ Korenberg 1989, Identificação de sistemas não-lineares MIMO usando uma regressão ortogonal ortogonal Estimador Int J Control 49 2157 2189.Web of Science Times Citado 248.Boaghe, OM e SA Billings 2003, Modelagem de oscilação sub-harmônica e MISO Volterra série IEEE Trans Circuits Syst I 50 7, 877 884.Web of Science Times Citado 7.Coca, DMA Balikhin SA Billings HSK Alleyne e M Dunlop 2001, Análise do domínio do tempo da turbulência do plasma observada a montante de um choque quase paralelo J Geophys Res 106 25 005 25,022.Dudok de Wit, TVV Krasnosel skikh M Dunlop e HL hr 1999, Identificação de interações de ondas não-lineares em plasmas usando medições de dois pontos Um estudo de caso de estruturas magnéticas de grande amplitude, curto, slams J Geophys Res 104 17,079 17,090.Frechet, M 1910, Sur les Fonctionnelles Continue Ann Ecole Normale Supl 27 3er ser. Gedalin, M 1993, Ondas não-lineares em hidrodinâmica de dois fluidos Phys Fluids B5 2062 2075.Gedalin, M 1997, Dinâmica de íons e distribuição na face de choque sem colisão quase perpendicular Surv Geophys 18 541 566.Web of Science Times Citado 8.Hada, AT e CF Kennel 1985, Nonlinear Evolução das ondas lentas no vento solar J Geophys Res 90 531.Hobara, YSN Walker MA Balikhin OA Pokhotelov M Dunlop H Nilsson e HR me 2007, Características das ondas ulf do foreshock terrestre Observação do cluster J Geophys Res 112 A07202, doi 10 1029 2006JA012142. Kennel, CFJP Edmiston e T Hada 1985, Um quarto de século de pesquisa de choque sem colisão em choques sem colisão na heliosfera Uma revisão tutorial Geophys Monogr Ser vol 34 edite D por RG Stone e BT Tsurutani pp 1 36 AGU, Washington, D C. Korenberg, MSA Billings YP Liu e PJ McIlroy 1988, Algoritmo de estimativa de parâmetros ortogonais para sistemas estocásticos não-lineares Int J Control 48 193.Web of Science Times Citado 177.McCaffrey, DI Bates MA Balikhin HSK Alleyne M Dunlop e W Baumjohann 2000, Método experimental para a identificação do acoplamento dispersivo de três ondas no plasma espacial Adv Space Res 25 1571 1577.Web of Science Times Citado 12.Pokhotelov, OADO Pokhotelov MB Gokhberg FZ Feygin L Stenflo e PK Shukla 1996, Solitons de Alfven na ionosfera e magnetosfera da Terra J Geophys Res 101 7913.Ritz, CP e EJ Powers 1986, Estimativa de funções de transferência não-lineares para turbulência totalmente desenvolvida Phys Scr 20D 320.Russell, CT 1988, Medições multiponto de ondas ascendentes Adv Space Res 8 147 156.Sagdeev, RZ e AA Galeev 1969, Teoria do Plasma Não-Linear Benjamin, White Plains, N Y. Shukla, PK e L Stenflo 1985, Propagação não linear de el Ectromagnetic ion-cyclotron Alfven ondas Phys Fluids 28 1576.Web of Science Times Citado 63. Walker, SNMA Balikhin HSK Alleyne W Baumjohann e M Dunlop 1999, Observações de um choque muito fino Adv Space Res 24 47 50.Web of Science Times Citado 8 Wiener, N 1942, Resposta de um Dispositivo Não-Linear ao Ruído MIT Press, Cambridge, Mass. Wiener, N 1958, Problemas Não-Lineares na Teoria Aleatória MIT Press, Cambridge, Massachusetts, LC 1969, Sobre a estrutura do magneto-plasma sem colisão Ondas de choque em números de alfven-mach supercrítico Plasma Phys 3 435.Web of Science Times Citado 42.More de conteúdo como este. Data-based Control, Decision, Scheduling e Fault Diagnostics. Data-based modelagem de colisões de veículos por modelo não linear autorregressivo e feedforward Rede Neural. Witold Pawlus. Hamid Reza Karimi. Kjell G Robbersmyr. Departamento de Engenharia, Faculdade de Engenharia e Ciência, Universidade de Agder, PO Box 509, N-4898 Grimstad, Noruega. Disponível on-line 6 abril 2017.Vehicle crash test é o a maioria Método direto e comum para avaliar a resistência ao impacto do veículo A inspeção visual e as medições obtidas, como a aceleração do carro, são usadas, por exemplo, para examinar a gravidade do impacto de um ocupante ou para avaliar a segurança geral do carro No entanto, essas experiências são complexas, demoradas e caras. Propõem um método para reproduzir a cinemática do carro durante uma colisão usando o modelo NAR autorregressivo não linear cujos parâmetros são estimados pelo uso do modelo NAR de rede neural feedforward apresentado neste estudo é derivado do mais geral um autorregressivo não linear com média móvel NARMA Adequação de sistemas autorregressivos para A modelagem baseada em dados foi confirmada pela aplicação de redes neurais com um modelo NAR para medidas de dados experimentais da aceleração do veículo durante um teste de colisão Este modelo permite prever as respostas cinemáticas aceleração, velocidade e deslocamento de um dado carro durante uma colisão. Vantagem desta abordagem é que essas parcelas podem ser obtidas Sem ensino adicional de uma rede. Modelagem baseada em dados. Modelo autorregressivo não linear. Feedforward rede neural. Vehicle crash. Table 1 Fig 3 Fig 4 Fig 5 Fig 6.Table 2 Fig 7.Table 3 Fig 8 Fig 9 Fig 10 Fig 11 Fig 12.Tabela 4 Fig. 13 Fig. 14 Fig. 15 Fig. 16 Fig. 17 Fig. 18 Fig. 19 Fig. 20.

No comments:

Post a Comment