Autoregressivo Móvel Médio Exógeno

ARMAX Modelagem O ARMAX é essencialmente um modelo de regressão linear que usa um modelo de tipo ARMA i para resíduos. As séries temporais de entrada e as variáveis ​​exógenas devem ser todas estacionárias ou cointegradas. O ARMAX Model Wizard no NumXL automatiza as etapas de construção do modelo: adivinhar os parâmetros iniciais, a validação dos parâmetros, o teste de qualidade do ajuste e o diagnóstico de resíduos. Para usar esta funcionalidade, selecione uma célula vazia em sua planilha e localize selecione o ícone ARMAX na barra de ferramentas (ou o item de menu): o Assistente de Modelos NumXL ARMAX aparece. Por padrão, a saída é configurada para fazer referência às células ativas em sua planilha. Em seguida, selecione ou aponte para o intervalo de células onde você armazena a amostra de dados de entrada (dependente) e as variáveis ​​exógenas (explicativas independentes) em sua planilha. Depois de selecionar os dados de entrada, as abas Modelo e Opções estão habilitadas. Clique na guia Modelo agora. Para o ARMAX, manteremos a caixa de seleção Sazonal desmarcada e configuramos a ordem de integração não-sazonal em zero (padrão). Selecione a ordem correspondente do modelo de componente auto-regressivo (AR) e a ordem do modelo de componente móvel-médio. Agora, clique na guia Opções. Nesta guia, podemos instruir o Assistente de Modelos para gerar tabelas de qualidade de ajuste e diagnóstico residual. Nós também podemos determinar como deve inicializar os valores dos parâmetros dos modelos, com uma adivinhação rápida ou valores ótimos calibrados. Nota: Por padrão, o Assistente de Modelo gera uma rápida adivinhação dos valores dos parâmetros dos modelos, mas o usuário pode escolher gerar valores calibrados para os coeficientes dos modelos. Após a conclusão, a função de modelagem ARMAX emite os parâmetros dos modelos selecionados e cálculos de testes selecionados no local designado da sua planilha. O assistente ARMAX adiciona o tipo de comentários do Excel (cabeças de seta vermelha) às células do rótulo para descrevê-los. Um 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 híbrido De modelo autoregressivo não linear com modelo de entrada exógena (modelo NARX) e modelo de média móvel autorregressiva (ARMA) para a previsão de longo prazo 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 2016 Elsevier B. V. ou seus licenciadores ou contribuidores. ScienceDirect é uma marca registrada da Elsevier B. V.