Modelagem ARMAX 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 essa funcionalidade, selecione uma célula vazia em sua planilha e localizeelecione o ícone ARMAX na barra de ferramentas (ou o item de menu): o Assistente do modelo 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 e independentes) em sua planilha. Depois de selecionar os dados de entrada, as abas Modelo e Opções estão ativadas. 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 de média móvel. Agora, clique na guia Opções. Nesta guia, podemos instruir o Assistente de Modelos para gerar tabelas de qualidade de ajuste e diagnóstico residual. 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 os cálculos de testes selecionados no local designado da sua planilha. O Assistente ARMAX adiciona tipos 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 de híbridos De modelo autoregressivo não linear com modelo de entrada exógena (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 híbrida melhorado, ou seja, o modelo NARXndashARMA, é realizado para obter os resultados de previsão em que o modelo de rede NARX que é adequado para problemas não-lineares é usado para prever o componente determinista eo modelo ARMA são usados para prever o componente de erro devido a 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 compressor de metano baixo 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 mais informações, visite a página de cookies. Copyright 2017 Elsevier B. V. ou seus licenciadores ou contribuidores. ScienceDirect é uma marca registrada da Elsevier B. V.Documentação a é um vetor constante de deslocamentos, com n elementos. A i são matrizes n-by-n para cada i. O A é matriz autoregressiva. Existem p matrizes autorregressivas. 949 t é um vetor de inovações serialmente não correlacionadas. Vetores de comprimento n. Os 949 t são vetores aleatórios normais multivariados com uma matriz Q de covariância. Onde Q é uma matriz de identidade, a menos que seja especificado de outra forma. B j são matrizes n-por-n para cada j. O B j é uma matriz média móvel. Existem q matrizes de média móvel. X t é uma matriz n-por-r que representa termos exógenos em cada tempo t. R é o número de séries exógenas. Os termos exógenos são dados (ou outras entradas não modificadas), além das séries de tempo de resposta y t. B é um vetor constante de coeficientes de regressão de tamanho r. Portanto, o produto X t middotb é um vetor de tamanho n. Geralmente, as séries temporais y t e X t são observáveis. Em outras palavras, se você tiver dados, representa uma ou ambas as séries. Você nem sempre conhece o deslocamento a. Coeficiente b. Matrizes autorregressivas A i. E matrices de média móvel B j. Você normalmente deseja ajustar esses parâmetros aos seus dados. Consulte a página de referência da função vgxvarx para obter formas de estimar parâmetros desconhecidos. As inovações 949 t não são observáveis, pelo menos em dados, embora possam ser observáveis em simulações. Representação do operador Lag Existe uma representação equivalente das equações auto-regressivas lineares em termos de operadores de atraso. O operador de atraso L move o índice de tempo de volta por um: L y t y t 82111. O operador L m move o índice de tempo de volta por m. Lm y t y t 8211 m. Na forma do operador de lag, a equação para um modelo de SVARMAX (p. Q. r) torna-se (A 0 x2212 x2211 i 1 p A i L i) y t a X t b (B 0 x2211 j 1 q B j L j) x03B5 t. Esta equação pode ser escrita como A (L) y t a X t b B (L) x03B5 t. Um modelo VAR é estável se det (I n x2212 A 1 z x2212 A 2 z 2 x2212. X2212 A pzp) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Esta condição implica que, com todas as inovações iguais a zero, o processo VAR converge para um Com o passar do tempo. Veja Luumltkepohl 74 Capítulo 2 para uma discussão. Um modelo VMA é inversível se det (I n B 1 z B 2 z 2. B q z q) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Esta condição implica que a representação VAR pura do processo é estável. Para obter uma explicação sobre como converter entre modelos VAR e VMA, consulte Mudando as Representações do Modelo. Consulte Luumltkepohl 74 Capítulo 11 para uma discussão de modelos VMA reversíveis. Um modelo VARMA é estável se sua parte VAR for estável. Da mesma forma, um modelo VARMA é reversível se sua parte VMA for reversível. Não há uma noção bem definida de estabilidade ou invertibilidade para modelos com entradas exógenas (por exemplo, modelos VARMAX). Uma entrada exógena pode desestabilizar um modelo. Criando modelos VAR Para entender um modelo de séries temporais múltiplas ou dados de séries temporais múltiplas, você geralmente executa as seguintes etapas: Importe e preprocesse dados. Especifique um modelo. Estruturas de especificação sem valores de parâmetro para especificar um modelo quando você deseja que MATLAB x00AE estimue os parâmetros Estruturas de especificação com valores de parâmetro selecionados para especificar um modelo onde você conhece alguns parâmetros e quer MATLAB para estimar os outros Determinando um Número apropriado de Lags para determinar Um número adequado de atrasos para o seu modelo Ajuste o modelo aos dados. Fitting Models to Data para usar o vgxvarx para estimar os parâmetros desconhecidos em seus modelos. Isso pode envolver: Alterar representações de modelo para alterar seu modelo para um tipo que o vgxvarx manipula Analisar e prever usando o modelo ajustado. Isso pode envolver: Examinar a Estabilidade de um Modelo Ajustado para determinar se o seu modelo é estável e reversível. Previsão do modelo VAR para prever diretamente dos modelos ou para prever usando uma simulação de Monte Carlo. Cálculo de respostas de impulso para calcular respostas de impulso, que fornecem previsões com base em uma mudança assumida em uma entrada para uma série de tempo. Compare os resultados das previsões dos seus modelos com os dados divulgados para a previsão. Para um exemplo, veja VAR Model Case Study. Seu aplicativo não precisa envolver todas as etapas neste fluxo de trabalho. Por exemplo, você pode não ter dados, mas quer simular um modelo parametrizado. Nesse caso, você executaria apenas os passos 2 e 4 do fluxo de trabalho genérico. Você pode repetir algumas dessas etapas. Exemplos relacionados Selecione seu país
No comments:
Post a Comment