- Tytuł:
-
Prediction of diagnostic symptom values using a set of models GM(1,1) and a moving window method
Prognoza wartości symptomów diagnostycznych za pomocą zbioru modeli GM(1,1) i metody ruchomego okna - Autorzy:
- Tabaszewski, M.
- Powiązania:
- https://bibliotekanauki.pl/articles/327728.pdf
- Data publikacji:
- 2014
- Wydawca:
- Polska Akademia Nauk. Polskie Towarzystwo Diagnostyki Technicznej PAN
- Tematy:
-
condition monitoring
symptom forecasting
GM(1,1) models
diagnostyka techniczna
prognoza
model GM(1,1) - Opis:
-
The aim of this paper is to show methodology of forecasting with various horizon of prediction using grey system theory, basing on practical application to vibration condition monitoring problems. The method of forecasting was based on GM(1,1) prognostic models with various window lengths for estimating model parameters. The model GM(1,1) is very effective where we have only few data, incomplete, and with low accuracy. The moving window method applied to GM(1,1) model enables to adapt to changes in data trend. However, selecting an inappropriate window length can result in excessive forecast errors. The applied algorithm is based on tracking the current prediction error for models having various window lengths, and then eliminating the models for which the error of prediction caused by the loss of adequacy of the model to the data increases excessively.
Celem pracy jest przedstawienie metodyki prognozowania dla różnych horyzontów prognozy z wykorzystaniem teorii szarych systemów w odniesieniu do praktycznego problemu z zakresu drganiowej diagnostyki maszyn. Metoda prognozowania jest oparta o modele GM(1,1) o różnej długości okna w której wyznacza się parametry modelu. Model GM(1,1) jest bardzo efektywny gdy istnieje niewiele danych, są one niekompletne i są niskiej jakości. Metoda ruchomego okna w zastosowaniu do modelu GM(1,1) pozwala na budowanie modelu adaptacyjnego, który umożliwia dostosowanie się do zmian w trendzie krzywej życia. Niestety źle dobrana długość okna może powodować zwiększenie się błędu prognozy w porównaniu do warunków, w których długość okna byłaby optymalna. Zastosowany algorytm polega na śledzeniu aktualnego błędu prognozy modeli o różnej długości okna i eliminacji znaczenia tych modeli, które powodują nadmierny wzrost błędu prognozy związany z utratą adekwatności do danych. - Źródło:
-
Diagnostyka; 2014, 15, 3; 65-68
1641-6414
2449-5220 - Pojawia się w:
- Diagnostyka
- Dostawca treści:
- Biblioteka Nauki
Artykuł