Статья

Название статьи КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ ТЕХНИЧЕСКОГО ПАРАМЕТРА НА ОСНОВЕ АДАПТИВНЫХ ПОЛИНОМИАЛЬНЫХ МОДЕЛЕЙ ВРЕМЕННЫХ РЯДОВ
Автор С.И. Клевцов, Д.А. Иванов
Рубрика РАЗДЕЛ IV. МЕТОДЫ, МОДЕЛИ И АЛГОРИТМЫ ОБРАБОТКИ ИНФОРМАЦИИ
Месяц, год 06, 2017
Индекс УДК 681.3.062
DOI
Аннотация Рассматриваются перспективы использования временных рядов для прогнозирования изменений технического параметра в реальном времени. Задача заключается в оценке дbнамики тренда параметра. Прогнозная оценка осуществляется с использованием простых адаптивных моделей. Это условие связано с реализацией процедуры прогнозирования в микроконтроллере системы мониторинга объекта, причем процедура должна проводится в фоновом режиме. В качестве основных моделей выбраны адаптивные полиномиальные модели первого и второго порядка, базирующиеся на методе многократного экспоненциального сглаживания. Модели были модифицированы для адаптации к особенностям процесса вычислений в микроконтроллере. На их основе формируются достаточно простые алгоритмы и программы, которые характеризуются незначительными вычислительными затратами и легко реализуются в микроконтроллере в фоновом режиме. Исходные данные, значения ускорения по трем осям, были получены с использованием трехосевого акселерометра, установленного на автомобиле. Данные перед моделированием не подвергались предварительной обработке. Однако в процессе моделирования процесса прогнозирования в режиме реального времени из набора данных исключались выбросы. Прогноз осуществлялся на один шаг съема информации с датчика. Оценка моделей проводилась на одной и той же экспериментальной выборке. Сравнение результатов прогнозирования показало, что адаптивная полиномиальная модель второго порядка в целом более предпочтительна с точки зрения приведенной погрешности. Обе модели можно использовать для оценки изменения параметра на произвольное число интервалов прогнозирования. Эффективность использования моделей для задачи прогнозирования в значительной степени зависит от определения параметров адаптации, таких как постоянная сглаживания и начальные оценки коэффициентов модели временного ряда. В работе рассмотрены особенности поведения моделей и определены правила подбора параметров адаптации в зависимости от характера изменения технического параметра во времени.

Скачать в PDF

Ключевые слова Временной ряд; полиномиальная модель; прогнозирование; технический параметр; микропроцессор; реальное время.
Библиографический список 1. Клевцова А.Б. Параметрическая зонная оценка состояния технического объекта с использованием режимной карты // Известия ЮФУ. Технические науки. – 2010. – № 5 (106). – С. 107-111.
2. Matuszewski J. Application of clustering methods for recognition of technical objects // Modern Problems of Radio Engineering, Telecommunications and Computer Science (TCSET), 2010 International Conference. – 2010. – P. 39-40.
3. Клевцова А.Б., Клевцов Г.С. Модели параметрической экспресс-оценки состояния техниче-ского объекта // Известия ЮФУ. Технические науки. – 2008. – № 11 (88). – С. 15-19.
4. Detlev W. Gross. Partial Discharge Measurement and Monitoring on Rotating Machines // IEEE Int. Sym. On Elect. Insul, Boston MAUSA, April 7-10, 2002. – P. 33-41.
5. Ярошенко И.В. Математическая модель и метод классификации технического состояния высоковольтных мехатронных модулей // Инженерный вестник Дона. – 2014. – № 2.
– URL: ivdon.ru/ru/magazine/archive/n2y2014/2330.
6. Евтихиев Н.Н., Карп В.П., Пудова Н.В. Интеллектуальные системы поддержки принятия решений и оптимизации управления в сложно организованных динамических объектах // Приборы и системы управления. – 1996. – № 3. – С. 35-40.
7. Lihua Sun, Yingjun Guo, Haichao Ran. A New Method of Early Real-Time Fault Diagnosis for Technical Process // Electrical and Control Engineering (ICECE), 2010 International Conference, 2010. – Wuhan, China. – P. 4912-4915.
8. Vovk S.P., Ginis L.А. Modelling and forecasting of transitions between levels of hierarchies in Difficult formalized systems // European Researcher. – 2012. – Vol. (20), No. 5-1. – P. 541-545.
9. Сергиенко А.Б. Цифровая обработка сигналов. – СПб.: Питер, 2002. – 608 с.
10. Клевцов С.И., Клевцова А.Б., Буринов С.В. Модель параметрической качественной ие-рархической оценки состояния технической системы // Инженерный вестник Дона.
– 2015. – № 3. – URL: ivdon.ru/ru/magazine/archive/n3y2015/3088.
11. Boyle C. Mastering Statistics with your Microcomputer. – Macmillan Master Series. Macmillan Education UK.1986. – 155 p.
12. Клевцов С.И. Отслеживание изменения состояния динамического объекта в реальном времени с использованием микропроцессорного модуля // Всероссийская научно-техническая конференция «Проблемы разработки перспективных микро- и наноэлек-тронных систем (МЭС)»: Сборник трудов. – 2012. – № 1. – С. 684-687.
13. Клевцов С.И. Предварительная оценка состояния совокупности параметров технического объекта с использованием интеллектуального микропроцессорного модуля // Известия ЮФУ. Технические науки. – 2010. – № 5 (106). – С. 43-48.
14. Клевцов С.И. Моделирование алгоритма краткосрочного прогнозирования изменения быстроменяющейся физической величины в реальном времени // Инженерный вестник Дона. – 2012. – № 3 (21). – С. 199-205.
15. Box George E.P., Jenkins Gwilym M., Reinsel Gregory C. Time series analysis: forecasting and control. – 4th ed. – A JOHN WILEY & SONS, INC., PUBLICATION, 2015. – 712 p.
16. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. – М.: Финансы и статистика, 2003. – 416 с.
17. Клевцов С.И. Прогнозирование изменений физической величины в реальном времени с использованием линейного адаптивного фильтра // Известия ЮФУ. Технические науки. – 2013. – № 5 (142). – С. 180-185.
18. Peter J. Brockwell, Richard A. Davis. ITSM: An Interactive Time Series Modelling Package for the PC. – Springer New York, 1991. – 105 p.
19. Бриллинджер Д.Р. Временные ряды. Обработка данных и теория: монография / под ред. А.Н. Колмогорова: пер. с английского. – М., 1980. – 536 с.
20. Сидоров С.Г., Никологорская А.В. Анализ временных рядов как метод построения про-гноза потребления электроэнергии // Вестник ИГЭУ. – 2010. – Вып. 3. – С. 1-3.
21. Klevtsov S.I. Identification of the State of Technical Objects Based on Analyzing a Limited Set of Parameters // 2016 International Siberian Conference on Control and Communications, SIBCON 2016 - Proceedings. – 2016. – С. 749-752.
22. Darkhovsky B., Piratinska A. Novel Methodology for Segmentation of Time Series Generated by Different Mechanisms // Proceedings of International work-conference on Time Series (ITISE-2014). Iss. 1. Granada: Copicentro Granada S.L., 2014. – P. 273-285.
23. Darkhovsky B., Brodsky B. Asymptotically Optimal Methods of Early Change-point Detection // Sequential Analysis. – 2013. – No. 32. – P. 158-181.
24. Клевцов С.И. Особенности выбора параметров настройки модели сглаживающего вре-менного ряда для осуществления краткосрочного прогнозирования изменения физиче-ской величины // Известия ЮФУ. Технические науки. – 2011. – № 5 (118). – С. 133-138.
25. Klevtsov S.I., Udod Y.V. The Impact of the Parameters of Constructing a Model for a Micro-processor-Based Sensors Multi-Segment Spatial Conversion Characteristics on the Accuracy of Measuring Physical Quantities // World Applied Sciences Journal. – 2014. – Vol. 29, No. 6. – P. 710-714.
26. Клевцов С.И. Формирование мультисегментной модели градуировочной характеристики интеллектуального датчика // Известия ЮФУ. Технические науки. – 2008. – № 11 (88).
– С. 8-11.

Comments are closed.