Статья

Название статьи ВЛИЯНИЕ ПАРАМЕТРОВ МОДЕЛИ НА ПЕРИОД АДАПТАЦИИ СГЛАЖИВАЮЩЕГО ВРЕМЕННОГО РЯДА ПРИ ПРОГНОЗИРОВАНИИ ИЗМЕНЕНИЙ МЕДЛЕННО МЕНЯЮЩЕЙСЯ ФИЗИЧЕСКОЙ ВЕЛИЧИНЫ
Автор С. И. Клевцов, А. Б. Клевцова
Рубрика РАЗДЕЛ IV. КОНТРОЛЬ И УПРАВЛЕНИЕ В ТЕХНИЧЕСКИХ СИСТЕМАХ
Месяц, год 03, 2018
Индекс УДК 681.3.062
DOI
Аннотация При использовании временного ряда для прогнозирования значений параметров технических объектов и физических переменных необходимо учитывать особенности съема данных для прогнозирования, связанные с цифровой обработкой сигналов. Шаг дискретизации при съеме данных можно установить небольшим. Если изменение параметра в течение нескольких последовательных шагов будет незначительным, то в качестве базовой модели временного ряда можно использовать ряды на основе многократного экспоненциального сглаживания. Для выполнения прогнозирования в микроконтроллере в фоновом режиме был выбран ряд с простым алгоритмом реализации, но позволяющий получить результат с приемлемой погрешностью. Однако, при прогнозировании медленно меняющихся физических величин, ряд имеет период адаптации. Ряд в рамках периода адаптации характеризуется высокой погрешностью и не пригоден для прогнозирования. Задача заключается в сокращении периода адаптации. Эта задача может быть решена с помощью настройки параметров временного ряда. В работе приведены результаты исследований влияния параметров настройки на длительность и форму периода адаптации. В качестве параметров рассматривались сглаживающий коэффициент, коэффициенты начального представления ряда, а также шаг прогнозирования. Оценено влияние параметров настройки ряда на длительность периода адаптации. На основе выявленных закономерностей определены рекомендации по выбору параметров настройки ряда, которые позволят снизить длительность периода адаптации. В частности, определено, что изменение сглаживающего коэффициента не оказывает существенного влияния на погрешность прогнозирования на начальном участке. Проведенный анализ показывает, что для обеспечения хорошей точности прогнозирования с помощью временных рядов необходимо выбрать постоянную сглаживания, соответствующую динамике прогнозируемого процесса. Для устранения или максимального сокращения участка настройки адаптации временного ряда и расширения участка прогнозирования следует точно задать начальные значения коэффициентов аппроксимации исходной функции.

Скачать в PDF

Ключевые слова Временной ряд; модель; прогнозирование; технический параметр; период адаптации; 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 технического 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. Клевцов С.И., Клевцова А.Б., Буринов С.В. Модель параметрической качественной иерархической оценки состояния технической системы // Инженерный вестник Дона.
– 2015. – № 3. – URL: ivdon.ru/ru/magazine/archive/n3y2015/3088.
10. Клевцов С.И. Моделирование алгоритма краткосрочного прогнозирования изменения быстроменяющейся физической величины в реальном времени // Инженерный вестник Дона. – 2012. – № 3 (21). – С. 199-205.
11. Клевцов С.И. Отслеживание изменения состояния динамического объекта в реальном времени с использованием микропроцессорного модуля // Всероссийская научно-техническая конференция «Проблемы разработки перспективных микро- и наноэлектронных систем (МЭС)»: Сб. трудов. – 2012. – № 1. – С. 684-687.
12. 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.
13. 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.
14. Peter J. Brockwell, Richard A. Davis ITSM: An Interactive Time Series Modelling Package for the PC. – Springer New York, 1991. – 105 p.
15. Сидоров С.Г., Никологорская А.В. Анализ временных рядов как метод построения прогноза потребления электроэнергии // Вестник ИГЭУ. – 2010. – Вып. 3. – С. 1-3.
16. 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. – P. 749-752.
17. 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.
18. Darkhovsky B., Brodsky B. Asymptotically Optimal Methods of Early Change-point Detection // Sequential Analysis. – 2013. – No. 32. – P. 158-181.
19. Сергиенко А.Б. Цифровая обработка сигналов. – СПб.: Питер, 2002. – 608 с.
20. Boyle C. Mastering Statistics with your Microcomputer. – Macmillan Master Series. Macmillan Education UK .1986. – 155 p.
21. Клевцов С.И. Особенности выбора параметров настройки модели сглаживающего временного ряда для осуществления краткосрочного прогнозирования изменения физической величины // Известия ЮФУ. Технические науки. – 2011. – № 5 (118). – С. 133-138.
22. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. – М.: Финансы и статистика, 2003. – 416 с.
23. Бриллинджер Д.Р. Временные ряды. Обработка данных и теория: монография / под ред. А.Н. Колмогорова: пер. с англ. – М., 1980. – 536 с.
24. George E.P. Box, Gwilym M. Jenkins, Gregory C. Reinsel. Time series analysis: forecasting and control. – 4th ed. – A JOHN WILEY & SONS, INC., PUBLICATION, 2015. – 712 p.

Comments are closed.