Статья

Название статьи ИСПОЛЬЗОВАНИЕ МЕТОДА НОРМИРОВАННОГО РАЗМАХА ДЛЯ АНАЛИЗА ПОВЕДЕНИЯ ПАРАМЕТРА ТЕХНИЧЕСКОГО ОБЪЕКТА
Автор С. И. Клевцов
Рубрика РАЗДЕЛ III. МЕТОДЫ И СРЕДСТВА УПРАВЛЕНИЯ И КОНТРОЛЯ
Месяц, год 06, 2018
Индекс УДК 681.3.062
DOI
Аннотация Состояние технического объекта определяется на основе оценки его параметров, текущей и прогнозной. На объект воздействуют различные внешние факторы, которые приводят к деградации параметров объекта. Если изменение параметров станет недопустимым для рабочего режима объекта, он может выйти из строя, а это может привести к аварийной ситуации. Чтобы этого не допустить, необходимо не только контролировать параметры в процессе работы, но и прогнозировать их значения на шаг и более вперед по оси времени. Однако, достоверный и удовлетворяющий по точности прогноз возможен, если поведение параметра определяется предысторией, то есть данными, которые к текущему моменту известны, а тренд для временного ряда параметра сохраняет характер монотонности еще какое-то время. Для анализа возможного поведения временного ряда параметра, включая оценку стабильности тренда, определения точек изменения его динамики, использовался метод нормированного размаха Хёрста. Метод нормированного размаха не ставит дополнительным условием для анализа соответствие совокупности измерений нормальному закону распределения. Для временных рядов параметров это условие практически не выполняется. На основе определения величины показателя Хёрста ряды классифицируются на антиперсистентные, случайные и персистентные. Если ряд классифицирован как антиперсистентный, то он обладает ярко выраженными фрактальными свойствами, а если он персистентный, то его тренд обладает «исторической» памятью и для его прогнозирования можно использовать обычные методы временных рядов. С помощью показателя Хёрста можно определить не только оценку отношения силы тренда к уровню шума, но и по величине показателя оценить необходимость выполнения процедур фильтрации шумовой составляющей сигнала. На основании обработки данных об ускорении технического объекта методом нормированного размаха сделан вывод о целесообразности применения показателя Хёрста при решении задач прогнозирования параметров технических объектов. Чем выше для рассматриваемого ряда показатель Хёрста из диапазона (0,5÷1,0], тем более точным может быть прогноз значений параметра. При значениях показателя Хёрста, приближающихся к величине 0,5, требуется дополнительная обработка данных перед процедурой прогнозирования для снижения погрешности оценки значений ряда.

Скачать в PDF

Ключевые слова Временной ряд; модель, прогнозирование; технический параметр; показатель Хёрста; метод нормированного размаха.
Библиографический список 1. 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.
2. Клевцова А.Б. Параметрическая зонная оценка состояния технического объекта с использованием режимной карты // Известия ЮФУ. Технические науки. – 2010. – № 5 (106). – С. 107-111.
3. 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.
4. Клевцова А.Б., Клевцов Г.С. Модели параметрической экспресс-оценки состояния технического объекта // Известия ЮФУ. Технические науки. – 2008. – № 11 (88). – С. 15-19.
5. 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.
6. 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.
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. – Wuhan, China, 2010. – P. 4912-4915.
8. 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.
9. Darkhovsky B., Brodsky B. Asymptotically Optimal Methods of Early Change-point Detection // Sequential Analysis. – 2013. – No. 32. – P. 158-181.
10. 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.
11. 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.
12. Федер Е. Фракталы: пер. с англ. – М.: Мир, 1991. – 254 с.
13. Антипов О.И., Неганов В.А. Применение метода нормированного размаха Хёрста к анализу стохастических временных рядов в импульсных стабилизаторах напряжения // Физика волновых процессов и радиотехнические системы. – 2009. – Т. 12, № 3. – С. 78-85.
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. 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.
17. Клевцов С.И. Моделирование алгоритма краткосрочного прогнозирования изменения быстроменяющейся физической величины в реальном времени // Инженерный вестник Дона. – 2012. – № 3 (21). – С. 199-205.
18. 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.
19. 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.
20. Лукашин Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов. – М.: Финансы и статистика, 2003. – 416 с.
21. Бриллинджер Д.Р. Временные ряды. Обработка данных и теория: монография / под ред. А.Н. Колмогорова: пер. с англ. – М., 1980. – 536 с.
22. Биченова Н. Вычисление показателя Херста для динамики стоимости компании //
Automated control systems. Transactions. Georgian Technical University. – 2015. – No. 1 (19).
23. Кузенков Н.П., Логинов В.М. Использование метода нормированного размаха при анализе речевых патологий неврологического генеза // Компьютерные исследования и моделирование. – 2014. – Т. 6, № 5. – С. 775-791.
24. Бельков Д.В., Едемская Е.Н., Незамова Л.В. Статистический анализ сетевого трафика // Наукові праці ДонНТУ. Серія "Інформатика, кібернетика та обчислювальна техніка".
– 2011. – Вип. 13 (185). – С. 66-75.
25. Кириченко Л., Чалая Л. Комплексный подход к исследованию фрактальных временных рядов // International Journal "Information Technologies & Knowledge". – 2014. – Vol. 8, No. 1. – P. 22-28.
26. Калуш Ю.А., Логинов В.М. Показатель Хёрста и его скрытые свойства // Сибирский журнал индустриальной математики. – 2002. – Т. 5, № 4. – С. 29-37.
27. James B. Bassingthwaighte, Gary M. Raymond. Evaluation of the Dispersional Analysis Method for Fractal Time Series // Ann Biomed Eng. – 1995. – Vol. 23 (4). – P. 491-505.
28. Roel F. Ceballos, Fe F. LargoOn. The Estimation of the Hurst Exponent Using Adjusted Rescaled Range Analysis, Detrended Fluctuation Analysis and Variance Time Plot: A Case of Exponential Distribution. // Imperial Journal of Interdisciplinary Research (IJIR). – 2017.
– Vol. 3, Issue 8. – P. 424-434.
29. Cervantes-De la Torre F., Gonz´alez-Trejo J.I., Real-Ramirez C.A., Hoyos-Reyes L.F. Fractal dimension algorithms and their application to time series associated with natural phenomena // Journal of Physics: Conference Series. – 2013. – No. 475. – P. 1-10.
30. Клевцов С.И. Использование моделей временных рядов для краткосрочного прогнозирования в микроконтроллере изменений параметров объекта // Известия ЮФУ. Технические науки. – 2013. – № 11 (148). – С. 194-201.

Comments are closed.