Ein Hybrid des nichtlinearen autoregressiven Modells mit exogenem Eingang und autoregressivem gleitendem Durchschnittsmodell für die langfristige Maschinenzustandsvorhersage Dieses Papier stellt eine Verbesserung des hybriden nichtlinearen autoregressiven Modells mit exogenem Input - (NARX) - Modell und autoregressivem Moving Average (ARMA) - Modell für Langzeit dar Maschinenzustandsvorhersage basierend auf Vibrationsdaten. In dieser Studie werden Schwingungsdaten als eine Kombination von zwei Komponenten betrachtet, die deterministische Daten und Fehler sind. Die deterministische Komponente kann den Degradationsindex der Maschine beschreiben, während die Fehlerkomponente das Auftreten unsicherer Teile darstellen kann. Ein verbessertes Hybrid-Prognosemodell, nämlich das NARXndashARMA-Modell, wird durchgeführt, um die Prognoseergebnisse zu erhalten, in denen ein NARX-Netzmodell, das für ein nichtlineares Problem geeignet ist, zur Prognose der deterministischen Komponente und des ARMA-Modells verwendet wird, um die Fehlerkomponente aufgrund geeigneter Fähigkeiten vorherzusagen In der linearen Vorhersage. Die endgültigen Prognoseergebnisse sind die Summe der Ergebnisse dieser einzelnen Modelle. Die Leistung des NARXndashARMA-Modells wird dann unter Verwendung der Daten des Niedrig-Methan-Kompressors ausgewertet, die von der Zustandsüberwachungsroutine erhalten werden. Um die Fortschritte der vorgeschlagenen Methode zu bestätigen, wird eine vergleichende Untersuchung der Prognoseergebnisse des NARXndashARMA-Modells und der traditionellen Modelle durchgeführt. Die Vergleichsergebnisse zeigen, dass das NARXndashARMA-Modell hervorragend ist und als potentielles Werkzeug zur Maschinenzustandsprognose eingesetzt werden kann. Autoregressiver gleitender Durchschnitt (ARMA) Nichtlineare autoregressive mit exogenem Eingang (NARX) Langfristige Vorhersage Maschinenzustandsvorhersage Entsprechender Autor. Tel. 82 51 629 6152 Fax: 82 51 629 6150. Copyright 2009 Elsevier Ltd. Alle Rechte vorbehalten. Cookies werden von dieser Website verwendet. Weitere Informationen finden Sie auf der Cookieseite. Copyright 2016 Elsevier B. V. oder seine Lizenzgeber oder Mitwirkenden. ScienceDirect ist ein eingetragenes Warenzeichen von Elsevier B. V. Wavelet-basierte nicht-lineare autoregressive mit exogenen Eingängen (WNARX) dynamisches neuronales Netzwerkmodell für Echtzeit-Hochwasserprognosen mit satellitengestützten Niederschlagprodukten Trushnamayee Nanda a, 1. Bhabagrahi Sahoo b. Harte Beria a. Chandranath Chatterjee a, 2. Eine Abteilung für Landwirtschaft und Lebensmittelingenieurwesen, indisches Institut für Technologie Kharagpur, Indien b Schule für Wasserressourcen, indisches Institut für Technologie Kharagpur, Indien erhielt 30. Dezember 2015. Überarbeitete 3. Mai 2016. Akzeptiert 5. Mai 2016. Verfügbar online 10. Mai 2016. Dieses Manuskript Wurde von Andras Bardossy, Chefredakteur, mit der Unterstützung von Fi-John Chang, Associate Editor Highlights Geschätzte Vorurteil TRMM und TRMM-RT satellitengestützte Niederschlag Produkte behandelt. Entwickeltes WNARX-Modell mit dynamischem ANN, Wavelet-Transformation und exogenen Eingängen. Verglichen mit WNARX mit ARMAX, ANN, WANN und NARX Modellen für die Hochwasserprognose. Die Kopplung von WNARX mit TRMM-RT löst die Probleme der Hochwasserprognose. Obwohl Hochwasservorhersage - und - warnsystem eine sehr wichtige nichtstrukturelle Maßnahme in überflutungsgefährdeten Flusseinzugsgebieten ist, könnte ein schlechtes Netz der Regenrinne sowie die Nichtverfügbarkeit von Niederschlagsdaten in Echtzeit ihre Genauigkeit zu unterschiedlichen Vorlaufzeiten behindern. Umgekehrt könnte die Integration mit den datengetriebenen Modellen effektiv zur Echtzeit-Hochwasservorhersage genutzt werden, da die echtzeit-satellitengestützten Niederschlagsprodukte nun für die datenscharfen Regionen verfügbar werden. Um diese Probleme in der operativen Streamflow-Prognose zu lösen, wird ein neues datengetriebenes Modell, nämlich das Wavelet-basierte, nicht-lineare autoregressive mit exogenen Eingängen (WNARX) vorgeschlagen und im Vergleich zu vier anderen datengetriebenen Modellen, Den linearen autoregressiven gleitenden Durchschnitt mit exogenen Eingängen (ARMAX), dem statischen künstlichen neuronalen Netz (ANN), dem Wavelet-basierten ANN (WANN) und dem dynamischen nichtlinearen autoregressiven Modell mit exogenen Eingängen (NARX). Zuerst wird die Qualität der Input-Niederschlagsprodukte der tropischen Niederschlagsmessmission Multi-Satellite Precipitation Analysis (TMPA), d. h. TRMM und TRMM-Echtzeit (RT) Niederschlag Produkte werden durch statistische Auswertung bewertet. Die Ergebnisse zeigen, dass die Satellitenregenprodukte mäßig mit den beobachteten Niederschlägen korrelieren, wobei das messgerätebereinigte TRMM-Produkt das Echtzeit-TRMM-RT-Produkt übertrifft. Das TRMM-Niederschlagsprodukt fängt die Bodenbeobachtungen bis zu 95 Prozent (30.11 mm / Tag) besser ein, obwohl die Trefferrate bei hoher Niederschlagsintensität sinkt. In allen entwickelten Modellen wird die Wirkung von Vorproduktregen (AR) und Klimaprognosesystemreanalyse (CFSR) - Temperaturprodukt auf das Einzugsgebiet untersucht. Die Ergebnisse zeigen, dass bei der Echtzeit-Strömungssimulation die satellitengestützten Niederschlagsprodukte im Allgemeinen schlechter ausfallen als die auf dem Messgerät basierenden Niederschläge. Darüber hinaus ist die Flussvorhersage des WNARX-Modells im Vergleich zu den bestehenden Modellen besser als die anderen vier Modelle, die mit den TRMM - und TRMM-RT-Regenfällen zu 13 Tagen Laufzeiten untersucht wurden. Die Ergebnisse bestätigen die Robustheit des WNARX-Modells mit nur dem satellitengestützten (TRMM-RT) Niederschlag (ohne Verwendung von Messdaten), um angemessene Echtzeit-Hochwasserprognosen zu liefern. Der Nutzen des TRMM-RT löst die Echtzeit-Hochwasservorhersage, da dies das einzige in Echtzeit verbreitete Niederschlagsprodukt ist. Daher kann das WNARX-Modell mit den TMPA-Niederschlagsprodukten einen aufregenden neuen Horizont bieten, um Hochwasservorhersage und Frühwarnung in den Überschwemmungsgebieten zu ermöglichen. Tabelle 1. Fig. Fig. 4a. Feige. 4b. Feige. Fig. Fig. Tabelle 2. Fig. Fig. Fig. 10.
No comments:
Post a Comment