Um modelo híbrido de modelo auto-regressivo não linear com entrada exógena e modelo de média móvel autorregressivo para previsão de longo prazo do estado da máquina Este artigo apresenta uma melhoria do modelo de modelo auto-regressivo não-linear com modelo de entrada exógena (modelo NARX) e média móvel autorregressiva (ARMA) para longo prazo Previsão do estado da máquina com base em dados de vibração. Neste estudo, os dados de vibração são considerados como uma combinação de dois componentes que são dados deterministas e erros. O componente determinista pode descrever o índice de degradação da máquina, enquanto o componente de erro pode representar a aparência de partes incertas. Um modelo de previsão híbrido melhorado, a saber, o modelo NARXndashARMA, é realizado para obter os resultados de previsão em que o modelo de rede NARX, adequado para problemas não lineares, é usado para prever o componente determinista eo modelo ARMA são usados para prever o componente de erro devido à capacidade apropriada Em previsão linear. Os resultados finais de previsão são a soma dos resultados obtidos a partir desses modelos únicos. O desempenho do modelo NARXndashARMA é então avaliado usando os dados do baixo compressor de metano adquirido da rotina de monitoramento de condições. Para corroborar os avanços do método proposto, também é realizado um estudo comparativo dos resultados de previsão obtidos no modelo NARXndashARMA e nos modelos tradicionais. Os resultados comparativos mostram que o modelo NARXndashARMA é excelente e pode ser usado como uma ferramenta potencial para a previsão do estado da máquina. Média móvel autorregressiva (ARMA) Autoregressiva não linear com entrada exógena (NARX) Previsão a longo prazo Previsão do estado da máquina Autor correspondente. Tel. 82 51 629 6152 fax: 82 51 629 6150. Copyright copy 2009 Elsevier Ltd. Todos os direitos reservados. Os cookies são usados por este site. Para obter mais informações, visite a página de cookies. Copyright 2016 Elsevier B. V. ou seus licenciadores ou contribuidores. ScienceDirect é uma marca registrada de Elsevier B. V. Um modelo dinâmico dinâmico de rede neural não autoral com acesso exógeno (WNARX) para previsão de inundações em tempo real usando produtos de precipitação por satélite Trushnamayee Nanda a, 1. Bhabagrahi Sahoo b. Harsh Beria a. Chandranath Chatterjee a, 2. Departamento de Engenharia Agrícola e de Alimentos, Instituto Indiana de Tecnologia Kharagpur, Índia b Escola de Recursos Hídricos, Instituto Indiana de Tecnologia Kharagpur, Índia Recebido em 30 de dezembro de 2015. Revisado em 3 de maio de 2016. Aceito em 5 de maio de 2016. Disponível em linha 10 de maio de 2016. Este manuscrito Foi tratado por Andras Bardossy, editor-chefe, com a ajuda de Fi-John Chang, editor associado Destaques Previsão de tendência de TRMM e produtos de precipitação por satélite TRMM-RT. Modelo WNARX desenvolvido com RNA dinâmico, transformada wavelet e insumos exógenos. Comparou WNARX com modelos ARMAX, ANN, WANN e NARX para previsão de inundações. O acoplamento do WNARX com TRMM-RT resolve os problemas de previsão de inundações em tempo real. Embora o sistema de previsão e previsão de inundações seja uma medida não estrutural muito importante em bacias hidrográficas propensas a inundações, a rede de raineauge pobre, bem como a indisponibilidade de dados de precipitação em tempo real, podem dificultar sua precisão em diferentes prazos. Por outro lado, uma vez que os produtos de precipitação em tempo real baseados em satélites estão agora disponíveis para as regiões com escassez de dados, sua integração com os modelos orientados por dados pode ser efetivamente utilizada para a previsão de inundações em tempo real. Para abordar estas questões na previsão de fluxos operacionais, é proposto e avaliado um novo modelo orientado por dados, a saber, a autoregressiva não-linear baseada em wavelets com entradas exógenas (WNARX), em comparação com outros quatro modelos orientados por dados, ou seja, A média móvel autoadressiva linear com insumos exógenos (ARMAX), rede neural elétrica estática (ANN), ANN (WANN) com base em wavelet e modelos dinâmicos não-lineares autoregressivos com insumos exógenos (NARX). Em primeiro lugar, a qualidade dos produtos de precipitação de insumos da Análise de Precipitação Multi-Satélite da Estação de Medição de Precipitação Tropical (TMPA), viz. Os produtos TRMM e TRMM em tempo real (RT) são avaliados através de avaliação estatística. Os resultados revelam que os produtos de precipitação de satélites se correlacionam moderadamente com a precipitação observada, com o produto TRMM ajustado a calibração superando o produto TRMM-RT em tempo real. O produto de chuva TRMM melhor captura as observações do solo até 95 percentil (30,11 mm de dia), embora a taxa de acerto diminua para a alta intensidade da chuva. O efeito da precipitação antecedente (AR) e do produto de temperatura de reanálise do sistema de previsão climática (CFSR) na resposta da captação é testado em todos os modelos desenvolvidos. Os resultados revelam que, durante a simulação de fluxo em tempo real, os produtos de chuva baseados em satélites geralmente apresentam um desempenho pior do que a precipitação com base em bitola. Além disso, em comparação com os modelos existentes, a previsão de fluxo pelo modelo WNARX é muito melhor do que os outros quatro modelos estudados aqui com as chuvas TRMM e TRMM-RT aos 13 dias de prazos. Os resultados confirmam a robustez do modelo WNARX com apenas a precipitação por satélite (TRMM-RT) (sem uso de dados de medição) para fornecer previsões de inundações em tempo real razoavelmente boas. A utilidade do TRMM-RT resolve os problemas de previsão de inundações em tempo real, pois este é o único produto de precipitação disseminado em tempo real. Assim, o modelo WNARX com os produtos de precipitação TMPA pode oferecer um horizonte novo e emocionante para fornecer previsão de inundações e alerta precoz nas bacias hidrográficas propensas a inundações. Tabela 1. Fig. 2. Fig. 3. Fig. 4a. Fig. 4b. Fig. 5. Fig. 6. Fig. 7. Tabela 2. Fig. 8. Fig. 9. Fig. 10.
Комментариев нет:
Отправить комментарий