Saya sedang mengerjakan proyek kontrol mesin. Kita dapat mengukur arus motor selama operasi. Data sampel dari dua motor yang berhasil melakukan operasi ada di bawah ini. Jejak merah menunjukkan arus dari satu motor, jejak biru arus dari yang lain. Saya ingin mencoba dan membuat algoritma untuk mengidentifikasi masalah dengan perilaku mesin. Masalahnya bisa menjadi arus motor yang sangat tinggi, mendekati arus motor nol, peningkatan arus pada akhir operasi, deret waktu yang lebih pendek dari biasanya, apa pun secara umum yang tidak seperti operasi tipikal di bawah ini. Adakah yang bisa menyarankan algoritma yang baik untuk mencapai ini? Satu-satunya yang saya kenal adalah jaringan saraf. Saya telah meletakkan file Excel dari data aktual pada arus motor
sumber
Jawaban:
Pendekatan saya adalah membentuk Model ARIMA untuk data dan kemudian menggunakan berbagai "skema deteksi titik-perubahan" untuk memberikan peringatan dini tentang "hal-hal" yang tidak terduga. Skema ini akan mencakup
Jika Anda benar-benar ingin memposting salah satu seri Anda, kami sebenarnya dapat menunjukkan kepada Anda jenis analisis yang dapat "mendorong" gagasan bahwa segala sesuatu berubah atau telah berubah secara signifikan.
sumber
Saya akan menyarankan Anda tautan ini yang berkaitan dengan klasifikasi deret waktu: http://www.r-bloggers.com/time-series-analysis-and-mining-with-r/ .
sumber
Model Markov Tersembunyi
Salah satu pendekatan terbaik untuk memodelkan data deret waktu adalah Hidden Markov Model (HMM). Anda dapat membuat model tunggal dari status tanpa masalah yang Anda ketahui, model terpisah dari masing-masing negara bagian yang diketahui masalah Anda, atau, jika Anda memiliki data yang memadai, model komposit tunggal dari semua negara bagian Anda yang dikenal masalah. Pustaka sumber terbuka yang baik adalah Hidden Markov Model Toolbox untuk Matlab.
http://www.cs.ubc.ca/~murphyk/Software/HMM/hmm.html
Filter Kalman
Pendekatan lain yang sedikit lebih terlibat adalah Filter Kalman. Pendekatan ini sangat berguna jika data Anda memiliki banyak noise. Pustaka sumber terbuka yang bagus adalah Kalman Filter Toolbox untuk Matlab.
http://www.cs.ubc.ca/~murphyk/Software/Kalman/kalman.html
Model Bayesian
Kedua pendekatan ini dianggap sebagai Model Bayesian. Pustaka sumber terbuka yang bagus adalah Bayes Net Toolbox untuk Matlab.
http://code.google.com/p/bnt
Saya harap ini berhasil untuk Anda.
sumber