Algoritma terbaik untuk mengklasifikasikan data motor seri waktu

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

Arus motor - operasi yang baik Arus motor - macet di akhir operasi

time-series

— fret basset
sumber

Mungkin lebih tepat untuk situs SE statistik, karena ini melibatkan deteksi anomali dan pemodelan statistik dari deret waktu. Analisis survival dapat berperan, meskipun tidak jelas dari pertanyaan.

— Iterator

Bisakah Anda memposting gambar "masalah"? Satu ide adalah menghitung jarak antara "operasi ideal" (seperti garis merah) dan "operasi aktual" (garis biru). Jika ada titik yang terlalu jauh dari "operasi ideal", tandai sebagai masalah.

— Zach

+1 Ini adalah ide utama: gunakan pengetahuan khusus aplikasi untuk mengkarakterisasi perilaku. Ini akan jauh lebih relevan dan kuat daripada teknik statistik murni apa pun. Statistik kemudian dapat menawarkan cara untuk membandingkan data dengan "baseline" atau seri ideal.

— whuber

Gagasan ini menggunakan teori atau ideal dapat dengan mudah dimasukkan sebagai seri pendukung prediktor / penyebab / kanan di model Fungsi Transfer yang kemudian akan menghasilkan informasi deteksi titik perubahan yang saya jelaskan dalam jawaban saya.

— IrishStat

@Irish Saya pikir itu tidak sesederhana itu. Ada bentuk karakteristik untuk konsumsi saat ini: lonjakan cepat awal, penurunan lebih lambat (eksponensial?), Wilayah panjang arus stabil (mudah-mudahan), diikuti oleh penurunan akhir (yang mengasumsikan bentuk karakteristik) pada akhir . Detail akan bervariasi, tetapi membedakan variasi normal dari variasi "buruk" adalah kuncinya. Yang menjadi perhatian adalah hal-hal seperti ketinggian relatif dari lonjakan awal dan waktu yang dibutuhkan untuk naik turun. Ingat, tujuannya adalah untuk mengidentifikasi masalah dan beberapa di antaranya mungkin lebih halus daripada yang akan ditunjukkan oleh analisis standar.

— whuber

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

mendeteksi keberadaan / onset Pulsa / Pergeseran Level / Tren Waktu Lokal, yaitu perubahan rata-rata dari kesalahan seiring waktu
mendeteksi keberadaan / timbulnya perubahan parameter dari waktu ke waktu
mendeteksi keberadaan / timbulnya perubahan varian residu dari waktu ke waktu

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.

— IrishStat
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/ .

— Giorgio Spedicato
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.