Thuật toán tốt nhất để phân loại dữ liệu động cơ chuỗi thời gian

Tôi đang làm việc trên một dự án điều khiển máy. Chúng tôi có thể đo dòng điện của động cơ trong quá trình hoạt động. Dữ liệu mẫu từ hai động cơ thực hiện một hoạt động thành công dưới đây. Dấu vết màu đỏ cho thấy dòng điện từ một động cơ, màu xanh theo dõi dòng điện từ một động cơ khác. Tôi muốn thử và đưa ra một thuật toán để xác định các vấn đề với hành vi của máy. Các sự cố có thể là dòng động cơ quá cao, dòng động cơ gần bằng 0, dòng điện tăng khi kết thúc hoạt động, chuỗi thời gian ngắn hơn bình thường, bất cứ điều gì nói chung không giống như một hoạt động thông thường dưới đây. Bất cứ ai có thể đề xuất một thuật toán tốt để đạt được điều này? Người duy nhất tôi quen thuộc là một mạng lưới thần kinh. Tôi đã đặt một tệp Excel của dữ liệu thực tế tại các dòng động cơ

Cách tiếp cận của tôi là hình thành Mô hình ARIMA cho dữ liệu và sau đó sử dụng nhiều "kế hoạch phát hiện điểm thay đổi" khác nhau để đưa ra cảnh báo sớm về "những điều bất ngờ". Những kế hoạch này sẽ bao gồm

1. phát hiện sự hiện diện / khởi phát của xung / mức dịch chuyển / Xu hướng thời gian cục bộ tức là thay đổi giá trị trung bình của các lỗi theo thời gian
2. phát hiện sự hiện diện / khởi phát của các thay đổi trong các tham số theo thời gian
3. phát hiện sự hiện diện / khởi phát của những thay đổi trong phương sai của phần dư theo thời gian

Nếu bạn thực sự muốn đăng một trong những loạt bài của mình, chúng tôi thực sự có thể chỉ cho bạn loại phân tích này có thể "đẩy ra" ý tưởng rằng mọi thứ đang thay đổi hoặc đã thay đổi đáng kể.

Tôi sẽ đề nghị bạn liên kết này liên quan đến phân loại chuỗi thời gian: http://www.r-bloggers.com/time-series-analysis-and-mining-with-r/ .

Mô hình Markov ẩn

Một trong những cách tiếp cận tốt nhất để mô hình hóa dữ liệu chuỗi thời gian là Mô hình Markov ẩn (HMM). Bạn có thể tạo một mô hình duy nhất về trạng thái không có vấn đề, các mô hình riêng biệt của từng trạng thái sự cố đã biết hoặc, nếu bạn có đủ dữ liệu, một mô hình tổng hợp duy nhất của tất cả các trạng thái sự cố đã biết. Một thư viện mã nguồn mở tốt là Hộp công cụ mô hình ẩn Markov cho Matlab.

http://www.cs.ubc.ca/~murphyk/Software/HMM/hmm.html

Bộ lọc Kalman

Một cách tiếp cận khác có liên quan nhiều hơn một chút là Bộ lọc Kalman. Cách tiếp cận này đặc biệt hữu ích nếu dữ liệu của bạn có nhiều tiếng ồn. Một thư viện mã nguồn mở tốt là Hộp công cụ lọc Kalman cho Matlab.

http://www.cs.ubc.ca/~murphyk/Software/Kalman/kalman.html

Mô hình Bayes

Cả hai cách tiếp cận này đều được coi là Mô hình Bayes. Một thư viện mã nguồn mở tốt là Hộp công cụ Bayes Net cho Matlab.

http://code.google.com.vn/p/bnt

Tôi mong công việc này phù hợp với bạn.