Pracuję nad projektem sterowania maszyną. Możemy zmierzyć prąd silnika podczas pracy. Przykładowe dane z dwóch silników wykonujących operację pomyślnie znajdują się poniżej. Czerwony ślad pokazuje prąd z jednego silnika, niebieski ślad prądu z drugiego. Chciałbym spróbować opracować algorytm identyfikujący problemy z zachowaniem maszyny. Problemami mogą być nadmiernie wysoki prąd silnika, prawie zerowy prąd silnika, prąd rosnący na końcu operacji, krótszy szereg czasowy niż normalnie, wszystko w ogóle, co nie wygląda jak typowa operacja poniżej. Czy ktoś może zasugerować dobry algorytm do osiągnięcia tego? Znałem tylko sieć neuronową. Umieściłem plik Excel aktualnych danych przy prądach silnika
Prawdopodobnie bardziej odpowiednie dla strony statystyki SE, ponieważ obejmuje to wykrywanie anomalii i modelowanie statystyczne szeregów czasowych. Analiza przeżycia może odegrać pewną rolę, choć nie jest to jasne z pytania.
—
Iterator,
Czy możesz opublikować obraz „problemu”? Jednym z pomysłów byłoby obliczenie odległości między „idealną operacją” (jak czerwona linia) a „rzeczywistą operacją” (niebieska linia). Jeśli którykolwiek punkt jest zbyt daleko od „idealnej operacji”, oznacz to jako problem.
—
Zach.
+1 To kluczowy pomysł: wykorzystaj wiedzę specyficzną dla aplikacji, aby scharakteryzować zachowanie. Będzie o wiele bardziej trafny i potężny niż jakakolwiek technika czysto statystyczna. Statystyki mogą następnie oferować sposoby porównywania danych z „serią bazową” lub seriami idealnymi.
—
whuber
Pomysł użycia teoretycznego lub idealnego można łatwo włączyć jako prognozę / przyczynę / prawą serię wsparcia do modelu funkcji przenoszenia, która następnie dostarczy informacje o wykryciu punktu zmiany, które opisałem w mojej odpowiedzi.
—
IrishStat
@Irish Myślę, że to nie takie proste. Istnieje charakterystyczny kształt zużycia prądu: początkowy szybki skok, wolniejszy (wykładniczy?) Spadek, długi obszar (miejmy nadzieję) stabilnego prądu, a następnie końcowy spadek (który przyjmuje charakterystyczny kształt) na końcu . Szczegóły będą się różnić, ale kluczowe jest odróżnienie normalnej odmiany od „złej”. Niepokojące są takie rzeczy, jak względna wysokość początkowego skoku i czas potrzebny do wyrównania. Pamiętaj, że celem jest identyfikacja problemów, a niektóre z nich mogą być subtelniejsze niż pokazują standardowe analizy.
—
whuber