Prediction of diagnostic symptom values using a set of models GM(1,1) and a moving window method

• Autorzy: Tabaszewski M.

Warianty tytułu

PL

Prognoza wartości symptomów diagnostycznych za pomocą zbioru modeli GM(1,1) i metody ruchomego okna

• Języki publikacji: EN

Abstrakty

EN

The aim of this paper is to show methodology of forecasting with various horizon of prediction using grey system theory, basing on practical application to vibration condition monitoring problems. The method of forecasting was based on GM(1,1) prognostic models with various window lengths for estimating model parameters. The model GM(1,1) is very effective where we have only few data, incomplete, and with low accuracy. The moving window method applied to GM(1,1) model enables to adapt to changes in data trend. However, selecting an inappropriate window length can result in excessive forecast errors. The applied algorithm is based on tracking the current prediction error for models having various window lengths, and then eliminating the models for which the error of prediction caused by the loss of adequacy of the model to the data increases excessively.

PL

Celem pracy jest przedstawienie metodyki prognozowania dla różnych horyzontów prognozy z wykorzystaniem teorii szarych systemów w odniesieniu do praktycznego problemu z zakresu drganiowej diagnostyki maszyn. Metoda prognozowania jest oparta o modele GM(1,1) o różnej długości okna w której wyznacza się parametry modelu. Model GM(1,1) jest bardzo efektywny gdy istnieje niewiele danych, są one niekompletne i są niskiej jakości. Metoda ruchomego okna w zastosowaniu do modelu GM(1,1) pozwala na budowanie modelu adaptacyjnego, który umożliwia dostosowanie się do zmian w trendzie krzywej życia. Niestety źle dobrana długość okna może powodować zwiększenie się błędu prognozy w porównaniu do warunków, w których długość okna byłaby optymalna. Zastosowany algorytm polega na śledzeniu aktualnego błędu prognozy modeli o różnej długości okna i eliminacji znaczenia tych modeli, które powodują nadmierny wzrost błędu prognozy związany z utratą adekwatności do danych.

Słowa kluczowe

EN

condition monitoring; symptom forecasting; GM(1,1) models

PL

diagnostyka techniczna; prognoza; model GM(1,1)

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2014
• Tom: Vol. 15, No. 3
• Strony: 65--68
• Opis fizyczny: Bibliogr. 10 poz., wykr.

Twórcy

autor

Tabaszewski M.

• Institute of Applied Mechanics, Poznan University of Technology, 24 Jan Pawel II Street, 60-965 Poznan, Poland

Bibliografia

• [1] Deng J-L. Introduction to grey system theory. The Journal of Grey System, 1989, Vol. 1, No 1, pp.1-24.
• [2] Zhang H., Li Z., Chen Z. Application of grey modeling method to fitting and forecasting wear trend of marine diesel engines. Tribology International, 2003,Vol.36, pp 753 – 756.
• [3] Wang T. C., Liou M. C., Hung H. H. Application of grey theory on forecasting the exchange rate between TWD and USD. Internet 2005, pp 1 – 8.
• [4] Luo M., Kuhnell B. T., Forecasting machine condition using grey-system theory, Bulletin of MCCM, Monash Univ. Australia 1990, Vol. 2, No 1.
• [5] Zhang L., Wang Z., Zhao S. Short-term fault prediction of mechanical rotating parts on the basis of fuzzy-grey optimizing method. Mechanical Systems and Signal Processing, 2007, Vol.21, pp856-865.
• [6] Albert W.L. Yao, S.C. Chi. Analysis and design of a Taguchi–Grey based electricity demand predictor for energy management systems. Energy Conversion and Management 45 (2004) 1205–1217.
• [7] Cempel C., Tabaszewski M. Zastosowanie teorii szarych systemów do modelowania i prognozowania w diagnostyce maszyn. Diagnostyka, 2007, vol. 2 (42), s. 11 – 18.
• [8] Tabaszewski M., Cempel C.. Diagnostic agent for critical machines. Part IV, w: Knowledge acquisition for hybrid systems of risk assessment and critical machinery diagnosis. red. W. Moczulski, K. Ciupke, Gdansk, Institute of Fluid-Flow Machinery, Polish Academy of Sciences 2008, s. 255 – 293.
• [9] Tabaszewski M., Cempel C. Using a set of GM(1,1) models to predict values of diagnostic symptoms. Mechanical Systems and Signal Processing, (2014), http://dx.doi.org/10.1016/j. ymssp.2014.08.013.
• [10] Gałka T., Tabaszewski M. An application of statistical symptoms in machine condition diagnostics. Mechanical Systems and Signal Processing, vol. 25, No. 1, (2011), str. 253-265.