基于ARMA模型的振动信号建模与预测

振动信号是反映系统故障的重要信息,预测振动信号的趋势是系统状态监测与故障诊断中的一个重要内容。本文提出了一种采用时间序列模型来分析和预测非线性随机振动信号的方法,建立了描述振动信号的数学模型。首先将现场测得的非平稳振动信号转化成标准正态平稳时间序列,然后利用这些参考信号建立时间序列模型,并采用非线性最小二乘法进行模型参数估计,最后利用该模型对信号进行预测。应用结果表明该模型能够很好地拟合振动信号时间序列,并取得了一定的预测精度,可以达到预测要求。     

交通流的时间序列建模及预测

采用时间序列ARMA模型进行交通流量趋势预测，建模时利用现场测得的交通流非平稳时间序列进行差分变换及标准化处理，从而转化成标准正态平稳时间序列；模型参数估计采用极大似然估计法，并根据AIC准则为模型定阶；最后通过实测数据进行验证．结果表明该ARMA模型能够较好地拟合交通流时间序列并可获得较高的中短期预测精度，因而可用于动态交通信号控制．     

基于小波分解的设备状态预测方法

首次提出将小波分解应用于非平稳时间序列的预测中,通过小波分解将非平稳时间序列分解为多层近似意义上的平稳时间序列,并且用ＡＲ（ｎ）模型对分解后的时间序列进行预测,进而得到最终的预测结果．将该方法应用于压缩机轴承座磨损的趋势预测中,通过与基于ＢＰ网络的预测方法相比较表明：该方法预测精度高,而且预测速度快,可以有效地应用设备状态的预测和设备故障趋势的分析中．     

AR模型应用于振动信号趋势预测的研究

振动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容.本文讲述了对随机信号进行建模的基本方法和模型定阶的准则,并且讨论了轴承振动信号最佳阶数选取的问题.利用现场实测数据进行验证,计算结果表明使用Burg算法的AR模型能够较好地拟合轴承振动信号时间序列,并具有一定的预测精度,可以达到预测要求.     

用组合模型预测油田产油量

时间序列分析是统计学的一个重要分支,灰色系统理论是一种动态趋势预测理论。将时间序列分析与灰色系统理论相结合用于油田产量预测是一个非常有益的探索。先采用灰色建模或逐步回归方法,从数据中得到趋势项的数学模型,然后对剔除趋势项之后的数据进行时间序列分析,建立了ＡＲ模型或ＡＲＭＡ模型。将以上两个模型结合起来构成组合模型,用于预测油田产油量。应用实例证明,该方法具有容易实现、预测准确的优点,是一种非常有效的预测方法。     

用组合模型预测油田产油量

时间序列分析是统计学的一个重要分支,灰色系统理论是一种动态趋势预测理论。将时间序列分析与灰色系统理论相结合用于油田产量预测是一个非常有益的探索。先采用灰色建模或逐步回归方法,从数据中得到趋势项的数学模型,然后对剔除趋势项之后的数据进行时间序列分析,建立了ＡＲ模型或ＡＲＭＡ模型。将以上两个模型结合起来构成组合模型,用于预测油田产油量。应用实例证明,该方法具有容易实现、预测准确的优点,是一种非常有效的     

中国股市日内成交量序列建模及预测研究

首先研究上证指数日内高频成交量时间序列的统计特征,包括平稳性、自相关和 长 记 忆 性,然后我们通过对剔除日内周期趋势的成交量序列建立 ＡＲＭＡ 模型,并分别结合 ＡＲＣＨ 类模型和 ＡＲＦＩＭＡ 模型消除模型的异方差和长记忆性．我们的实证分析结果表明在消除日内周期项、异方差和长记忆性后建立的时间序列模型比原始序列的时间序列模型有更高的预测精度．      

钢筋混凝土梁损伤的振动诊断

利用时间序列法中的ＡＲ或ＡＲＭＡ模型得到时的脉冲传递函数的特点，提出了由传递函数求出结构动力特性的方法。同时，通过分析实验钢筋混凝土梁的振动信号，得到了故障对格林函数影响的规律性在此基础上建立的初步故障诊断因子。     

一种自适应检测瞬态信号的新方法

研究ＡＲ 模型参数特征用于瞬态信号自适应检测的问题－ 依据ＡＲ 模型参数矢量长度为特征检测信号的思想, 提出了一种具有良好的自适应抑制噪声扰动的参数估计方法－ 理论分析和实验结果表明, 本方法具有很好的ＡＲ 模型参数估计和瞬态信号检测性能     

GPS定位数据的在线识别与预测

通过大量的ＧＰＳ定位观测数据的统计处理导出了一种对非平稳时序列建模或识别及预测的简单方法。该方法是 基于小二乘法和线性系统识别方法。并提出了与传统ＡＲＭＡ模型有所不同的模型，我们称之为准ＡＲＭＡ模型，用具时变参数的模型对ＧＰＳ接收机输出数据进行线识别与预测，证实了此方法有效方法。     

基于小波分解的径流非线性预测

利用小波变换原理将具有非平稳特征的径流序列进行分解，使其平稳项与随机项分离。对平稳项采用传统的AR模型加以预测，而通过对随机项的混沌特征研究，发现其具有明显的混沌特征，进而提出了基于非线性混沌动力学的预测模型方法。最后通过小波对所提出的AR NCDF预测模型预测结果予以重构，实现对原始径流序列的预测。该方法通过实例验证具有较高的精度，是一种实际可行的方法。     

The Study of a New Method for Forecasting Non—stationary Series

A new method for forecasting non-stationary series is developed.Its steps are as follows.Step 1.Data delaminating.Non-stationary series is delaminated into several multi-scale steady data layers and one trend layer.Step 2.Modeling and forecasting each stationary data layer.Step 2.Imitating trend layer using polynomial.Step4.Combining the forecasting layers and imitating layer into one series,The EMD(Empirical Mode Decomposition) method suitable to preocess non-stationary series is selected to delaminate data,while ARMA(Auto Regressive Moving Aver age)model is employed to model and forecast stationary data layer and least square error method for trend layer regression.Aiming at forecasting length,forecasting orientation and selective method,experiments are performed for SAR(Synthetic Aperture Radar) images.Finally,an example is provided,in which the whole SAR image is restored via the method proposed by this paper.     

预测地铁施工中地表变形的动态系统方法

提出了基于自回归（AR）模型对时间序列统一建模的新观点和方法,可大大减少计算量,并在微机上编程实现,以实例对动态模型与静态模型分别作了应用比较,结果表明,时间序列分析动态模型是系统分析的重要方法,是统计预测中的高级预测方法,预测精度高,用途广泛,而静态模型适合于内插,不适合于外推预报。     

灰色预测和时序预测的探讨

本文讨论了灰色模型,特别是GM(1,1)模型的特点和适用范围,并将GM(1,1)模型和时序AR(n)模型结合起来(称为组合模型),对我国轻工业产量发展指数等三个项目分别进行了组合模型预测。结果表明,在一般GM模型中引入AR模型可显著提高预测的准确度;在非平稳时序建模中引入GM模型,可作为提取趋势项的另一种方法。文中还从预测的角度将灰色模型和时序模型进行了比较和分析,对“灰”的物理概念进行了初步探讨。     

基于EMD的AR建模

自回归(Autoregressive,AR)模型是常用的平稳序列的拟合模型之一.不同于传统趋势的曲线拟合方法,文章利用经验模态分解方法(Empirical Mode Decomposition,EMD)得出序列的趋势,然后再进行建模.通过运城市某年的每日最高气温的数据,建模结果表明:与传统的建模方法比较,基于EMD的AR模型在拟合效果和预测效果上要更好.     

云锡矿工肺癌的时间序列预测方法

本文对云锡矿工肺癌的SMR(Standard Mortality Rate,标准死亡率比)预测模型进行了分析,指出该模型的局限性。在此基础上提出了直接利用矿工肺癌死亡数的AR(Auto-Regreesive,自回归)模型预测法和矿工肺癌SMR序列非平稳时序模型预测法,分析了这两种预测法的优劣和适用范围,并对云锡老矿20～40年代下井矿工肺癌死亡进行了预测,得出矿工肺癌死亡趋势将减缓的结论。结果表明,本文提出的预测方法是可行、可信的。     

基于ARMA的汽轮机转子振动故障序列的预测

汽轮机转子振动系统是一个确定性复杂系统,振动序列由多种频率成分的分量复合而成,建立尽可能完整与精确的系统振动数学模型是提取故障征兆信息及故障预测的保证．文中根据Bently实验台所采集的碰摩、松动、不对中和不平衡四种典型汽轮机转子振动故障水平方向与垂直方向的数据,剔除趋势项及周期项,所余的随机平稳噪声项经平稳性检验后,建立了汽轮机转子振动故障序列自回归滑移平均(ARMA)模型．计算结果表明,所建立的8个汽轮机转子振动故障ARMA模型一个半周期的预测值的平均误差μ均小于0．55μm,确定性因子r^2均大于0．9915,具有较高的预测精度,为进一步提取故障征兆信息及故障发展趋势预测提供了条件．     

用AR模型建立变形预测模型的研究

在用时间序列分析方法建立变形测量的预测模型时,基于动态数据系统方法的传统F检验定阶法,由于样本的随机性可能过早地退出对模型的循环检验,从而不能找到合适的预测模型.在探讨如何用AR模型建立变形测量预测模型的基础上,提出了一种改进的建模方法,并在实例的应用中取得了较好的效果.