시계열 모터 데이터를 분류하기위한 최고의 알고리즘

기계 제어 프로젝트를 진행 중입니다. 작동 중에 모터의 전류를 측정 할 수 있습니다. 작업을 성공적으로 수행하는 두 모터의 샘플 데이터는 다음과 같습니다. 빨간색 트레이스는 한 모터의 전류를 나타내고 파란색 트레이스는 다른 모터의 전류를 나타냅니다. 기계 동작 문제를 식별하기위한 알고리즘을 시도하고 싶습니다. 모터 전류가 지나치게 높거나 모터 전류가 거의 0에 가까울 때, 작동이 끝날 때 전류가 증가하고, 정상보다 짧은 시계열이 일반적 일 수 있습니다. 누구나 이것을 달성하기위한 좋은 알고리즘을 제안 할 수 있습니까? 내가 익숙한 유일한 것은 신경망입니다. 모터 전류 에서 실제 데이터의 Excel 파일을 넣었습니다.

내 접근 방식은 데이터에 대한 ARIMA 모델을 구성한 다음 예기치 않은 "사물"에 대한 조기 경고를 제공하기 위해 다양한 "변경 지점 감지 체계"를 사용하는 것입니다. 이 계획에는 다음이 포함됩니다

1. 펄스 / 레벨 시프트 / 로컬 시간 추세의 존재 / 발견을 감지합니다. 즉 시간에 따른 오류의 평균 변화
2. 시간 경과에 따른 파라미터 변화의 존재 / 발견 감지
3. 시간에 따른 잔차 변화의 존재 유무 감지

당신이 실제로 당신의 시리즈 중 하나를 게시하고자한다면, 우리는 실제로 이런 종류의 분석을 보여줄 수 있습니다. 이런 분석은 사물이 변하고 있거나 크게 변했다는 생각을 "밀어 낼"수 있습니다.

시계열 분류를 다루는이 링크 ( http://www.r-bloggers.com/time-series-analysis-and-mining-with-r/)를 제안합니다 .

숨겨진 마르코프 모델

시계열 데이터를 모델링하는 가장 좋은 방법 중 하나는 HMM (Hidden Markov Model)입니다. 알려진 비 문제 상태의 단일 모델, 알려진 각 문제 상태의 개별 모델 또는 충분한 데이터가있는 경우 알려진 모든 문제 상태의 단일 복합 모델을 만들 수 있습니다. 좋은 오픈 소스 라이브러리는 Matlab 용 Hidden Markov Model Toolbox입니다.

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

칼만 필터

좀 더 관련된 또 다른 접근법은 Kalman Filter입니다. 이 방법은 데이터에 노이즈가 많은 경우 특히 유용합니다. 좋은 오픈 소스 라이브러리는 Matlab 용 Kalman Filter Toolbox입니다.

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

베이지안 모델

이 두 가지 접근 방식은 모두 베이지안 모델로 간주됩니다. 좋은 오픈 소스 라이브러리는 Matlab 용 Bayes Net Toolbox입니다.

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

나는 이것이 당신을 위해 작동하기를 바랍니다.