時系列モーターデータの分類に最適なアルゴリズム

私は機械制御プロジェクトに取り組んでいます。運転中のモーターの電流を測定できます。以下は、正常に動作する2つのモーターのサンプルデータです。赤いトレースは1つのモーターからの電流を示し、青いトレースは別のモーターからの電流を示します。マシンの動作に関する問題を特定するためのアルゴリズムを試してみたいと思います。問題は、モーター電流が非常に高い、モーター電流がゼロに近い、操作の終わりに電流が増加する、通常よりも時系列が短い、以下の一般的な操作とは異なる一般的な問題である可能性があります。これを達成するための良いアルゴリズムを誰かが提案できますか？私がよく知っているのはニューラルネットワークだけです。モーター電流での実際のデータのExcelファイルを入れました

モーター電流-良好な動作モーター電流-運転終了時のジャム

time-series

— フレッドバセット
ソース

時系列の異常検出と統計モデリングが含まれるため、統計SEサイトにはおそらくより適切です。質問からは明らかではありませんが、生存分析が役割を果たす可能性があります。

— イテレータ2011

「問題」の画像を投稿していただけませんか？1つのアイデアは、「理想的な操作」（赤い線など）と「実際の操作」（青い線）の間の距離を計算することです。「理想的な操作」から遠すぎる点がある場合は、問題としてフラグを立てます。

— Zach

+1これは重要なアイデアです。アプリケーション固有の知識を使用して動作を特徴付けます。純粋な統計的手法よりもはるかに適切で強力です。統計は、データを「ベースライン」または理想的なシリーズと比較する方法を提供します。

— whuber

理論または理想を使用するというこのアイデアは、予測関数/原因/右側のサポートシリーズとして伝達関数モデルに簡単に組み込むことができ、回答で説明した変化点検出情報が得られます。

— IrishStat 2011

@アイルランド私はそれはそれほど単純ではないと思います。電流消費には特徴的な形状があります。最初の急激なスパイク、より遅い（指数関数的）低下、長い（できれば）安定した電流の領域、最後に最後のドロップオフ（特徴的な形状を想定）があります。。詳細は異なりますが、通常の変動と「悪い」変動を区別することが重要です。懸念されるのは、最初のスパイクの相対的な高さや、横ばいになるまでの時間などです。目的は問題を特定することであり、それらの一部は標準分析が示すよりも微妙な場合があることを覚えておいてください。

— whuber

回答:

私のアプローチは、データのARIMAモデルを作成し、さまざまな「変化点検出スキーム」を使用して、予期しない「もの」についての早期警告を提供することです。これらのスキームには、

パルス/レベルシフト/ローカルタイムトレンドの存在/開始、つまり時間の経過に伴うエラーの平均の変化を検出する
経時的なパラメータの変化の存在/開始を検出する
時間の経過に伴う残差の分散の変化の存在/開始を検出する

シリーズの1つを実際に投稿したい場合は、この種の分析を実際に表示して、状況が変化している、または大きく変化しているという考えを「押し出す」ことができます。

— IrishStat
ソース

時系列分類に関するこのリンクをお勧めします：http : //www.r-bloggers.com/time-series-analysis-and-mining-with-r/。

— ジョルジョ・スペディカート
ソース

隠れマルコフモデル

時系列データをモデル化するための最良のアプローチの1つは、隠れマルコフモデル（HMM）です。問題のない既知の状態の単一のモデル、既知の各問題状態の個別のモデル、または十分なデータがある場合は、既知のすべての問題状態の単一の複合モデルを作成できます。優れたオープンソースライブラリは、Matlab用の隠しマルコフモデルツールボックスです。

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

カルマンフィルター

もう少し複雑なもう1つのアプローチは、カルマンフィルターです。このアプローチは、データにノイズが多い場合に特に役立ちます。優れたオープンソースライブラリは、Matlab用のKalman Filter Toolboxです。

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

ベイジアンモデル

これらのアプローチは両方ともベイジアンモデルと見なされます。優れたオープンソースライブラリは、Matlab用のBayes Net Toolboxです。

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

これがうまくいくことを願っています。