Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Пример _.1.doc
Скачиваний:
2
Добавлен:
01.04.2025
Размер:
193.54 Кб
Скачать

3.2.1 Математическая постановка задачи

Пусть наблюдается система функций , где

k – номер ряда. k = 1 .. s.

s – число временных рядов.

N – длина временного ряда.

i – номер отсчета.

Рядом в данном случае является спектрограмма вибросигнала, снятая в определенной точке. Требуется разложить в ряд сумму компонент, интерпретировать каждую и построить продолжение ряда по выбранным компонентам.

3.2.2 Алгоритм ssa

В результате применения метода ряд раскладывается на простые компоненты: тренды, сезонные, периодические и колебательные составляющие, а также шумовые компоненты. Полученное разложение может служить как для прогноза ряда в целом, так и отдельных его компонент.

Алгоритм состоит из трех этапов:

  1. Построение матрицы наблюдений.

  2. Анализ главных компонент.

  3. Прогноз.

Для упрощения рассмотрим одномерный временной ряд . Выберем n такое, что 0 < n < N - 1 – время жизни гусеницы. Пусть – длина гусеницы. Построим последовательность Z из n векторов в пространстве следующего вида:

Будем называть Z нецентрированной матрицей наблюдений. В случае многомерного ряда матрицей наблюдений называется столбец из матриц наблюдений, соответствующий каждой из компонент.

Рассмотрим ковариационную матрицу полученной выборки:

Выполним ее сингулярное разложение (SVD):

V – ортогональная матрица собственных векторов:

Далее рассмотрим систему главных компонент:

После проведения анализа, следует восстановить матрицу наблюдений по главным компонентам:

Далее восстанавливаются исходные последовательности:

Затем начинается прогнозирование. Числовой ряд называется продолжением ряда , если порождаемая им при гусеничной обработке выборка лежит в той же гиперплоскости, что и у исходного ряда. Ранее был вычислен набор главных компонент . Определим:

Также определим:

Тогда прогнозируемое значение в точке N + 1 вычисляется по формуле [13]:

Пример прогнозирования трех одномерных временных рядов приведен на рисунке 2 [14].

Риcунок 2 – Построение прогноза методом SSA (Анимация: 6 кадров, количество циклов воспроизведения не ограничено, 10 килобайт)

3.3 Обзор методов планирования ремонтных работ

Способы планирования мер по техническому обслуживанию и ремонту классифицируются следующим образом:

  1. По событию — например, устранение поломки оборудования, используется если себестоимость ремонта относительно низкая, а брак продукции, который получается в результате поломки оборудования, невысок и не повлияет на выполнение обязательств перед заказчиками.

  2. Регламентное обслуживание — для оборудования, с предусмотренными режимами и регламентами обслуживания, изначально предполагающего регулярное применение соответствующих мер по поддержанию работоспособности, такой вид обслуживания дает самый высокий процент готовности оборудования, но он и самый дорогой, поскольку реальное состояние оборудования может и не требовать ремонта.

  3. По состоянию — экспертным путем или с помощью измерителей, установленных на оборудовании, проводится оценка состояния оборудования, и на основании этой оценки делается прогноз, когда это оборудование надо выводить в ремонт. Плюсы этого вида обслуживания: его себестоимость меньше, а готовность оборудования к выполнению производственных программ достаточно высока.

Все методы календарного планирования можно разделить на несколько групп:

Рисунок 3 – Методы календарного планирования

Анализ приведенных методов показал, что сложность использования как комбинаторного метода, так и метода динамического программирования связана с экспоненциальным ростом длительности вычислений от размерности задачи. К тому же в задачах календарного планирования на каждом шаге планирования изменяется система ограничений, что затрудняет применение симплекс-метода, как части метода ветвей и границ. Для использования имитационного моделирования необходим большой объем статистических данных, доступ к которым на предприятии обычно затруднен. Таким образом, наиболее перспективным будет выбор эвристических методов. В настоящий момент разработано множество эвристических методов, основанных на применении генетических алгоритмов и их модификаций, позволяющих находить близкое к оптимальному решение задачи календарного планирования с ограниченными ресурсами [15].