Forecasts of multivariate time series sampled from industrial machinery sensors

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorSilva, Leila Weitzel Coelho Da-
Autor(es): dc.contributorMoreira, Leonard Barreto-
Autor(es): dc.contributorSilva, Zenaide Carvalho da-
Autor(es): dc.contributorSobral, Ana Paula Barbosa-
Autor(es): dc.contributorhttp://lattes.cnpq.br/7695040641150284-
Autor(es): dc.contributorhttp://lattes.cnpq.br/2768655384552211-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4370410680845541-
Autor(es): dc.contributorhttp://lattes.cnpq.br/1253432326873186-
Autor(es): dc.contributorhttp://lattes.cnpq.br/4208059199564860-
Autor(es): dc.creatorSantos, Heron Felipe Rosas dos-
Data de aceite: dc.date.accessioned2024-07-11T17:28:23Z-
Data de disponibilização: dc.date.available2024-07-11T17:28:23Z-
Data de envio: dc.date.issued2020-07-20-
Data de envio: dc.date.issued2020-07-20-
Data de envio: dc.date.issued2019-
Fonte completa do material: dc.identifierhttps://app.uff.br/riuff/handle/1/14392-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/750993-
Descrição: dc.descriptionPrognostics assesses and predicts future machine health, which includes detecting incipient failures and predicting remaining useful life. Several studies have treated prognostics from a time series forecasting perspective. The main goal of this study is to evaluate the performance of a set of methods in the prediction of future values on a dataset of time series collected from sensors installed in an industrial gas turbine. Forecasting methods tested include the use of multivariate and univariate neural networks (FNN and LSTM), exponential smoothing and ARIMA models. Results show that the use of ARIMA models to forecast on the studied dataset is the best default method to apply, and is the only forecasting method that consistently beats a simple naïve no-change model-
Descrição: dc.descriptionPrognósticos avaliam e preveem a condição futura de máquinas, o que inclui detectar falhas incipientes e prever a vida útil remanescente. Vários estudos trataram prognósticos de um ponto de vista de previsão de séries temporais. O objetivo principal desse estudo é avaliar o desempenho de um conjunto de métodos na previsão de valores futuros em um conjunto de séries temporais coletadas de sensores instalados em uma turbina a gás industrial. Métodos de previsão avaliados incluem o uso de redes neurais (FNN e LSTM) univariadas e multivariadas, amortecimento exponencial e modelos ARIMA. Os resultados mostram que o uso de modelos ARIMA para previsão no conjunto de séries temporais estudado é o melhor método para aplicar por padrão, e que é o único método de previsão que consistentemente supera um modelo ingénuo simples que assume ausência de mudança no tempo-
Descrição: dc.description107f.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languageen-
Publicador: dc.publisherRio das Ostras-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightsCC-BY-SA-
Palavras-chave: dc.subjectPrognostics-
Palavras-chave: dc.subjectTime series-
Palavras-chave: dc.subjectForecasting-
Palavras-chave: dc.subjectNeural networks-
Palavras-chave: dc.subjectARIMA-
Palavras-chave: dc.subjectRede Neural-
Palavras-chave: dc.subjectRede Neural Artificial-
Palavras-chave: dc.subjectARIMA-
Palavras-chave: dc.subjectPrognósticos-
Palavras-chave: dc.subjectSeries temporais-
Palavras-chave: dc.subjectPrevisão-
Palavras-chave: dc.subjectRedes neurais-
Título: dc.titleForecasts of multivariate time series sampled from industrial machinery sensors-
Tipo de arquivo: dc.typeDissertação-
Aparece nas coleções:Repositório Institucional da Universidade Federal Fluminense - RiUFF

Não existem arquivos associados a este item.