时序电机数据分类的最佳算法

我正在从事机器控制项目。我们可以在运行期间测量电动机的电流。下面是来自成功执行操作的两个电机的样本数据。红色迹线显示来自一个电动机的电流，蓝色迹线显示来自另一电动机的电流。我想尝试提出一种算法来识别机器行为问题。问题可能是电动机电流过高，电动机电流接近于零，操作结束时电流增加，时间序列比正常时间短，一般而言，以下情况都不像典型操作。谁能建议一个好的算法来实现这一目标？我唯一熟悉的是神经网络。我已将实际数据的Excel文件放入电机电流下

电机电流-良好运行电机电流-操作结束时卡住

time-series

— 贝雷德
source

可能更适合统计SE网站，因为这涉及时间序列的异常检测和统计建模。生存分析可能会起作用，尽管尚不清楚。

— Iterator

您可以张贴“问题”图片吗？一种想法是计算“理想操作”（如红线）和“实际操作”（蓝线）之间的距离。如果任何一点都离“理想操作”太远，则将其标记为问题。

— Zach

+1这是一个关键思想：使用特定于应用程序的知识来表征行为。它比任何纯粹的统计技术都可能具有更多的针对性和功能。然后，统计信息可以提供将数据与“基准”或理想序列进行比较的方法。

— ub

使用理论或理想的想法可以很容易地并入传递函数模型中，作为预测变量/原因/右侧支持序列，然后得出我在答案中描述的变化点检测信息。

— IrishStat

@爱尔兰我认为这不是那么简单。电流消耗具有典型的形状：最初的快速尖峰，较慢的（指数？）下降，（希望的）稳定电流的较长区域，最后是最终的下降（假定为典型形状）。细节会有所不同，但是区分正常变化与“不良”变化是关键。令人担忧的是初始峰值的相对高度和稳定所需的时间。请记住，目标是确定问题，其中一些问题可能比标准分析所显示的要微妙。

— whuber

Answers:

我的方法是为数据形成一个ARIMA模型，然后采用各种“变化点检测方案”以提供有关意外“事物”的早期警告。这些计划将包括