Please use this identifier to cite or link to this item: https://app.uff.br/riuff/handle/1/14392
Title: Forecasts of multivariate time series sampled from industrial machinery sensors
Authors: Santos, Heron Felipe Rosas dos
metadata.dc.contributor.advisor: Silva, Leila Weitzel Coelho Da
metadata.dc.contributor.advisorco: Sobral, Ana Paula Barbosa
metadata.dc.contributor.members: Moreira, Leonard Barreto
Silva, Zenaide Carvalho da
Issue Date: 2019
Citation: Santos, Heron Felipe Rosas dos. Forecasts of Multivariate Time Series Sampled From Industrial Machinery Sensors. 2019. 107 f. Dissertação (Mestrado Profissional em Engenharia de Produção e Sistemas Computacionais) - Universidade Federal Fluminense, Rio das Ostras, 2019.
Abstract: Prognostics 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.
metadata.dc.description.abstractother: Prognósticos 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.
URI: https://app.uff.br/riuff/handle/1/14392
Appears in Collections:MESC - Dissertações - Rio das Ostras

Files in This Item:
File Description SizeFormat 
Dissertação Heron_catalogada.pdfForecasts of Multivariate Time Series Sampled From Industrial Machinery Sensors2.15 MBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.