该博客介绍了如何利用DPCA（动态主成分分析）进行故障诊断，特别是在线性监督分类中的应用。首先，通过z-score归一化处理数据，并创建包含过去时间窗口的动态样本矩阵。动态样本的标签与其第一个原始样本的标签保持一致。接着，对动态样本矩阵进行归一化操作，后续步骤与PCA方法类似。参考文献涉及了动态主成分分析在干扰检测和化工过程监测中的应用。
基于DPCA的线性监督分类的故障诊断方法
数据预处理
训练集样本（只有正样本）为 X n ∗ m { {\rm{X}}_{ {\rm{n*m}}}} Xn∗m(需要列均值为零，采用z-score归一化即可，每行一个样本，样本数目n，特征维度m)。
假设时延为 l l l，则生产一个新的数据矩阵（利用过去时间内观察到的样本）：
X ( l ) = [ x k T x k − 1 T . . . x k − l T x k + 1 T x k T . . . x k + 1 − l T ⋮ ⋮ ⋮ ⋮ x k + p T x k + p − 1 T . . . x k + p − l T ] X(l) = \left[ \begin{array}{l} x_k^T{\rm{\,\,\,\,\,\,\,}}x_{k - 1}^T{\rm{\,\,\,\,\,\,}}...{\rm{\,\,\,\,}}x_{k - l}^T\\ x_{k + 1}^T{\rm{\,\,\,}}x_k^T{\rm{\,\,\,\,\,\,\,\,\,\,}}...{\rm{\,\,\,\,\,}}x_{k + 1 - l}^T\\ {\rm{\,\,\,\,\,}} \vdots {\rm{\,\,\,\,\,\,\,\,\,\,\,}} \vdots {\rm{\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,\,}} \vdots {\rm{\,\,\,\,\,\,\,\,\,\,\,\,}} \vdots \\ x_{k + p}^T{\rm{\,\,\,}}x_{k + p - 1}^T{\rm{\,\,}}...{\rm{\,\,\,}}x_{k + p - l}^T \end{array} \right] X(l)=⎣⎢⎢⎢⎡xkTxk−1T...xk−lTxk+1TxkT.
最低0.47元/天 解锁文章
扫一扫
686
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
