PCA故障诊断的Python实现

本篇介绍一个我做过的案例！PCA的理论基础就不介绍了(如果有需要请点击这里)

这篇文章主要是介绍一下程序的效果，完整程序请点击这下载！！！！！！！！！！！！！！！！！！！！！！！！！

1.程序执行完的效果图

                                                                                      图1 T^2统计量

                                                                                            图2 SPE统计量

结论：从以上两个图中可以清晰的看出有些测试点在基线（红线）的两侧，根据PCA诊断原理，我们能分析出：

T^2统计量和SPE统计量同时位于基线的上方才属于正常，否则属于故障。可以分析出前6个测试点属于正常，其他的属于故障。

2.主元的特征向量

3.测试点故障统计

本测试数据集为24*6大小，即一共24个测试点，其中6个正常点，18个故障点。在这将正常点认为是0，故障点认为是1.并将其保存在一个label文件中。

 

 

 

注：本文如若有错误或者涉及版权问题或原文链接错误，请指正，必会马上修改。