Tennessee Eastman(TE)田纳西仿真多模态的产生

   最近需要使用田纳西这个数据集,也研究了下如何生成多模态,这里分享给大家!

   对于我们从网站下载下来的MATLAB模型,里面已经是两个模态(模态1和模态3),这里我们需要进行修改参数,来得到其他的模态。

   这里就以生成模态4为例子,其余模态也是类似的。

   1. 复制Mode_3_Init.m ;Mode3xInitial ;MultiLoop_mode3.mdl;并且将其更改为4的名称Mode_4_Init.m ;Mode4xInitial ;MultiLoop_mode4.mdl。
   2. 打开Mode_4_Init.m文件,将29行进行修改,如下图,更改3为4。

在这里插入图片描述

   3.打开模型MultiLoop_mode4.mdl,找到最上方Model Settings下的Model Properties,点击Callbacks,再点击PreloadFcn,修改为Mode_4_Init,以便于模型可以自动找到初始化脚本Mode_4_Init.m。如下图所示
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
   4.导入Mode4xInitial.mat,并且运行以下代码进行初始化块名的修改。

for i =1:35
    blockName = xInitial.signals(i).blockName;
    blockName(15) = '4';
    xInitial.signals(i).blockName = blockName;
end

在这里插入图片描述
   5.经过上面的修改后,直接运行MultiLoop_mode4.mdl,运行正确,运行以下代码进行初始值的更新。

save Mode4xInitial  xInitial

   6.接下来就是修改参数到你所需要的模态了。各个模态参数如下所示,有监测变量和控制变量:
在这里插入图片描述
在这里插入图片描述

   7.在调的过程中,尽量不要调的太大,慢慢调,一旦调的太大,就会出现下面情况,仿真一点点就停止了,调节后一旦仿真成功,使用以下代码第一行,更新到xInitial。直到得到最后模态的参数,再使用第二行代码进行最终保存。
注:这里调的时候可以把扰动关掉,在仿真图中Disturbances中全部置为0即可。

xInitial = xFinal
save Mode4xInitial  xInitial

在这里插入图片描述
在这里插入图片描述

   8.最后保存完初始化参数后,就可以关掉模型和代码,再重新打开就是模态4的模型了。

如有问题欢迎一起交流学习!

参考文献:
多模态过程故障诊断方法研究_周旺

  • 23
    点赞
  • 65
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 51
    评论
### 回答1: PCA是一种常用的数据降维方法,可以减少数据中的冗余信息并提取出数据中的主要成分。在MATLAB中实现PCA可以通过以下步骤完成: 1. 读取数据:首先需要读取需要进行PCA分析的数据集。可以使用MATLAB中的load函数进行数据读取。 2. 数据归一化:归一化是在进行PCA分析前必要的预处理步骤。通过将数据中的每个特征减去其均值并除以标准差,可以将数据归一化到相同的尺度。 3. 协方差矩阵计算:通过计算归一化后的数据的协方差矩阵,可以得到数据集中每个特征之间的相关性。 4. 特征值与特征向量计算:通过对协方差矩阵进行特征值和特征向量运算,可以得到数据集的主要成分。 5. 选择主成分:通过将特征值排序并选择其中最大的k个特征值,可以确定数据集的前k个主成分。 6. 数据降维:最后,通过将数据集投影到前k个主成分上,可以实现数据降维,并得到降维后的数据集。 综上所述,通过MATLAB中的PCA函数和上述步骤,可以快速、简便地实现对数据集的PCA分析,并得到数据的主要成分。 ### 回答2: PCA(主成分分析)是一种常用的数据降维技术,可以用来发现数据中最有意义的变量。MATLAB是一个功能强大的数学计算软件,在其中也有PCA算法的实现。 使用MATLAB进行PCA分析可以分为以下几个过程: 1. 数据预处理 在PCA算法中,需要对数据进行标准化处理,使得每个变量具有相同的权重。因此,首先需要将数据进行标准化,即将每个变量减去其均值,再除以其标准差。可以使用MATLAB中的“zscore”函数来进行。 2. 计算协方差矩阵 PCA算法是基于协方差矩阵的分析,因此需要先计算数据的协方差矩阵。可以使用MATLAB中的“cov”函数来计算。 3. 计算特征值和特征向量 通过计算协方差矩阵的特征值和特征向量,可以得到数据中最有意义的成分。可以使用MATLAB中的“eig”函数来计算。 4. 选择主成分 根据特征值的大小,可以选择最有意义的主成分。一般来说,选择前K个特征值对应的特征向量作为主成分。可以使用MATLAB中的“sort”函数来进行排序,再使用“(:,1:K)”语法来选择前K个特征向量。 5. 投影数据 最后,可以使用选定的主成分来投影原始数据,得到新的低维表示。可以使用MATLAB中的“*”运算符来实现矩阵相乘。 以上是使用MATLAB进行PCA分析的基本过程。需要注意的是,在实际应用过程中,还需要考虑数据的质量、数据的可视化、主成分的解释等问题。因此,需要结合具体应用场景和要求,对PCA算法进行适当的调整和优化。 ### 回答3: PCA(主成分分析)是一种常用的数据分析和降维方法。它的目的是通过将高维数据转化为低维数据,提取数据中最重要的信息,帮助人们更好地理解和解释数据。 在MATLAB中,执行PCA通常需要经过以下步骤: 1. 准备数据:将需要进行PCA分析的数据以矩阵的形式导入MATLAB中,并进行数据预处理,如中心化等。 2. 计算协方差矩阵:使用MATLAB的cov函数,计算数据的协方差矩阵。 3. 计算特征向量和特征值:使用MATLAB的eig函数,计算协方差矩阵的特征向量和特征值。 4. 选择主成分:根据特征值的大小,选择前k个最大的特征值对应的特征向量作为主成分。 5. 求取投影矩阵:将数据投影到主成分方向上,即计算主成分对应的投影矩阵。 6. 进行降维:将原始数据通过投影矩阵进行映射,从而得到降维后的数据。 可以通过MATLAB自带的函数pca,来对数据进行PCA分析和降维操作。使用pca函数,只需输入原始数据矩阵和需要保留的主成分个数,就可以得到主成分和投影矩阵,以及降维后的数据。 在TE过程中,PCA可用于数据分析和特征提取。通过对数据进行PCA分析,可以消除数据中的冗余信息,减少数据维度,提取出最相关和最有用的特征,从而帮助人们更好地理解和分析数据。同时,PCA还可用于数据预处理,提高模型的性能和精度,促进机器学习等领域的发展。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 51
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

数据小蜗牛

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值