主成分分析（PCA）原理与故障诊断（SPE、T^2以及结合二者的综合指标）-MATLAB实现

最新推荐文章于 2024-06-20 16:57:49 发布
最新推荐文章于 2024-06-20 16:57:49 发布
阅读量3.4w 收藏 310
点赞数 68
分类专栏： 机器学习 文章标签： 主成分分析 故障诊断 MATLAB实现
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/u013829973/article/details/77981701
版权

转载请注明作者和出处：http://blog.csdn.net/u013829973
系统版本：window 7 （64bit）
MATLAB版本：MATLAB2016b

文章目录

1.PCA原理

这里写图片描述
这里写图片描述

2.求解方法

这里写图片描述
这里写图片描述

3.pca故障诊断

这里写图片描述
这里写图片描述
这里写图片描述
这里写图片描述

4.MATLAB程序实现

1.构造数据

![这里写图片描述](https://img-blog.csdn.net/20170914161834785?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvdTAxMzgyOTk3Mw==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/SouthEast)
其中 $num\_sample = 100,a = 10*randn(num\_sample,1)$

2.定义故障

在测试集 x 2 x_2 x2​的第51-100行加入幅值为15的阶跃故障

3.混合指标

用一个结合 S P E SPE SPE

最低0.47元/天 解锁文章
weepon
关注
  • 68
    点赞
  • 踩
  • 310
    收藏
    觉得还不错? 一键收藏
  • 34
    评论
专栏目录
PCA SPE T2 Contribution Simulink matlab
01-18
matlab不可多得的代码 利用simulink仿真数据 涉及到PCA，SPE及其控制限，T2及其控制限，以及在超限时原始变量的贡献图。不管对算法或者GUI的制作都有很大的帮助意义。本人使用的时matlab2017b，不保证其他版本能否打开，谨慎下载！！
PCA算法故障诊断
12-14
PCA（主成分分析）算法，主要用于数据降维，保留了数据集中对方差贡献最大的若干个特征来达到简化数据集的目的。 实现数据降维的步骤： 1、将原始数据中的每一个样本用向量表示，把所有样本组合起来构成一个矩阵，通常需对样本矩阵进行处理，得到中性化样本矩阵 2、求样本矩阵的协方差矩阵 3、求协方差矩阵的特征值和特征向量 4、将求出的特征向量按照特征值的大小进行组合形成一个映射矩阵。并根据指定的PCA保留的特征个数取出映射矩阵的前n行或者前n列作为最终的映射矩阵。 5、用映射矩阵对数据进行映射，达到数据降维的目的。
主成分分析PCA降为及故障诊断T2和SPE统计量出图Python.py
07-02
做数据预处理、数据降维、特征提取、T2和SPE统计量、Matplotlib绘图、成分得分矩阵、多层T2和SPE值Pyecharts三维图、主元贡献率碎石图、主元累计贡献率图、相关性分析热力图等等。
【故障诊断】核主成分分析（KPCA）（Matlab实现）
weixin_46039719的博客
04-11 427
2]孟志强，陈励勤，陈燕东，等.基于多点电压电流信息融合的泵房设备故障诊断方法[J/OL].湖南大学学报（自然科学版）：1-10[2024-04-11].https：//doi.org/10.16339/j.cnki.hdxbzkb.2024219.[1]刘卫亮，姜锴越，许之胜，等.基于数字孪生与融合神经网络的光伏阵列故障诊断[J/OL].太阳能学报：1-9[2024-04-11].https：//doi.org/10.19912/j.0254-0096.tynxb.2023-1124.
主成分分析（PCA）
最新发布
nandijimo的博客
06-20 488
主成分分析（PCA）是一种基于统计学的数据分析方法，旨在利用正交变换将原始数据转换为一系列线性不相关的变量，即主成分。这些主成分按照方差大小进行排序，第一主成分具有最大的方差，后续主成分依次递减。通过选择前几个主成分，我们可以在减少数据维度的同时，保留原始数据的主要信息。本次实验旨在通过主成分分析（PCA）方法对一个实际数据集进行降维处理，探索数据的内在结构和特征。主成分分析是一种常用的数据降维技术，它可以将高维数据转化为低维数据，同时保留原始数据的主要信息。
主成分分析（PCA）原理与故障诊断（SPE、T^2以及结合二者的综合指标）- Python实现
weixin_41888257的博客
11-05 5828
参考： 主成分分析（PCA）原理与故障诊断（SPE、T^2以及结合二者的综合指标）-MATLAB实现 百度文库 基于pca的故障诊断
PCA.zip_主成分分析_主成分分析pca_故障分类_故障指标_故障诊断
07-15
实现主成分分析算法，对多指标大数据进行分类识别以及故障诊断。
基于主成分分析(PCA)的故障诊断
06-27
此外，PCA也可与其他降维方法（如LDA、t-SNE等）结合，以提升诊断效果。对于大型复杂系统，PCA的动态版本（DPCA）也可以考虑，以适应随时间变化的故障模式。总的来说，PCA在故障诊断中的应用充分体现了数据分析在...
matlab 实现主成分分析（PCA）
06-04
主成分分析（PCA）是一种广泛应用于数据分析和机器学习领域的统计方法，主要目的是通过线性变换将高维数据转换为低维表示，同时保留原始数据的主要特征。PCA通过对数据进行正交变换，找到新的坐标轴（主成分），这些...
主成分分析_主成分分析_主成分分析PCA的matlab实现_
09-30
通过阅读和运行这个脚本，你可以更深入地了解PCA的原理以及在MATLAB中的具体操作。此外，文件中可能还包括了如何加载数据、绘制散点图以展示降维结果等辅助功能，这些都是PCA实践中非常实用的技能。 总的来说，...
PCA故障诊断步骤
03-02
包括PCA基本理论，基于PCA的故障检测步骤、PCA方法的优缺点，基于TE平台的仿真结果和总结
【故障诊断分析】基于PCA数字信号故障诊断附matlab 代码+仿真结果和运行方法+仿真结果和运行方法.zip
06-06
1.版本：matlab2014/2019a/2021a，内含运行结果，不会运行可私信 2.领域：智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，更多内容可点击博主头像 3.内容：标题所示，对于介绍可点击主页搜索博客 4.适合人群：本科，硕士等教研学习使用 5.博客介绍：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可si信
平方预测误差(Squared prediction error，SPE)和霍特林统计量（Hotelling’s T2）原理
车手只需要车和手，压力来自轮胎
08-06 1万+
读Paper读的头炸（原因：太菜），坚持每天简单通俗总结一下！ 故障检测是多变量过程监控的第一步。 通常，SPE（或Q-统计量）和霍特林的T2指数分别用于监测RS和PCS的正常变异性。 应注意的是，PCA或PLS建模不要求数据为高斯分布。高斯假设仅用于推导故障检测指数的适当控制限值。此外，在推导控制限值时，不需要样本的时间独立性，因为仅指定I类错误来控制假警报率。当涉及II类错误时，监测测量的时间独立性是必要的，即未检测到的故障率。 当测量值假设为高斯分布时，通常适合使用马氏
【故障诊断】基于PID三容水箱故障数据模拟和主成分分析PCA诊断附Matlab代码
m0_57702748的博客
04-08 695
本文提出了一种基于PID三容水箱故障数据模拟和主成分分析（PCA）的故障诊断方法。该方法首先利用PID控制器模拟三容水箱的正常和故障运行数据，然后应用PCA对模拟数据进行降维和故障检测。实验结果表明，该方法能够有效检测三容水箱的多种故障，并具有较高的准确率和鲁棒性。
PCA用于异常检测思路
fu_jian_ping的博客
01-11 2575
PCA用于异常检测思路： 思路①：异常数据投影在residual subspace的投影值的长度很长，当长度大于某个阈值时，即判断为异常数据。,为简单起见，以二维数据为例，如下图所示： 思路②：基于重构误差。直观上说，PCA提取了数据的主要特征，如果一个数据样本不能被重构，则说明这个数据样本的特点和主要数据特征不一样，那么它就是一个异常样本。 原文：https://zhuanlan.zhihu.com/p/80184695 ...
主元分析(PCA)理论分析及应用
仰望星空的麦兜
04-29 2122
主元分析(PCA)理论分析及应用 (主要基于外文教程翻译) 什么是PCA?       PCA是Principal component analysis的缩写，中文翻译为主元分析。它是一种对数据进行分析的技术，最重要的应用是对原有数据进行简化。正如它的名字：主元分析，这种方法可以有效的找出数据中最“主要”的元素和结构，去除噪音和冗余，将原有的复杂数据降维，揭示隐藏在复杂数据背后的简单结构。它
PCA异常检测
猪逻辑公园
06-29 7881
Principle Component Analysis是主成分分析，简称PCA。它的应用场景是对数据集进行降维。降维后的数据能够最大程度地保留原始数据的特征（以数据协方差为衡量标准）。 PCA的原理是通过构造一个新的特征空间，把原数据映射到这个新的低维空间里。PCA可以提高数据的计算性能，并且缓解"高维灾难"。高维灾难详见https://www.leiphone.com/news/201706/...
基于PCA的故障诊断（附MATLAB代码）
weixin_44598249的博客
12-23 7231
基于PCA的故障诊断 这个代码是我们课程设计用到的，希望能帮到大家！这个是以调用函数的形式进行的，当然你也可以改成别的。 function [mxq,FDRQ,FDRT,FARQ,FART]=TE_PCA(X_train,X_test)%X_train = load('D:\matlab\bin\COD\train\d00.dat'); X_test同理。 %建立模型 X_train = double(X_train'); X_test = double(X_test); X_mean = mean(X_t
基于PCA的故障诊断方法（matlab）
热门推荐
tangxianyu的博客
04-13 1万+
1. PCA原理分析 PCA的原理主要是将原始数据进行降维。其具体工作原理参照：CodingLabs - PCA的数学原理 2. 数据预处理 训练数据集（只有正样本）为维数据，即有n个采样值，每个采样值有m个特征。 2.1 数据归一化 将数据X针对每个特征归一化为均值为0，均方根为1的数据。 其中： 3. PCA降维 3.1 首先求取协方差矩阵 协方差矩阵的公式为： 计算出来的协方差矩阵为特征m*m维矩阵。 3.2 求取特征值和特征向量 求取协方差矩阵R的特征值.
评论 34
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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