异常检测-T² (Hotelling‘s T-squared) 统计量和SPE (Squared Prediction Error) 统计量

基于主成分分析 (PCA) 的故障诊断是一种常见的统计方法，用于检测和识别过程中的异常情况。在这种方法中，T² (Hotelling’s T-squared) 统计量和SPE (Squared Prediction Error) 统计量是两个核心指标。

一、T² (Hotelling’s T-squared) 统计量:

1、定义与意义: T² 统计量是一种多变量统计方法，用于判断给定的观测值是否与其他观测值的中心位置有显著的偏差。换句话说，它测量了一个样本点与数据集中心之间的距离。

2、计算: T² 的计算通常基于样本的主成分得分。在PCA上下文中，它的定义通常是:

$$T^2=xTP{\Lambda }^{-1}PTx$$

其中，$x$是观测值，$P$是主成分加载矩阵，而$\Lambda$是主成分的方差（特征值）对角矩阵。

3、应用: T² 通常与一个临界值比较，该临界值基于F-分布确定。如果一个样本的T² 值超过这个临界值，那么该样本被视为异常或偏离中心。

4、T² (Hotelling’s T-squared) 控制限的计算:
T²统计量的分布在大样本情况下接近于F分布。对于主成分分析中的T²统计量，其控制限
$UC{L}_{T^2}$通常通过以下公式计算：
$$UC{L}_{T^2}=\frac{(n-1)p}{n-p}{F}_{\alpha ,p,n-p}$$

其中:
$\alpha$ 是样本数。
$p$ 是主成分的数量。
$F_{\alpha ,p,n-p}$ 是在给定的显著性水平 $\alpha$ 下，自由度为 $p$ 和 $n-p$ 的F分布的临界值。

二、SPE (Squared Prediction Error) 统计量:

1、定义与意义: SPE 用于度量观测值与通过PCA模型预测的值之间的差异。它测量了样本点与PCA模型平面之间的距离，反映了数据中没有被PCA模型捕获的信息量。

2、计算: 在PCA的上下文中，SPE可以被定义为:
$$SPE=\Vert x-x_{reconstructed}{\Vert }^2$$
其中，$x$ 是原始的观测值，而$x_{reconstructed}$ 是通过PCA模型重构的观测值。

3、应用: 与T² 类似，SPE的值可以与一个临界值进行比较，以确定观测是否与模型的预测存在显著差异。如果SPE的值超过临界值，则样本可能包含重要的、未被PCA模型捕获的信息，因此可能被视为异常。

4、SPE (Squared Prediction Error) 控制限的计算:
SPE的分布是非中心的，并不遵循任何已知的常见分布。但其控制限
可以使用如下方法估计：
$$UC{L}_{SPE}=\varphi \sqrt{{\lambda }_{k+1}}$$
其中:
${\lambda }_{k+1}$ 是被舍弃的第一个主成分的特征值。
$k$ 是在PCA模型中使用的主成分的数量。
$\varphi$ 是一个常数，通常选择在3到5之间，取决于需要的控制限的严格性。