spe t2 用于进行故障诊断 基于Gui

交通上的硅基思维 交通上的硅基思维 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 800+累计阅读 893平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄4年
关注
原创 最新推荐文章于 2026-09-15 14:36:01 发布 893 阅读 AI 写同款· GEO 优化 ›

）选择正常运行的样本数据作为PCA建模数据。

（2）对PCA数据矩阵进行数据预处理。

（3）计算协方差矩阵的前K个特征值以及特征值所对应的特征向量。

（4）建立主元模型。

（5）计算SPE统计量和Hotelling统计量的控制限。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
收录于
故障诊断

当前文章被收录于：

故障诊断
3 篇文章 0 人学习
订阅专栏 查看详情
标签
#算法 #python #人工智能
平方预测误差(Squared prediction error，SPE)和霍特林统计量（Hotelling’s T2）原理 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 阅读详情

相关推荐

汽车电机控制开发实战：从AMMCLib算法库到MCAT调优工具全解析

在嵌入式系统与汽车电子领域，电机控制是实现车身、底盘及热管理等关键功能的核心技术。其原理基于电力电子变换与闭环控制理论，通过磁场定向控制（FOC）等算法实现对电机转矩、转速的精确调控。该技术的核心价值在于提升系统效率、可靠性与动态响应，是电动助力转向（EPS）、水泵、风扇等汽车执行器的基础。为应对开发中算法实现、参数整定与实时调试的挑战，成熟的解决方案通常提供完整的软件工具链。本文聚焦于一套集成了高度优化的汽车数学与电机控制库（AMMCLib）、FreeMASTER实时调试工具及电机控制应用调优工具（MCA

cuifan5176的博客 494

HAL库底层原理与STM32工程实践深度解析

HAL库（硬件抽象层）是STM32开发中连接寄存器操作与高级应用的关键中间层，其本质并非黑盒API，而是基于Cortex-M架构、遵循严格时序与状态机逻辑的可追溯工程组件。理解HAL库需从寄存器映射出发，掌握如BSRR位操作、CR1配置、SysTick依赖等底层机制；技术价值在于统一错误处理、跨系列兼容与中断/RTOS协同能力，但需权衡实时性损耗与封装开销。典型应用场景涵盖车载以太网通信、工业EtherCAT主站、传感器驱动（DHT11/OLED）及Flash安全编程等，而‘stm32串口hal库使用dma

weixin_29185493的博客 47

Tessent Shell实战：从手册阅读到DFT流程跑通的完整指南

可测试性设计（DFT）是芯片从流片到量产过程中保障良率与可制造性的关键技术，而Tessent Shell作为Siemens EDA的公共控制台，通过Tcl脚本将设计导入、时钟约束、扫描链插入、DRC检查到ATPG向量生成等环节串联成一条可复现的自动化流程。对于刚接触DFT的工程师而言，面对上千页的用户手册往往无从下手。本文从工程实践角度，先厘清Tessent Shell的定位与核心概念，再给出“先动手跑教程、后按需查命令”的高效手册阅读路线，并详细拆解从启动环境、编写dofile到完成at-speed测试的

weixin_42543046的博客 243

SPE控制限代码

主元分析中，SPE控制限的求取

FDC故障诊断与分类算法总结.doc

基于PCA主成分分析的Hotelling T2、SPE（均方预测误差 Squared Prediction Error）的故障诊断与分类算法，相比大数据分析常用的故障检测算法，新方法更加准确。

PCA SPE T2 Contribution Simulink matlab

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！！

核主元分析KPCA的降维特征提取以及故障检测应用-KPCA_v2.zip

核主元分析KPCA的降维特征提取以及故障检测应用-KPCA_v2.zip 本帖最后由 iqiukp 于 2018-11-9 15:02 编辑      核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用。主要功能有：（1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 参考文献： Lee J M, Yoo C K, Choi S W, et al. Nonlinear process monitoring using kernel principal component analysis[J]. Chemical engineering science, 2004, 59: 223-234. 1. KPCA的建模过程（故障检测）： （1）获取训练数据（工业过程数据需要进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）特征值分解 （5）特征向量的标准化处理 （6）主元个数的选取 （7）计算非线性主成分（即降维结果或者特征提取结果） （8）SPE和T2统计量的控制限计算 function model = kpca_train % DESCRIPTION % Kernel principal component analysis % %       mappedX = kpca_train % % INPUT %   X            Training samples %                N: number of samples %                d: number of features %   options      Parameters setting % % OUTPUT %   model        KPCA model % % % Created on 9th November, 2018, by Kepeng Qiu. % number of training samples L = size; % Compute the kernel matrix K = computeKM; % Centralize the kernel matrix unit = ones/L; K_c = K-unit*K-K*unit unit*K*unit; % Solve the eigenvalue problem [V,D] = eigs; lambda = diag; % Normalize the eigenvalue V_s = V ./ sqrt'; % Compute the numbers of principal component % Extract the nonlinear component if options.type == 1 % fault detection     dims = find) >= 0.85,1, 'first'); else     dims = options.dims; end mappedX  = K_c* V_s ; % Store the results model.mappedX =  mappedX ; model.V_s = V_s; model.lambda = lambda; model.K_c = K_c; model.L = L; model.dims = dims; model.X = X; model.K = K; model.unit = unit; model.sigma = options.sigma; % Compute the threshold model.beta = options.beta;% corresponding probabilities [SPE_limit,T2_limit] = comtupeLimit; model.SPE_limit = SPE_limit; model.T2_limit = T2_limit; end复制代码2. KPCA的测试过程： （1）获取测试数据（工业过程数据需要利用训练数据的均值和标准差进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）计算非线性主成分（即降维结果或者特征提取结果） （5）SPE和T2统计量的计算 function [SPE,T2,mappedY] = kpca_test % DESCRIPTION % Compute the T2 statistic, SPE statistic,and the nonlinear component of Y % %       [SPE,T2,mappedY] = kpca_test % % INPUT %   model       KPCA model %   Y           test data % % OUTPUT %   SPE         the SPE statistic %   T2          the T2 statistic %   mappedY     the nonlinear component of Y % % Created on 9th November, 2018, by Kepeng Qiu. % Compute Hotelling's T2 statistic % T2 = diag)*model.mappedX'); % the number of test samples L = size; % Compute the kernel matrix Kt = computeKM; % Centralize the kernel matrix unit = ones/model.L; Kt_c = Kt-unit*model.K-Kt*model.unit unit*model.K*model.unit; % Extract the nonlinear component mappedY = Kt_c*model.V_s; % Compute Hotelling's T2 statistic T2 = diag)*mappedY'); % Compute the squared prediction error SPE = sum.^2,2)-sum; end复制代码 3. demo1: 降维、特征提取 源代码 % Demo1: dimensionality reduction or feature extraction % ---------------------------------------------------------------------% clc clear all close all addpath) % 4 circles load circledata % X = circledata; for i = 1:4     scatter:250*i,1),X:250*i,2))     hold on end % Parameters setting options.sigma = 5;   % kernel width options.dims  = 2;   % output dimension options.type  = 0;   % 0:dimensionality reduction or feature extraction                      % 1:fault detection options.beta  = 0.9; % corresponding probabilities options.cpc  = 0.85; % Principal contribution rate % Train KPCA model model = kpca_train; figure for i = 1:4     scatter:250*i,1), ...         model.mappedX:250*i,2))     hold on end 复制代码（2）结果 （分别为原图和特征提取后的图） demo1-1.png demo1-2.png 4. demo2: 故障检测（需要调节核宽度、主元贡献率和置信度等参数来提高故障检测效果） （1）源代码 % Demo2: Fault detection % X: training samples % Y: test samples % Improve the performance of fault detection by adjusting parameters % 1. options.sigma = 16;   % kernel width % 2. options.beta          % corresponding probabilities % 3. options.cpc  ;        % principal contribution rate % ---------------------------------------------------------------------% clc clear all close all addpath) % X = rand; Y = rand; Y = rand 3; Y = rand*3; % Normalization % mu = mean; % st = std; % X = zscore; % Y = bsxfun,st); % Parameters setting options.sigma = 16;   % kernel width options.dims  = 2;   % output dimension options.type  = 1;   % 0:dimensionality reduction or feature extraction                      % 1:fault detection options.beta  = 0.9; % corresponding probabilities options.cpc  = 0.85; % principal contribution rate % Train KPCA model model = kpca_train; % Test a new sample Y [SPE,T2,mappedY] = kpca_test; % Plot the result plotResult; plotResult; 复制代码（2）结果（分别是SPE统计量和T2统计量的结果图） demo2-1.png demo2-2.png    附件是基于KPCA的降维、特征提取和故障检测程序源代码。如有错误的地方请指出，谢谢。 Kernel Principal Component Analysis .zip KPCA

PLSPCAT2andspe.rar_PCA t2_PLS 故障检测_PLS故障_pca SPE t2_故障检测

故障检测，分别是pls和pca，计算spe和t2控制量。

主成分分析PCA降为及故障诊断T2和SPE统计量出图Python.py

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。

微信4.1.5.16升级后，你的自动化脚本失灵了？手把手教你用C#让UI树“复活”

微信4.1.5.16版本更新导致自动化脚本失效？本文深入解析微信UI树隐藏的原因，并提供C#实战解决方案，通过UIAutomation技术恢复UI树结构，帮助开发者重新实现自动化操作。涵盖技术原理、代码实现及优化策略，适合RPA开发者和自动化脚本编写者参考。

weixin_30879169的博客 521

保姆级教程：用PyTorch从零实现SDE扩散模型（附完整代码与MNIST实战）

本文提供了一份详细的PyTorch教程，指导读者从零开始实现SDE扩散模型，并附有完整的代码示例和MNIST数据集实战。通过解释随机微分方程（SDE）的核心概念、模型架构设计、训练流程实现以及采样生成过程，帮助开发者掌握扩散模型的构建与应用。

weixin_28677005的博客 269

Xiaojie雷达之路---毫米波雷达基础知识---中频信号的相位

本篇文章主要介绍毫米波雷达的基础知识中的中频信号的相位 文章目录傅里叶变换的快速回顾中频信号的相位中频信号对物体微小位移的灵敏度如何2个chirps来对一个物体的速度进行测量测量一个振动的物体 傅里叶变换的快速回顾 傅里叶变换是将一个信号从时域中转换到频域中，在时域中的一个正弦信号将在频域中产生一个峰值，在大多数情况下，在频域中的一个信号是一个复数(每个值是一个振幅和相位的向量)，表示为AejθAe^{j\theta}Aejθ 在频域中峰值的相位等于正弦函数的初始相位 中频信号的相位 上一篇文章中提到，

XiaoJie的博客 1万+

可调电源的电路设计

可调电源在电路调试中经常用到，可调电源分为两种2-5v（非0点可调）和0-5v（低至0点可调）可调两种。 对于第一种非0点电压的可调范围，其主要是由于开关电源或LDO芯片输出的最小电压为一个固定电压值，非0范围。因此通过调节开关电源或LDO端的反馈电阻的设计模型，其电压可调范围都与芯片的参考电压有关。 基于开关电源的可调电压设计电路 因芯片U2的输出参考电压VSENSE管脚为1.22v。因此，通过调节可调电阻R8的数值，其芯片输出的最低电压一定不小于1.22v。当然此种方案是手动可调输出电压的设计，如

weixin_42257266的博客 9736

RTOS与Linux功能差异与应用场景全面对比

在嵌入式系统的开发中，操作系统的选择至关重要。和是两种广泛应用的操作系统，它们在功能、设计目标以及应用领域中各具优势。随着嵌入式系统的不断发展，已成为嵌入式行业的大趋势。那么，这两者到底有什么不同呢？

硬核科技 402

基于OSEK_TP.dll封装通用，多ECU自由切换的诊断函数库

本文介绍了基于CANoe内置OSEK_TP.dll库实现通用诊断通讯的方法。通过封装CAN_TP.cin顶层脚本，实现了ECU连接管理、数据收发和多ECU切换功能。系统采用字典结构存储ECU参数，支持从配置文件读取诊断ID等配置信息，通过TpCreateConnection建立TP层连接。文章详细说明了诊断请求发送函数Uds_DiagSendRequest的实现逻辑，以及如何利用回调函数处理收发事件。该方法无需依赖诊断数据库，通过底层封装实现了灵活高效的诊断通讯方案，适用于车载诊断领域的测试需求。

蚂蚁小兵 1568

RK3588平台开发系列讲解（项目篇）常见模型结构

📢 AI 模型常采用人工神经网络来模拟人脑神经的记忆和处理信号的能力。常见的人工神经网络类型有深度神经网络（Deep Neural Network，DNN）、卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurrent Neural Network，RNN）等。

内核笔记 1759

Cesium 实现气象（温度，降水，风速）可视化详细代码实现

本教程介绍了使用Cesium实现气象数据可视化的方法，主要包括：1) 搭建Cesium开发环境；2) 三种核心气象要素的展示技术：温度热力图（基于颜色渐变和点密度）、降水区域填充（矩形着色）和风速风向（粒子系统）；3) 数据集成方案，包括模拟数据生成和API对接；4) 高级功能如3D温度柱和时间序列动画；5) 性能优化策略，如数据聚合和LOD控制。教程提供了完整的代码示例，从基础配置到视觉效果实现，帮助开发者构建交互式气象可视化应用。

专注AI大模型,软件混淆,授权 1857

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf：最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版，包括SDIO 接口的外设，SDIO 接口官方协议等。

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章，有部分习题没有答案，全英文复分析阿尔福斯(Ahlfors) 第三版答案
上一篇： 人脸三维重建 ct图像的三维重建系统
下一篇： lbp svm的视频人脸识别算法研究 基于GUI界面
点赞 0
评论 0
书签 书签 0
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

交通上的硅基思维

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