spe t2 用于进行故障诊断 基于Gui

最新推荐文章于 2024-02-26 23:54:16 发布
最新推荐文章于 2024-02-26 23:54:16 发布
阅读量847 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 算法 故障诊断 文章标签： 算法 python 人工智能
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.youkuaiyun.com/matlab_python22/article/details/125697809
本文介绍了如何利用PCA（主成分分析）和SPE（单变量统计过程效率）统计量进行故障诊断。通过选择正常样本数据建模，预处理PCA数据，计算特征值和特征向量，建立主元模型，并计算控制限，最终发现第22个传感器数据过低，可能存在大量缺陷。同时，文章提到了基于GUI的设计，强调第一主成分在信息包含方面的重要性。

）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
PCA针对TE过程（田纳西伊斯曼过程）数据的故障监测处理
Wdradon的博客
09-09 1万+
PCA故障诊断中两个关键统计变量T2T^2T2和SPESPESPE的的计算 T2T^2T2：Hotelling-T2 SPESPESPE：平方预测误差(Squared prediction error) T2T^2T2 统计量反映了每个主成分在变化趋势和幅值上偏离模型的程度，是对模型内部化的一种度量，它可以用来对多个主元同时进行监测；SPESPESPE 统计量刻画了输入变量的测量值对主元模型的偏离程度，是对模型外部变化的一种度量。 T2T^2T2在线计算以及控制限的计算 SPESPESPE在线计算以及控制
基于DPCA的线性监督分类的故障诊断方法-T2和SPE统计量的计算
And_ZJ的博客
05-26 3614
基于DPCA的线性监督分类的故障诊断方法，DPCA数据矩阵构造，T2和SPE统计量计算。
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！！
SPE控制限代码
06-18
主元分析中，SPE控制限的求取
Python代码实现-主成分分析（PCA）降维及故障诊断中的T2和SPE统计量Matplotlib出图|Python技能树征题
车手只需要车和手，压力来自轮胎
07-02 1万+
PCA降维代码及T2和SPE统计量Matplotlib出图 1.PCA降维 PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，第一个新坐标轴选择是原始数据中方差最大的方向，第二个新坐标轴选取是与第一个坐标轴正交
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。
MSPC 的基准软件：用于理解基于 PCA 的多元统计过程控制 (MSPC) 策略的 GUI 教程-matlab开发
05-29
在第二阶段，用户可以模拟具有不同干扰和故障组合的多个场景，并通过平方预测误差 (SPE) 和 T2 控制图对其进行监控。 贡献图与这些控制图结合使用，以检查导致此类异常情况的原始变量。 该应用程序允许从头开始新的...
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 6520
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
【故障诊断】多种方法滚珠轴承内圈和外圈故障诊断（分析故障频率）系统【含GUI Matlab源码 4005期】
最新发布
订阅付费专栏Matlab（奶茶价版），可赠送奶茶价版付费专栏指定代码1份；
02-26 2861
多种方法滚珠轴承内圈和外圈故障诊断（分析故障频率）系统 完整的代码，方可运行；可提供运行操作视频！适合小白！
PLSPCAT2andspe.rar_PCA t2_PLS 故障检测_PLS故障_pca SPE t2_故障检测
07-15
故障检测，分别是pls和pca，计算spe和t2控制量。
基于Matlab GUI编程的神经网络故障诊断平台
05-11
基于Matlab GUI编程的神经网络故障诊断平台
FDC故障诊断与分类算法总结.doc
03-26
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。
核主元分析KPCA的降维特征提取以及故障检测应用-KPCA_v2.zip
08-12
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
主成分分析Principal Component Analysis
02-05
主成分分析PCA介绍得不错的资料，适合自学的朋友看看
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
基于主成分分析（PCA）的故障诊断（SPE和T^2指标）-MATLAB实现
qq_44744164的博客
04-27 1万+
1、数据预处理 训练集 X
基于PCA的线性监督分类的故障诊断方法-T2与SPE统计量的计算
热门推荐
And_ZJ的博客
05-26 1万+
介绍基于PCA的线性监督分类的故障诊断方法计算，包含T2和SPE统计量的计算。
kpca故障诊断matlab,关于用KPCA做故障检测，请教SPE控制图应该怎么做
weixin_30458447的博客
03-18 1090
% function qn=kpca(dtrain,kernel,q,Fa,Ca);% KPCA -核主成分分析%% 使用 [trainFeat,bj]=kpca(data,kernel,p1,p2)% 输入 data - 原始数据文件名% kernel - 核函数% p1 ,p2 - 核函数参数% q - 投影后的维数% 输出 trainFeat - 映射到特...
PCA故障诊断：SPE与T^2统计量解析
SPE贡献图和T^2贡献图分别基于这两个统计量，用于定位可能引起故障的变量。PCA故障诊断步骤包括建立正常工况的主元模型，然后在线采集数据并进行标准化，用提取的主元模型进行故障检测。" PCA（主成分分析）是数据...
评论
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