基于PCA的故障诊断.pptVIP

Thank you * * 1. PCA方法的基本理论 1.1思路概述 PCA方法是将高维过程数据投影到正交的低维子空间，并 保留主要过程信息。而在几何上，把样本构成的坐标系， 通过某种线性组合旋转到新的坐标空间，新的坐标轴代表了具有最大方差的方向。 1.2 基本理论 假设 X代表一个包含了m个传感器的测量样本，每个传感器各有n个独立采样，构造出测量数据矩阵 ，其中每一列代表一个测量变量，每一行代表一个样本。 （1）对数据矩阵进行协方差分解，并选择主元的个数，得到如下式子： 其中， 是一个对角阵，也是S的特征值矩阵，而且其对角线上的元素满足 ；V 是S的特征向量矩阵，维数为m x m，P 是V 的前A列，包含所有主元的信息， 是V 余下的m-A列，包含非主元信息。 (2) 将原数据进行分解，得到主元子空间和残差子空间 对X进行特征值分解以后，X可以分解如下： 其中， 被称为主元子空间； 称为残差子空间； 被称为得分矩阵； 被称为 负载矩阵，由S的前A个特征向量构成。 （