基于主元分析的故障诊断概要1.pptVIP

基于主元分析（PCA）的测量数据模型 基于主元分析（PCA）的故障检测和诊断 基于主元分析（PCA）的故障检测 基于主元分析（PCA）的故障检测 基于主元分析（PCA）的故障诊断 故障诊断流程图 致谢 That’s all , thank you ! ! PPT模板下载：/moban/ 行业PPT模板：/hangye/ 节日PPT模板：/jieri/ PPT素材下载：/sucai/ PPT背景图片：/beijing/ PPT图表下载：/tubiao/ 优秀PPT下载：/xiazai/ PPT教程： /powerpoint/ Word教程： /word/ Excel教程：/excel/ 资料下载：/ziliao/ PPT课件下载：/kejian/ 范文下载：/fanwen/ 试卷下载：/shiti/ 教案下载：/jiaoan/ 数据驱动的工业过程故障诊断技术 ——基于主元分析的方法 学习汇报 故障诊断的方法分类 多元统计分析 多元统计分析是从经典统计学中发展起来的一个分支，是一种综合分析方法，它能够在多个对象和多个指标互相关联的情况下分析它们的统计规律。主要内容包括多元正态分布及其抽样分布、多元正态总体的均值向量和协方差阵的假设检验、多元方差分析、直线回归与相关、多元线性回归、主成分分析与因子分析、判别分析与聚类分析、Shannon信息量及其应用。 如果每个个体有多个观测数据，或者从数学上说，如果个体的观测数据能表为P维欧几里得空间的点，那么这样的数据叫做多元数据，而分析多元数据的统计方法就叫做多元统计分析 。 基于多元统计分析的故障诊断方法 基于多元统计分析的故障诊断方法是利用过程多个变量之间的相关性对过程进行故障诊断。这类方法根据过程变量的历史数据，利用多元投影的方法将多变量样本空间分解成由主元空间张成的较低维的投影子空间和一个相应的残差子空间，并分别在这两个子空间进行投影，并计算相应的统计量指标用于过程监控，从而达到故障检测和诊断的目的。 常用的多元统计分析的方法有两种：主元分析（PCA）和偏最小二乘（PLS）。 主元分析（PCA）的思想 PCA是Principal component analysis的缩写，是一种对数据进行分析的技术，最重要的应用是对原有的数据进行简化。主元分析法可以有效地找出数据中最“主要”的元素和结构，取出噪音和冗余，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。 先从一个简单的物理实验的例子开始说明这种思想。 主元分析（PCA）的目的 对于一个有先验知识的实验者来说，这个实验很容易。球的运动之在x轴方向上发生，y轴和z轴冗余的，只需要记录一下x轴上的运动序列并加以分析即可。 可是，在真实世界中，对于第一次做实验的人来说（或者在实验科学中遇到的一种新情况），是不会刚开始就舍弃y和z轴的信息的。一般来说，实验者会记录球的三维位置，得到球在空间中的运动序列然后进行分析。 在没有先验知识的情况下，利用测到的数据将实验数据中的冗余变量剔除并化归到x轴上，这就是简单的主元分析达到得的效果（显然x轴方向是上述问题的主元）。 主元分析（PCA）的思想 主元分析一项十分著名的工作是美国的统计学家斯通在1947年关于国民经济的研究。他曾用美国在1929—1938年各年的数据，得到了17个反映国民收入与支出的变量要素，例如雇主补贴、消费资料和生产资料、纯公共指出、净增库存、股息、利息和外贸平衡等等。 在进行主成分分析后，他竟以97.4%的精度，用三个新变量就取代了原来17个变量。根据经济学知识，斯通给这三个新变量分别命名为总收入F1、总收入变化率F2和经济发展或衰退的趋势F3（这三个变量其实是可以通过直接测量得到的）。 在现在的研究中，为了全面系统地分析和研究问题，必须考虑许多指标，这些指标能从不同的侧面反映我们所研究的对象的特征，但在某种程度上存在信息的重叠，也就是这些信息之间具有一定的相关性。 主成分分析试图保证数据信息丢失最少的原则下，对多面辆的数据表进行最佳综合简化，也就是说，对高维变量空间进行降维处理。显然辨识系统在一个低维空间要比在一个高维空间容易很多。 主元分析（PCA）的几