基于PCA的故障诊断.pptVIP

下载本文档

14
0
约小于1千字
约 24页
2019-10-01 发布于福建
举报
版权申诉

基于PCA的故障诊断.ppt

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

基于主元分析(PCA的故障诊断目录 1PcA基本理论 2基于PCA的故障检测步骤 3PCA方法的优缺点 4基于TE平台的仿真结果 5总结 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。 12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 V·AV=P.P」AP.P 共中外是一个对角阵,也是S的特征值矩阵,而且其对角线上的元素满足A12 V是S的特征向量矩阵维数为mxm,P是V的前A列,包含所有主元的信息P是余下的mA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 X=X+E=T·P+E 其中,TnA= X.P被称为主元子空间;E=X-X 称为残差子空间;X=T·P被称为得分矩阵FA被称为负载矩阵,由S的前A个特征向量构成。