Comment utiliser les données des capteurs dans une analyse ?Dans l'industrie des procédés chimiques, de nombreuses données de capteurs sont capturées (débits, niveaux, pressions, températures, etc.). Ces données peuvent être décrites comme des séries chronologiques non stationnaires. En regardant un modèle typique, on pourrait trouver un modèle de tendance (sans saisonnalité ou peu = été/hiver ou jour/nuit) particulier lorsque l'on regarde les évolutions monotones (comme l'encrassement). Mais souvent, les caractéristiques candidates ne présentent pas de modèle de tendance (à moins que la caractéristique ne soit utilisée par l'opérateur pour compenser). si vous avez un problème de plante qui peut être décrit par une certaine mesure, la question se pose souvent : quelle(s) autre(s) variable(s) a causé cela ? La plupart des outils d'analyse, par exemple PCA/LDA/Forêt aléatoire, reposent sur des données stationnaires. Je veux éviter d'essayer de créer un modèle d'espace d'état pour compenser les situations non stationnaires. Alternativement, je pourrais effectuer un double lissage exponentiel, mais cela n'est utilisable que si j'ai une tendance claire.
Ma question est : comment transformer ces données de manière à ce que je puisse les utiliser pour des analyses comme l'ACP par exemple (et non en utilisant l'ACP en ondelettes) ?
Merci!
AnalytiqueRe : Comment utiliser les données des capteurs dans une analyse ?Avez-vous accès à JMP Pro ? Le scénario que vous décrivez est conçu sur mesure pour l'utilisation de la plate-forme Functional Data Explorer et des capacités de modélisation associées.
Re : Comment utiliser les données des capteurs dans une analyse ?Malheureusement je n'ai pas JMP Pro
Re : Comment utiliser les données du capteur dans une analyse ?Je suppose que vous demandez comment transformer les données de séries chronologiques multivariées afin que vous puissiez analyser à l'aide de la PCA indiquée comme sur cette page wiki Analyse des composants principaux .
L'analyse s'attend à ce que les données soient échantillonnées à partir d'une variable aléatoire à P dimension, et il y a N échantillons. Pour l'analyse, l'ordre des échantillons n'a PAS d'importance, ou en d'autres termes il s'en moque. Dans votre exemple, il ne se souciera pas d'être stationnaire ou non. En attendant, cela ne vous empêchera pas de fournir de telles données, dans lesquelles l'ordre des échantillons a un sens. Et cela ne sera pas sans importance si l'on décide d'ignorer l'ordre et de regarder les données sous un angle différent. Essayez d'y ajouter les données brutes et voyez ce que vous pourriez découvrir ou quelle inspiration vous pourriez tirer du résultat. La principale application de l'ACP est la réduction de dimension, par exemple la réduction de données de dimension P à des données de dimension Q, où Q est beaucoup plus petit que P. Par cela, vous transformez déjà vos données en fonction de vos besoins, si cela a du sens. De plus, vous n'avez pas mentionné que vous aviez essayé la différenciation. Vous devriez peut-être essayer cela et voir si cette transformation signifie quelque chose pour vous.
