Come utilizzare i dati dei sensori in un'analisi?Nell'industria dei processi chimici vengono acquisiti molti dati dei sensori (flussi, livelli, pressioni, temperature, ecc.). Questi dati possono essere descritti come serie temporali non stazionarie. Guardando un pattern tipico, si potrebbe trovare un pattern di tendenza (senza stagionalità o poco = estate/inverno o giorno/notte) particolare quando si osservano evoluzioni monotone (come il fouling). Ma spesso le caratteristiche candidate non mostrano un modello di tendenza (a meno che la caratteristica non venga utilizzata dall'operatore per compensare). se hai un problema di impianto che può essere descritto da una certa misurazione, sorge spesso la domanda: quale altro (insieme di) variabile(i) ha causato questo? La maggior parte degli strumenti di analisi, ad esempio PCA/LDA/Random forest, si basa su dati stazionari. Voglio evitare di provare a creare un modello dello spazio degli stati per compensare situazioni non stazionarie. In alternativa potrei eseguire un doppio livellamento esponenziale, ma questo è utilizzabile solo se ho una tendenza chiara.
La mia domanda è: come trasformare questi dati in modo tale da poterli utilizzare per analisi come ad esempio PCA (e non utilizzando wavelet PCA)?
Grazie!
AnalisiRe: Come utilizzare i dati del sensore in un'analisi?Hai accesso a JMP Pro? Lo scenario che descrivi è fatto su misura per l'utilizzo della piattaforma Functional Data Explorer e delle funzionalità di modellazione associate.
Re: Come utilizzare i dati del sensore in un'analisi?Sfortunatamente non ho JMP Pro
Re: Come utilizzare i dati del sensore in un'analisi?Suppongo che tu stia chiedendo come trasformare i dati di serie temporali multivariate in modo da poter analizzare utilizzando PCA indicato come in questa pagina wiki Analisi del componente principale .
L'analisi prevede che i dati siano campionati da una variabile casuale P-dimensionale e che ci siano N campioni. Per l'analisi, l'ordine dei campioni NON ha importanza, o in altre parole non ha importanza. Nel tuo esempio, non si preoccuperà stazionario o meno. Nel frattempo, non ti impedirà di fornire tali dati, in cui l'ordine dei campioni ha un significato. E non sarà irrilevante se si decide di ignorare l'ordine e guardare i dati da una prospettiva diversa. Prova a inserire i dati grezzi e vedi cosa potresti scoprire o quale ispirazione potresti ottenere dal risultato. L'applicazione principale della PCA è la riduzione delle dimensioni, ad esempio la riduzione da dati P-dimensionali a dati Q-dimensionali, dove Q è molto più piccolo di P. In questo modo, stai già trasformando i tuoi dati in base alle tue esigenze, se ciò ha senso. Inoltre, non hai detto che avevi provato a differenziare. Forse dovresti provarlo e vedere se quella trasformazione significa qualcosa per te.
