Come utilizzare i dati dei sensori in un'analisi?Nell'industria dei processi chimici vengono acquisiti molti dati dei sensori (portate, livelli, pressioni, temperature, ecc.). Questi dati possono essere descritti come serie temporali non stazionarie. Osservando un modello tipico, si potrebbe trovare un modello di tendenza (senza stagionalità o poco = estate/inverno o giorno/notte) particolare quando si osservano evoluzioni monotone (come il fouling). Ma spesso le funzionalità candidate non mostrano un modello di tendenza (a meno che la funzionalità non venga utilizzata dall'operatore per compensare). se hai un problema con l'impianto che può essere descritto da una certa misurazione, spesso sorge la domanda: quale altra (insieme di) variabili ha causato questo? La maggior parte degli strumenti di analisi, ad esempio PCA/LDA/Random forest, si basano su dati stazionari. Voglio evitare di provare a creare un modello di spazio degli stati per compensare situazioni non stazionarie. In alternativa potrei eseguire un doppio livellamento esponenziale, ma 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 PCA, ad esempio (e non utilizzare wavelet PCA)?
Grazie!
AnaliticaRi: Come utilizzare i dati dei sensori in un'analisi?Presumo che tu stia chiedendo come trasformare i dati di serie temporali multivariate in modo da poterli analizzare utilizzando PCA dichiarato come in questa pagina wiki Analisi del componente principale .
L'analisi prevede che i dati vengano campionati da una variabile casuale P-dimensionale e che vi siano N campioni. Per l'analisi, l'ordine dei campioni NON ha importanza, o in altre parole non gli interessa. Nel tuo esempio, non importa stazionario o no. 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 un'angolazione diversa. Prova a inserire i dati grezzi e vedi cosa potresti scoprire o quale ispirazione potresti trarre 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. Con ciò, stai già trasformando i tuoi dati per soddisfare le tue esigenze, se questo ha senso. Inoltre, non hai menzionato di aver provato a differenziare. Forse dovresti provarlo e vedere se quella trasformazione significa qualcosa per te.
Ri: Come utilizzare i dati dei sensori in un'analisi?Purtroppo non ho JMP Pro
Ri: Come utilizzare i dati dei sensori 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. Ecco un link a una presentazione fatta dal mio ex (sono in pensione) collega Tom Donelly proprio su questo argomento: Modellazione dei dati dei sensori in streaming
