Wie verwendet man Sensordaten in einer Analyse?In der chemischen Prozessindustrie werden viele Sensordaten erfasst (Durchflüsse, Füllstände, Drücke, Temperaturen etc.). Diese Daten können als nichtstationäre Zeitreihen beschrieben werden. Betrachtet man ein typisches Muster, kann man insbesondere bei monotonen Entwicklungen (wie Fouling) ein Trendmuster (ohne Saisonalität oder wenig = Sommer/Winter oder Tag/Nacht) finden. Aber oft weisen die Kandidatenmerkmale kein Trendmuster auf (es sei denn, das Merkmal wird vom Bediener zum Ausgleich verwendet). Wenn Sie ein Anlagenproblem haben, das durch eine bestimmte Messung beschrieben werden kann, stellt sich oft die Frage: Welche andere(n) Variable(n) hat dies verursacht? Die meisten Analysetools, beispielsweise PCA/LDA/Random Forest, basieren auf stationären Daten. Ich möchte vermeiden, zu versuchen, ein Zustandsraummodell zu erstellen, um instationäre Situationen zu kompensieren. Alternativ könnte ich eine doppelte exponentielle Glättung durchführen, die aber nur brauchbar ist, wenn ich einen klaren Trend habe.
Meine Frage ist: Wie transformiere ich diese Daten so, dass ich sie für Analysen wie beispielsweise PCA verwenden kann (und nicht mit Wavelet-PCA)?
Danke!
AnalytikBetreff: Wie verwendet man Sensordaten in einer Analyse?Haben Sie Zugriff auf JMP Pro? Das von Ihnen beschriebene Szenario ist maßgeschneidert für die Verwendung der Functional Data Explorer-Plattform und der zugehörigen Modellierungsfunktionen.
Betreff: Wie verwendet man Sensordaten in einer Analyse?Leider habe ich kein JMP Pro
Betreff: Wie verwendet man Sensordaten in einer Analyse?Ich gehe davon aus, dass Sie fragen, wie multivariate Zeitreihendaten transformiert werden können, damit Sie die auf dieser Wiki-Seite angegebene PCA analysieren können Hauptkomponentenanalyse .
Die Analyse erwartet, dass die Daten einer P-dimensionalen Zufallsvariablen entnommen werden und es N Stichproben gibt. Für die Analyse spielt die Reihenfolge der Proben keine Rolle, oder anders gesagt, es ist egal. In Ihrem Beispiel ist es egal, ob es stationär ist oder nicht. In der Zwischenzeit wird es Sie nicht davon abhalten, solche Daten bereitzustellen, bei denen die Reihenfolge der Stichproben eine Bedeutung hat. Und es wird nicht unerheblich sein, wenn man sich entschließt, die Reihenfolge zu ignorieren und die Daten aus einem anderen Blickwinkel zu betrachten. Versuchen Sie, die Rohdaten einzugeben und sehen Sie, was Sie möglicherweise entdecken oder welche Inspiration Sie aus dem Ergebnis ziehen können. Die Hauptanwendung von PCA ist die Dimensionsreduktion, z. B. die Reduktion von P-dimensionalen Daten auf Q-dimensionale Daten, wobei Q viel kleiner als P ist. Damit transformieren Sie Ihre Daten bereits bedarfsgerecht, sofern dies sinnvoll ist. Außerdem haben Sie nicht erwähnt, dass Sie die Differenzierung versucht haben. Vielleicht sollten Sie das versuchen und sehen, ob Ihnen diese Transformation etwas bedeutet.
