Wie nutzt man Sensordaten in einer Analyse?In der chemischen Prozessindustrie werden viele Sensordaten erfasst (Durchflüsse, Füllstände, Drücke, Temperaturen usw.). Diese Daten können als instationäre Zeitreihen beschrieben werden. Betrachtet man ein typisches Muster, könnte man ein Trendmuster (ohne Saisonalität oder wenig = Sommer/Winter oder Tag/Nacht) finden, das besonders bei der Betrachtung monotoner Entwicklungen (z. B. Verschmutzung) besonders ausgeprägt ist. 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(r) andere(n) Variable(n) hat dies verursacht? Die meisten Analysetools, beispielsweise PCA/LDA/Random Forest, basieren auf stationären Daten. Ich möchte vermeiden, ein Zustandsraummodell zu erstellen, um instationäre Situationen zu kompensieren. Alternativ könnte ich eine doppelte exponentielle Glättung durchführen, aber das ist nur brauchbar, wenn ich einen klaren Trend habe.
Meine Frage ist: Wie transformiere ich diese Daten so, dass ich sie beispielsweise für Analysen wie PCA verwenden kann (und nicht für Wavelet-PCA)?
Danke!
Erweiterte statistische ModellierungBetreff: Wie werden Sensordaten in einer Analyse verwendet?Ich gehe davon aus, dass Sie fragen, wie Sie multivariate Zeitreihendaten transformieren können, damit Sie sie mithilfe der auf dieser Wiki-Seite angegebenen PCA analysieren können Hauptkomponentenanalyse .
Die Analyse geht davon aus, dass die Daten aus einer P-dimensionalen Zufallsvariablen abgetastet werden und es N Stichproben gibt. Für die Analyse spielt die Reihenfolge der Proben KEINE Rolle, oder mit anderen Worten, es ist ihr egal. In Ihrem Beispiel ist es egal, ob es stationär ist oder nicht. In der Zwischenzeit hindert es Sie nicht daran, solche Daten bereitzustellen, bei denen die Reihenfolge der Stichproben eine Bedeutung hat. Und es wird nicht irrelevant sein, wenn man beschließt, die Reihenfolge zu ignorieren und die Daten aus einem anderen Blickwinkel zu betrachten. Versuchen Sie, die Rohdaten einzubeziehen und sehen Sie, was Sie entdecken oder welche Inspiration Sie aus dem Ergebnis ziehen können. Die Hauptanwendung von PCA ist die Dimensionsreduktion, z. B. die Reduzierung von P-dimensionalen Daten auf Q-dimensionale Daten, wobei Q viel kleiner als P ist. Damit transformieren Sie Ihre Daten bereits entsprechend Ihren Anforderungen, sofern dies sinnvoll ist. Darüber hinaus haben Sie nicht erwähnt, dass Sie Differenzierungen versucht haben. Vielleicht sollten Sie das versuchen und sehen, ob Ihnen diese Transformation etwas bedeutet.
Betreff: Wie werden Sensordaten in einer Analyse verwendet?Leider habe ich kein JMP Pro
Betreff: Wie werden Sensordaten in einer Analyse verwendet?Haben Sie Zugriff auf JMP Pro? Das von Ihnen beschriebene Szenario ist maßgeschneidert für die Verwendung der Functional Data Explorer-Plattform und der damit verbundenen Modellierungsfunktionen. Hier ist ein Link zu einer Präsentation meines ehemaligen Kollegen (ich bin im Ruhestand) Tom Donelly zu genau diesem Thema: Modellierung gestreamter Sensordaten
