如何在分析中使用传感器数据？在化学加工工业中，会捕获大量传感器数据（流量、液位、压力、温度等）。 该数据可以被描述为时间序列非平稳。 查看一个典型的模式，人们可能会发现一种趋势模式（没有季节性或很少 = 夏季/冬季或白天/黑夜），特别是在查看单调演变（例如结垢）时。 但通常候选特征不会表现出趋势模式（除非操作员使用该特征进行补偿）。如果您有一个可以通过某种测量来描述的工厂问题，那么经常会出现这样的问题：是哪个其他（一组）变量导致了这种情况？ 大多数分析工具，例如 PCA/LDA/随机森林，都依赖于静态数据。 我想避免尝试创建状态空间模型来补偿非平稳情况。 或者，我可以执行双指数平滑，但只有在我有明确的趋势时才可用。
我的问题是：如何以这样的方式转换这些数据，以便我可以将其用于分析，例如 PCA（而不是使用小波 PCA）？
谢谢！
分析回复：如何在分析中使用传感器数据？您可以访问 JMP Pro 吗？ 您描述的场景是为使用 Functional Data Explorer 平台和相关建模功能量身定制的。
回复：如何在分析中使用传感器数据？不幸的是我没有 JMP Pro
回复：如何在分析中使用传感器数据？我假设您在询问如何转换多元时间序列数据，以便您可以使用本维基页面上所述的 PCA 进行分析主成分分析.
分析期望数据是从一个P维随机变量中采样的，有N个样本。 对于分析来说，样本的顺序无关紧要，或者换句话说，它无关紧要。 在您的示例中，它不会关心是否固定。 同时，它不会阻止您提供此类数据，其中样本的顺序是有意义的。 如果决定忽略顺序并从不同的角度查看数据，这也不会无关紧要。 尝试将原始数据放入，看看您可能会发现什么，或者您可能会从结果中获得什么灵感。 PCA的主要应用是降维，例如从P维数据降维到Q维数据，其中Q比P小很多。 这样，如果有意义的话，您已经在转换数据以满足您的需求。 此外，您没有提到您尝试过差分。 也许您应该尝试一下，看看这种转变对您是否有意义。
