如何在分析中使用传感器数据？在化学加工行业中，会捕获大量传感器数据（流量、液位、压力、温度等）。 该数据可以描述为非平稳的时间序列。 观察典型的模式，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/夜晚），特别是在观察单调演变（例如污垢）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）。如果您遇到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：哪个其他（一组）变量导致了此问题？ 大多数分析工具，例如 PCA/LDA/随机森林，都依赖于固定数据。 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，但这只有在我有明确的趋势时才可用。
我的问题是：如何转换这些数据，以便我可以将其用于分析，例如 PCA（而不是使用小波 PCA）？
谢谢！
高级统计建模回复：如何在分析中使用传感器数据？我假设您询问如何转换多元时间序列数据，以便您可以使用此 wiki 页面上所述的 PCA 进行分析主成分分析。
分析期望数据是从P维随机变量中采样的，有N个样本。 对于分析来说，样本的顺序并不重要，或者换句话说，它不关心。 在你的例子中，它不在乎是否静止。 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。 如果人们决定忽略顺序并从不同的角度查看数据，那么这也不是无关紧要的。 尝试将原始数据放入其中，看看您可能会发现什么，或者您可以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远小于P。 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，您没有提到您曾尝试过差异化。 也许你应该尝试一下，看看这种转变对你来说是否意味着什么。
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？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而定制的。 以下是我的前同事（我已经退休）汤姆·唐纳利（Tom Donelly）就这个主题所做的演讲的链接：对流式传感器数据建模
