¿Cómo utilizar los datos del sensor en un análisis?En la industria de procesos químicos, se capturan muchos datos de sensores (flujos, niveles, presiones, temperaturas, etc.). Estos datos pueden describirse como series de tiempo no estacionarias. Al observar un patrón típico, uno podría encontrar un patrón de tendencia (sin estacionalidad o poco = verano / invierno o día / noche) particular cuando se observan evoluciones monótonas (como incrustaciones). Pero a menudo las características candidatas no muestran un patrón de tendencia (a menos que el operador utilice la característica para compensar). Si tiene un problema en la planta que puede describirse mediante una determinada medición, a menudo surge la pregunta: ¿qué otro (conjunto de) variable (s) causó esto? La mayoría de las herramientas de análisis, por ejemplo, PCA / LDA / Random forest, se basan en datos estacionarios. Quiero evitar intentar crear un modelo de espacio de estados para compensar situaciones no estacionarias. Alternativamente, podría realizar un suavizado exponencial doble, pero eso solo es utilizable si tengo una tendencia clara.
Mi pregunta es: ¿cómo transformar estos datos de tal manera que pueda usarlos para análisis como PCA, por ejemplo (y no usar PCA wavelet)?
¡Gracias!
AnalíticaRe: ¿Cómo utilizar los datos del sensor en un análisis?¿Tiene acceso a JMP Pro? El escenario que describe está hecho a medida para usar la plataforma Functional Data Explorer y las capacidades de modelado asociadas.
Re: ¿Cómo utilizar los datos del sensor en un análisis?Desafortunadamente no tengo JMP Pro
Re: ¿Cómo utilizar los datos del sensor en un análisis?Supongo que está preguntando cómo transformar datos de series de tiempo multivariantes para que pueda analizar utilizando PCA indicado en esta página wiki Análisis de componentes principales .
El análisis espera que los datos se muestreen a partir de una variable aleatoria de dimensión P y que haya N muestras. Para el análisis, el orden de las muestras NO importa, o en otras palabras, no importa. En su ejemplo, no le importará si está parado o no. Mientras tanto, no le impedirá proporcionar dichos datos, en los que el orden de las muestras tiene un significado. Y no será irrelevante si uno decide ignorar el orden y mirar los datos desde un ángulo diferente. Intente incluir los datos sin procesar y vea lo que puede descubrir o qué inspiración puede obtener del resultado. La principal aplicación de PCA es la reducción de dimensiones, por ejemplo, la reducción de datos de dimensión P a datos de dimensión Q, donde Q es mucho más pequeño que P. Con eso, ya está transformando sus datos para satisfacer sus necesidades, si eso tiene sentido. Además, no mencionó que había intentado diferenciar. Quizás deberías intentarlo y ver si esa transformación significa algo para ti.
