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!
¿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.
Desafortunadamente no tengo JMP Pro
