PCA故障诊断步骤
基于PCA算法的故障诊断步骤
离线PCA监测模型的计算步骤：
（1）选择监控变量，收集正常工况下的各变量的样本，记为训练样本数据X_train和检验数据X_test；
X_train为n×m矩阵，即n个样本，m个观测变量（即以列向量来看的话，为一个观测变量各个采样点的值）
对样本数据X_train和检验数据X_test进行中心化和标准化处理
得到和；
中心化处理：按列对X_train减去观测变量的均值
观测变量某一采样点的值减去这一观测变量所有采样点
的平均值
求取一列（即某一观测变量）的平均值
标准化处理：对X_train除以观测变量的标准差（按列（观测变量）进行）
标准差
求出标准化矩阵的协方差矩阵∑；
的协方差矩阵对∑为：
（2）对∑进行特征分解,求得特征值
（）及其对应的特征向量
（负荷向量）；
（3）确定主元个数, 确定了主元个数k,就得到了k个特征值
,及其对应的特征向量；
A:累计贡献率法：
前k个主元的累积方差贡献率为：
当前k个主元的累积方差贡献率达到85%，则主元个数取k值B:交叉检验估计法：
将采集到的数据分成k个部分，1部分数据用来建立主元模型,剩下的k-1部分用来作为检验数据去检验所建的模型。
如此,建立若干个不同主元个数的模型,并测试所建立的模型,从中选取一个通过检验后误差最小的模型的主元个数作为系统主元个数。
（4）建立PCA主元模型，并进行交叉验证以确定误差最小
按照,求出第i个主元，并依据
求出其主元模型
用带入得到另一主元模型，依据,求出模型误差，确定模型误差最小的那个模型即为主元模型。
（5）计算T2统计量控制限和SPE统计量控制限；
对于样本个数为n,主元个数为k的过程变量X_train, T2统计量服从自由度为k和n一k的F分布,则置信度为а的T2统计量控制上
限为:
或
检验水平为а的SPE统计量控制上限为：
,,,
是与（1-）分位点对应的标准差
在线过程监测与故障诊断步骤：
（1）采集第i时刻的在线实时数据（为1×m矩阵），并进行中心化和标准化处理得到；
（2）按照,求出的得分向量，依据,求出PCA模型估计量,这里；
（3）计算的T2统计量和SPE统计量，并画出T2统计量和SPE统计量的控制图；
（4）将上述计算结果与T2统计量控制限和SPE统计量控制限比较,以检测过程运行有无异常，当有异常状态发生时,绘制
贡献图，找出与故障相关的系统变量：
1)检查每个观测值x的标准化得分,并确定造成失控
状态的r(r<a)个得分:；
2)计算每个变量相对于失控得分的贡献率是:
3)当是负时,设它为零；
4)计算第j个过程变量的总贡献率：
5)把所有m个过程变量的画在一个曲线图上。
PCA_TE仿真程序：
%%TE过程的传统主元分析在Matlab中的仿真程序
%建立模型：
%载入模型数据，以故障11为例
Xtrain = pkx101;
Xtrain = double(Xtrain);
%载入测试数据
Xtest = pkx102;
Xtest = double(Xtest);
%标准化处理：
X_mean = mean(Xtrain); %按列求Xtrain平均值
X_std = std(Xtrain); %求标准差
[X_row,X_col] = size(Xtrain); %求Xtrain行、列数
% for i = 1:X_col
%Xtrain(:,i)=(Xtrain(:,i) - X_mean(i)./X_std(i));
%Xtest(:,i) = (Xtest(:,i) - X_mean(i)./X_std(i));
% end
Xtrain=(Xtrain-repmat(X_mean,X_row,1))./repmat(X_std, X_row,1);
%求协方差矩阵
sigmaXtrain = cov(Xtrain);
%对协方差矩阵进行特征分解，lamda为特征值构成的对角阵，T的列为单位特征向量，且与lamda中的特征值
一一对应：
[T,lamda] = eig(sigmaXtrain);
% disp('特征根（由小到大）');
% disp(lamda);
% disp('特征向量：');
% disp(T);
%取对角元素(结果为一列向量)，即lamda值，并上下反转使其从大到小排列，主元个数初值为1，若累计贡献率小于90%则增加主元个数
D = flipud(diag(lamda));
num_pc = 1;
while sum(D(1:num_pc))/sum(D) < 0.9
num_pc = num_pc +1;
end
%取与lamda相对应的特征向量
P = T(:,X_col-num_pc+1:X_col);
%求置信度为99%时的T2统计控制限
T2UCL=num_pc*(X_row-1)*(X_row+1)*finv(0.99,num_pc ,X_row - num_pc)/(X_row*(X_row - num_pc));
%置信度为99%的Q统计控制限
for i = 1:3
theta(i) = sum((D(num_pc+1:X_col)).^i);
end
h0 = 1 - 2*theta(1)*theta(3)/(3*theta(2)^2);
ca = norminv(0.99,0,1);
QUCL = theta(1)*(h0*ca*sqrt(2*theta(2))/theta(1) + 1 + theta(2)*h0*(h0 - 1)/theta(1)^2)^(1/h0);
%在线监测：
%标准化处理
n = size(Xtest,1);
Xtest=(Xtest-repmat(X_mean,n,1))./repmat(X_std,n,1);
%求T2统计量，Q统计量
[r,y] = size(P*P');
I = eye(r,y);
T2 = zeros(n,1);
Q = zeros(n,1);
for i = 1:n
T2(i)=Xtest(i,:)*P*inv(lamda(20-num_pc+1:20,20-nu m_pc+1:20))*P'*Xtest(i,:)';
Q(i) = Xtest(i,:)*(I - P*P')*Xtest(i,:)';
end
%绘图
figure
subplot(2,1,1);
plot(1:n,T2,'k');
title('主元分析统计量变化图');
xlabel('采样数');
ylabel('T^2');
hold on;
line([0,n],[T2UCL,T2UCL],'LineStyle','--','Color','r');
subplot(2,1,2);
plot(1:n,Q,'k');
xlabel('采样数');
ylabel('Q');
hold on;
line([0,n],[QUCL,QUCL],'LineStyle','--','Color','r');
%贡献图
%1.确定造成失控状态的得分
S = Xtest(400,:)*P(:,1:num_pc);
r = [ ];
for i = 1:num_pc
if S(i)^2/lamda(i) > T2UCL/num_pc
r = cat(2,r,i);
end
end
%2.计算每个变量相对于上述失控得分的贡献cont = zeros(length(r),20);
for i = length(r)
for j = 1:20
cont(i,j) = abs(S(i)/D(i)*P(j,i)*Xtest(400,j));
end
end
%3.计算每个变量的总贡献
CONTJ = zeros(20,1);
for j = 1:20
CONTJ(j) = sum(cont(:,j));
end
%4.计算每个变量对Q的贡献e = Xtest(400,:)*(I - P*P'); contq = e.^2;
%5. 绘制贡献图
figure;
subplot(2,1,1);
bar(CONTJ,'k');
xlabel('变量号');
ylabel('T^2贡献率%');
subplot(2,1,2);
bar(contq,'k');
xlabel('变量号');
ylabel('Q贡献率%');。
基于PCA方法的热泵空调系统传感器故障诊断
基于PCA方法的热泵空调系统传感器故障诊断热泵空调系统是一种利用空气或水等环境能源进行采暖或制冷的系统，它包含了许多传感器用于监测系统的运行状态。
传感器故障可能导致系统工作不稳定或无法正常工作，因此传感器故障诊断对于确保系统的正常运行至关重要。
首先，我们需要收集系统中不同传感器的数据，在正常工作状态下进行监测。
这些数据通常包括温度、湿度、压力等参数的变化。
为了保证准确性，最好在不同工况和环境条件下进行多次数据采集。
然后，需要对传感器数据进行预处理。
预处理包括数据清洗、异常值处理和数据归一化等步骤。
数据清洗可以去除无效或错误的数据，而异常值处理可以修正由传感器故障引起的偏差值。
数据归一化是为了消除因传感器量程不同而引起的数据不一致。
接下来，利用PCA方法对传感器数据进行分析和降维。
PCA方法通过计算协方差矩阵和特征向量，将高维数据投影到低维空间中。
投影后的数据可以被分解为主成分和噪声成分。
主成分包含了原始数据中的主要特征，而噪声成分则包含了数据中的随机变化。
通过分析主成分的贡献率和累积贡献率，我们可以确定主要的故障模式和传感器故障类型。
故障模式是指由于传感器故障引起的数据变化模式，例如温度过高、压力异常等。
传感器故障类型是指导致故障模式的具体传感器故障原因，例如传感器失效、传感器偏移等。
最后，利用机器学习算法对故障模式和传感器故障类型进行分类。
常用的机器学习算法包括决策树、支持向量机和神经网络等。
通过训练模型，我们可以建立故障诊断模型，根据传感器数据预测系统的故障类型，并及时采取相应的维修措施。
综上所述，基于PCA方法的热泵空调系统传感器故障诊断可以通过数据采集、预处理、PCA分析和机器学习算法等步骤实现。
这种方法能够有效地识别故障模式和传感器故障类型，提高系统的可靠性和稳定性，减少能源浪费和维修成本。
因此，它具有重要的研究和应用价值。
PCA故障诊断步骤(分享借鉴)
基于PCA算法的故障诊断步骤
离线PCA监测模型的计算步骤：
（1）选择监控变量，收集正常工况下的各变量的样本，记为训练样本数据X_train和检验数据X_test；
X_train为n×m矩阵，即n个样本，m个观测变量（即以列向量来看的话，为一个观测变量各个采样点的值）
对样本数据X_train和检验数据X_test进行中心化和标准化处理
得到和；
中心化处理：按列对X_train减去观测变量的均值
观测变量某一采样点的值减去这一观测变量所有采样点
的平均值
求取一列（即某一观测变量）的平均值
标准化处理：对X_train除以观测变量的标准差（按列（观测变量）进行）
标准差
求出标准化矩阵的协方差矩阵∑；
的协方差矩阵对∑为：
（2）对∑进行特征分解,求得特征值
（）及其对应的特征向量
（负荷向量）；
（3）确定主元个数, 确定了主元个数k,就得到了k个特征值
,及其对应的特征向量；
A:累计贡献率法：
前k个主元的累积方差贡献率为：
当前k个主元的累积方差贡献率达到85%，则主元个数取k值B:交叉检验估计法：
将采集到的数据分成k个部分，1部分数据用来建立主元模型,剩下的k-1部分用来作为检验数据去检验所建的模型。
如此,建立若干个不同主元个数的模型,并测试所建立的模型,从中选取一个通过检验后误差最小的模型的主元个数作为系统主元个数。
（4）建立PCA主元模型，并进行交叉验证以确定误差最小
按照,求出第i个主元，并依据
求出其主元模型
用带入得到另一主元模型，依据,求出模型误差，确定模型误差最小的那个模型即为主元模型。
（5）计算T2统计量控制限和SPE统计量控制限；。
分析无人机PCA故障检测与诊断技术研究
分析无人机PCA故障检测与诊断技术研究
主成分分析（Principal Component Analysis，PCA）是一种常用的数据降维技术，它可以将高维数据压缩到低维空间，从而提取出数据中的主要特征。
在无人机故障检测与诊
断中，PCA技术可以用于对传感器数据进行降维和特征提取，从而实现对无人机故障的检
测和诊断。
在无人机飞行中，无人机的传感器会收集到大量的数据，包括飞行姿态、加速度、气
压和温度等。
这些数据通过传感器进行采集后，经过预处理和滤波等操作，即可得到用于
故障检测与诊断的数据。
然后，使用PCA技术对数据进行降维处理，保留数据中最具代表
性的主要特征。
具体而言，通过PCA技术，可以将原始数据投影到主成分空间中，从而实现数据的降
维和特征提取。
在该过程中，将数据从高维空间映射到低维空间，并保留尽可能多的信息。
通过分析主成分的方差贡献率，还可以确定主要的故障模式和异常数据。
在无人机故障检测与诊断中，利用PCA技术可以将传感器数据映射到主成分空间中，
并提取出最具代表性的主要特征。
然后，通过比较主成分得分和阈值，可以检测出无人机
是否存在故障。
根据主成分空间中的故障模式和异常数据，可以进一步诊断故障的具体原因。
无人机PCA故障检测与诊断技术的研究为确保无人机的安全运行提供了有力支持。
通
过对传感器数据进行降维和特征提取，利用PCA技术可以检测和诊断无人机的故障，为故
障处理和维修提供指导。
未来，还可以进一步研究和改进无人机故障检测与诊断技术，提
高无人机的可靠性和安全性。
分析无人机PCA故障检测与诊断技术研究
分析无人机PCA故障检测与诊断技术研究PCA（Principle Component Analysis）主成分分析技术是一种多变量统计分析方法，它能够识别和提取数据集中的主要特征。
在无人机故障检测与诊断中，通常使用PCA技术来处理传感器收集到的大量数据，以实现对无人机故障情况的监测和诊断。
在本文中，我们将从数据采集、特征提取、故障诊断和维修决策等方面对无人机PCA故障检测与诊断技术进行深入探讨。
数据采集是无人机PCA故障检测与诊断技术的基础。
无人机通过传感器采集到的数据包括飞行姿态、动力系统工作状态、无线通信状态等多个方面的信息。
这些数据将作为无人机故障诊断的基础，因此需要确保数据的准确性和全面性。
针对不同类型的无人机，数据采集和处理的方案也会有所不同。
针对大型商用无人机，需要考虑更多的传感器类型和布局，以保证数据的充分获取。
而对于小型无人机，则需要考虑数据采集与处理的实时性和精确度。
特征提取是无人机PCA故障检测与诊断技术的关键步骤。
PCA技术能够通过对数据集进行降维和特征提取，快速准确地发现数据中的隐含模式和规律。
在无人机故障检测与诊断中，特征提取可以帮助识别出可能存在故障的部件或系统，并为后续的故障诊断提供重要依据。
特征提取的过程中，需要考虑数据的相关性和重要性，确保提取出的特征能够准确反映无人机的工作状态和故障情况。
针对无人机PCA故障检测与诊断技术，故障诊断是其核心内容。
在无人机飞行过程中，可能会出现各种各样的故障，如动力系统故障、传感器失效、通信中断等。
通过PCA技术对数据进行分析和比较，可以及时准确地检测出无人机可能存在的故障，并进行相应的诊断和判断。
基于故障诊断的结果，还可以制定相应的维修决策和应急措施，确保无人机能够安全稳定地完成任务。
无人机PCA故障检测与诊断技术还需要考虑实际的应用场景和环境。
无人机在不同的应用领域和环境中，可能会面临不同的故障和挑战，因此需要针对具体的场景和要求进行技术调整和优化。
PCA故障诊断步骤复习过程
P C A故障诊断步骤基于PCA算法的故障诊断步骤离线PCA监测模型的计算步骤：（1）选择监控变量，收集正常工况下的各变量的样本，记为训练样本数据X_train和检验数据X_test；X_train为n×m矩阵，即n个样本，m个观测变量（即以列向量来看的话，为一个观测变量各个采样点的值）对样本数据X_train和检验数据X_test进行中心化和标准化处理得到和；中心化处理：按列对X_train减去观测变量的均值观测变量某一采样点的值减去这一观测变量所有采样点的平均值求取一列（即某一观测变量）的平均值标准化处理：对X_train除以观测变量的标准差（按列（观测变量）进行）标准差求出标准化矩阵的协方差矩阵∑；的协方差矩阵对∑为：（2）对∑进行特征分解,求得特征值（）及其对应的特征向量（负荷向量）；（3）确定主元个数, 确定了主元个数k,就得到了k个特征值,及其对应的特征向量；A:累计贡献率法：前k个主元的累积方差贡献率为：当前k个主元的累积方差贡献率达到85%，则主元个数取k值B:交叉检验估计法：将采集到的数据分成k个部分，1部分数据用来建立主元模型,剩下的k-1部分用来作为检验数据去检验所建的模型。
如此,建立若干个不同主元个数的模型,并测试所建立的模型,从中选取一个通过检验后误差最小的模型的主元个数作为系统主元个数。
（4）建立PCA主元模型，并进行交叉验证以确定误差最小按照,求出第i个主元，并依据求出其主元模型用带入得到另一主元模型，依据,求出模型误差，确定模型误差最小的那个模型即为主元模型。
（5）计算T2统计量控制限和SPE统计量控制限；对于样本个数为n,主元个数为k的过程变量X_train, T2统计量服从自由度为k和n一k的F分布,则置信度为а的T2统计量控制上限为:或检验水平为а的SPE统计量控制上限为：,,,是与（1-）分位点对应的标准差在线过程监测与故障诊断步骤：（1）采集第i时刻的在线实时数据（为1×m矩阵），并进行中心化和标准化处理得到；（2）按照,求出的得分向量，依据,求出PCA模型估计量,这里；（3）计算的T2统计量和SPE统计量，并画出T2统计量和SPE统计量的控制图；（4）将上述计算结果与T2统计量控制限和SPE统计量控制限比较,以检测过程运行有无异常，当有异常状态发生时,绘制贡献图，找出与故障相关的系统变量：1)检查每个观测值x的标准化得分,并确定造成失控状态的r(r<a)个得分:；2)计算每个变量相对于失控得分的贡献率是:3)当是负时,设它为零；4)计算第j个过程变量的总贡献率：5)把所有m个过程变量的画在一个曲线图上。
分析无人机PCA故障检测与诊断技术研究
分析无人机PCA故障检测与诊断技术研究【摘要】本文主要研究了无人机PCA故障检测与诊断技术，通过分析无人机PCA技术原理、故障检测方法和诊断算法，展示了相关案例分析和实验结果。
研究发现无人机PCA技术在故障检测和诊断方面存在挑战，需要解决问题。
结论部分总结了本文的研究成果，并展望了未来的研究方向和应用前景。
本文旨在为无人机领域的技术进步提供一定的参考和指导。
【关键词】无人机、PCA、故障检测、诊断技术、研究、原理分析、方法研究、算法分析、案例分析、实验结果、问题、挑战、总结、未来展望、应用前景1. 引言1.1 研究背景卫星地图使我们对地球的了解日益深入，并为我们的生活和工作提供了无限可能。
随着无人机技术的不断发展和应用，无人机已经成为获取高分辨率遥感数据的重要工具之一。
无人机在航空摄影测量、农业监测、环境监测等领域的应用越来越广泛。
本研究旨在探讨无人机PCA故障检测与诊断技术，为无人机的飞行安全提供更有效的保障。
通过对无人机PCA技术的原理分析、故障检测方法研究、故障诊断算法分析以及案例分析与实验结果展示，本研究将为该领域的技术研究和实践应用提供有益参考。
1.2 研究目的研究目的是为了探索无人机PCA故障检测与诊断技术的发展趋势，为无人机领域的安全运行提供技术支持。
通过对无人机PCA技术原理、故障检测方法和诊断算法的深入研究，旨在提高无人机系统的可靠性和安全性，降低故障率，提升飞行效率。
通过案例分析与实验结果展示，验证无人机PCA技术在实际应用中的可行性和有效性，为相关研究和应用提供参考依据。
本研究还将分析无人机PCA技术研究存在的问题与挑战，为今后研究工作提供方向和思路。
本研究的目的是探讨无人机PCA故障检测与诊断技术的关键问题，推动无人机领域的技术进步和发展。
1.3 研究意义：无人机在航空领域的应用越来越广泛，无人机的安全性和可靠性成为人们关注的焦点。
PCA技术作为无人机自动控制系统的核心组件，对于无人机的飞行稳定性和性能起着至关重要的作用。
基于PCA的传感器网络的故障诊断分析
基于PCA的传感器网络的故障诊断分析发布者：刘成??发布时间：2006-9-12 10:30:00内容摘要摘要：主成分分析是多元统计方法，正逐步成为控制领域中一种重要的数据处理方法，用于生产监测和质量控制。
本文简要地介绍了PCA中两种常用的图形分析法——Q图和主元得分法，利用统计软件——SPSS对数据进行处理，简化了复杂的运算过程，并对其数据处理过程进行了说明。
最后，通过空压机远程监控系统传感器网络的实例模型，运用SPSS软件，说明了这一数据处理方式的简便、有效性和缺陷。
关键词：主元分析法；故障诊断；空压机；传感器网络正文1.引言在现代化工业控制过程中，通常都运用了大量的测量传感器，如温度，流量，压力传感器等，形成了复杂的传感器网络。
各传感器测量值之间高度相关以及实际生产过程中存在的各种随机因素，使得系统过程变量多且耦合性强，建模困难。
传统的基于机理模型的诊断方法，显然难于满足要求。
统计学中的多元统计方法（如主元分析方法（PCA），偏最小二乘法（PLS）及因子分析），是一种不依赖于过程机理的建模方法，它只需通过对过程数据信息进行建模，然后基于该模型实施过程监控和故障诊断分析。
主元分析（PCA）作为一种多元统计方法，最初是运用在医学、教育、生物，等社会科学领域，由于它不依赖于精确数学模型这一显着优点，使它得到了工控界学者的广泛关注，并逐步发展成为控制领域中一种重要的数据分析处理方法。
其根本思想在于对原有复杂的多变量数据空间进行数据提取，用较少的变量来解释系统数据结构。
它既保留了原有数据的基本信息，又大大降低了数据空间的维数，去掉了一些不必要的耦合，极大地方便了对过程数据的分析。
故障诊断过程主成分分析法进行故障检测和诊断的基本思想就是：根据收集的正常工况下的历史数据，按一定的标准，利用统计方法找出能够表达正常工况下过程各变量之间的因果关系低维主成分，即主元模型，一旦过程的实时测量数据与建立的主元模型不符就可以判断过程中已有故障发生，再通过对测量数据中各变量变化对主元模型的破坏贡献率分析，进一步进行故障诊断。
分析无人机PCA故障检测与诊断技术研究
分析无人机PCA故障检测与诊断技术研究随着无人机技术的快速发展，无人机各种故障也随之出现。
故障检测与诊断技术可以帮助无人机进一步提升安全性、稳定性和可靠性。
PCA（Principal Component Analysis，主成分分析）是一种常用的故障检测与诊断方法。
本文将从以下几个方面对无人机PCA故障检测与诊断技术进行分析。
一、PCA基本原理PCA主要是通过数据的特征变换，最大化方差来确定主要成分，从而达到数据降维目的。
1、数据采集PCA方法需要大量数据进行训练和建模，因此无人机故障检测与诊断需要对各种故障情况下的数据进行采集，包括工作正常时的数据、各种故障下的数据等。
2、特征提取数据采集后，需要对数据进行预处理，提取其中的特征。
在无人机故障检测与诊断中，常用的特征包括振动信号、速度、温度、压力等。
3、建模与训练建立无人机故障的PCA模型需要将数据集拆分成训练集和测试集，通过主成分分析，将数据的维度降到一定的范围内，得到数据的主要成分。
然后将主成分进行归一化和正交化处理，用来计算故障指标矢量。
4、故障检测与诊断故障检测与诊断的过程中，将输入数据放入训练好的PCA模型中，使用计算出的故障特征值对无人机各部件的故障进行检测与诊断。
1、优点PCA可以高效地处理大量的数据，降低数据的维度，快速准确地检测和诊断无人机的故障。
2、缺点在无人机故障检测与诊断中，PCA可能会存在以下问题：① 数据需要满足高斯分布，只有当数据满足高斯分布才能有效地利用PCA方法。
② 需要大量和多样化的数据，训练集和测试集的收集和处理需要大量人力、物力和时间成本。
③ 故障诊断结果的可靠性和准确性受到主成分选择和阈值的影响，需要定期进行模型优化和矢量调整。
四、结论无人机PCA故障检测与诊断技术有着广泛的应用前景，可以通过降维、特征提取、模型建立等步骤来预测无人机的各种故障。
虽然PCA存在一定的缺点，但是在实际应用中可以通过不断优化模型和矢量来提高其检测精度和可靠性。
利用PCA原理故障诊断
0.3
0.4
0.25
0.3
0.2
0.2
0.15
0.1
0.1
0
0.05
-0.1
0
5
10
15
20
0
0
5
10
15
20
故障4(反应器冷却水的入口温度)的诊断结果
300
T2统 计 量
200
100
0
0
100
200
300
400 500 样本点
600
700
800
900
80
SPE 统 计 量
60 40 20
12 10 8 6
T2统 计 量
40
20
0
0
100
200
300
400 样本点
500
600
700
800
6
SPE统 计 量
4
2
0
0
100
200
300
400 样本点
500
600
700
800
2）在线监控
故障1(A/C加料比率)的诊断结果
150
T2统 计 量
100
50
4 3
0
0
100
200
300
400 500 样本点
600
700
XT X T S V V [ P P] [ P P]T n 1
是一个对角阵，也是S的特征值矩阵，而且其 其中， 对角线上的元素满足 1 2 ... m ；V 是S的特征向量矩阵， 维数为m x m，P 是V 的前A列，包含所有主元的信息， P是 V 余下的m-A列，包含非主元信息。
大作业-基于PCA故障诊断汇总
鉴于主元剖析（ PCA）的故障诊疗小构成员 :日期：目录1. 运用 PCA 方法的前提 (2)2. PCA 方法的基本理论 (2)2.1 思路概括 (2)2.2 基本理论 (2)3. 利用 PCA方法进行故障诊疗的步骤 (4)3.1 成立正常工况的主元模型 (4)3.2 在线故障检测与诊疗 (4)4. PCA 的限制性或优弊端 (4)5. 鉴于 TE 过程的故障诊疗 (4)5.1 TE 过程简介 (4)5.2 鉴于 PCA 的故障诊疗 (6)5.2.1 仿真的参数设置 (6)5.2.2 仿真结果 (6)5.3 仿真总结 (12)6. 总结 (12)13 参照文件 ......................................................................................................................14 附录 ..............................................................................................................................1.运用 PCA 方法的前提1、样本观察相对独立2、潜伏变量听从高斯散布2.PCA 方法的基本理论2.1 思路概括PCA 方法是将高维过程数据投影到正交的低维子空间，并保存主要过程信息。
而在几何上，把样本构成的坐标系，经过某种线性组合旋转到新的坐标空间，新的坐标轴代表了具有最大方差的方向[1]。
2.2 基本理论假定 x R m代表一个包括了m个传感器的丈量样本，每个传感器各有n 个独立采样，结构出丈量数据矩阵X R n m，此中每一列代表一个丈量变量，每一行代表一个样本。
（ 1）对数据矩阵进行协方差分解，并选择主元的个数X 的协方差矩阵为S X T X，对其进行特点值分解，并且依据特点值的大小降序排序，n 1以下：S X T X VV T [ P P][ P P]Tn 1此中，是一个对角阵，也是 S 的特点值矩阵，并且其对角线上的元素知足1 2 V是 S 的特点向量矩阵，维数为 m x m ，P是V的前 A 列，包括全部主元的信息，余下的 m-A 列，包括非主元信息。