spe t2 用于进行故障诊断 基于Gui

PCA降维代码及T2和SPE统计量Matplotlib出图 1.PCA降维 PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，第一个新坐标轴选择是原始数据中方差最大的方向，第二个新坐标轴选取是与第一个坐标轴正交

参考： 主成分分析（PCA）原理与故障诊断（SPE、T^2以及结合二者的综合指标）-MATLAB实现 百度文库 基于pca的故障诊断

多种方法滚珠轴承内圈和外圈故障诊断（分析故障频率）系统 完整的代码，方可运行；可提供运行操作视频！适合小白！

读Paper读的头炸（原因：太菜），坚持每天简单通俗总结一下！ 故障检测是多变量过程监控的第一步。 通常，SPE（或Q-统计量）和霍特林的T2指数分别用于监测RS和PCS的正常变异性。 应注意的是，PCA或PLS建模不要求数据为高斯分布。高斯假设仅用于推导故障检测指数的适当控制限值。此外，在推导控制限值时，不需要样本的时间独立性，因为仅指定I类错误来控制假警报率。当涉及II类错误时，监测测量的时间独立性是必要的，即未检测到的故障率。 当测量值假设为高斯分布时，通常适合使用马氏

1、数据预处理 训练集 X

% function qn=kpca(dtrain,kernel,q,Fa,Ca);% KPCA -核主成分分析%% 使用 [trainFeat,bj]=kpca(data,kernel,p1,p2)% 输入 data - 原始数据文件名% kernel - 核函数% p1 ,p2 - 核函数参数% q - 投影后的维数% 输出 trainFeat - 映射到特...

异常检测-T² (Hotelling's T-squared) 统计量和SPE (Squared Prediction Error) 统计量

PCA故障诊断中两个关键统计变量T2T^2T2和SPESPESPE的的计算 T2T^2T2：Hotelling-T2 SPESPESPE：平方预测误差(Squared prediction error) T2T^2T2 统计量反映了每个主成分在变化趋势和幅值上偏离模型的程度，是对模型内部化的一种度量，它可以用来对多个主元同时进行监测；SPESPESPE 统计量刻画了输入变量的测量值对主元模型的偏离程度，是对模型外部变化的一种度量。 T2T^2T2在线计算以及控制限的计算 SPESPESPE在线计算以及控制

数据包含取自模拟流程示例的二维数据集。此数据用于训练和测试内核 PCA 以进行故障检测。训练后，针对输出数据空间中的每个位置计算广泛用于故障检测的T2和Q统计指标，从而生成等高线图。然后将 2% 显著性水平检测限叠加在地图上，作为数据空间的正常（绿色）和错误（洋红色）区域之间的边界。使用等高线图，可以将各种核类型和参数选择对正常和错误过程状态之间的决策边界的影响可视化。博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。部分理论来源于网络，如有侵权请联系删除。行百里者，半于九十。