平方预测误差(Squared prediction error,SPE)和霍特林统计量(Hotelling’s T2)原理
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,通常适合使用马氏距离来定义故障检测的正常区域,例如,在主分量子空间中。然而,由于过程数据通常高度相关,这使得剩余分量的方差接近于零,因此在RS中使用马氏距离将是病态的。因此,Q统计量或SPE使用欧几里德距离来定义故障检测的正常区域。由于这两个指标的互补性,还提出了用于故障检测和诊断的组合指标。
以下,我总结了这些故障检测指标。
平方预测误差(Squared prediction error,SPE)
SPE指数测量样本向量在剩余子空间上的投影,
SPE≡∥x~∥2=∥(I−PPT)x∥2(1)\mathrm{SPE} \equiv\|\tilde{\boldsymbol{x}}\|^{2}=\left\|\left(\mathbf{I}-\mathbf{P} \mathbf{P}^{T}\right) \boldsymbol{x}\right\|^{2}\tag{1}SPE≡∥x~∥2=∥∥(I−PPT)x∥∥2(1)
如果出现以下情况,则该过程视为正常
SPE⩽δ2(2)\mathrm{SPE} \leqslant \delta^{2}\tag{2}SPE⩽δ2(2)
其中 δ2\delta^{2}δ2 表示SPE的控制限值。Jackson和Mudholkar(1979)提出了控制极限 δ2\delta^{2}δ2 的表达式,该表达式近似于三阶矩的SPE分布。
当故障发生时,故障样本向量 x\mathbf{x}x 由与故障部分叠加的正常部分组成。故障会使SPE大于 δ2\delta^{2}δ2 ,从而导致检测到故障。
霍特林统计量(Hotelling’s T2)
Hotelling的T2T^2T2测量了在主分量(PCS)中的变化,
T2=xTPΛ−1PTx(3)T^{2}=\boldsymbol{x}^{T} \mathbf{P} \boldsymbol{\Lambda}^{-1} \mathbf{P}^{T} \boldsymbol{x}\tag{3}T2=xTPΛ−1PTx(3)
在正态数据服从多元正态分布的情况下,T2T^2T2统计量与FFF分布有关
N−ll(N−1)T2∼Fl,N−l(4)\frac{N-l}{l(N-1)} T^{2} \sim F_{l, N-l}\tag{4}l(N−1)N−lT2∼Fl,N−l(4)
如果数据点的数目N较大,则T2T^2T2指数可以很好地近似于具有lll个自由度的χ2\chi^2χ2卡方分布,即,
T2⩽χl2(5)T^{2} \leqslant \chi_{l}^{2}\tag{5}T2⩽χl2(5)
在正常情况下。在过程监控中,通常情况下,N非常大。因此,χ2\chi^2χ2控制限值是足够的,并且经常在过程监控文献中使用。
当来自过程数据的分数不符合多元正态性假设时,T2T^2T2的限值在实践中是不可靠的。相比之下,残差的表现要好得多。
综合指标(Combined Indices)
在实践中,有时最好使用一个指标而不是两个指标来监控流程。
有的论文中建议采用组合统计,但不给出控制限。
也有论文,如在Yue和Qin(1998)、Yue和Qin(2001)中,提出了一种用于故障检测的组合指标,它将SPE和T2T^2T2结合在一起,如下所示:
φ=SPE(x)δ2+T2(x)χl2=xTΦx(6)\boldsymbol{\varphi}=\frac{\operatorname{SPE}(\boldsymbol{x})}{\delta^{2}}+\frac{T^{2}(\boldsymbol{x})}{\chi_{l}^{2}}=\boldsymbol{x}^{T} \mathbf{\Phi} \boldsymbol{x}\tag{6}φ=δ2SPE(x)+χl2T2(x)=xTΦx(6)
其中,
Φ=PΛ−1PTχl2+I−PPTδ2(7)\mathbf{\Phi}=\frac{\mathbf{P} \mathbf{\Lambda}^{-1} \mathbf{P}^{T}}{\chi_{l}^{2}}+\frac{\mathbf{I}-\mathbf{P} \mathbf{P}^{T}}{\delta^{2}}\tag{7}Φ=χl2PΛ−1PT+δ2I−PPT(7)
注意,Φ\mathbf{\Phi}Φ 是对称的和正定矩阵。
前辈大佬得出的控制极限,该结果提供了一个近似分布,其前两个矩与精确分布相同。作为二次指数,Φ\mathbf{\Phi}Φ 近似如下:
φ=xTΦx∼gχh2(8)\varphi=\boldsymbol{x}^{T} \mathbf{\Phi} \boldsymbol{x} \sim g \chi_{h}^{2}\tag{8}φ=xTΦx∼gχh2(8)
其中系数
g=tr(SΦ)2tr(SΦ)(9)g=\frac{\operatorname{tr}(\mathbf{S} \Phi)^{2}}{\operatorname{tr}(\mathbf{S} \Phi)}\tag{9}g=tr(SΦ)tr(SΦ)2(9)
以及χ2\chi^2χ2分布的自由度
h=[tr(SΦ)]2tr(SΦ)2(10)h=\frac{[\operatorname{tr}(\mathbf{S} \Phi)]^{2}}{\operatorname{tr}(\mathbf{S} \Phi)^{2}}\tag{10}h=tr(SΦ)2[tr(SΦ)]2(10)
在计算ggg和hhh之后,可以得到给定置信水平下的控制极限 φ\varphiφ 。
SPE和T2T^2T2共同定义的控制区域与组合指数的控制区域非常相似。然而,综合指标定义了一个更符合数据多正态性假设的椭圆区域。是单独使用组合指标,还是联合使用SPE和T2T^2T2,取决于应用情况。
- 具体实现代码可见 ⟶\longrightarrow⟶ Python代码实现-主成分分析(PCA)降维及故障诊断中的T2和SPE统计量Matplotlib出图
平方预测误差(Squared prediction error,SPE)和霍特林统计量(Hotelling’s T2)原理相关推荐
- 预测误差的自助法估计(Bootstrap estimate of prediction error)
Bootstrap estimate of prediction error 1 一般方法 2 改进方法1 - the more refined bootstrap approach 3 改进方法2 ...
- 回归分析评估指标均方对数误差(MSLE)详解及其意义:Mean Squared Log Error
回归分析评估指标均方对数误差(MSLE)详解及其意义:Mean Squared Log Error 目录 回归分析评估指标均方对数误差(MSLE)详解及其意义:Mean Squared Log Err ...
- 3D图像重建中的颜色预测误差研究
目录 整体思路: 1.本课题的目的.意义 1. 描述图像 2. 标注图像 3.CNN 3D图像重建中的颜色预测误差研究 摘 要 1 绪 论 1.1背景与意义 1.2 课题研究内容 1.3 3D重建国内 ...
- 时间序列预测最大预测误差_预测误差的措施可以通过实验了解它们
时间序列预测最大预测误差 入门(Getting Started) Measurement is the first step that leads to control and eventually ...
- UA MATH567 高维统计专题1 稀疏信号及其恢复7 LASSO的预测误差与变量选择一致性
UA MATH567 高维统计专题1 稀疏信号及其恢复7 LASSO的预测误差与变量选择一致性 Prediction Error Variable Selection Consistency Pred ...
- 多巴胺所表达的prediction error信号
Dopamine reward prediction-error signalling: a two-component response (Wolfram Schultz; NATURE REVIE ...
- lstm预测股票_股票相关性与lstm预测误差
lstm预测股票 When trying to look at examples of LSTMs in Keras, I've found a lot that focus on using the ...
- Support Vector Machine (3) : 再谈泛化误差(Generalization Error)
目录 Support Vector Machine (1) : 简单SVM原理 Support Vector Machine (2) : Sequential Minimal Optimization ...
- 语音去混响算法之WPE( Weighted Prediction Error for speech dereverberation)
目录 简介 信号模型 WPE 算法(Weighted prediction error) TVG 模型(time-varying Gaussian model) 目标函数 迭代求权重离线解 参考文献 ...
最新文章
- Beta冲刺随笔集合
- postgresql 10.1 分区表之 list 分区
- PAT甲级1038 Recover the Smallest Number (30 分):[C++题解]贪心、排列成最小的数、字符串
- 怎样在python代码中输入π_鼠标自动点击、键盘自动输入?几行Python代码搞定
- 多种特征提取算法比较汇总
- shell 后台执行脚本
- 【快乐水题】1725. 可以形成最大正方形的矩形数目
- ant引入html页面,antdesign 中 使用 iconfont symbol方式引入图标不展示
- rocketmq中各个角色介绍
- NET问答:如何理解 IEnumerableT 和 IQueryableT
- PyTorch框架学习二十——模型微调(Finetune)
- ReactHooks+Antd Checkbox Group多选框组单独禁用其中选项
- 简短介绍_中秋节的由来故事简短100字 中秋节的起源中秋节的来历介绍
- python读音有道-Python版有道翻译
- 解决C:/WINDOWS/system32/aliedit/a找不到文件的错误提示
- 中国大学慕课python答案 北京理工大学_中国大学MOOC慕课_Python语言程序设计_慕课答案...
- Machine Learning之高等数学篇(五)☞《偏导数与方向导数、梯度》
- 网易16年研发实习生笔试题 - 寻找第K大
- XUPT第三届新生算法赛
- using声明和using编译指令