基于PCA的TE过程故障诊断（matlab）

以前发了一个调用函数的，现在补充一个不是函数的吧，有问题可以在评论区留言。

X_train = load('D:\matlab\bin\COD\train\d00.dat'); %载入训练数据
X_test =load('D:\matlab\bin\COD\test\d1_te.dat'); %载入测试数据
X_train = double(X_train');%注意此处有个转置，是因为TE数据集的d00数据和其他数据行列颠倒了。只要保证和样本数据维度一致即可。
X_test = double(X_test);
X_mean = mean(X_train);  %求均值
X_std = std(X_train);    %求标准差
[X_row,X_col] = size(X_train);
X_train=(X_train-repmat(X_mean,X_row,1))./repmat(X_std,X_row,1);%标准化处理
SXtrain = cov(X_train);%求协方差矩阵
[T,lm] = eig(SXtrain);%求特征值及特征向量
D = flipud(diag(lm));%将特征值从大到小排列，
num = 1;
while sum(D(1:num))/sum(D) < 0.9   %若累计贡献率小于90%则增加主元个数
num = num +1;
end
P = T(:,X_col-num+1:X_col); %取对应的特征向量                           TU=num*(X_row-1)*(X_row+1)*finv(0.99,num,X_row - num)/(X_row*(X_row - num));%求置信度为99%时的T2统计控制限  for i = 1:3th(i) = sum((D(num+1:X_col)).^i);
end
h0 = 1 - 2*th(1)*th(3)/(3*th(2)^2);
ca = norminv(0.99,0,1);
QU = th(1)*(h0*ca*sqrt(2*th(2))/th(1) + 1 + th(2)*h0*(h0 - 1)/th(1)^2)^(1/h0); %置信度为99%的Q统计控制限
%模型测试
n = size(X_test,1);
X_test=(X_test-repmat(X_mean,n,1))./repmat(X_std,n,1);%标准化处理
%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)=X_test(i,:)*P*inv(lm(52-num+1:52,52-num+1:52))*P'*X_test(i,:)';                                           Q(i) = X_test(i,:)*(I - P*P')*X_test(i,:)';
end
%绘图
for i=1:nif T2(i,1)>TUbreakend
endfigure('Name','PCA');
subplot(3,1,1);plot(1:i,T2(1:i),'k');hold on;plot(i:n,T2(i:n),'k');title('统计量变化图');xlabel('采样数');ylabel('T2');hold on;line([0,n],[TU,TU],'LineStyle','--','Color','g');for i=1:nif Q(i,1)>QUbreakendend subplot(3,1,2);plot(1:i,Q(1:i),'k');hold on;plot(i:n,Q(i:n),'k');title('统计量变化图');xlabel('采样数');ylabel('SPE');hold on;line([0,n],[QU,QU],'LineStyle','--','Color','g');%贡献图
%4.计算每个变量对Q的贡献
e = X_test(600,:)*(I - P*P');%选取第600个样本来检测哪个变量出现问题。
contq = e.^2;
[mxq_bor,mxq]=max(contq);
contqq=zeros(1,52);
contqq(1,mxq)=contq(1,mxq);
%5. 绘制贡献图
subplot(3,1,3);bar(contq,'g');hold on;bar(contqq,'r');xlabel('变量号');ylabel('SPE贡献率 %');
%检测结果分析
%T2故障检测率k1=0;
for i=160:960if T2(i)>TUk1=k1+1;end
end
FDRT=k1/(960-160);
%T2误报率
k1=0;
for i=1:159if T2(i)>TUk1=k1+1;end
end
FART=k1/159;
%Q故障检测率
k1=0;
for i=160:960if Q(i)>QUk1=k1+1;end
end
FDRQ=k1/(960-160);
%Q故障检测率
k1=0;
for i=1:159if Q(i)>QUk1=k1+1;end
end
FARQ=k1/159;

之前的那篇在这

基于PCA的TE过程故障诊断（matlab）相关推荐

人脸识别 pca matlab,基于PCA的人脸识别的Matlab实现代码
基于PCA的人脸识别算法 --Matlab Face recognition Based on PCA 目录人脸识别技术是基于人的脸部特征,对输入的人脸图象或者视频流 . 首先判断其是否存在人脸 , ...
基于PCA的人脸识别的Matlab实现代码
基于PCA的人脸识别算法 --Matlab Face recognition Based on PCA 目录一．人脸识别简介...3 二．主元分析...3 三．原理说明...3 四．算法流程图... ...
PCA针对TE过程（田纳西伊斯曼过程）数据的故障监测处理
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 ...
基于PCA的人脸检测（Matlab版代码）
花了几天,终于把matlab版的人脸检测运行成功了,虽然正确率不是很高,看着各种论文上的人脸检测正确率都出奇的高,我是不怎么相信的,有的论文连基于平均脸的人脸检测正确率都能达到98%,汗啊-- 也许 ...
基于PCA 人脸识别/人脸识别算法/人脸检测程序源码MATLAB ELM+PCA人脸识别 PCA人脸识别matlab代码基于PCA算法的人脸识别
1.基于PCA的人脸识别代码 2.MATLAB ELM+PCA人脸识别 2.基于PCA的人脸识别(matlab)(采用PCA算法进行人脸识别,通过抽取人脸的主要成分,构成特征脸空间,识别时将测试图像 ...
基于PCA的故障诊断方法（matlab）
1. PCA原理分析 PCA的原理主要是将原始数据进行降维.其具体工作原理参照:CodingLabs - PCA的数学原理 2. 数据预处理训练数据集(只有正样本)为维数据,即有n个采样值,每个采样 ...
【毕业设计/Matlab系列】基于PCA和BP神经网络的人脸识别系统（基于AR人脸库）
Date: 2022.5.30 文章目录前言 1.算法原理 2.实现效果 3.测试matlab代码前言在大学毕业设计的时候,在毕业设计中实现了基于PCA和BP神经网络的人脸识别系统,采用matl ...
故障诊断 matlab 仿真,基于MATLAB的BP网络变压器故障诊断仿真
• 62 • 内燃机与配件基于MATLAB的BP网络变压器故障诊断仿真郑广瑞;王娜 (包头供电局,包头 014000) 摘要:基于油中溶解气体分析针变压器故障诊断的对传统方法,在诊断过程 ...
瞬时转速 matlab,基于瞬时转速的发动机故障诊断研究
基于瞬时转速的发动机故障诊断研究对本系统中瞬时转速的采集进行了误差分析,并讨论了影响瞬时转速波动的几个因 (本文共3页) 阅读全文>> 汽车发动机按照其所用燃料可分为柴油机和汽油机.柴油 ...

基于PCA的TE过程故障诊断（matlab）

基于PCA的TE过程故障诊断（matlab）相关推荐

最新文章

热门文章