💖作者簡介：大家好，我是車神哥，府學路18號的車神🥇
?About—>車神：從寢室到實驗室最快3分鐘，最慢3分半（那半分鐘其實是等紅綠燈）
📝個人主頁：車手只需要車和手，壓力來自論文_府學路18號車神_CSDN博客
🥇 官方認證：人工智能領域優質創作者
🎉點贊?評論?收藏 == 養成習慣（一鍵三連）😋

?希望大家多多支持🤗~一起加油 😁

專欄

《故障診斷》

前言

最近在研究工業程序中動態特性的故障診斷、監測，下面總結一下有關動態特性的一些方法和普遍研究的內容，

在實際流程工業中，由于自身特性以及倍訓控制的影響，程序變數在時序上呈現出或多或少的自相關特性，即在一定時間區間內前后關聯，傳統的程序監測方法沒有考慮程序資料間的動態特性，導致與程序動態性相關的故障易被忽視，在工業現場沒有較大的應用和推廣價值，為此，學者們利用動態的思想對流程工業進行分析，提出了一系列動態程序監測方法，

主要分類兩個類別來進行展開：

基于擴展矩陣的方法
基于時序相關性分析的方法

基于擴展矩陣的方法

有關擴展矩陣，簡單介紹一下，

擴展矩陣的主要思想實時通過構建具有時滯屬性的增廣矩陣來進行動態特征的提取和分析，

主要有：

動態主成分分析（Dynamic PCA，DPCA），通過增廣矩陣替代原有建模資料進行PCA建模，考慮并且提取了時間維度資訊，，取得了更加滿意的監測性能，
動態偏最小二乘（Dynamic PLS，DPLS），用于解決動態質量相關的程序監控問題，
動態獨立主成分分析（Dynamic ICA，DICA），可用于處理動態非高斯程序的監測問題，
動態多項NPE方法，提取資料的區域領域結構來建立監測模型進行統計程序監控，

小結：關于擴展矩陣方法，其優勢在于操作簡單，但是計算復雜度卻很高，且僅對時序相關性進行決議用于建模和檢測，缺乏對程序變化的充分決議和判斷，

基于時序相關性分析的方法

時序相關性分析，其是一種描述程序動態性的有效手段，

常用的方法：

CVA，變化向量檢測方法CVA是一種分類前檢測（pre-classification change detection）的變化檢測方法，在影像進行嚴格的預處理（輻射矯正，幾何配準）之后，對影像進行變化檢測，如下圖所示，通過兩個時相間的向量大小顯示變化的程度，確定分隔的閾值確定兩個時相之間變化/未變化的區域，不同地物的變化有不同的變化角度，通過對變化角度的分類可以獲得地物變化的型別，通過最大化資料變數間的互相關矩陣來提取資料的動態特性，
卡爾曼濾波器（Kalman Filter，KF），你可以在任何含有不確定資訊的動態系統中使用卡爾曼濾波，對系統下一步的走向做出有根據的預測，即使伴隨著各種干擾，卡爾曼濾波總是能指出真實發生的情況，
慢特征分析（Slow Feature Analysis，SFA），一種無監督降維方法，被用來學習程序監控的時間相關表示，SFA不僅可以通過監測穩態分布來檢測與運行條件的偏差，還可以根據時間分布來識別程序的動態例外，

小結：相對于擴展矩陣方法，時序相關性分析通過結合動靜態資訊進而能夠更加敏捷和精細區分實際程序中發生的復雜狀態變化，

?堅持讀Paper，堅持做筆記，堅持學習，堅持刷力扣LeetCode?！！！
堅持刷題！！！沖擊國賽
?To Be No.1

??哈哈哈哈

?創作不易?，過路能?關注、收藏、點個贊?三連就最好不過了

?( ′･?･` )

轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/437965.html

標籤：AI

上一篇：R語言-嶺回歸的代碼與案例解讀

【故障診斷】動態程序監測方法

前言

基于擴展矩陣的方法

基于時序相關性分析的方法