PCA故障诊断matlab代码，只需输入训练数据和测试数据即可。

在累计贡献率为85%时， 主元个数为10 箱线图

(4)计算贡献率 基于SPE的贡献图定义如下： 其中， 基于 T^2的贡献图的定义如下： 当检测到故障后，贡献图最大的变量被认为是可能造成故障的变量。但需要具有过程背景知识的人员确定最终的故障原因。

利用PCA进行故障监测，传统的统计指标有两种：Hotelling-T2和平方预测误差(Squared prediction error, SPE)。T2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；SPE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。

PCA故障诊断的Python实现，介绍了两种pca基于python的故障诊断实现，一种是针对数据维数冗余的降维诊断，另一种是小数据维数的诊断。

使用TE过程数据进行了主元分析，利用T2统计量和Q统计量进行检测。 clear all clc %% 加载数据 X=load('E:\matlab\TE\d00.dat')'; Z=load ('E:\matlab\TE\d01_te.dat'); %标准化处理 [X_row,X_col]=size(X); X_mean=mean(X);%按列求X的平均值 X_std=std(X);%求标准差 X=(X-repmat(X_mean,X_row,1))./repmat(X_std,X_row,1);

使用python编写了基于PCA的故障诊断程序，输入测试数据和训练数据即可

使用python编写了基于PCA的故障检测程序，输入训练数据和测试数据即可。代码中的数据是自行构造的测试数据，可导入自己需要的数据。 亲自编写，可以运行。

PCA故障诊断MATLAB实现，直接输入训练数据和测试数据即可，编写了SPE和T2统计图

本资源介绍了两种pca基于python的故障诊断实现，一种是针对数据维数冗余的降维诊断，另一种是小数据维数的诊断，包含代码和数据集。