Escolar Documentos
Profissional Documentos
Cultura Documentos
DE ESCOAMENTO ATRAVÉS DA
ANÁLISE DE COMPONENTES
PRINCIPAIS
Os desafios...
Detectar
Se ocorreu....
Identificar a falha
O que ocorreu...
Localizar
Onde ocorreu...
Quantificar
Qual a gravidade do que
ocorreu...
Anomalias estudadas
Implementação de falhas
R1
R2
Metodologia PCA
Falha em sensor
Falha em sensor
Falha em sensor
Falha em sensor
Metodologia PCA
VC = cov ( X )
[16x16] [251x16]
Autovetores (V)
Autovalores (V)
[16x16]
Metodologia PCA
Caminho 1:
Matriz de componentes principais (MC):
Uma vez os autovetores ordenados a partir
dos respectivos autovalores associados,
procede-se a seleção dos n-componentes
principais e a montagem da matriz.
[16x16] 2
[16x8]
[251x16]
[251x16]
Dados Dados
reconstruídos originais
Caminho 1: Exemplo
[2x2] [2x1]
[251x2]
[251x2]
Dados Dados
reconstruídos originais
Caminho 2:
Matriz de componentes principais (MC):
Uma vez os autovetores ordenados a partir
dos respectivos autovalores associados,
procede-se a seleção dos n-componentes
principais e a montagem da matriz.
[2x850] 2
[16x8] [850x16]
PCAdataCol=MC’*Dados’
PCAdata=PCAdataCol’
[850x2]
Caminho 2:
[2x850] 2
[16x8] [850x16]
PCAdataCol=MC’*Dados’
PCAdata=PCAdataCol’
[850x2]
DadosModCol=MC*PCAdataCol’
[16x850] DadosMod = DadosModCol’
[850x16]
Dados
Dados originais
reconstruídos
Metodologia PCA
Caminho 2: Exemplo
PCAdata:
T’ T’’
1ª Técnica de detecção de anomalias
[251x1]
SPE:
Representa o erro quadrático da previsão (square prediction error).
6 dp
1 dp
1ª Técnica de detecção de anomalias
T’ T’
2ª Técnica de detecção de anomalias
Sdist:
SF:
O fator Sdist provê complemento as propriedades apresentadas pelo Spca, sendo natural
seu uso combinado. A junção dos dois fatores é denominada SF, e permite comparar os
conjuntos de dados tanto em relação à orientação de seus subespaços quanto a distancia
entre eles. A média ponderada é calculada pela equação:
2ª Técnica de detecção de anomalias
Dados brutos
Classificação hierárquica
A similaridade entre dois pontos pode ser entendida como sendo inversamente
proporcional a distância espacial entre esses pontos.
(r = 2) (r = 1) r=3 e 4
• Metodologias
a)PCA
b)Detecção de anomalias (PCA)
c)Detecção de anomalias (classif. hierárquica)
d) Identificação da origem da anomalia
Índice de validade dos sensores
SVI-D:
Cii = C(i,i)
Resíduo total (todos os sensores)
www.prevention.indiana.edu
falha de 2% no
sinal do sensor 16
• Metodologias
a)PCA
b)Detecção de anomalias (PCA)
c)Detecção de anomalias (classif. hierárquica)
d) Identificação da origem da anomalia
e) Quantificação da anomalia
Classificação Hierárquica
Dados brutos
Severidade
da anomalia
d
• Metodologias
a)PCA
b)Detecção de anomalias (PCA)
c)Detecção de anomalias (classif. hierárquica)
d) Identificação da origem da anomalia
e) Quantificação da anomalia
f) Definir o tipo de anomalia
Definir o tipo de anomalia
Spca
SVI-D + PCA:
MIN =
>> MAX
MAX =
>> whos X1 X2 X3 X4 X
Name Size Bytes Class Attributes
EE = percE =
0.2861 68.8564
0.0653 15.7177
0.0259 6.2445
0.0148 3.5687
0.0111 2.6778
0.0087 2.1021
0.0032 0.7741
0.0002 0.0588
L= IL =
0.0002 1
0.0032 2
0.0087 3
0.0111 4
0.0148 5
0.0259 6
0.0653 7
0.2861 8
>> percE
percE =
68.8564
15.7177
6.2445
3.5687
2.6778
2.1021
0.7741
S1=0.2652(X1-0.31168)+0.2732(X2-0.32086)+0.3981(X3-0.2113)+0.2389(X4-0.11027)+ ... 0.0588
... +0.3536(X5-0.60135)+0.4353(X6-0.4818)+0.3905(X7-0. 4333)+0.4153(X8-0.6368)
XMedio =
S1=0.2652(X1-0.31168)+0.2732(X2-0.32086)+0.3981(X3-0.2113)+0.2389(X4-0.11027)+ ...
... +0.3536(X5-0.60135)+0.4353(X6-0.4818)+0.3905(X7-0. 4333)+0.4153(X8-0.6368)
>> percE
percE =
68.8564
15.7177
6.2445
3.5687
2.6778
2.1021
0.7741
0.0588
S2=-0.5049(X1-0.31168)-0.4742(X2-0.32086)+0.4565(X3-0.2113)+0.2967(X4-0.11027)+ ...
... -0.3949(X5-0.60135)+0.1895(X6-0.4818)+0.1786(X7-0. 4333)-0.0041 (X8-0.6368)
XMedio =
autovalores
Variação explicada
Meço o valor de Componente 1, 2 e 3 para cada criança.
O maior coeficiente indica a classificação da criança.
Nome fictício em função dos coeficientes mais importantes. Cada criança vai ser
classificada com um desses nomes.
Perguntas feitas para os pais:
Perguntas feitas para os pais:
Perguntas feitas para os pais:
Perguntas feitas para os pais:
Tal pai, tal filho:
Existe alguma relação entre crianças “tipo 1” e pais que controlam o que e quanto seus filhos
comem?
Meço o número de pais que responderam YES e tem filhos tipo 1.
(Meço o número de pais que responderam NO e tem filhos tipo 1.)
Meço o número total de pais que responderam YES.
(Meço o número total de pais que responderam NO.)
Fator 1 = 1 : indica que o número de pais que a parcela de pais com filhos tipo 1
que respondem YES é igual a parcela de pais total que diz YES. Ou seja, o tipo
de filho e a resposta do pais não parecem correlacionadas.
Tal pai, tal filho:
Existe alguma relação entre crianças “tipo 1” e pais que controlam o que e quanto seus filhos
comem?
Meço o número de pais que responderam YES e tem filhos tipo 1.
(Meço o número de pais que responderam NO e tem filhos tipo 1.)
Meço o número total de pais que responderam YES.
(Meço o número total de pais que responderam NO.)
Existe alguma relação entre crianças “tipo 1” e pais que controlam o que e quanto seus filhos
comem?
Meço o número de pais que responderam YES e tem filhos tipo 1.
(Meço o número de pais que responderam NO e tem filhos tipo 1.)
Meço o número total de pais que responderam YES.
(Meço o número total de pais que responderam NO.)
Fator 1 = 0.71 : indica que o número de pais que responderam YES é 40%
superior ao normal da população. Ou seja, filhos tipo 1 tendem a ter 40%
mais chance de terem pais que controlam o que ou quanto eles comem.
0.71 * X = 1
X = 1.40
Tal pai, tal filho: