Contexto empresarial
Una fábrica de semiconductores desea monitorear la salud de sus máquinas. Tienen múltiples sensores (temperatura, presión, vibración, voltaje) altamente correlacionados. El objetivo es reducir estas dimensiones para identificar los factores latentes principales que explican la variabilidad del proceso y detectar anomalías.
Preparación de datos
Generación de datos simulados de 5 sensores para 1000 mediciones.
¡Copiado!
| 1 | |
| 2 | DATA mycas.sensores; |
| 3 | drop i; |
| 4 | DO i=1 to 1000; |
| 5 | Temp = 70 + rannor(1)*5; |
| 6 | Presion = 10 + 0.8*Temp + rannor(1); |
| 7 | Vibracion = rannor(1)*2; |
| 8 | Voltaje = 220 + rannor(1)*10; |
| 9 | Humedad = 40 + rannor(1)*5; |
| 10 | OUTPUT; |
| 11 | END; |
| 12 | |
| 13 | RUN; |
| 14 |
Étapes de réalisation
1
Ejecución estándar de PCA extrayendo 2 componentes principales y guardando estadísticas.
¡Copiado!
| 1 | |
| 2 | PROC CAS; |
| 3 | pca.eig / TABLE="sensores", inputs={"Temp", "Presion", "Vibracion", "Voltaje", "Humedad"}, n=2, prefix="Factor", outStat={casOut={name="stats_sensores", replace=true}}, OUTPUT={casOut={name="scores_sensores", replace=true}, score="Factor"}; |
| 4 | |
| 5 | RUN; |
| 6 |
2
Verificación de las tablas de salida (paso opcional de validación).
¡Copiado!
| 1 | |
| 2 | PROC CAS; |
| 3 | TABLE.fetch / TABLE="scores_sensores" to=5; |
| 4 | |
| 5 | RUN; |
| 6 |
Resultado esperado
La acción debe ejecutarse sin errores, generando dos tablas: 'stats_sensores' con los valores propios y vectores propios, y 'scores_sensores' con las puntuaciones 'Factor1' y 'Factor2' para cada observación. Se espera que los primeros componentes expliquen la mayor parte de la varianza dada la correlación inducida entre Temperatura y Presión.