Incremental Sparse Adaptive PCA for Streaming Industrial Sensor Data

doi:10.3390/telecom7030050

Incremental Sparse Adaptive PCA for Streaming Industrial Sensor Data

2026-05-04

0

PRE

AI

DOI：10.3390/telecom7030050

原文链接

原文求助

摘要

En 中文

工业物联网（IIoT）系统在严格的内存和计算约束下产生高维、非平稳的传感器流，限制了传统批处理降维方法的应用。尽管增量主成分分析（IPCA）支持在线更新，但它产生密集分量且缺乏漂移适应和可解释性机制。相比之下，现有的稀疏PCA方法主要面向批处理，不适合流式部署。本文提出增量稀疏自适应PCA（ISAPCA），一个统一的流式框架，整合了用于概念漂移适应的指数遗忘、用于在线方差最大化的mini-batch Oja-Sanger子空间跟踪，以及结合QR重正交化的近端ℓ1软阈值稀疏分量学习。其贡献在于将这些成熟机制协同实施于适用于工业边缘和TinyML设置的恒定内存架构中。我们在三个工业数据集（SmartBuilding、田纳西东曼过程和GasSensor）上评估ISAPCA，并与流式IPCA和离线上界方法（随机PCA、稀疏PCA和字典学习）进行比较。ISAPCA在SmartBuilding和田纳西东曼流上分别保留了约93%和96%的IPCA解释方差，同时在GasSensor上实现了更优的解释方差（0.862对比IPCA的0.822）。跨数据集，ISAPCA强制稀疏载荷而不严重降低重构保真度。消融分析证实了遗忘和稀疏组件在漂移下的稳定性能中的必要性。运行时测量显示亚毫秒级批处理更新（256样本mini-batch为0.234-0.606 ms），表明其适用于实时部署。结果表明，ISAPCA为非平稳工业物联网环境中的流式降维提供了实用且可解释的解决方案，平衡了方差保留、稀疏性和计算效率。

Keyword:

streaming PCA

sparse PCA

industrial IoT

online learning

dimensionality reduction

subspace tracking

Incremental Sparse Adaptive PCA for Streaming Industrial Sensor Data

摘要

期刊

机构