文章目录

时域特征提取
频域特征提取
时-频域特征提取
参考资料

在面对工业中的传感器采集到的高维的信号，如振动信号，通常需要对数据进行统计特征提取，以进行降维。对于这类时序信号，常用的有时域、频域和时-频域特征提取方法。本次对这三个方面的特征提取代码进行一下总结，并以IEEE PHM 2012 挑战赛的轴承数据集中的Bearing 1_1 的数据进行示例。

Bearing 1_1的数据维度为(2803, 2560)，即共有2803个样本，每个样本数据的信号长度为2560，具体的数据介绍资料比较多，可以自行百度或看直接看官方的数据介绍。

时域特征提取

时域统计特征可分为有量纲统计量和无量纲统计量，有量纲统计量的数值大小会因外界一些物理量的变化而变化，而无量纲统计量不易受外界因素的干扰影响，且通常对早期的微弱故障敏感。

常用的时域统计特征如下：

特征	公式	特征	公式
最大值	F 1 = max ⁡ ( X ( i ) ) F_1=\max \left( X\left( i \right) \right) F1=max(X(i))	标准差	F 9 = ∑ i = 1 N ( X ( i ) − F 4 ) 2 N − 1 F_9=\sqrt{\frac{\sum\nolimits_{i=1}^N{\left( X\left( i \right) -F_4 \right) ^2}}{N-1}} F9=N−1∑i=1N(X(i)−F4)2
最大绝对值	F 2 = max ⁡ ( ∣ X ( i ) ∣ ) F_2=\max \left( \lvert X\left( i \right) \rvert \right) F2=max(∣X(i)∣)	峭度	F 10 = ∑ i = 1 N ( X ( i ) − F 4 ) 4 ( N − 1 ) F 9 4 F_{10}=\frac{\sum\nolimits_{i=1}^N{\left( X\left( i \right) -F_4 \right) ^4}}{\left( N-1 \right) {F_9}^4} F10=(N−1)F94∑i=1N(X(i)−F4)4
最小值	F 3 = min ⁡ ( X ( i ) ) F_3=\min \left( X\left( i \right) \right) F3=min(X(i))	偏度	F 11 = ∑ i = 1 N ( X ( i ) − F 4 ) 3 ( N − 1 ) F 9 3 F_{11}=\frac{\sum\nolimits_{i=1}^N{\left( X\left( i \right) -F_4 \right) ^3}}{\left( N-1 \right) {F_9}^3} F11=(N−1)F93∑i=1N(X(i)−F4)3
均值	F 4 = 1 N ∑ i = 1 N X ( i ) F_4=\frac{1}{N}\sum\nolimits_{i=1}^N{X\left( i \right)} F4=N1∑i=1NX(i)	裕度指标	F 12 = F 2 F 8 F_{12}=\frac{F_2}{F_8} F12=F8F2
峰峰值	F 5 = F 1 − F 3 F_5=F_1-F_3 F5=F1−F3	波形指标	F 13 = F 7 F 6 F_{13}=\frac{F_7}{F_6} F13=F6F7
绝对平均值	F 6 = 1 N ∑ i = 1 N ∣ X ( i ) ∣ F_6=\frac{1}{N}\sum\nolimits_{i=1}^N{ \lvert X \left( i \right) \rvert } F6=N1∑i=1N∣X(i)∣	脉冲指标	F 14 = F 2 F 6 F_{14}=\frac{F_2}{F_6} F14=F6F2
均方根值	F 7 = 1 N ∑ i = 1 N X ( i ) 2 F_7=\sqrt{\frac{1}{N}\sum\nolimits_{i=1}^N{X\left( i \right) ^2}} F7=N1∑i=1NX(i)2	峰值指标	F 15 = F 2 F 7 F_{15}=\frac{F_2}{F_7} F15=F7F2
方根幅值	F 8 = ( 1 N ∑ i = 1 N ∣ X ( i ) ∣ ) 2 F_8=(\frac{1}{N}\sum\nolimits_{i=1}^N{\sqrt{ \lvert X \left( i \right) \rvert}})^2 F8=(N1∑i=1N∣X(i)∣ )2

在设备运行良好的状态下，最大值或最大绝对值（也可以视为峰值）变化范围不大，基本上稳定在一个阈值以下，但一旦最大值或最大绝对值异常变大，基本上可以认为设备健康状况出现了问题，大到一定程度一定是出现了某种故障隐患；

均值反映了在机械运转过程中，由于轴心位置的变化而产生的振动信号的变化；

均方根值，又称有效值反应了振动信号的能量强度和稳定性。工程人员通常最关心的通常就是这个指标，这个指标如果异常变大，则表示机械设备很有可能存在某种隐患；

峭度反应了振动信号的冲击特性，峭度对于冲击比较敏感，一般情况下峭度值应该在3左右，因为正态分布的峭度等于3，如果偏离3太多则说明机械设备存在一定的冲击性振动，可能存在某种故障隐患；

偏度反映了振动信号的非对称性，通常情况下振动信号是关于x轴对称的，这时候偏度应该趋近于0。如果设备某一个方向的摩擦或碰撞较大就会造成振动的不对称，使偏度变大。

裕度指标常用来检测机械设备的磨损状况；

脉冲指标和峰值指标都是用来检测信号中有无冲击的指标。

import numpy as np
from scipy import statsdef get_time_domain_feature(data):"""提取 15个 时域特征@param data: shape 为 (m, n) 的 2D array 数据，其中，m 为样本个数， n 为样本（信号）长度@return: shape 为 (m, 15)  的 2D array 数据，其中，m 为样本个数。即 每个样本的16个时域特征"""rows, cols = data.shape# 有量纲统计量max_value = np.amax(data, axis=1)  # 最大值peak_value = np.amax(abs(data), axis=1)  # 最大绝对值min_value = np.amin(data, axis=1)  # 最小值mean = np.mean(data, axis=1)  # 均值p_p_value = max_value - min_value  # 峰峰值abs_mean = np.mean(abs(data), axis=1)  # 绝对平均值rms = np.sqrt(np.sum(data**2, axis=1) / cols)  # 均方根值square_root_amplitude = (np.sum(np.sqrt(abs(data)), axis=1) / cols) ** 2  # 方根幅值# variance = np.var(data, axis=1)  # 方差std = np.std(data, axis=1)  # 标准差kurtosis = stats.kurtosis(data, axis=1)  # 峭度skewness = stats.skew(data, axis=1)  # 偏度# mean_amplitude = np.sum(np.abs(data), axis=1) / cols  # 平均幅值 == 绝对平均值# 无量纲统计量clearance_factor = peak_value / square_root_amplitude  # 裕度指标shape_factor = rms / abs_mean  # 波形指标impulse_factor = peak_value  / abs_mean  # 脉冲指标crest_factor = peak_value / rms  # 峰值指标# kurtosis_factor = kurtosis / (rms**4)  # 峭度指标features = [max_value, peak_value, min_value, mean, p_p_value, abs_mean, rms, square_root_amplitude,std, kurtosis, skewness,clearance_factor, shape_factor, impulse_factor, crest_factor]return np.array(features).T

Bearing1_1的时域特征提取示例：

频域特征提取

除了在时域进行特征分析外，我们通常还会再频域对信号进行分析。通过傅里叶变换将时域信号转变为频谱，即可在频域中对信号进行分析。

常用的频域特征有：

特征	公式	特征	公式
重心频率	F 1 = ∑ k = 1 K f k S ( k ) ∑ k = 1 K S ( k ) F_{1}=\frac{\sum\nolimits_{k=1}^K{f_kS\left( k \right)}}{\sum\nolimits_{k=1}^K{S\left( k \right)}} F1=∑k=1KS(k)∑k=1KfkS(k)	频率均方根	F 3 = ∑ k = 1 K f k 2 S ( k ) ∑ k = 1 K S ( k ) F_{3}=\sqrt{\frac{\sum\nolimits_{k=1}^K{{f_k}^2S\left( k \right)}}{\sum\nolimits_{k=1}^K{S\left( k \right)}}} F3=∑k=1KS(k)∑k=1Kfk2S(k)
平均频率	F 2 = ∑ k = 1 K S ( k ) K F_{2}=\frac{\sum\nolimits_{k=1}^K{S\left( k \right)}}{K} F2=K∑k=1KS(k)	频率方差	F 4 = ∑ k = 1 K ( f k − F 1 ) 2 S ( k ) ∑ k = 1 K S ( k ) F_{4}=\frac{\sum\nolimits_{k=1}^K{\left( f_k-F_{1} \right) ^2S\left( k \right)}}{\sum\nolimits_{k=1}^K{S\left( k \right)}} F4=∑k=1KS(k)∑k=1K(fk−F1)2S(k)

import numpy as npdef get_frequency_domain_feature(data, sampling_frequency):"""提取 4个 频域特征@param data: shape 为 (m, n) 的 2D array 数据，其中，m 为样本个数， n 为样本（信号）长度@param sampling_frequency: 采样频率@return: shape 为 (m, 4)  的 2D array 数据，其中，m 为样本个数。即 每个样本的4个频域特征"""data_fft = np.fft.fft(data, axis=1)m, N = data_fft.shape  # 样本个数 和 信号长度# 傅里叶变换是对称的，只需取前半部分数据，否则由于 频率序列 是 正负对称的，会导致计算 重心频率求和 等时正负抵消mag = np.abs(data_fft)[: , : N // 2]  # 信号幅值freq = np.fft.fftfreq(N, 1 / sampling_frequency)[: N // 2]# mag = np.abs(data_fft)[: , N // 2: ]  # 信号幅值# freq = np.fft.fftfreq(N, 1 / sampling_frequency)[N // 2: ]ps = mag ** 2 / N  # 功率谱fc = np.sum(freq * ps, axis=1) / np.sum(ps, axis=1)  # 重心频率mf = np.mean(ps, axis=1)  # 平均频率rmsf = np.sqrt(np.sum(ps * np.square(freq), axis=1) / np.sum(ps, axis=1))  # 均方根频率freq_tile = np.tile(freq.reshape(1, -1), (m, 1))  # 复制 m 行fc_tile = np.tile(fc.reshape(-1, 1), (1, freq_tile.shape[1]))  # 复制 列，与 freq_tile 的列数对应vf = np.sum(np.square(freq_tile - fc_tile) * ps, axis=1) / np.sum(ps, axis=1)  # 频率方差features = [fc, mf, rmsf, vf]return np.array(features).T

Bearing1_1的频域特征提取示例：

时-频域特征提取

为了全面的分析信号，除了单一的在时域、频域进行信号分析，我们还会综合在时-频域进行信号分析。常用的时-频域信号分析有小波包分析和EMD信号分析等，这里主要使用小波包信号分析。

在小波包的信号分析中，我们通常会以最后一层子频带的能量百分比作为所提取到时-频域特征。

import pywt
import numpy as npdef get_wavelet_packet_feature(data, wavelet='db3', mode='symmetric', maxlevel=3):"""提取 小波包特征@param data: shape 为 (n, ) 的 1D array 数据，其中，n 为样本（信号）长度@return: 最后一层 子频带 的 能量百分比"""wp = pywt.WaveletPacket(data, wavelet=wavelet, mode=mode, maxlevel=maxlevel)nodes = [node.path for node in wp.get_level(maxlevel, 'natural')]  # 获得最后一层的节点路径e_i_list = []  # 节点能量for node in nodes:e_i = np.linalg.norm(wp[node].data, ord=None) ** 2  # 求 2范数，再开平方，得到 频段的能量（能量=信号的平方和）e_i_list.append(e_i)# 以 频段 能量 作为特征向量# features = e_i_list# 以 能量百分比 作为特征向量，能量值有时算出来会比较大，因而通过计算能量百分比将其进行缩放至 0~100 之间e_total = np.sum(e_i_list)  # 总能量features = []for e_i in e_i_list:features.append(e_i / e_total * 100)  # 能量百分比return np.array(features)

Bearing1_1的时-频域特征提取示例：

在进行小波包变换时，由于pywt.WaveletPacket函数只能接收一维数据，因此不能直接将二维矩阵传入函数，需要通过循环处理：

# 按照上诉的示例，假设需要处理的数据变量名为 data，其维度为 (2803, 2560)
time_frequency_doamin_frequency = []# 通过for循环每次提取一个样本的时-频域特征
for i in range(data.shape[0]):wavelet_packet_feature = get_wavelet_packet_feature(data[i])time_frequency_doamin_frequency.append(wavelet_packet_feature)time_frequency_doamin_frequency = np.array(time_frequency_doamin_frequency)
time_frequency_doamin_frequency.shape  # (2803, 8)

参考资料

[1]. 机械振动信号中的常用指标 (baidu.com)

[2]. 信号时域分析方法的理解（峰值因子、脉冲因子、裕度因子、峭度因子、波形因子和偏度等） - 知乎 (zhihu.com)

[3]. FFT与频谱、功率谱、能量谱等 - SYAO

[4]. 频域特征指标及其MATLAB代码实现（重心频率、均方频率、均方根频率、频率方差、频率标准差） - 知乎 (zhihu.com)

[5]. 雷亚国. 旋转机械智能故障诊断与剩余寿命预测[M]. 西安: 西安交通大学出版社, 2017.

时序信号的时域、频域、时-频域特征提取相关推荐

信号的时域相位、频域相位
文章目录傅里叶变换的时移性质 matlab代码单点频信号线调信号时域相位.频域相位傅里叶变换的时移性质信号增加线性相位时,是所有的频率分量对应的相位都有变化. matlab代码 %---- ...
基于时频域统计特征提取的自然环境声音识别方法
Description 基于时频域统计特征提取的自然环境声音识别方法技术领域 [0001] 本发明属于声音信号识别技术领域,尤其涉及一种基于时频域统计特征提取的自然环境声音识别方法. 背景技术 [ ...
python信号滤波_PPG信号滤波过后的时频分析
PPG信号的时域图.频域图.时频图.小波变换图 import os import time import traceback import pandas as pd import plotly.pl ...
c# 傅里叶变换频域_频域（傅里叶变换）有什么用？
频域的作用傅里叶变换的作用:将信号从时域变换到频域为什么要变换到频域呢? 比如有两个不同频率的信号,进行叠加.输出信号使用示波器去测量的话,可能这个信号就是乱七八糟的,根本看不出是哪两个信号叠加的 ...
【语音信号处理】1语音信号可视化——时域、频域、语谱图、MFCC详细思路与计算、差分
基本语音信号处理操作入门 1. 数据获取 2. 语音信号可视化 2.1 时域特征 2.2 频域特征 2.3 语谱图 3. 倒谱分析 4. 梅尔系数 4.1 梅尔频率倒谱系数 4.2 Mel滤波器原理 ...
离散正(余)弦信号的时域与FFT变换后所得频域之间的关系（幅值和相角）
正弦信号在信号处理中是很常见的,比如通信领域的载波.由于正弦与余弦只是相差π/2的初相,因此这里统称正弦信号.给出连续正弦信号的表达式: 式中,A为振幅,Ω为模拟角频率(rad/s),φ为初相,f为模 ...
信号的时域和频域特性的区别到底是什么？
不严谨的说,时域和频域分析就是在不同的空间看待问题的,不同空间所对应的原子(基函数)是不同的.你想一下时域空间的基函数是什么?频域空间的基函数是什么?一般的时-频联合域空间的基函数是什么?小波域空间的 ...
频域参数 matlab,基于MATLAB的语音信号时频域参数分析
22 科技广场 2007.9 基于MATLAB的语音信号时频域参数分析 the Character Analysis of Speech Signal with Time and Frequency ...
MATLAB之时频域乐器信号的分析与处理
##MATLAB之时域及频域的乐器信号分析及处理 MATLAB之时域及频域的乐器信号分析及处理前言设计题目及要求详细步骤一.创建脚本,导入音频文件并播放二.画出信号的时域波形三.进行快速傅 ...

时序信号的时域、频域、时-频域特征提取