故障数据特征提取

从故障信号中提取特征

特征工程包含特征构建、特征提取、特征选择等,特征提取中有PCA、ICA、LDA以及最新的降维方法t-SNE等,特征选择也有很多种方法可供使用。

本人是研究基于数据驱动的汽车故障诊断,在研究中发现故障信号数据集并不能直接送入有监督的分类器中,还需要在原先数据集的基础上进行特征工程,以便取得更好的检测效果。阅读论文的过程中找到以下6个公式可以从信号数据集中计算统计特征。
以下每个公式中,M是每个信号的均值,N是每个信号的样本数,X(n)是每个样本的信号值。

  • STD视为信号中的关键特征:

S T D = ∑ n = 1 N ( x ( n ) − M ) 2 N − 1 STD = \sqrt {\frac{\sum\nolimits_{n = 1}^N {(x(n) - M)^2 } }{N - 1}} STD=N1n=1N(x(n)M)2

  • KU是基于信号的归一化的四阶矩定义的,并已成功应用于机械缺陷检测:

K U = ∑ n = 1 N ( x ( n ) − M ) 4 ( n − 1 ) ( ∑ n = 1 N ( x ( n ) − M ) 2 N − 1 ) 4 KU = \frac{\sum\nolimits_{n = 1}^N {(x(n) - M)^4 } }{(n - 1)(\sqrt {\frac{\sum\nolimits_{n = 1}^N {(x(n) - M)^2 } }{N - 1}} )^4 } KU=(n1)(N1n=1N(x(n)M)2 )4n=1N(x(n)M)4

  • IF体现了信号的脉冲行为:

I F = M a x ( x ( n ) ) 1 N ∑ n = 1 N x ( n ) IF = \frac{Max(x(n))} {\frac{1} {N}\sum\nolimits_{n = 1}^N {x(n)} } IF=N1n=1Nx(n)Max(x(n))

  • FM4是振动信号的关键特征,广泛应用于机械系统的故障诊断过程:

F M 4 = ( N − 1 ) ( ∑ n = 1 N ( x ( n ) − M ) 4 ) ( ∑ n = 1 N ( x ( n ) − M ) 2 ) 2 FM4 = \frac{(N - 1)(\sum\nolimits_{n = 1}^N {(x(n) - M)^4 } )} {(\sum\nolimits_{n = 1}^N {(x(n) - M)} ^2 )^2 } FM4=(n=1N(x(n)M)2)2(N1)(n=1N(x(n)M)4)

  • SK作为一个信号的重要特征,体现了信号分布的不对称性:

S K = ∑ n = 1 N ( x ( n ) − M ) 3 ( N − 1 ) ( ∑ n = 1 N ( x ( n ) − M ) 2 N − 1 ) 3 SK = \frac{\sum\nolimits_{n = 1}^N {(x(n) - M)^3 } } {(N - 1)(\sqrt {\frac{\sum\nolimits_{n = 1}^N {(x(n) - M)} ^2 } {N - 1}} )^3 } SK=(N1)(N1n=1N(x(n)M)2 )3n=1N(x(n)M)3

  • CF是峰值幅度与均方根的比率:

C F = M a x ( x ( n ) ) ∑ n = 1 N ( x ( n ) ) 2 N − 1 CF = \frac{Max(x(n))}{\sqrt {\frac{\sum\nolimits_{n = 1}^N {(x(n))^2 } }{N - 1}} } CF=N1n=1N(x(n))2 Max(x(n))

第一次写博客,如有不当之处请指出!

你可能感兴趣的:(过程监控算法)