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：

$$STD=\sqrt{\frac{{\sum }_{n=1}^N(x(n)-M{)}^2}{N-1}}$$

• 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：

$$KU=\frac{{\sum }_{n=1}^N(x(n)-M{)}^4}{(n-1)(\sqrt{\frac{{\sum }_{n=1}^N(x(n)-M{)}^2}{N-1}}{)}^4}$$

• IF体现了信号的脉冲行为：

$$IF=\frac{Max(x(n))}{\frac{1}{N}{\sum }_{n=1}^{N}x(n)}$$

• 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：

$$FM4=\frac{(N-1)({\sum }_{n=1}^N(x(n)-M{)}^4)}{({\sum }_{n=1}^N{(x(n)-M)}^2{)}^2}$$

• SK作为一个信号的重要特征，体现了信号分布的不对称性：

$$SK=\frac{{\sum }_{n=1}^N(x(n)-M{)}^3}{(N-1)(\sqrt{\frac{{\sum }_{n=1}^N{(x(n)-M)}^2}{N-1}}{)}^3}$$

• CF是峰值幅度与均方根的比率：

$$CF=\frac{Max(x(n))}{\sqrt{\frac{{\sum }_{n=1}^N(x(n){)}^2}{N-1}}}$$

第一次写博客，如有不当之处请指出！