PHM算法與智能分析技術——數據處理與特征提取方法2

• 特征提取
• 特征選擇
• 降維

本系列來自于北京天澤智云科技有限公司的PHM算法與智能分析技術公開課，內容非常有助于研究者對PHM的理解和學習，因此整理為文字版，方便閱讀和筆記。
公開課視頻地址

---

本堂課的主要介紹特征提取，包括時域特征提取，頻域特征提取，還有時頻域的特征提取，以及特征選擇，降維等。

特征提取

特征提取——時域特征提取

上圖A展示了四種不同健康條件下軸承的振動信號。從這四個圖里可以看出，軸承的健康程度不同，振動信號波形的幅值也不相同，并且波形的特征也不相同。通常來講，當軸承出現磨損以后，振動信號的峰峰值，幅值有效值，以及峭度值都會增大。上圖B展示了柴油機四種不同健康狀態下振動信號的特征參數。從這四個圖里可以看出，不同狀態下所對應的特征參數也存在一定的差異。

特征提取——頻域特征提取
頻域特征提取主要包括頻帶能量提取，以及特征頻率提取。 頻帶能量提取是指在頻譜里指定的頻段內提取該頻段內所對應的能量。特征頻率提取是指在特定的頻率點提取該頻率點的幅值。頻帶能量提取通常會在FFT頻譜或功率譜里來進行。以FFT頻譜為例，當要提取某一個頻段內鎖定的能量時，可以把該頻段內所有的幅值相加，來作為該頻段內所對應的能量。

特征提取——時頻域特征提取
時頻域分析主要優點就是可以在時間、頻率以及幅值三個維度來觀察信號的特征。
小波分析不同于短時傅立葉變換。小波分析所采用的基函數是一種幅值衰減，可伸縮可平移的一種小波基。而短時傅立葉變換是基于FFT來進行的。而FFT的基函數是一種無限長的正弦函數。所以說通常情況下，小波分析要優于短時傅立葉變換。但是小波分析也有自身的一些缺點，比如說小波基比較難以選擇，當我們選擇不同的小波基的時候，最后所產生的結果也不相同。

特征選擇

特征選擇目標：

特征選擇方法：

特征選擇——Fisher Score

案例：柴油機燃爆故障特征選擇

降維

降維目標：

降維——主成分分析（PCA）

PCA降維流程：
首先對原始數據進行特征提取，然后對提取到的特征進行標準化處理。接著計算標準化處理后特征的協方差矩陣，然后對協方差矩陣進行特征值分解。特征值分解以后，會得到多個特征值及其對應的特征向量。選擇比較大的特征值，及其對應的特征向量來計算主成分，將包含原始數據的大部分信息。

總結

以上是生活随笔為你收集整理的【PHM】PHM算法与智能分析技术——数据处理与特征提取方法2的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。