3. 信号处理与特征工程：从原始数据到故障指纹

大家好，我是老张。在设备维护这行摸爬滚打了十几年，今天咱们聊聊信号处理与特征工程。说白了，就是把传感器采集的那些“乱七八糟”的原始数据，变成能反映设备健康状态的“故障指纹”。

你想想看，传感器每秒采几千个点，直接拿这些数去判断设备好坏？那肯定不行。我们需要一套“翻译”方法，把时域、频域、时频域的信息都挖出来，再挑出最有用的特征。嗯，这就是本章要讲的核心。

3.1 时域分析：最直观的“体检报告”

时域分析，就是直接看信号随时间怎么变。我习惯把它比作人的体温、心率——简单直接，但信息量有限。

3.1.1 均值（Mean）

均值反映信号的直流分量。比如一个振动传感器，如果均值突然漂移，说明传感器可能坏了，或者设备有静载荷变化。我在项目里遇到过，一个泵的均值缓慢上升，最后发现是轴承磨损导致轴心偏移。

import numpy as np
signal = np.array([...])  # 你的振动数据
mean_value = np.mean(signal)
print(f"均值: {mean_value:.4f}")

3.1.2 峰值（Peak Value）

峰值就是信号的最大绝对值。它很敏感，能快速捕捉冲击信号。但要注意，峰值容易受噪声干扰。我曾经因为一个螺丝松动，峰值瞬间跳了3倍，差点误报成轴承碎裂。

3.1.3 均方根值（RMS）

RMS是时域分析里最常用的特征之一。它代表信号的能量水平。对于旋转机械，RMS值稳定上升，往往意味着磨损在加剧。我个人习惯用RMS做长期趋势监控，因为它比峰值稳定得多。

rms_value = np.sqrt(np.mean(signal**2))
print(f"RMS: {rms_value:.4f}")

特征	物理含义	适用场景	我的经验
均值	直流分量	传感器漂移、静载荷变化	配合温度看，效果更好
峰值	最大冲击	早期冲击故障	容易误报，需加滤波
RMS	信号能量	磨损、不平衡	长期趋势监控首选

3.2 频域分析：用FFT看“频谱指纹”

时域看不出来的东西，频域一眼就能发现。比如一个齿轮有裂纹，时域波形可能只是微微抖动，但频谱里会出现边频带。这就是FFT（快速傅里叶变换）的威力。

3.2.1 FFT 基础

FFT把时域信号转换到频域，告诉我们信号里包含哪些频率成分，以及各自的幅值。说白了，就是给信号做“光谱分析”。

from scipy.fft import fft, fftfreq
N = len(signal)
T = 1.0 / fs  # 采样间隔
yf = fft(signal)
xf = fftfreq(N, T)[:N//2]
amplitude = 2.0/N * np.abs(yf[:N//2])

3.2.2 频谱分析实战

拿到频谱后，我们主要看几个东西：

• 转频及其谐波：判断不平衡、不对中
• 边频带：齿轮故障、轴承故障的典型特征
• 高频段能量：摩擦、气蚀等异常

我记得有一次，一个风机振动超标。时域RMS只高了15%，但频谱里出现了明显的2倍转频谐波。我判断是不对中，结果拆开一看，联轴器胶垫已经磨掉了一半。

3.3 时频分析：小波变换的“显微镜”

FFT有个局限——它假设信号是平稳的。但实际设备信号往往是非平稳的，比如启动瞬间、冲击响应。这时候就需要时频分析。小波变换就像一把“显微镜”，能同时看清时间和频率的局部变化。

3.3.1 为什么需要小波？

短时傅里叶变换（STFT）也能做时频分析，但它有个矛盾：时间分辨率高，频率分辨率就低；反之亦然。小波变换通过可变窗口解决了这个问题。低频用宽窗口，高频用窄窗口，非常巧妙。

3.3.2 小波变换实战

import pywt
coeffs, freqs = pywt.cwt(signal, scales=np.arange(1, 128), wavelet='cmor')
# coeffs 就是时频矩阵，可以画成热力图

我在做轴承故障诊断时，经常用小波变换提取“冲击成分”。因为轴承故障信号是周期性的冲击，在时频图上会呈现“竖条纹”模式。这个特征在FFT里很难直接看到。

3.4 特征选择与降维：PCA 的“降维打击”

好，现在你从时域、频域、时频域提取了几十个特征。然后呢？全部扔进模型？那会“维度灾难”——计算慢、过拟合、解释性差。我们需要做特征选择与降维。

3.4.1 为什么要降维？

• 减少计算量：几十个特征变成几个主成分
• 去除冗余：很多特征之间高度相关
• 提升泛化能力：减少过拟合风险

3.4.2 PCA 主成分分析

PCA 的原理不复杂：找到数据方差最大的方向，把数据投影上去。第一个主成分捕获最大方差，第二个次之，以此类推。通常前几个主成分就能解释90%以上的信息。

from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler

# 标准化很重要！否则量纲大的特征会主导
X_scaled = StandardScaler().fit_transform(X)
pca = PCA(n_components=0.95)  # 保留95%方差
X_pca = pca.fit_transform(X_scaled)
print(f"原始特征数: {X.shape[1]}, 降维后: {X_pca.shape[1]}")

3.4.3 特征选择的其他方法

方法	原理	适用场景
方差阈值	去掉方差太小的特征	初步筛选
相关系数	去掉高度相关的特征	去除冗余
随机森林重要性	用模型评估特征贡献	有标签数据

我个人习惯先用随机森林跑一遍特征重要性，把排名靠后的砍掉。然后再用PCA做最终降维。这样既保留了物理意义，又控制了维度。

好了，以上就是信号处理与特征工程的核心内容。从时域的均值、峰值、RMS，到频域的FFT频谱，再到时频域的小波变换，最后用PCA等工具做降维。每一步都有它的价值，也都有坑。我踩过的坑不少，希望你能少走弯路。

记住一句话：特征工程决定了模型的上限，而模型只是逼近这个上限。把信号处理基本功打扎实，你的预测性维护系统就成功了一半。