风机故障诊断：特征工程与降噪技术实战

📚 共计 30 章节

课程导论：风机故障诊断的挑战与特征工程的价值

从工业场景出发，理解故障诊断的核心痛点与特征工程的关键角色。

信号基础：振动信号的时域与频域表示方法

时域波形、频谱基础，建立信号分析的第一印象。

时域特征提取：均值、方差、峰值、峭度等统计量计算

经典统计特征，快速感知信号变化。

频域特征提取：FFT与功率谱密度分析

傅里叶变换与功率谱，频域故障特征提取利器。

时频域特征：短时傅里叶变换（STFT）原理与应用

时频窗口，捕捉非平稳信号的瞬时特征。

小波变换：连续小波与离散小波在故障诊断中的应用

多分辨率分析，小波在突变检测中的优势。

小波多尺度

经验模态分解（EMD）：自适应信号分解方法

数据驱动的分解，本征模态函数提取。

集成经验模态分解（EEMD）：解决模态混叠问题

噪声辅助方法，改善EMD模态混叠。

变分模态分解（VMD）：非递归信号分解技术

变分框架，稳健的频带分割。

特征选择：基于相关性分析与互信息的特征筛选

剔除冗余，保留最有效的故障特征。

特征选择互信息

主成分分析（PCA）：线性降维与去噪方法

正交变换，压缩噪声与维度。

独立成分分析（ICA）：盲源分离在降噪中的应用

分离独立源，从混合信号中提取纯净成分。

ICA盲源分离

自编码器：基于神经网络的非线性降噪方法

深度学习重构，学习鲁棒特征。

自编码器深度学习

小波阈值降噪：软阈值与硬阈值的工程实践

小波系数处理，经典降噪实战。

小波阈值降噪

卡尔曼滤波：状态估计与信号平滑

最优递归估计，动态系统降噪。

卡尔曼滤波

中值滤波与移动平均：经典时域降噪方法

简单高效，脉冲噪声与平滑处理。

中值滤波移动平均

谱减法：基于噪声估计的频域降噪技术

频谱相减，抑制平稳噪声。

谱减法频域

奇异值分解（SVD）降噪：矩阵分解的妙用

SVD重构，分离信号与噪声子空间。

SVD矩阵分解

深度学习降噪：CNN与RNN在信号去噪中的应用

卷积与循环网络，端到端去噪。

生成对抗网络（GAN）降噪：对抗训练的去噪思路

生成器与判别器博弈，生成干净信号。

特征融合：多传感器数据的对齐与融合策略

多源信息整合，提升诊断鲁棒性。

融合多传感器

特征标准化：Z-score与Min-Max归一化方法

无量纲处理，统一特征尺度。

标准化归一化

特征编码：独热编码与标签编码在故障类型中的应用

类别特征数字化，适配机器学习模型。

不平衡数据处理：SMOTE与过采样技术

合成少数类样本，缓解类别不平衡。

特征重要性评估：基于随机森林与XGBoost的特征排序

树模型特征重要性，指导特征筛选。

随机森林XGBoost

滚动轴承故障特征：内圈、外圈、滚动体故障的频谱特征

轴承故障频率计算与识别。

齿轮箱故障特征：啮合频率与边频带分析

齿轮故障边频调制，识别磨损与断齿。

齿轮箱边频

不平衡质量与不对中：转子故障的典型特征提取

转子动力学特征，不平衡与不对中识别。

转子不对中

综合案例：基于SCADA数据的风电机组故障预警系统

端到端项目，从数据到预警。

课程总结：特征工程与降噪技术的未来趋势

回顾核心方法，展望智能诊断方向。