4. 特征工程入门：特征提取、特征选择、特征缩放
各位同学，欢迎来到特征工程这一章。
说实话，在SCADA数据分析里，我见过太多人一上来就扔模型。结果呢？模型跑出来一团糟。为什么？因为原始数据里藏着太多「噪音」和「冗余」。你想想看，SCADA系统每秒采集几百个点，温度、压力、振动、电流……这些数据直接喂给模型，它根本分不清哪个信号是故障前兆，哪个只是正常波动。
特征工程，说白了就是帮模型「划重点」。我个人的习惯是，花在特征工程上的时间，至少占整个项目周期的60%。这一步做扎实了，后面的建模就是水到渠成的事。
核心观点：数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限。
4.1 特征提取：从原始信号中「挖」出有用信息
SCADA数据大多是时间序列。比如一个风机齿轮箱的振动信号，原始数据就是一堆电压值。但故障特征不会直接写在电压值里，你得去「提取」。
我在一个风电项目里遇到过这种情况：齿轮箱的振动幅值看起来完全正常，但频谱分析一做，发现某个频率成分悄悄涨了3倍。这就是典型的早期故障信号。如果不做特征提取，这故障根本发现不了。
常用的特征提取方法：
- 时域特征：均值、方差、峰值、均方根（RMS）、峭度等。这些指标能反映信号的整体能量和波动情况。
- 频域特征：通过FFT（快速傅里叶变换）把时域信号转到频域。重点关注特定频段的能量分布。比如轴承故障通常会在某个特征频率上出现峰值。
- 时频域特征：小波变换、短时傅里叶变换。适合处理非平稳信号，比如电机启动瞬间的电流冲击。
- 统计特征：偏度、峰度、百分位数。这些能描述数据分布的「形状」，对异常检测很有用。
我的经验：对于旋转机械（风机、泵、压缩机），我建议优先提取频域特征。时域特征容易受工况变化干扰，而频域特征往往更稳定。我曾经用峭度指标成功提前48小时预警了一次轴承故障，现场检修时发现滚珠已经出现麻点。
4.2 特征选择：去粗取精，只留「关键先生」
特征提取完了，你可能得到几十甚至上百个特征。但别高兴太早——这里面很多特征是冗余的，甚至是「噪音」。
举个例子：温度和电流在正常工况下高度相关。如果你同时保留这两个特征，模型会「重复学习」，不仅增加计算量，还可能过拟合。
特征选择，就是帮你从一堆特征里挑出最有用那几个。我习惯用「三步走」策略：
- 过滤法：先快速筛掉方差接近0的特征（比如某个传感器一直输出恒定值，那它肯定没用）。然后用相关系数矩阵，把相关性高于0.95的特征对去掉一个。
- 包裹法：用递归特征消除（RFE），每次去掉一个最不重要的特征，直到模型性能不再提升。这个方法计算量大，但效果最好。
- 嵌入法：直接用带正则化的模型（比如Lasso回归）来训练，它会自动把不重要的特征系数压缩到0。
下面是一个用Python做特征选择的简单示例：
import pandas as pd
from sklearn.feature_selection import SelectKBest, f_classif
from sklearn.ensemble import RandomForestClassifier
# 假设 X 是特征矩阵，y 是标签（0正常/1故障）
# 方法1：过滤法 - 选择与目标最相关的5个特征
selector = SelectKBest(score_func=f_classif, k=5)
X_selected = selector.fit_transform(X, y)
# 方法2：嵌入法 - 用随机森林的特征重要性
rf = RandomForestClassifier(n_estimators=100)
rf.fit(X, y)
importance = pd.Series(rf.feature_importances_, index=feature_names)
top_features = importance.nlargest(5).index.tolist()
print("最重要的5个特征：", top_features)避坑指南：我曾经在一个项目里直接用全特征训练模型，结果准确率高达99%。当时我还挺得意，后来发现是因为数据泄露——我把「故障发生后的报警信号」也当成了特征。记住：特征选择必须在训练集上做，不能用到测试集的任何信息。
4.3 特征缩放：让所有特征「站在同一起跑线」
这一步很多人会忽略，但后果很严重。你想想看，振动信号的幅值可能是0.1级别，而电流可能是1000安培级别。如果不做缩放，模型会天然认为「电流更重要」，因为它的数值大。
实际上，数值大小和重要性没有半毛钱关系。特征缩放就是为了消除这种量纲影响。
常用的缩放方法：
| 方法 | 公式 | 适用场景 |
|---|---|---|
| 标准化（Z-score） | (x - μ) / σ | 数据近似正态分布，适合SVM、线性回归、神经网络 |
| 归一化（Min-Max） | (x - min) / (max - min) | 数据有明确边界，适合KNN、神经网络（输出层用sigmoid时） |
| 鲁棒缩放（RobustScaler） | (x - median) / IQR | 数据有较多异常值，用中位数和四分位距代替均值和标准差 |
我个人在SCADA项目中，90%的情况都用标准化。因为SCADA数据里经常有异常尖峰（比如传感器瞬间跳变），如果用Min-Max缩放，这些异常值会把正常数据压缩到很小一个区间，导致信息丢失。而标准化受异常值影响相对小一些。
from sklearn.preprocessing import StandardScaler, MinMaxScaler
# 标准化
scaler_std = StandardScaler()
X_train_std = scaler_std.fit_transform(X_train)
X_test_std = scaler_std.transform(X_test) # 注意：用训练集的参数转换测试集
# 归一化
scaler_mm = MinMaxScaler(feature_range=(0, 1))
X_train_mm = scaler_mm.fit_transform(X_train)
X_test_mm = scaler_mm.transform(X_test)重要提醒：一定要先拆分训练集和测试集，再对训练集做fit，然后用训练集的参数去transform测试集。千万别对整个数据集做fit_transform，否则会造成数据泄露，你的模型评估结果会虚高。
4.4 本章知识体系总览
下面这张图总结了特征工程的三个核心步骤，以及它们之间的关系。你可以把它当作一个检查清单，每次做项目时对照着走一遍。
好了，特征工程的核心内容就这些。记住：好的特征工程，能让一个简单的逻辑回归模型跑出比复杂深度学习模型更好的效果。这不是夸张，是我在多个工业项目里验证过的。