第3章信号处理与特征提取

3. 信号处理与特征提取

各位同事，咱们搞风电运维的，每天面对的就是一堆传感器数据。振动、温度、电流……这些原始信号就像病人的心电图，光看波形是看不出名堂的。你得会“翻译”，把信号里的故障特征给揪出来。

我个人习惯把特征提取分成三大类：时域、频域、时频域。说白了，就是三个不同的“放大镜”，各有各的用处。今天咱们就一个一个捋清楚。

核心逻辑：信号处理的目的，是把高维、冗余的原始数据，压缩成低维、敏感的特征向量，喂给后面的诊断模型。这一步做不好，后面全是白搭。

3.1 时域特征：最直观的“体检报告”

时域特征，就是直接在时间轴上算统计量。你想想看，一个健康的轴承，振动波形应该是平稳的、随机的。一旦出现故障，波形就会“炸毛”。

常用的时域指标：

特征	物理意义	故障敏感度
均值	信号的平均水平，反映静态分量	低（对磨损不敏感）
方差/标准差	信号的能量波动，反映振动剧烈程度	中（能看出整体恶化）
峭度	信号分布的“尖峰”程度	高（对早期冲击故障非常敏感）
偏度	信号分布的不对称性	中（反映磨损方向性）
峰值因子	峰值与有效值的比值	高（识别冲击性故障）

我的经验：峭度这个指标，我建议你重点关注。我在项目中遇到过好几次，轴承早期出现点蚀时，有效值还没什么变化，峭度已经飙升了。它就像个“侦察兵”，能提前预警。

举个例子，计算峭度的Python代码很简单：

import numpy as np

def calculate_kurtosis(signal):
    # 信号去均值
    x = signal - np.mean(signal)
    # 计算四阶矩
    n = len(x)
    kurt = (np.sum(x**4) / n) / (np.var(signal)**2) - 3
    return kurt

# 假设你采集了一段振动数据
vibration_data = np.random.randn(1024)  # 模拟健康信号
print(f"峭度值: {calculate_kurtosis(vibration_data):.2f}")

3.2 频域特征：把信号“掰开揉碎”看成分

时域看不出来的东西，换到频域就一目了然。比如齿轮的啮合频率、轴承的故障特征频率，在频谱上就是一根根“谱线”。

FFT（快速傅里叶变换）是最基础的工具。但我要提醒你，直接做FFT有个坑——它假设信号是平稳的。风电的转速经常变，直接做FFT会得到一堆“糊”在一起的频谱。

避坑指南：我曾经在变桨轴承诊断上吃过亏。直接用原始振动信号做FFT，频谱上全是干扰。后来我加了阶次跟踪，把时域信号重采样到角度域，才把故障特征频率清晰地分离出来。记住：变转速工况下，先做阶次跟踪，再做FFT。

包络谱是另一个利器。它专门用来解调高频冲击信号。比如轴承内圈故障，冲击会调制在高频共振上。包络谱能把那个“调制信号”解出来，看到清晰的故障频率。

from scipy import signal
import numpy as np

def envelope_spectrum(data, fs):
    # 希尔伯特变换求包络
    analytic_signal = signal.hilbert(data)
    envelope = np.abs(analytic_signal)
    # 对包络做FFT
    freqs = np.fft.rfftfreq(len(envelope), 1/fs)
    spectrum = np.fft.rfft(envelope)
    return freqs, np.abs(spectrum)

3.3 时频域特征：给信号拍“CT”

时域和频域各有局限。时域看不到频率成分，频域看不到时间变化。时频域分析，就是给信号拍“CT”，同时看到时间和频率两个维度。

小波变换是我个人比较喜欢的方法。它用不同尺度的“小波”去匹配信号，能同时捕捉到突变和缓变。比如叶片开裂瞬间的冲击，小波能精确定位到发生时刻。

经验模态分解（EMD）则更“智能”。它不需要预设基函数，完全根据信号自身的时间尺度来分解。我处理非平稳信号时，经常先用EMD把信号拆成几个本征模态函数（IMF），再对每个IMF做频谱分析。

实用建议：小波变换适合已知故障频率范围的情况（比如齿轮啮合频率附近）。EMD更适合未知故障模式，但要注意端点效应和模态混叠。我一般两个都试，看哪个效果更好。

3.4 特征选择与降维：别让“垃圾特征”淹没了真相

你想想看，时域算10个特征，频域算20个，时频域再算30个……加起来五六十个特征。这么多特征直接扔给模型，不仅计算慢，还会引入噪声。

PCA（主成分分析）是最经典的降维方法。它把原始特征投影到几个“主成分”方向上，保留方差最大的成分。说白了，就是抓住主要矛盾。

t-SNE则更适合可视化。它能把高维特征映射到2D或3D空间，让同类故障聚在一起，不同故障分开。我经常用t-SNE来快速判断：我提取的特征到底能不能区分不同故障类型？

from sklearn.decomposition import PCA
from sklearn.manifold import TSNE

# 假设 features 是 (样本数, 特征数) 的矩阵
# PCA降维到10维
pca = PCA(n_components=10)
features_pca = pca.fit_transform(features)

# t-SNE可视化到2维
tsne = TSNE(n_components=2, perplexity=30)
features_tsne = tsne.fit_transform(features_pca)

我的习惯：先做PCA降维到10-20维，保留95%以上的方差。然后用t-SNE看看聚类效果。如果不同故障类型在t-SNE图上混在一起，说明特征提取没做好，得回去重新选特征。

嗯，信号处理这块内容比较多，但核心就一句话：选对特征，事半功倍；选错特征，白费力气。 你在实际项目中，不妨多试几种方法，找到最适合你那个机组、那个故障类型的特征组合。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录

3. 信号处理与特征提取

3.1 时域特征：最直观的“体检报告”

3.2 频域特征：把信号“掰开揉碎”看成分

3.3 时频域特征：给信号拍“CT”

3.4 特征选择与降维：别让“垃圾特征”淹没了真相