第4章特征工程入门

第四章：特征工程入门——时域特征提取、频域特征提取、特征选择方法

各位同行，大家好。这一章我们聊聊特征工程。

说实话，在风电运维这个行当里摸爬滚打这么多年，我越来越觉得：数据挖掘的成败，七分在特征，三分在模型。你模型再花哨，喂进去的是垃圾特征，出来的只能是垃圾结果。我自己就吃过这个亏——有一回做齿轮箱故障诊断，直接拿原始振动信号扔进神经网络，折腾了两周，准确率死活上不去。后来老老实实做特征提取，半天就搞定了。

好，咱们直接进入正题。

4.1 时域特征提取：从波形里“抠”信息

时域特征，说白了就是直接从信号波形上算出来的统计量。它最直观，也最常用。你想想看，一个振动传感器贴在轴承座上，采集到的是一串随时间变化的数值——这就是时域信号。

常用的时域特征有哪些？

我习惯把它们分成两类：有量纲特征和无量纲特征。

特征类别	特征名称	计算公式	物理意义
有量纲特征	均值	μ = (1/N) Σxᵢ	信号直流分量，反映趋势
	均方根值	RMS = √[(1/N) Σxᵢ²]	信号能量，我最常用的指标
	峰值	X_peak = max\|xᵢ\|	冲击强度，轴承故障时明显增大
	方差	σ² = (1/N) Σ(xᵢ-μ)²	信号波动程度
无量纲特征	峭度	K = (1/N) Σ[(xᵢ-μ)/σ]⁴	冲击性指标，正常值≈3
	偏度	S = (1/N) Σ[(xᵢ-μ)/σ]³	分布不对称性
	峰值因子	C = X_peak / RMS	信号尖锐程度

我的经验：做风机叶片结冰诊断时，峭度这个特征特别敏感。正常叶片振动信号的峭度接近3，一旦结冰，冲击成分增加，峭度能飙到5以上。但要注意——峭度对早期故障敏感，对严重故障反而会下降，别被它骗了。

代码实现其实很简单。我一般用Python的numpy和scipy，几行就搞定：

import numpy as np
from scipy import stats

def extract_time_features(signal):
    features = {}
    features['mean'] = np.mean(signal)
    features['rms'] = np.sqrt(np.mean(signal**2))
    features['peak'] = np.max(np.abs(signal))
    features['variance'] = np.var(signal)
    features['kurtosis'] = stats.kurtosis(signal)
    features['skewness'] = stats.skew(signal)
    features['crest_factor'] = features['peak'] / features['rms']
    return features

# 示例：处理一段振动数据
vibration_data = np.random.randn(1000)  # 模拟数据
time_features = extract_time_features(vibration_data)
print(time_features)

4.2 频域特征提取：换个角度看问题

时域特征虽然直观，但有些故障在时域里根本看不出来。举个例子，齿轮的啮合频率故障——时域波形可能只是微微抖动，但一转到频域，故障频率处的幅值会明显凸起。

频域分析的核心工具：傅里叶变换

嗯，这里要注意。FFT（快速傅里叶变换）是基础，但直接用FFT得到的频谱有512条、1024条谱线，你不可能把每条谱线都当特征。那样做的话，特征维度比样本还多，模型直接过拟合。

我通常的做法是：提取频域统计特征。

重心频率：频谱的能量重心位置，反映信号主频带
频率方差：频谱的分散程度
均方频率：各频率分量的加权平均
特定频带能量：比如0-100Hz、100-200Hz等频段的能量占比

举个例子，做齿轮箱故障诊断时，我习惯把频谱分成三个频带：

频带	范围	对应故障
低频带	0-500 Hz	轴不平衡、不对中
中频带	500-2000 Hz	齿轮啮合故障
高频带	2000-5000 Hz	轴承早期故障

避坑指南：我曾经犯过一个低级错误——做FFT之前忘了加窗函数。结果频谱泄露得一塌糊涂，相邻频率的幅值互相干扰，特征完全失真。记住：做FFT之前一定要加窗！汉宁窗、海明窗都行，就是别用矩形窗。

import numpy as np
from scipy.fft import fft, fftfreq

def extract_frequency_features(signal, fs=1000):
    n = len(signal)
    # 加汉宁窗
    window = np.hanning(n)
    signal_windowed = signal * window
    
    # FFT
    spectrum = fft(signal_windowed)
    magnitude = np.abs(spectrum[:n//2])
    freqs = fftfreq(n, 1/fs)[:n//2]
    
    features = {}
    # 重心频率
    features['centroid'] = np.sum(freqs * magnitude) / np.sum(magnitude)
    # 频率方差
    features['freq_variance'] = np.sum((freqs - features['centroid'])**2 * magnitude) / np.sum(magnitude)
    # 特定频带能量
    low_band = magnitude[(freqs >= 0) & (freqs < 500)]
    features['low_band_energy'] = np.sum(low_band**2)
    
    return features

4.3 特征选择方法：去粗取精

特征提取完了，你可能得到几十个甚至上百个特征。但别急着全扔进模型——特征太多不是好事。我见过有人提取了200多个特征，结果模型训练时间长了10倍，准确率反而下降了。这就是“维度灾难”。

特征选择，就是帮你从一堆特征里挑出最有用的那几个。

常用的三类方法：

过滤法（Filter）：先算特征和目标变量的相关性，再排序筛选。速度快，适合大规模数据。
包裹法（Wrapper）：把特征子集扔进模型，看效果好坏。准确率高，但计算量大。
嵌入法（Embedded）：在模型训练过程中自动选择特征。比如Lasso回归、决策树特征重要性。

我个人最常用的是随机森林特征重要性（嵌入法）。为什么？因为它既考虑了特征与目标的关系，又考虑了特征之间的交互作用，而且实现起来特别方便。

from sklearn.ensemble import RandomForestClassifier
import pandas as pd

# 假设X是特征矩阵，y是标签
X = pd.DataFrame(...)  # 你的特征数据
y = pd.Series(...)     # 故障标签

# 训练随机森林
rf = RandomForestClassifier(n_estimators=100, random_state=42)
rf.fit(X, y)

# 获取特征重要性
importance = rf.feature_importances_
feature_names = X.columns

# 排序并展示前10个重要特征
sorted_idx = np.argsort(importance)[::-1]
print("Top 10 重要特征：")
for i in range(10):
    print(f"{feature_names[sorted_idx[i]]}: {importance[sorted_idx[i]]:.4f}")

  核心原则：特征选择不是越多越好，而是越精越好。我一般遵循“少即是多”的原则——先用过滤法快速筛掉明显无关的特征，再用嵌入法精挑细选，最后保留10-20个特征就够了。

4.4 本章知识体系总览

说了这么多，咱们用一张图把整个流程串起来。这张图是我自己画的知识框架，你一看就明白特征工程在数据挖掘中的位置了。

这张图把咱们这章的内容串起来了。从原始数据出发，经过时域和频域两条路径提取特征，再通过特征选择去粗取精，最终得到高质量的特征集，喂给故障诊断模型。

最后说句掏心窝的话：特征工程没有标准答案。同样的数据，不同的人提取的特征可能完全不同。我的建议是——多试、多对比、多积累。做多了，你自然就知道哪些特征对风机故障最敏感了。

公众号:蓝海数据掘金营，微信deep3321

📚 课程目录

第四章：特征工程入门——时域特征提取、频域特征提取、特征选择方法

4.1 时域特征提取：从波形里“抠”信息

4.2 频域特征提取：换个角度看问题

4.3 特征选择方法：去粗取精

4.4 本章知识体系总览