理解预测维修 —— 波形数据:特征工程(第二部分)

解密维修趋势 - 波形数据的特征工程(第二部分)

光谱数据特征工程

Evie S. 的照片,来源:Unsplash

文章目的

这是关于波形数据特征工程的第二部分文章。我们将重点讨论光谱特征。你有什么想法要补充吗?欢迎分享!

本文是《理解预测性维护》系列的一部分。

点击此链接查看完整系列。请关注我,以免错过新文章。所有没有标题的图片由我创建。

频域特征

在转换到频域时,我们使用快速傅里叶变换(FFT)等技术将时域信号转换为频域信号。提取的特征包括主导频率光谱熵光谱峭度功率谱密度(PSD)谐波比可提供关于功率分布和谐波关系的见解。

  • FFT(快速傅里叶变换) 将时域信号转换为频域信号。从结果频谱中提取特征,例如主导频率光谱熵光谱峭度
  • 功率谱密度(PSD) 描述信号的功率在频率上的分布。

下一篇文章计划

  • 小波变换
  • 解调
  • 重现量化分析(RQA)

为实验创建信号

我将使用与前一部分完全相同的信号:

理解预测性维护-波形数据:特征工程(第1部分)

开始学习波形数据信号处理所需的所有信息

towardsdatascience.com

让我们生成信号:

# 参数duration = 20         # 秒sampling_rate = 20    # Hzfrequency = 5         # Hz(振动频率)amplitude = 1.0       # 最小最大范围noise_level = 0.3     # 增加现实性的噪声因子max_wear = 1          # 重置前的最大磨损值…