机械振动信号特征提取方法包括时域特征和频域特征_振动信号时域和频域特征提取

在机器学习故障诊断中，常见的机械振动信号特征提取方法包括时域特征和频域特征。下面是一个示例的Python代码，演示了如何提取这些特征并进行故障诊断：

import numpy as np
from scipy.stats import kurtosis, skew
from scipy.fft import fft
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 1. 特征提取函数

# 时域特征提取
def time_domain_features(signal):
    mean = np.mean(signal)
    variance = np.var(signal)
    kurt = kurtosis(signal)
    skewness = skew(signal)
    return mean, variance, kurt, skewness

# 频域特征提取
def frequency_domain_features(signal, sample_rate):
    spectrum = np.abs(fft(signal))
    freq = np.fft.fftfreq(len(signal), d=1/sample_rate)
    max_freq = freq[np.argmax(spectrum)]
    amplitude_spectrum = spectrum[:len(signal)//2]
    return max_freq, amplitude_spectrum

# 2. 数据准备

# 假设你有一组振动信号数据，分别对应正常和故障状态
normal_data = [...]  # 正常状态振动信号数据
faulty_data = [...]  # 故障状态振动信号数据

# 构建标签
normal_labels = np.zeros(len(normal_data))
faulty_labels = np.ones(len(faulty_data))

# 合并数据和标签
data = np.concatenate((normal_data, faulty_data), axis=0)
labels = np.concatenate((normal_labels, faulty_labels), axis=0)

# 3. 特征提取和数据预处理

# 初始化特征列表
features = []

# 提取时域和频域特征
for signal in data:
    time_feats = time_domain_features(signal)
    freq_feats = frequency_domain_features(signal, sample_rate)
    feats = np.concatenate((time_feats, freq_feats), axis=0)
    features.append(feats)

# 数据预处理（标准化）
scaler = StandardScaler()
scaled_features = scaler.fit_transform(features)

# 4. 数据拆分和模型训练

# 拆分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(scaled_features, labels, test_size=0.2, random_state=42)

# 初始化SVM分类器
model = SVC()

# 训练模型
model.fit(X_train, y_train)

# 5. 模型评估

# 在测试集上进行预测
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
以上代码示例演示了如何使用时域和频域特征提取机械振动信号，并使用SVM分类器进行故障诊断。你可以根据实际需求进行修改和扩展，例如尝试其他特征提取方法、尝试其他分类器或调整模型参数等。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78