Pyhon在振动信号处理中的高级应用（一）：振动信号特征（时域、频域）提取

最新推荐文章于 2023-10-17 21:20:32 发布
最新推荐文章于 2023-10-17 21:20:32 发布
阅读量1.3w 收藏 39
点赞数 3
分类专栏： Pyhon在振动信号处理中的高级应用 文章标签： 机器学习 算法 python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/pengchen_wuhan/article/details/122276037
版权
本文介绍了振动信号在故障诊断中的应用，详细讲解了时域统计特征（如P1-P11）和频域统计特征（如P12-P24），并引用了雷教授的论文作为理论依据。通过Python实现这些特征的计算，为后续的大数据故障诊断奠定基础。后续将探讨如何获取特征明显的原始振动信号。
摘要由CSDN通过智能技术生成

文章目录

一、概述

  振动信号故障诊断经历了多年的发展，已从老专家式的“线谱分析”逐步过渡到大数据故障诊断。巧妙地提取信号特征，利用各种智能算法对其进行学习，最终获取可靠的故障诊断模型，这一套流程成为了近些年故障诊断相关文章的标准格式。那么振动信号有哪些特征可供我们挑选呢？让我们一起来看看！

二、算法原理

  这里我们借鉴西安交通大学机械学院雷教授论文《Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs》里的相关研究成果。雷教授在论文中共列举了2类共24种振动信号的时域和频域特征。

2.1 时域统计特征

  第一类为时域统计特征，可直接通过振动信号的时间序列数据计算得出，如下列公式所示，其中： P

了解本专栏 订阅专栏 解锁全文
白银时代_
关注
专栏目录
订阅专栏
Python在振动信号处理中的应用（六）：振动信号时域特征提取
白银时代的博客
11-14 8352
文章目录一、概述二、算法原理2.1 概率分布函数和概率密度函数2.1.1 概率分布函数2.1.1 概率密度函数2.2 均值、均方根值及方差2.3 相关函数2.3.1 自相关函数2.3.2 互相关函数四、python代码实现四、TIPS 一、概述   在振动信号大数据应用过程中，通常需要提取信息的特征数据。对于振动信号来说通常我们采用信号处理方法来得出相关振动信号的特征，用于进行大数据分析计算。   振动信号常用的时域信号特征包括：概率分布函数、均值、均方根值、方差、自相关函数和互相关函数等，本章将分别讲解这
Pyhon在振动信号处理中的高级应用（十一）：监督式特征的选择方法（F_Score、Chi-square Score、mRMR）
白银时代的博客
04-04 1879
一、概述   本章节我们继续讨论和实现监督式故障诊断的特征选择算法（F_Score、Chi-square Score、mRMR方法），纯手撸代码，谢谢大家支持。 二、F_Score原理及实现 2.1 F_Score计算原理   F-score是特征选择中比较简单和有效的方法，也是很常用的一种方法。   第 i\mathrm{i}i 个特征的F-score的计算公式如下所示: F(i)≡(x‾i(+)−x‾i)2+(x‾i(−)−x‾i)21n+−1∑k=1n+(xk,i(+)−x‾i(+))2+1n−−1∑
随机振动信号分析方法总结（时域、频域、时频域EMD、HHT分析，matlab边际谱程序）
weixin_41773166的博客
10-28 2万+
随机振动信号分析方法总结 信号处理（信号滤波、时频域分析、神经网络、寿命预测） 一、时域分析 时域分析特征包括均值、方差、峭度、峰峰值等； 振动信号降噪结果分析： 对于去噪效果好坏的评价，常用信号的信噪比（SNR）、估计信号同原信号的均方根误差（RMSE）来判断。SNR 越高则说明混在信号里的噪声越小，否则相反。RMSE的计算值越小则表示去噪效果越好。 信噪比定义： 均方根误差定义： 二、频域分析 三、 时频联合域分析（Joint Time-Frequency Analysis，JTFA） 即时频分析，
振动信号频域特征提取算法
11-11
用于计算振动信号频域的幅值谱，程序中可以选择不同的降噪方式
常见的机械振动信号特征提取
weixin_36873225的博客
10-17 577
【代码】常见的机械振动信号特征提取。
机械振动信号 常见时域、频域特征提取 Python 代码
weixin_41888257的博客
10-12 1万+
''' ============== 特征提取的类 ===================== 时域特征 ：11类 频域特征 : 13类 总共提取特征 ： 24类 参考文献 英文文献 016_C_(Q1 时域和频域共24种特征参数 ) Fault diagnosis of rotating machinery based on multiple ANFIS combination with GAs ''' import numpy as np import scipy.stats import m
振动信号时域频域特征（带测试数据）.rar_振动信号_振动测试_时域信号_频域特征_频域特征数据
07-15
针对信号的时域特征和频域特征提取，带测试数据，能够运行
机械振动信号特征提取方法包括时域特征和频域特征
weixin_36873225的博客
10-17 1143
【代码】机械振动信号特征提取方法包括时域特征和频域特征。
Python在振动信号处理中的应用（一）：振动信号消除多项式趋势项
白银时代的博客
07-12 7657
文章目录一、概述二、最小二乘法去除趋势项原理三、python模块介绍3.1 scikitlearn简介（1）转化器(Transformer)（2）估计器(Estimator)3.2 线性回归LinearRegression3.3 多项式PolynomialFeatures3.4 工作流Pipeline四、python代码实现4.1 构造模拟信号4.2 编写去除趋势项主代码4.3 展示算法效果五、TIPS 一、概述   在振动测试过程中，传感器或采集设备由于自身性能问题或受环境干扰（如温度、供电等影响），容易
Python在振动信号处理中的应用（三）：振动信号频域滤波处理
白银时代的博客
10-31 4915
文章目录一、概述二、算法原理三、SciPy以及scipy.fftpack介绍3.1 SciPy介绍3.2 scipy.fftpack介绍四、python代码实现4.1 构造模拟信号4.2 编写频域滤波方法3.3 展示算法效果四、TIPS 一、概述   在振动信号分析中，数字滤波是通过数学运算的方法从采集信号中选取人们感兴趣的一部分信号的处理方法。数字滤波的主要作用有滤除测试信号中的噪声或虚假成分、提高信噪比、平滑分析数据、抑制干扰信号、分离频率分量等。用软件实现数字滤波的优点是系统函数具有可变性，仅依赖于算
信号去趋势去噪时域频域特征提取
06-19
音频循环导入；预处理：去趋势，去噪；特征提取：时域频域特征
MATLAB震动信号时域特征提取.zip
12-03
震动信号时域特征提取，
python实现信号时域统计特征提取代码
12-20
1.实验数据需求 为了对采集的压力实验数据做特征工程，需要对信号进行时域的统计特征提取，包含了均值、均方根、偏度、峭度、波形因子、波峰因子、脉冲因子、峭度因子等，现用python对其进行实现。 2.python实现 其中的输入参数含义： ① data:实验数据的DataFrame ② p1:所截取实验信号的起始采样点位置 ③ p2:所截取实验信号的终止采样点位置 from pandas import Series import math pstf_list=[] def psfeatureTime(data,p1,p2): #均值 df_mean=data[p1:p2].mean()
时域频域29个特征提取.zip
09-08
提取信号时域，频域特征共29维。可以用来进行信号分析
pyhon在振动信号处理
09-16
Python在振动信号处理中有广泛的应用。振动信号处理是研究和分析机械、结构等系统在运动过程中产生的振动信号。Python作为一种通用的编程语言，提供了丰富的振动信号处理工具和库，方便了工程师和研究人员对振动信号...
KPCA提取轴承振动信号的主成分特征
u014796093的博客
07-10 2913
KPCA提取轴承振动信号的主成分特征 文章目录KPCA提取轴承振动信号的主成分特征前言一、时域频域特征提取二、提取KPCA第一主成分总结 前言 采用核主成分分析方法融合轴承振动信号时域、频域特征指标并提取第一主成分评估轴承性能退化情况，并将满足要求的多个KPCA 主成分作为输入 一、时域频域特征提取 首先，提取轴承振动信号的16 个时域特征指标、13 个频域特征指标，结果分别，如图所示。从图中可以看到，各指标体现轴承退化趋势的方式各异。其中，图 中的均值、歪度以及图 中的特征频率1、2 几乎无性能退
振动信号直接使用卷积神经网络提取特征
husky66的博客
04-06 1667
今天看到一篇文章default直接对振动信号进行卷积，就想看一下卷积对振动信号的作用。卷积其实就是加权平均，其中一个重要结论就是，因此如果将振动信号直接输入到卷积神经网络中那么卷积核对振动信号进行卷积就相当于。（注：卷积神经网络中的卷积其实是互相关，两者差不多不做区分）本文采用离心泵轴承故障数据进行实验：1、故障信号分析，故障采用频率为20kHz2、设计不同特征频率的卷积核3、使用卷积核进行实验。
时域、频域、时频域振动信号特征提取后得到的特征样本输入到分类器的问题
热门推荐
sinat_26566137的博客
06-05 5万+
对于振动信号而言，时域常见的特征指标有波形指标、脉冲指标、峭度指标、裕度指标、峰峰值等；频域指标有重心频率、均方频率、均方根频率、频率方差、频率标准差等； 时域、频域提取特征都是针对某段长度的样本而提取出来的一个统计特征值；而时频域则是针对某段长度得到的统计特征值则不止一个，有多个，比如小波能量谱等；如果把时域、频域及时频域得到的特征指标作为一个整体特征样本同时输入到分类器，此时输入不再满足矩阵形式，而只能是元胞数组的形式，请问这怎么样构造输入特征样本？或者说只能把它们分来进行输入，分开进行分类器训练并分类
机械振动信号的深度学习特征提取
最新发布
weixin_36873225的博客
10-17 913
【代码】机械振动信号的深度学习特征提取。
评论 30
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

白银时代_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值