目录
1轴承退化特征(时域特征、频域特征共21个)
数据集格式(每一列为一个特征,共21个特征;每一行为一个样本,共2803个样本)
21个特征绘制图形如下所示:
2轴承退化特征筛选(单调性、鲁棒性、趋势性)
单调性:
单调性通常用于描述数据随某个变量(如时间)变化时保持一致的增加或减少趋势的特性。在统计学中,单调性的评估可以通过斯皮尔曼等级相关系数来实现,这是一种非参数的方法,用于测量两组数据之间的单调关系的强度。斯皮尔曼等级相关系数,也称为斯皮尔曼的 rho,是通过对原始数据进行排序并基于这些排名来计算相关性的。它评估的是,当一个变量的值增加时,另一个变量的值是否也以一种一致的方式增加或减少。
其中,d_i是两个变量排名之间的差,n是数据点的数量。
鲁棒性:
表示信号本身对工况影响的抗干扰能力的大小,抗干扰能力越强鲁棒性越好。提取的特征参数需要呈现一定的平滑,展现出自身的抗干扰能力。鲁棒性的表达式为:
其中,x_i代表第i个样本点对应的特征值,x_i_T代表第i个样本点经过平滑后得到的平均趋势特征值。
趋势性:
趋势性(Trendiness)在统计和数据分析中是一个描述变量随时间变化趋势的度量。在给定的代码中,趋势性是通过计算时间向量 tt 和平滑后的数据 \text{smoothX}smoothX 之间的 Pearson 相关系数来评估的。趋势性计算公式是 Pearson 相关系数,表达式如下:
在趋势性的上下文中,通过取 r的绝对值可以得到一个正数,表示变量随时间变化的一致性和强度,而不考虑变化的方向(增加或减少)。这对于识别数据中的趋势特性非常有用,无论这些趋势是正向的还是负向的。
退化特征筛选综合得分:
OverallScores=weightTrend×Tre+weightMono×Mon+weightRobust×Rob
其中:
- Tre 是趋势性得分数组,其每个元素代表一个特征的趋势性。
- Mon 是单调性得分数组,其每个元素代表一个特征的单调性。
- Rob 是鲁棒性得分数组,其每个元素代表一个特征的鲁棒性。
- weightTrend、weightMono、和 weightRobust 是分别对应于趋势性、单调性和鲁棒性的权重。
根据设置的阈值比如0.85,即可得到筛选的特征(5,10,11,12,13)