分解得到的时频域特征_工业数据：基于统计和信号的特征提取方法

在机械加工过程中，刀具铣削过程传感器监控数据均为时序数据，如下图所示，表现为一系列没有固定规律的随机离散值，不能有效识别数据特征与磨损度的关系，因此需要进行特征提取，把原有的低维时序数据映射到高维表示，挖掘和构造输入数据的新特征，进而找出最能帮助模型拟合的输入(X)和输出(Y)特征。

在很多预测性维护的场景(如旋转件、振动等)中，我们完全可以采用基于统计和信号的特征提取方法就能得到一些较好的特征。本文的特征提取方法主要包含三个角度：

• 基于统计的时域特征
• 基于频谱分析的频域特征
• 基于小波包能量的时频联合域特征

1 基于统计的时域特征

基于统计的时域特征，就是使用统计学方法如均方根、方差、最大值、最小值、偏斜度、峰度、峰峰值等提取出的新数据。

1.1 均方根(Root Mean Square, RMS)

均方根(Root Mean Square, RMS)，是信号有效值的反映：

1.2 方差(Variance)

方差(Variance)，衡量随机变量或一组数据离散程度，是源数据和期望值相差的度量：

1.3 最大值(Max)和最小值(Min)

最大值(Max)和最小值(Min)，表示在一定时间范围内数据的最强和最弱的程度：

1.4 偏度(Skewness)

偏度(Skewness)又称偏态系数，度量数据的概率密度曲线分布偏斜的方向和程度，即与平均值相比数据的非对称的程度特征。

其中， 是3阶中心距， 为标准差。

1.5 峰峰值(Peak to Peak, PP)

峰峰值(Peak to Peak, PP)，即一个周期内数据最高值和最低值之间的差值，描述了数据的变化范围的大小：

1.6 峰度(Kurtosis)

峰度(Kurtosis)又称峰态系数，表示在平均值处数据的概率密度分布曲线的最大值大小。峰度直观地反映了曲线的峰部尖度，峰度越高，说明曲线底部厚度越大，会导致方差越大，原因是数据存在一定数量的显著比平均值大或小的差值。

其中， 是四阶中心矩， 是标准差。

2 基于频谱分析的频域特征

频域分析是信号领域中很重要的分析方法，具体包括了频谱分析、能量谱分析、功率谱分析和倒频谱分析等，其中以频谱分析最为常用也最为重要。频谱分析主要将信号数据通过傅里叶变换得到幅频谱和相频谱进行分析，有关傅里叶变换的内容网上有很多，就不赘述了。

通过计算机和传感器采集得到的信号是离散信号，可以采用离散傅里叶变换&#