### 使用 Python 提取振动信号特征的方法及库函数 #### 方法概述 提取振动信号的特征可以分为 **时域分析** 和 **频域分析**。时域分析主要关注信号的时间特性，而频域分析则通过傅里叶变换等方式研究信号的频率组成。 在 Python 中，常用的科学计算库如 `NumPy`、`SciPy` 和 `pandas` 可用于数据处理和基本运算；可视化工具如 `Matplotlib` 或 `Seaborn` 则帮助展示结果。对于更复杂的机器学习需求，可引入 `scikit-learn` 进行降维或分类操作[^1]。 --- #### 时域特征提取方法 常见的时域特征包括均值、方差、峰值因子、峭度等指标。以下是实现这些特征的具体代码： ```python import numpy as np def extract_time_domain_features(signal): mean_value = np.mean(signal) # 计算均值 variance = np.var(signal, ddof=1) # 方差 (无偏估计) rms = np.sqrt(np.mean(signal**2)) # 均方根值 peak_factor = max(abs(signal)) / rms # 峰值因子 kurtosis = np.mean((signal - mean_value)**4) / variance**2 # 峭度 return { 'mean': mean_value, 'variance': variance, 'rms': rms, 'peak_factor': peak_factor, 'kurtosis': kurtosis } # 示例调用 vibration_signal = np.random.normal(0, 1, size=1000) # 随机生成模拟信号 features = extract_time_domain_features(vibration_signal) print(features) ``` 上述代码实现了对振动信号的关键统计量计算。 --- #### 频域特征提取方法 频域分析的核心在于将时间序列转换到频谱空间，常用技术有快速傅里叶变换（FFT）、短时傅里叶变换（STFT）以及小波变换（Wavelet Transform）。以下是一个基于 FFT 的简单例子： ```python from scipy.fft import fft, fftfreq def extract_frequency_domain_features(signal, fs): N = len(signal) # 采样点数 yf = fft(signal)[:N//2] # 对前半部分进行截断 xf = fftfreq(N, 1/fs)[:N//2] # 获取对应的频率轴 magnitude_spectrum = abs(yf) # 幅值谱 power_spectrum = (magnitude_spectrum**2) / N # 功率谱密度 dominant_freq_index = np.argmax(magnitude_spectrum) # 主导频率索引 dominant_freq = xf[dominant_freq_index] # 主导频率 return { 'frequency_axis': xf, 'magnitude_spectrum': magnitude_spectrum, 'power_spectrum': power_spectrum, 'dominant_frequency': dominant_freq } # 示例调用 sampling_rate = 1000 # 采样率为1kHz fft_results = extract_frequency_domain_features(vibration_signal, sampling_rate) print(f"Dominant Frequency: {fft_results['dominant_frequency']} Hz") ``` 此代码展示了如何利用 SciPy 库中的 FFT 函数来获取主导频率和其他频域属性。 --- #### 小波变换的应用 当需要同时考虑时间和频率信息时，可以选择连续小波变换（CWT），它特别适合于非平稳信号的研究。下面是一段 CWT 实现的例子： ```python import pywt def perform_cwt(signal, scales, wavelet='morl'): coefficients, frequencies = pywt.cwt(signal, scales, wavelet) return coefficients, frequencies scales = range(1, 128) # 定义尺度范围 cwt_coefficients, cwt_frequencies = perform_cwt(vibration_signal, scales) # 绘制热图表示小波系数分布 import matplotlib.pyplot as plt plt.imshow(cwt_coefficients, extent=[0, len(vibration_signal), min(scales), max(scales)], cmap='PRGn', aspect='auto') plt.colorbar() plt.show() ``` 这段程序使用 PyWavelets 工具包完成小波分解并绘制其结果图像。 --- #### 结合 ICA 技术分离混合信号 如果存在多个传感器采集的数据集，并希望从中恢复独立成分，则可以采用盲源分离算法——ICA（Independent Component Analysis）。具体流程如下所示： ```python from sklearn.decomposition import FastICA def apply_ica(data_matrix, n_components=None): ica_model = FastICA(n_components=n_components, random_state=0) independent_sources = ica_model.fit_transform(data_matrix.T).T mixing_matrix = ica_model.mixing_ return independent_sources, mixing_matrix data_matrix = np.vstack([np.sin(np.linspace(0, 2 * np.pi, num=len(vibration_signal))), vibration_signal]) # 构造多通道输入矩阵 independent_signals, _ = apply_ica(data_matrix, n_components=2) print(independent_signals.shape) # 输出形状应为 (2, signal_length) ``` 这里借助 scikit-learn 的 `FastICA` 类完成了独立分量的估算工作[^2]。 --- #### 卷积神经网络应用于振动数据分析 针对大规模工业设备监控场景下的复杂模式识别任务，一维卷积神经网络（1D CNN）是一种有效手段。WOA（Whale Optimization Algorithm）可用于自动调整模型架构参数以提升性能表现[^3]。 ```python import tensorflow as tf from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Conv1D, MaxPooling1D, Flatten, Dense model = Sequential([ Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(None, 1)), MaxPooling1D(pool_size=2), Flatten(), Dense(units=10, activation='softmax') # 假设有10类标签 ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.summary() # 数据预处理与训练省略... ``` 上例定义了一个基础的一维卷积层结构，适用于初步实验验证阶段。 ---