Понимание предиктивного обслуживания — Волновые данные создание функций (часть 2)

Углубленное понимание предиктивного обслуживания Создание функций на основе волновых данных (Часть 2)

Инженерия признаков спектральных данных

Цель статьи

Это вторая часть статьи о инженерии признаков волновых данных. Мы сосредоточимся на спектральных признаках. Есть какие-либо мысли для добавления? Не стесняйтесь делиться!

Эта статья является частью серии “Понимание предиктивного обслуживания”.

Проверьте всю серию по этой ссылке. Не пропустите новые статьи, следите за мной. Все изображения без подписей были созданы мной.

Признаки в частотной области

Переходя к частотной области, мы используем методы, такие как Быстрое Преобразование Фурье (FFT), чтобы преобразовать сигналы из временной области. Извлеченные признаки включают доминирующую частоту, спектральную энтропию и спектральную эксцесс. Плотность Спектральной Мощности (PSD) и Гармонические Отношения предоставляют информацию о распределении мощности и гармонических отношениях.

• Становление лидером аналитики данных с Раджаном Сетураманом
• Изучайте Семантические Связи в Корпусе с Моделями Векторного Вложения
• Полное руководство по кэшированию в Python

• Быстрое Преобразование Фурье (FFT) Преобразует сигнал из временной области в частотную область. Извлекает признаки из полученного спектра, такие как доминирующая частота, спектральная энтропия и спектральная эксцесс.
• Плотность Спектральной Мощности (PSD) Описывает, как мощность сигнала распределена по частоте.

План следующей статьи

• Вейвлет-преобразование
• Демодуляция
• Анализ повторной квантификации (RQA)

Создание сигнала для экспериментов

Я буду использовать точно такой же сигнал, как и в предыдущей части:

Понимание предиктивного обслуживания — Волновые данные: Инженерия признаков (Часть 1)

Вся информация, которая вам нужна, чтобы начать изучение обработки волно-данных

towardsdatascience.com

Давайте сгенерируем сигнал:

# Параметры duration = 20 # секунд sampling_rate = 20 # Гц frequency = 5 # Гц (частота вибрации) amplitude = 1.0 # минимум и максимум диапазона шум_noise_level = 0,3 # фактор шума для увеличения реальностиmax_wear = 1 # максимальный износ перед сбросом...