故障信号特征提取指标

故障信号特征提取指标包括时域统计指标、频率统计指标、非线性动力学指标和熵指标。时域统计指标包括裕度、偏斜度等，用于描述信号在时间域上的统计特征。频率统计指标包括频谱重心、频谱方差等，用于描述信号在频率域上的统计特征。非线性动力学指标用于描述信号的非线性特征。熵指标包括近似熵、排列熵等，用于描述信号的复杂度和随机性。这些特征提取方法可以应用于轴承、齿轮等故障分类、寿命预测等场景。\[1\]另外，人工特征提取方法也可以用于增强故障特征的明显性，例如希尔波特黄（Hilbert-Huang）方法。\[2\]在故障信号特征提取方面，西储大学轴承数据集（CWRU）是一个常用的基础数据集，但是故障分类准确率很高，很难区分方法的优劣。\[3\]因此，近年来一些人工特征提取方法的实际效果并不理想。
#### 引用[.reference_title]
- *1* [Matlab 信号特征指标 诊断 36个多征兆域特征提取方法](https://blog.csdn.net/2301_76292820/article/details/128734718)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item]
- *2* *3* [故障分类中的特征提取效果浅见](https://blog.csdn.net/weixin_50642818/article/details/126245102)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^koosearch_v1,239^v3^insert_chatgpt"}} ] [.reference_item]
[ .reference_list ]