基于机器学习的故障诊断（入门向）
一、原始信号的特征提取
1.EMD经验模态分解的作用
- 信号分析：EMD可以将信号分解为多个IMFs，每个IMF代表信号中的一个特定频率和幅度调制的成分。这使得EMD能够提供对信号的时频特征进行分析的能力（特征提取用到的）。
- 信号去噪：通过将信号分解为IMFs，可以识别并去除高频噪声成分，从而实现信号的去噪。通常，低频IMFs包含信号的主要特征，而高频IMFs则主要包含噪声。
- 信号压缩：EMD可以用于信号的数据压缩。通过保留重要的IMF成分，可以实现对信号的有效压缩，减少存储和传输的数据量
EMD在这里的作用是提取信号的时频特性，是一种自适应的信号分解方法，通过将信号分解为若干个本征模态函数（Intrinsic Mode Functions, IMFs）。每个IMF代表信号在不同频率和幅度上的振动。EMD不需要预先选择基函数，而是根据信号自身的特征进行分解。可以获得信号的不同的频率成分，从高频到低频进行分解，直到无法继续分解后结束。
原理讲解可以参考这篇文章的EMD部分：信号的噪声处理及降噪方法-CSDN博客
2、小波包分解
下面讲解比较浅显，推荐看这个：版本T0的离散小波变换解说，父小波母小波是什么？高低通滤波是怎么回事？时频图怎么画？具体计算原理又是什么？你的疑问在这都有答案！_哔哩哔哩_bilibili
小波包分解要用到小波包变换，小波变换的实质是：原信号与小波基函数的相似性。小波系数就是小波基函数与原信号相似的系数。
连续小波变换：CWT(a,b)是小波系数，a是尺度因子，b是平移因子，ψ是小波函数
离散小波变换： （父小波）尺度函数记录近似，（母小波）小波函数记录细节，因为父小波是求平均，对信号的频率不关注，所以称为低通滤波器，母小波是求差值，低频信号差值不大，所以称为高通滤波器
DWT的步骤：正交性意味着不同尺度和不同位置的小波基函数之间是正交的，将信号依次分解为高频部分和低频部分，然后对低频部分继续用相同步骤进行分解，并且每次分解后，数据长度都是 /2
以上是小波分解的内容，即对低频部分进行分解。而小波包分解则是对低频和高频部分都进行分解。
举例例子：采样频率为1024Hz，采样时间是1秒，有一个信号s是由频率100和200Hz的正弦波混合的，我们用WPD来分解，分解三层，下面的图像是第三层的图像，即7-14节点
解释：y轴是节点，节点代表分解后的频率。x轴是时间，颜色的深浅代表频率的幅值，我们的采样频率是1024Hz，根据采样定理，奈奎斯特采样频率是512Hz，我们分解了3层，最后一层就是 2^3=8个频率段，每个频率段的频率区间是 512/8=64Hz,看图颜色重的地方一个是在8那里，一个在13那里，8是第二段，也就是 65-128Hz之间，13是第五段，也就是257-320Hz之间。
小波与小波包、小波包分解与信号重构、小波包能量特征提取 暨 小波包分解后实现按频率大小分布重新排列(Matlab 程序详解）-CSDN博客
通过对信号特征提取时频图后，打上标签再进行训练。
二、机器学习的方法
机器学习在故障诊断领域本质上就是根据已有的数据，用不同的算法（SVM）去学习不同数据的特征，训练出一个还不错的参数（模型），能够对数据进行分类，分类通常是按以下几种故障原因进行的：
按类型分为：监督学习和无监督学习
这是常用的机器学习方法，选择合适的方法后取构建数据集，数据集的来源有公开数据集、企业合作的数据，我们通常需要根据已有的数据，去提取数据的特征，然后再打上标签，最后进行训练。
以上就是机器学习相关的部分，因作者水平有限，如有说的不对的地方，欢迎评论区指正！