信号下的基本时域频域特征(上)

星期日, 16. 六月 2019 07:41下午
最近忙于项目，因此本期博客就简单梳理一下信号(笔者做的多数情况下是三相电流数据)下的基本时域和频域特征。
提取特征可以用tsfresh这个库来实现，但是这里还是采用了numpy。
该部分的程序代码笔者写了一个可以直接调用的类，见笔者git

1 时域特征

假设共有m条数据，每一条数据长度为n，第ｉ条数据第ｊ个数据点用\(z_{ij}\)表示，并且z为数组，不能是列表，否则以下一些程序会报错。以下主要从数学公式和python实现来叙述。

(1) 含量纲的时域特征

含量纲的时域特征，笔者简单整理出了十个，其中包括最大值(maximum)、最小值(minimum)、极差(range)、均值(mean)、中位数(media)、众数(mode)、标准差(standard deviation)、均方根值(root mean square/rms)、均方值(mean square/ms)、k阶中心/原点矩。
导入所需要的库

import numpy as np

最大值

max_z = np.max(z, axis=1)

最小值

min_z = np.min(z, axis=1)   

极差

range_z = np.max(z, axis=1)-np.min(z, axis=1)

均值

mean_z = np.mean(z, axis=1)

中位数

将一组数从小到大排序，出现在中间的数(当n为奇数时)或者中间两个数的均值(当n为偶数时)

media_z = np.median(z, axis=1)

众数

一组数从大到小排序，出现次数最多的数(当有多个数出现次数一样，取最小的数)

import scipy.stats
mode_z = scipy.stats.mode(z, axis=1)[0].reshape([-1])

标准差

std_z = np.std(z, axis=1)

均方根值

from sklearn.metrics import mean_squared_error
rms_z = [np.sqrt(mean_squared_error(zi, np.zeros(len(zi)))) for zi in z]
rms_z = np.array(rms_z)

均方值(二阶原点矩)

from sklearn.metrics import mean_squared_error
ms_z = [mean_squared_error(zi, np.zeros(len(zi))) for zi in z]
ms_z = np.array(ms_z)

ｋ阶中心矩/原点矩

k阶中心矩

k阶原点矩

def k_order_moment(z, k, is_center=True, is_origin=True):
    """
    Calculate k-order center moment and k-order origin moment of z
    :param z: array_like
    :param k: int
    :param is_center: bool; whether calculate k-order center moment
    :param is_origin: bool; whether calculate k-order origin moment
    :return: tuple; return k-order center moment and k-order origin moment
    """
    if (is_center is False) and (is_origin is False):
        raise ValueError("At least one of is_center and is_origin is True")
    if (type(k) is not int) or (k < 0):
        raise TypeError("k must be a integrate and more than 0")
    if type(z) is list:
        z = np.array(z)
        
    mean_z = np.mean(z, axis=1)
    if is_origin is False:
        k_center = np.mean([(z[i]-mean_z[i])**k for i in range(z.shape[0])], axis=1)
        return (k_center, None)
    if is_center is False:
        k_origin = np.mean([z[i]**k for i in range(z.shape[0])], axis=1)
        return (None, k_origin)
    if is_center and is_origin:
        k_center = np.mean([(z[i] - mean_z[i]) ** k for i in range(z.shape[0])], axis=1)
        k_origin = np.mean([z[i] ** k for i in range(z.shape[0])], axis=1)
        return (k_center, k_origin)

(2) 无量纲的时域特征

无量纲的时域笔者主要列举了６个，分别为偏度(skewness)，峰度(kurtosis)，峰度因子(kurtosis factor)、波形因子(waveform factor)、脉冲因子(pulse factor)、裕度因子(margin factor)。

偏度(三阶标准矩)

\(\mu,\sigma\)为总体均值和标准差，不是样本均值和标准差!!!
偏度可通过下面两种方法计算：
方法１：

方法２：

python和大多数软件采用方法２求偏度

import pandas as pd
skew_z = pd.DataFrame(z.transpose()).skew().values

峰度(四阶标准矩)

为总体均值和标准差，不是样本均值和标准差!!!
峰度同偏度一样也有两种方法计算：
方法１：

方法２()：

python和大多数软件采用方法２求峰度

import pandas as pd
kurt_z = pd.DataFrame(z.transpose()).kurt().values

峰度因子

kurt_factor_z = max_z/rms_z

波形因子

wave_factor_z = rms_z/mean_z

脉冲因子

pulse_factor_z = max_z/abs(mean_z)

裕度因子

margin_factor_z = max_z/ms_z