一些特点：

• 意思是。
• 方差。
• 偏度。
• 峰度。
• DFT 中的主要 3 个频率。
• 3 个主要频率的能量。
• 最大值。
• 最小值。
• 中位数。
• 总变异。

通常我会在运行的窗口中计算它们。
另一个重要信息是导数的直方图。
或者只是衍生品的上述所有内容。

除了到目前为止提到的功能之外，我还想提一下复杂性的度量，例如：

• 香农熵
• LZ 复杂度
• 分形维数

还有傅里叶描述符（正如 Drazick 已经暗示的那样）和它们在小波分析中的等价物，当然还有简单的直方图箱，它会返回每个齿轮在途中啮合的频率。

而且，您迟早需要将这些特征和涉及它们的分析结果放在与现实世界相关的某些上下文中。这将为这些数量赋予某种意义。

例如，平均值将提供关于在进行数据采集时车辆运行的“平均”路线中主要使用的档位的信息（例如，主要是较低档位，或主要是较高档位）。方差可以提供对途中使用的档位范围的衡量。一个更简单的换档量度可能是每单位时间齿轮箱似乎正在经历的不同状态的数量。例如每分钟 3.5 次换档。您可以使用这些将数据聚类到频繁和不太频繁的换档器中，并调查频繁换档是否对齿轮箱故障有影响的问题，如果齿轮箱故障主要与较低的齿轮（即较高的负载）等有关。

仅仅盲目地计算波形的特征并使用它们将案例捆绑在一起是不够的，迟早你将不得不问自己“这在现实世界中意味着什么？”

希望这可以帮助。

你好，我会简短，我希望你理解，由于你的信号的形状，我认为最好用小波变换基础 HAAR 处理，使用这种变换的原因是它会给出时间和频率的表示，你可以获取信号的相关信息，现在一个重要的参数是您使用基础 HAAR（还有其他基础，例如墨西哥帽子），因为您的信号具有矩形形状，因此扩展非常紧凑。

现在，如果您还需要使用 MLP 或 RBF 对 Might 信号进行分类。

嗯，这是一个已知的问题，有很多关于这个的工作，比如Hilbert Huang 变换。但是，我想，如果你将这些信号（以及各种不同的版本）直接输入神经网络，你应该能够创建这样的分类器。

我猜标准 MLP 也可以在新奇检测模式下工作，但你最好使用深度网络。最后别忘了，这是一个二元分类。