设备信号特征工程器｜工业AI分析工具
这个工具解决什么问题
> 建 AI 模型前先把每段波形变成一行特征，再按可分性排序，告诉你哪几个指标真正管用、哪几个是噪声。
输入数据格式
数据文件 signal_feature_matrix.csv，列顺序为：样本编号、组别、RMS 均方根、峰值、峰峰值、峭度、偏度、峰值因子、波形因子、裕度因子、谱重心(Hz)、谱熵、高频能量占比、主频(Hz)。
示例首行：1,正常,0.808202,1.394600,2.782900,1.808382,-0.285430,1.725559,1.123419,2.118721,547.246604,0.712750,0.005261,20.000000
示例输出（真实运行结果节选）
设备信号特征工程报告 采样频率 5120 Hz，每段 512 点，共 20 段记录 ======================================================================== 一、样本概览 ------------------------------------------------------------------------ 记录数 20；组别分布：正常 10 段、异常 10 段 每段提取特征 12 个（时域 8 个 + 频域 4 个），特征表已导出 signal_feature_matrix.csv 二、特征表预览（前 5 行） ------------------------------------------------------------------------ 样本 组别 RMS 峰值 峭度 偏度 峰值因子 谱熵 高频占比 1 正常 0.8082 1.3946 1.81 -0.29 1.73 0.7128 0.0053 2 正常 0.7417 1.3029 1.87 -0.27 1.76 0.7548 0.0077 3 正常 0.8143 1.4123 1.84 -0.28 1.73 0.7036 0.0042 4 正常 0.7491 1.2880 1.82 -0.28 1.72 0.7501 0.0072 5 正常 0.8293 1.4135 1.82 -0.28 1.70 0.6818 0.0025 ……（完整 20 行见特征表 CSV，可直接作为模型输入） 三、组间可分性排序（判别力 = |组间均值差| / 合并标准差，即 Cohen's d） ------------------------------------------------------------------------ 特征 正常均值 异常均值 差值方向 d 值 判别力 峰值 1.342
适用场景
· 做异常检测/故障分类模型前的特征工程、多设备巡检数据的批量整理 · 与「设备振动频谱与轴承故障频率分析器」分工：那边对单段信号做故障频率诊断，这边批量提特征备料给模型
怎么用
python signal_feature_engineer.py
首次运行会自动生成示例数据并输出一份完整报告； 把示例 CSV 换成你自己的数据（保持列名一致）后重新运行即可。
输入数据
signal_records.csv：样本编号 / 组别（可选） / 采样序号 / 振幅（脚本自带 20 段示例，10 正常 10 异常）
输出内容
· 12 个时域 + 频域特征的特征表 CSV（RMS、峭度、偏度、峰值因子、波形因子、裕度因子、谱重心、谱熵、高频能量占比、主频等） · 组间可分性排序（Cohen's d）：逐特征给判别力分级（极强/强/中/弱/噪声）并标出方向 · 可直接入模的特征清单、应剔除的弱特征清单，以及样本量与过拟合风险提示
依赖
无。仅使用 Python 标准库（csv / math / os / datetime 等）， 不需要 pip 安装任何包，Windows / Linux / macOS 均可运行。
实用提示
· 报告里的判读阈值都写在脚本顶部常量区，可按自己厂内标准调整。 · 建议按周/按月滚动运行，看趋势比看单次结果更有意义。 · 换数据时保持 CSV 列名不变，脚本无需改动即可复用。
可调参数与计算口径
脚本顶部集中了主要阈值与常量：CSV_NAME="signal_records.csv"、FEATURE_CSV="signal_feature_matrix.csv"、REPORT_NAME="signal_report.txt"、FEATURE_KEYS=[。改完直接重跑即可，不必改动计算逻辑。
会生成哪些文件
运行后除控制台输出外，还会生成：signal_records.csv、signal_feature_matrix.csv、signal_report.txt。
脚本里的主要处理步骤
load_records()：按样本编号聚合成长格式记录。spectrum()：自实现 DFT，单边幅值谱（k = 1 .. N/2），并做窗增益与双边折叠校正。
以上步骤在脚本中是分开的函数，可以单独调用或按需替换其中一段，不必整体重写。
工具中出现的字段与提示
- RMS 均方根
- 峰值因子
- 波形因子
- 裕度因子
- 谱重心(Hz)
- 高频能量占比
- 主频(Hz)
- 确定性伪随机（LCG），保证每次运行结果一致。
- 样本编号
- 采样序号
- 按样本编号聚合成长格式记录。
- 自实现 DFT，单边幅值谱（k = 1 .. N/2），并做窗增益与双边折叠校正。
- 设备信号特征工程报告
- 采样频率 %.0f Hz，每段 %d 点，共 %d 段记录
- 一、样本概览
- 记录数 %d；组别分布：%s
- 每段提取特征 %d 个（时域 8 个 + 频域 4 个），特征表已导出 %s
- 二、特征表预览（前 5 行）
其余字段以界面与示例报告为准。
下载与文件清单
压缩包内包含：主程序脚本、示例数据文件、示例输出报告、中文说明文档，以及同主题 AI 提示词一套。解压后按说明运行即可，示例数据可直接试跑。
主程序文件：signal_feature_engineer.py。
本站工具免费下载，无需注册。工具为 Python 脚本，Python 3.8 及以上环境可直接运行，核心功能尽量不依赖第三方库。
常见问题
输入数据要准备成什么样？
按 示例首行中的列顺序准备即可，共 14 列：样本编号、组别、RMS 均方根、峰值、峰峰值、峭度、偏度、峰值因子。列为空或格式不符时结果会失真，建议先用示例数据试跑一遍。
阈值可以改成我们自己的标准吗？
可以，脚本顶部已把主要阈值与常量集中声明，按自己产线的标准修改后重跑即可，不需要改计算逻辑。
附赠的提示词怎么用？
把提示词与自己的数据一起交给大模型，可以让它按同一套口径帮你改写分析流程或扩展报告字段。
示例数据能直接跑吗？
可以。示例数据与主程序在同一压缩包内，解压后直接运行即可看到完整输出，确认无误再替换成自己的台账。
同分类的其它工具
分类归属：工业AI与智能分析工具包；完整清单在 工具资源包下载页。
