摘要：数据加载与初始化：加载NASA IMS轴承故障数据集，计算初始参数。

1.代码结构

数据加载与初始化：加载NASA IMS轴承故障数据集，计算初始参数。

主循环处理：对每个时间窗口的信号进行包络提取和能量计算，分别计算原始及加权后的稀疏性指标。

结果可视化：绘制原始与改进指标的对比图。

早期故障检测：通过统计检验和阈值判定，标记故障起始点。

2. 核心算法步骤

信号预处理

使用Hilbert变换提取包络信号，计算信号能量（SE）。

原始稀疏性指标计算

均值（M1）、均方根（M2）、几何均值（M0）、基尼指数（GI）、负熵（NE）等。

目标：量化信号的能量分布特性，用于表征健康状态。

自适应加权信号预处理

权重定义，对信号进行加权。

重新计算加权后的稀疏性指标。

故障检测与可视化

使用Lilliefors检验验证数据正态性，设定3σ阈值。

标记故障点。

算法流程图如下

应用领域

旋转机械健康监测

轴承、齿轮箱、涡轮机等设备的早期故障诊断。

检测磨损、裂纹、不平衡等机械故障。

工业预测性维护

基于振动信号分析，预测设备剩余寿命。

优化维护计划，减少非计划停机。

其他信号处理场景

语音信号中的异常检测（如喉癌筛查）。

电力系统中的绝缘故障识别。

关键创新点

加权策略设计

权重通过抑制高能量区域、放大低能量区域，突显早期故障的微弱特征

多指标融合

结合几何均值、基尼指数、负熵等指标，全面表征信号分布特性，避免单一指标的局限性。

统计驱动的故障判定

基于Lilliefors检验和3σ阈值，实现无监督的早期故障报警。

来源：科技小熊猫