自动快速傅里叶变换的机器学习技术

Question

我有一个40k赫兹的时间序列振动数据，用来预测设备故障.这里的目标是建立一个自动预测它的系统。我正在考虑几种方法，但不确定最好的方法是从机器学习的角度来描述这个问题。我将解释分析师通常是如何手动完成这项工作的：

给定一个一维振动数据，我们想把它分解成更小的部分(1秒在下面的数字，有时更多)。然后，利用快速傅里叶变换(FFT)将该块引入频域并进行分析。分析的内容包括:峰值的幅度、尖峰出现的频率、感兴趣频率附近的振动值等，从而判断其是否异常。最后，我们对不同的数据块进行了反复的分析，得出了最终的结论。

我们如何用机器/深度学习来解决这个问题？我们还需要做FFT，还是可以用原始的时间序列数据来完成？特征和目标变量是什么样的？我很想知道如何解决这个问题。

谢谢!

Answer 1

一种接近异常检测的方法是通过学习一个阈值。快速傅里叶变换(FFT)后，学习阈值更直接。例如，将阈值定义为中值的两倍的任何值。