4. 信号识别与分类：早期预警信号的来源、类型与特征提取方法

在概率影响矩阵（PIM）的环境配置中，信号识别与分类是构建有效预警体系的第一道工序。本节将系统阐述早期预警信号的三大来源域、六种核心类型以及基于时频域与统计学的特征提取方法，为后续的概率赋值与影响量化奠定数据基础。

4.1 早期预警信号的来源域

根据信号产生的物理或社会机制，预警信号可归纳为三个主要来源域：

4.2 信号类型体系

按信号的表现形式与物理特性，早期预警信号可分为以下六种类型：

• 连续型信号：随时间连续变化的模拟量，如温度、压力、位移。特征提取常用滑动窗口统计。
• 离散型信号：在特定时间点发生的计数或状态跳变，如设备故障次数、报警触发次数。
• 趋势型信号：反映长期变化方向的序列，如年均气温上升斜率、资产价格移动平均线。
• 突变型信号：短时间内幅值剧烈变化，如地震P波到达、网络DDoS攻击流量尖峰。
• 模式型信号：重复出现的特定波形或序列，如机械故障的频谱特征、心电图的异常节律。
• 语义型信号：通过自然语言或符号表达的非数值信息，如“红色预警”文本、社交媒体关键词频次。

4.3 信号特征提取方法

特征提取是将原始信号转换为PIM可处理的特征向量的核心步骤。以下为三类主流方法及其适用场景：

4.3.1 时域特征提取

• 统计量：均值、方差、峰度、偏度、均方根（RMS）
• 峰值检测：局部极大值、过零率、脉冲因子
• 相关性：自相关函数、互相关峰值

4.3.2 频域特征提取

• 傅里叶变换：功率谱密度（PSD）、主频分量、谐波能量比
• 小波变换：多尺度分解系数、小波能量熵
• 倒谱分析：用于语音与机械振动信号的周期成分分离

4.3.3 时频域与非线性特征

• 短时傅里叶变换（STFT）：生成时频谱图，适用于非平稳信号
• 经验模态分解（EMD）：将信号分解为本征模态函数（IMF）
• 样本熵/近似熵：衡量信号复杂度和不规则性

4.4 信号识别与分类流程

下图展示了从原始信号到PIM特征向量的完整处理链路：

4.5 信号特征提取示例代码

以下Python代码展示了从振动信号中提取时域与频域特征的基本流程，适用于技术域设备预警：

import numpy as np
from scipy import signal, stats

def extract_vibration_features(raw_signal, fs=1000):
    """
    从原始振动信号中提取早期预警特征
    
    参数:
        raw_signal: 1-D numpy array, 原始时域信号
        fs: 采样频率 (Hz)
    
    返回:
        features: dict, 包含时域与频域特征
    """
    # 时域特征
    rms = np.sqrt(np.mean(raw_signal**2))
    peak = np.max(np.abs(raw_signal))
    crest_factor = peak / rms if rms != 0 else 0
    skewness = stats.skew(raw_signal)
    kurtosis = stats.kurtosis(raw_signal)
    
    # 频域特征（功率谱密度）
    freqs, psd = signal.welch(raw_signal, fs, nperseg=256)
    dominant_freq = freqs[np.argmax(psd)]
    psd_energy = np.sum(psd)
    
    # 包络谱特征（适用于轴承故障）
    analytic_signal = signal.hilbert(raw_signal)
    envelope = np.abs(analytic_signal)
    env_fft = np.fft.rfft(envelope)
    env_freqs = np.fft.rfftfreq(len(envelope), 1/fs)
    
    features = {
        'rms': rms,
        'peak': peak,
        'crest_factor': crest_factor,
        'skewness': skewness,
        'kurtosis': kurtosis,
        'dominant_freq_hz': dominant_freq,
        'psd_total_energy': psd_energy,
        'envelope_peak_freq': env_freqs[np.argmax(np.abs(env_fft[1:])) + 1]
    }
    return features

4.6 信号分类的决策逻辑

完成特征提取后，信号需被分配至PIM中的对应风险类别。以下为基于阈值的分类规则示例：