在机械故障实验数据集中提取故障特征，通常包括以下步骤:

1.数据预处理:首先需要对数据进行预处理，包括数据清洗、去除异常值和噪声等。这一步骤可以使用的工具有MATLAB、Python等

2.时域分析:通过时域分析方法，如均值方差、峰值等统计量来表示信号的特征这些特征可以反映设备的工作状态，故障的类型和程度等

3频域分析: 通过将信号从时域转换到频域，可以获得信号的频率特征。这可以通过傅里叶变换等方法来实现。在频域中可以分析信号的频率分布、主频带等信息，以识别故障的类型和程度。

4.时频分析: 时频分析方法可以在时间和频率两个维度上分析信号的特征。这些方法可以捕捉到信号在不同时间出现的频率分布，从而更好地表示设备在不同时间的状态。常见的时频分析方法包括短时傅里叶变换和小波变换等

5.特征提取: 通过以上分析方法，我们可以得到一系列的故障特征。这些特征可能包括时域特征、频域特征、时频特征等。接下来需要利用这些特征进行故障识别和分类。

故障识别和分类: 在这一步骤中，需要利用机器学习或深度学习算法对提取的特征进行分类和识别。这些算法可以根据训练数据自动学习如何根据特征判断设备的状态，并对新的数据进行预测。

以上步骤是机械故障特征提取的一般流程具体的实现方法和步骤可能会因应用场景和数据的不同而有所差异。在实际操作中，需要根据具体情况进行调整和优化。