MALTAB环境下基于频率切片小波变换的发动机故障振动信号分析

频率切片小波变换充分吸收了短时傅立叶变换和小波变换的优点，引入频率切片函数：使传统的傅立叶变换具备了时频分析的能力。克服了短时傅立叶变换频率分辨率固定的缺陷，克服了小波变换依赖小波函数的选择的困难，克服了维格纳威尔分布分析多分量信号存在交叉项干扰的缺陷。因此适合应用于瞬时冲击、暂态、频率时变的非平稳信号的时频特征提取。

通过引入频率平移因子实现频率切片函数对应的频率窗在频率轴上平移，类似在时间域的短时傅里叶变换，通过引入尺度因子实现频率切片函数对应的频率窗的伸縮，类似在时间域的小波变换。通过频率切片函数使传统傅里叶变换实现信号的时频特性分析。

频率切片小波变换从一种新的角度出发，通过自由选择频率切片函数、引进新的尺度参数，在频域内实现信号小波变换，该变换能够很好地描述信号各成分之间的相对能量关系。此外，其时频窗口中心频率就是其观测频率，而无需进行任何尺度换算。

鉴于频率切片小波变换的优势，采用频率切片小波变换进行发动机故障振动信号分析，程序运行环境为MATLAB R2018A，测试数据包括：车用发动机连杆轴承故障数据，车用发动机曲轴磨损故障数据，发动机销子活塞故障数据。算法可迁移至金融时间序列，地震信号，语音信号，声信号，生理信号（ECG,EEG,EMG）等一维时间序列信号。

部分代码如下：

clc;clear
%加载发动机曲轴磨损故障数据
s=load('曲轴磨损故障数据\mport1-1.txt');
s=s(1:2048);
Fs=12800;% 采样频率
N=length(s);% 信号长度
s=s-sum(s)/N;% 消除直流分量
f1=1000;% 观测频率下界
f2=5000;% 观测频率上界
% [f1,f2] 为观测频率
k1=fix(f1*N/Fs-0.5);
k2=fix(f2*N/Fs-0.5);
df=1;  %观测频率步长
if(k2>N/2+1) k2=N/2+1; end

出图如下：

完整代码：MALTAB环境下基于频率切片小波变换的发动机故障振动信号分析

工学博士，担任《Mechanical System and Signal Processing》审稿专家，担任《中国电机工程学报》优秀审稿专家，《控制与决策》，《系统工程与电子技术》，《电力系统保护与控制》，《宇航学报》等EI期刊审稿专家。

擅长领域：现代信号处理，机器学习，深度学习，数字孪生，时间序列分析，设备缺陷检测、设备异常检测、设备智能故障诊断与健康管理PHM等。