匝间短路故障学习历程（二）--小波变换处理信号

在上一次的介绍中已经将数据集的问题大体说了一下，然后做完的数据集一般会存放在Excel中。要是进行信号分析的话，其实只需要用到几个样本的数据集就行，因为你需要通过设定一种你自己的分辨标准来区分正常样本和故障样本的信息。这种标准你可以通过自己的一些经验或者论文上的学习来进行设定，比如说我看过一些论文用的是频谱图（就是分析频率）或者谐波的幅值变化等等，其实不用非得按照他们的，你只需要自己设定一种标准，在你这种标准之下，能够有效的区分故障样本和正常样本就可以了。

我在这方面的思路是通过小波分解（下边说的都是离散小波分解），然后去分析每一层的小波系数，来进行比较正常样本和故障样本。但是在这之前有一个问题，如何才能确定小波分解是最有效的分解，或者说如何才能确定小波分解的层数和小波基。我在一本书上偶然看见过说：针对某一种信号会有一种最优的小波基，然后可以通过相对熵来确定小波基的选择。还有就是分解层数的选择，是通过看见过网上的一段代码来确定的（其实就是通过小波分解之后进行重构，然后比较重构之后的信号和原始的信号的误差值来进行确定小波分解的层数）。

所以说，现在的第一步就是确定小波分解的层数和小波基，然后加上之前的想法，现在就有了一种想法就是通过一个样本进行不同层数和小波基的分解重构比较。然后在通过比较不同样本的情况，来找出一种合适的小波基和分解层数（可能用的是众数，就是说很多样本中用的最多的那种层数和小波基）。

在MATLAB中其实存在很多的小波函数库，要是想要进行分解重构的话有很多的函数可以直接调用，比如说分解函数wavedec，重构的函数waverec，还有一些加噪去噪的函数都可以直接进行调用。

小波分解的原理其实很简单（网上很多的介绍&#