基于小波包变换的轴承故障特征提取系统

资 源 简 介

该项目旨在通过小波包分析技术实现滚动轴承振动信号的精细化分解与特征提取。项目核心功能是利用小波包变换能够对信号的高频和低频部分同时进行精细分解的特性，将复杂的非平稳滚动轴承振动信号映射到一系列互不重叠的子频带上。通过对这些子频带节点系数进行能量计算，程序可以准确捕捉到轴承在发生内圈故障、外圈故障、滚动体故障以及保持架故障时表现出的特定频带能量异常。具体实现流程包括：对输入的原始离散时间信号进行多层小波包分解，获取各节点的系数矩阵；计算每个节点对应的频带能量值，并根据信号的总能量进行归一化处理，从而消除信号

详 情 说 明

基于小波包变换的滚动轴承故障能量特征提取系统

项目介绍

本项目是一款专为滚动轴承故障诊断研究设计的特征提取工具。它利用小波包分析（Wavelet Packet Analysis）技术，对非平稳、非线性的滚动轴承振动信号进行精细化处理。与传统的小波变换相比，该系统不仅能对信号的低频部分进行分解，还能对高频部分进行等带宽的二次分解，从而在全频域范围内捕捉故障引起的冲击特征和能量异动。项目通过计算子频带能量分布并生成归一化特征向量，为后续的设备健康预测（PHM）和机器学习分类任务提供高质量的特征输入。

功能特性

1. 信号仿真与构建：系统内置了典型的滚动轴承故障信号模拟器，可生成包含基频干扰、周期性冲击脉冲及高斯白噪声的复合信号。
2. 多层小波包分解：支持自定义小波基函数和分解层数，实现对振动信号的深度分频，将其映射到多个互不重叠的子频带节点上。
3. 能量精细特征提取：自动从各子频带系数中提取能量值，量化不同频率分量的分布情况。
4. 归一化处理：通过对能量特征进行比例化处理，消除原始信号幅值大小对识别结果的干扰，增强特征的鲁棒性。
5. 能量熵计算：计算特征向量的香农熵，反映信号在频域上的能量分布复杂程度或不确定性。
6. 多维度可视化：提供时域信号波形、子频带原始能量直方图及归一化特征向量对比图，支持自动标注数值。

实现逻辑与流程

1. 参数初始化：设置采样频率、采样步长以及小波包分解的具体参数（如选用db4小波和3层分解）。
2. 构建模拟源信号：通过叠加正弦波（模拟旋转基频）、周期性冲击序列（模拟轴承内圈故障冲击信号）和随机噪声，构建具有实际工程意义的待处理信号。
3. 执行小波包分解：调用小波工具箱核心算法，构建小波包分解树，将信号分解至指定的第3层，产生8个独立的子频带节点。
4. 节点系数提取与能量计算：遍历所有末端节点，提取各频带的小波包系数，通过对系数平方求和获得各节点的原始能量。
5. 特征归一化：将各节点能量除以总能量，得到反映各频带能量占比的归一化向量，并同步计算能量熵。
6. 输出与绘图：在命令行实时显示特征数据，并绘制包含三张子图的分析画布，展示从原始数据到处理后特征的全过程。

关键算法与实现细节

1. 小波包分解算法：程序利用多分辨率分析理论，将信号空间划分为具有相同频带梯度的子空间。算法不仅关注低频（近似部分），也关注高频（细节部分），有效弥补了传统小波分解在高频段频率分辨率不足的问题。
2. 能量特征提取逻辑：通过计算每个子频带节点（terminal nodes）对应系数矩阵的二范数平方，捕捉该频域范围内的信号强度。
3. 频率排序优化：程序考虑了小波包分解默认的Paley排序与实际频率顺序的对应关系，确保提取出的8个特征值对应于从低频到高频递增的频带。
4. 归一化策略：通过能量占比映射，将特征向量限制在[0,1]区间内，使其满足概率分布特性，便于输入各类人工神经网络或支持向量机。
5. 能量熵辅助分析：利用熵值量化故障信号的随机性和混乱度，通常轴承发生严重故障时，特定频带能量会突增，导致系统熵值发生明显变化。

使用方法

1. 环境配置：启动MATLAB环境，并确保安装了Wavelet Toolbox。
2. 数据加载：如需处理实测数据，可在代码的信号构建部分（第19-32行）通过load命令替换模拟信号生成逻辑。
3. 参数调节：根据实际采样频率（Fs）和关注的频率范围，修改分解层数（level）和小波基（waveletBase）。
4. 运行分析：执行程序，系统将自动弹出可视化窗口并打印特征向量。
5. 数据导出：获取的normalizedFeatures变量即可直接用于后续的故障诊断算法训练。

系统要求

1. 软件环境：MATLAB R2016b 及以上版本。
2. 必要组件：Wavelet Toolbox（小波工具箱）。
3. 硬件建议：标准计算机配置，内存建议4GB以上。