基于复Morlet小波变换的振动信号包络谱分析（MATLAB实战）

1. 复Morlet小波变换基础入门第一次接触复Morlet小波变换时我也被那些数学公式搞得头晕。但后来发现把它想象成一个智能放大镜就简单多了。这个放大镜不仅能看清信号的局部特征还能自动调节放大倍数尺度和观察位置平移特别适合分析非平稳信号。复Morlet小波的核心是一个被高斯函数调制的复指数函数数学表达式看起来复杂phi exp(-t^2/2) * exp(1i*w0*t)但实际上可以拆解为两部分exp(-t^2/2)是高斯包络控制着时域窗口的大小exp(1iw0t)是旋转的复指数负责频率分析。我在调试轴承故障信号时发现w0中心频率设为5-10效果最好既能保证频率分辨率又不会丢失时域细节。尺度因子a的选择很有讲究a1时相当于把镜头拉远看到更低频成分a1时相当于显微镜放大观察高频细节一般建议从a1开始尝试根据信号特征调整2. MATLAB实战从振动信号到包络谱去年分析齿轮箱故障时我完整走通了这套流程。首先加载振动信号假设采样率fs10kHzload(bearing_vibration.mat); t (0:length(signal)-1)/fs;关键步骤分解小波参数配置wavename cmor3-3; % 带宽3中心频率3 scales 1:128; % 经验值覆盖50Hz-5kHz coefs cwt(signal, scales, wavename);包络提取技巧envelope abs(coefs(30,:)); % 选取特定尺度 envelope_smooth smoothdata(envelope, gaussian, 50);频谱分析[pxx,f] pwelch(envelope_smooth,[],[],[],fs); plot(f,10*log10(pxx)); xlabel(Frequency (Hz));常见坑点带宽参数过小会导致包络出现伪振荡尺度范围选择不当会漏检特征频率直接使用原始小波系数会使包络太粗糙3. 旋转机械故障诊断实战案例最近处理的一个风机轴承案例很典型。原始振动信号时域上看不出明显异常但经过复Morlet变换后故障特征提取流程先通过时频分析确定可疑频段[cfs,frq] cwt(signal,amor,fs); contour(t,frq,abs(cfs))针对特征频段(约1200Hz)优化小波参数wavename cmor5-1; % 窄带分析 scales fc./(frq/fs); % fc1Hz包络谱中清晰可见87Hz的故障特征频率对应轴承外圈缺陷参数选择经验表故障类型推荐带宽尺度范围注意要点轴承外圈损伤1-350-150关注转频谐波齿轮局部缺陷3-520-80检查啮合频率边带转子不平衡5-1010-50需结合相位分析4. 高级技巧与性能优化经过多次项目实践我总结出几个提升分析效率的方法并行计算加速parpool(local,4); spmd segment signal(1:end/4); coefs cwt(segment,scales,wavename); end自动尺度选择算法[~,peakIdx] findpeaks(fft(signal)); optimalScales fc./(peakIdx/fs*2);可视化调试技巧figure(Position,[100,100,1200,400]) subplot(131); plot(t,signal); subplot(132); imagesc(t,scales,abs(coefs)); subplot(133); plot(f,pxx); linkaxes(x);有次处理齿轮箱信号时发现常规参数效果不佳。后来改用多尺度联合分析coefs1 cwt(signal, 1:50, cmor3-1); coefs2 cwt(signal, 50:100, cmor3-3); envelope max([abs(coefs1(30,:)); abs(coefs2(30,:))]);这种组合策略成功捕捉到了被噪声淹没的调制特征后来成了我的标准操作流程之一。