信号处理与特征提取：时域、频域与小波变换

各位同学，大家好。今天我们来聊聊故障诊断里最核心的一步——特征提取。

说白了，传感器采集回来的原始数据，就像一堆没加工的矿石。你得把它“洗”一遍，把有用的“金子”挑出来。这个“洗矿”的过程，就是信号处理与特征提取。

我个人习惯把特征提取分成三个维度去看：时域、频域，还有时频域（小波变换）。每个维度都有自己的脾气，咱们一个一个说。

故障特征提取三大方法 时域分析 均值、方差、峰值 峭度、波形因子 包络分析 适合冲击、突变 频域分析 (FFT) 频谱、功率谱 边频带分析 谐波检测 适合周期性故障 小波变换 多尺度分解 细节系数提取 奇异性检测 适合非平稳信号

1. 时域分析：最直观的“望闻问切”

时域分析，就是直接看信号随时间怎么变化。你想想看，一个正常的陀螺输出，波形应该是平稳的。如果突然出现一个尖刺，或者均值漂了，那肯定有问题。

常用的时域特征指标：

  • 均值与方差：反映信号的整体水平和波动程度。我在项目中遇到过，某型号惯导的加速度计零偏缓慢漂移，就是靠均值滑动窗口抓出来的。
  • 峰值与峰峰值：检测冲击性故障。比如动量轮轴承的“打滑”故障，峰值会突然跳变。
  • 峭度（Kurtosis）：这个指标很敏感。正常信号的峭度接近3，如果峭度远大于3，说明信号里混入了冲击成分。嗯，这里要注意，峭度对早期故障特别灵敏，但容易受噪声干扰。
  • 波形因子与脉冲因子：用来区分不同类型的故障形态。

实战经验： 我曾经调试一个卫星的太阳翼驱动机构，遥测数据看起来一切正常。但我把时域波形放大100倍后，发现每个转动周期都有一个微小的“毛刺”。后来拆解发现，是齿轮上有一个微裂纹。所以，别小看时域波形，有时候“肉眼”就是最好的故障检测器。

2. 频域分析（FFT）：把信号“拆”开看

时域看不出来的东西，换到频域里可能一目了然。为什么？因为很多故障都有特定的频率特征。比如，轴承故障会在某个特征频率上出现能量峰值。

FFT的核心思路： 把时域信号分解成不同频率的正弦波叠加。说白了，就是告诉你“信号里都有哪些频率成分，各自有多强”。

频域分析的关键点：

  1. 频谱分析：直接看幅值谱。正常状态下，频谱能量集中在少数几个频率上。故障状态下，会出现新的频率分量，或者原有频率的幅值发生改变。
  2. 功率谱密度（PSD）：比幅值谱更平滑，适合分析宽带信号。我建议在做故障诊断时，优先看PSD，因为它对噪声的鲁棒性更好。
  3. 边频带分析：这是旋转机械故障诊断的“杀手锏”。当出现调制现象时（比如齿轮啮合频率被转频调制），频谱上会在主频率两侧出现对称的边频带。边频带的间距就是调制频率。

避坑指南： 我曾经犯过一个错误——直接用原始数据做FFT，结果频谱里全是噪声。后来才意识到，必须先做加窗处理。汉宁窗（Hanning）是通用选择，但如果你的信号是瞬态冲击，用矩形窗反而更好。记住：窗函数的选择直接影响频谱的分辨率和泄漏程度。

一个简单的FFT代码示例（Python）：

import numpy as np
import matplotlib.pyplot as plt

fs = 1000  # 采样率 1000 Hz
t = np.arange(0, 1, 1/fs)
# 模拟一个正常信号 + 故障信号
x = np.sin(2*np.pi*50*t) + 0.5*np.sin(2*np.pi*120*t) + 0.2*np.random.randn(len(t))

# 加汉宁窗
window = np.hanning(len(x))
x_windowed = x * window

# FFT
X = np.fft.fft(x_windowed)
freq = np.fft.fftfreq(len(x), 1/fs)

# 只取正频率部分
idx = np.where(freq >= 0)
plt.plot(freq[idx], np.abs(X[idx]))
plt.xlabel('频率 (Hz)')
plt.ylabel('幅值')
plt.title('加窗后的频谱')
plt.grid(True)
plt.show()

3. 小波变换：给信号一个“显微镜”

FFT有个硬伤——它假设信号是平稳的。但航天GNC系统的故障信号，往往是非平稳的。比如，一个瞬态冲击，在FFT里会被“平均”掉，根本看不出来。

这时候，小波变换就派上用场了。它就像一个“显微镜”，既能看全局（低频），又能放大局部（高频）。

小波变换的核心思想： 用一系列可伸缩、可平移的小波基函数去匹配信号。通过改变尺度（伸缩）和平移，得到信号在不同时间、不同频率上的能量分布。

小波变换在故障诊断中的典型应用：

  • 多尺度分解：把信号分解成近似系数（低频）和细节系数（高频）。故障信息通常藏在细节系数里。
  • 奇异性检测：信号中的突变点（比如阶跃、尖峰），在小波变换的细节系数上会表现为模极大值。通过追踪模极大值线，可以精确定位故障发生的时间。
  • 去噪与重构：先对细节系数做阈值处理（软阈值或硬阈值），再重构信号。我习惯用软阈值，虽然会损失一点幅值，但信号更平滑，不容易产生伪振荡。

重要提醒： 小波基函数的选择没有“万能解”。db4小波适合检测短时突变，sym8小波适合分析平滑信号。我在做某型号火箭的伺服机构故障诊断时，试了十几种小波基，最后发现“bior3.1”效果最好。所以，一定要根据你的信号特征去试，别偷懒。

小波变换的代码示例（Python + PyWavelets）：

import pywt
import numpy as np

# 模拟一个带瞬态冲击的信号
t = np.linspace(0, 1, 1000)
x = np.sin(2*np.pi*10*t)
x[500:510] += 2.0  # 在第500个采样点加入冲击

# 小波分解（使用db4小波，分解到第4层）
coeffs = pywt.wavedec(x, 'db4', level=4)
cA4, cD4, cD3, cD2, cD1 = coeffs

# 提取细节系数（高频部分）
# 故障冲击会在cD1或cD2中表现为明显的峰值
plt.figure()
plt.subplot(2,1,1)
plt.plot(x)
plt.title('原始信号（含冲击）')
plt.subplot(2,1,2)
plt.plot(cD1)
plt.title('第一层细节系数（高频成分）')
plt.tight_layout()
plt.show()

三种方法的对比与选择

方法 适用场景 优点 缺点
时域分析 冲击、突变、趋势变化 直观、计算量小、实时性好 对周期性故障不敏感
频域分析（FFT） 周期性故障、谐波、调制 频率定位准确、物理意义明确 不适合非平稳信号、有频谱泄漏
小波变换 非平稳信号、瞬态冲击、多尺度分析 时频局部化、适合突变检测 计算量大、小波基选择依赖经验

我的建议： 在实际工程中，别只依赖一种方法。我通常的做法是：先用时域分析做快速筛查，发现异常后，用FFT确认频率特征，最后用小波变换精确定位故障时刻。三种方法打组合拳，效果远好于单打独斗。

好了，关于信号处理与特征提取，咱们就聊到这里。记住，特征提取是故障诊断的“眼睛”，眼睛亮了，后面的诊断才能准。下一节，咱们会把这些特征喂给分类器，看看怎么自动识别故障模式。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →