1. 项目概述复小波变换与时频脊线提取在信号处理领域时频分析一直是研究非平稳信号特性的重要手段。传统傅里叶变换只能提供信号的全局频率信息而无法反映频率成分随时间的变化情况。复小波变换作为一种时频分析工具能够同时提供信号在时间和频率域上的局部特征特别适合分析频率随时间变化的非平稳信号。时频脊线提取是复小波变换应用中的关键技术它能够从时频平面中提取出信号瞬时频率的变化轨迹。这项技术在机械故障诊断、生物医学信号处理、地震信号分析等领域都有广泛应用。例如在旋转机械故障诊断中通过提取振动信号的时频脊线可以准确识别出故障特征频率在心电图分析中时频脊线可以帮助医生更准确地判断心脏活动的异常情况。MATLAB作为工程计算和信号处理的强大工具提供了丰富的小波分析函数库为实现复小波变换和时频脊线提取提供了便利。本文将详细介绍基于MATLAB的复小波变换时频脊线提取技术包括算法原理、实现步骤和实际应用技巧。2. 复小波变换理论基础2.1 复小波变换的基本原理复小波变换是传统小波变换的扩展它使用复数形式的小波函数对信号进行分析。与实小波变换相比复小波变换能够同时提供信号的幅度和相位信息这对于时频脊线提取尤为重要。数学上连续复小波变换可以表示为 WT(a,b) 1/√a ∫f(t)ψ*((t-b)/a)dt其中a是尺度参数b是平移参数ψ(t)是复小波函数*表示复共轭。常用的复小波包括Morlet小波、复高斯小波等。复小波变换的一个重要特性是它能够提供信号的解析表示这意味着对于实值信号其复小波变换结果可以分解为 WT(a,b) A(a,b)e^(jφ(a,b))其中A(a,b)是幅度φ(a,b)是相位。这个特性使得我们可以通过相位信息来精确估计信号的瞬时频率。2.2 时频脊线的数学定义时频脊线是指在小波变换的时频平面上幅度达到局部极大值的点的轨迹。数学上它可以表示为 t → a(t)其中a(t)满足 ∂|WT(a(t),t)|/∂a 0在实际应用中时频脊线对应于信号中主要频率成分随时间变化的轨迹。通过提取这些脊线我们可以获得信号瞬时频率的演变过程。3. MATLAB实现步骤详解3.1 信号预处理与参数设置在MATLAB中实现复小波变换时频脊线提取首先需要进行信号预处理和参数设置。以下是一个典型的预处理流程% 加载信号 load(signal.mat); % 假设信号存储在signal变量中 % 信号预处理 fs 1000; % 采样频率(Hz) t (0:length(signal)-1)/fs; % 时间轴 % 小波参数设置 freq_range [1 100]; % 感兴趣的频率范围(Hz) num_scales 100; % 尺度数量 wavelet_name cmor1-1.5; % 复Morlet小波关键参数说明采样频率fs需要根据实际信号设置必须满足奈奎斯特采样定理频率范围freq_range应根据信号特性选择避免不必要的计算尺度数量num_scales影响频率分辨率通常取50-200小波类型wavelet_name中cmor表示复Morlet小波后面的参数调节带宽和中心频率3.2 复小波变换计算MATLAB提供了cwt函数用于计算连续小波变换。对于复小波变换我们需要指定复小波类型% 计算复小波变换 scales helper(freq_range(1),freq_range(2),num_scales,wavelet_name,1/fs); [cwt_coefs,~] cwt(signal,scales,wavelet_name,SamplingPeriod,1/fs); % 计算小波变换的幅度和相位 cwt_mag abs(cwt_coefs); % 幅度 cwt_phase angle(cwt_coefs); % 相位这里helper函数用于生成适当的尺度向量其实现如下function scales helper(fmin,fmax,nvoices,wavelet,dt) % 根据频率范围计算对应的尺度 fc centfrq(wavelet); % 小波中心频率 s_min fc/(fmax*dt); s_max fc/(fmin*dt); scales logspace(log10(s_min),log10(s_max),nvoices); end3.3 时频脊线提取算法时频脊线提取的核心是从小波变换结果中找出幅度局部极大值点。以下是基于相位导数的脊线提取算法实现% 时频脊线提取 [ridge_freq, ridge_indices] extract_ridge(cwt_mag, cwt_phase, fs, scales, wavelet_name); function [ridge_freq, ridge_indices] extract_ridge(cwt_mag, cwt_phase, fs, scales, wavelet_name) [n_scales, n_samples] size(cwt_mag); ridge_indices zeros(1, n_samples); % 计算瞬时频率 omega -diff(unwrap(cwt_phase, [], 2), 1, 2)*fs/(2*pi); omega [omega(:,1) omega]; % 保持维度一致 % 对于每个时间点寻找幅度最大的脊线 for t 1:n_samples [~, idx] max(cwt_mag(:,t)); ridge_indices(t) idx; end % 计算对应的实际频率 fc centfrq(wavelet_name); ridge_freq fc./(scales(ridge_indices)*fs); end这个算法首先计算相位导数得到瞬时频率然后在每个时间点选择幅度最大的尺度作为脊线位置最后将尺度转换为实际频率。4. 算法优化与性能提升4.1 计算效率优化复小波变换的计算量较大特别是对于长信号和高分辨率分析。以下是一些优化策略并行计算利用MATLAB的并行计算工具箱加速计算if isempty(gcp(nocreate)) parpool; % 启动并行池 end spmd % 将信号分段并行处理 local_signal getLocalPart(codistributed(signal)); % 执行小波变换 local_cwt cwt(local_signal,scales,wavelet_name); end cwt_coefs gather(local_cwt);内存优化对于超长信号可采用分段处理策略segment_length 10000; % 分段长度 num_segments ceil(length(signal)/segment_length); cwt_results cell(1,num_segments); for i 1:num_segments start_idx (i-1)*segment_length 1; end_idx min(i*segment_length, length(signal)); segment signal(start_idx:end_idx); cwt_results{i} cwt(segment,scales,wavelet_name); endGPU加速对于支持GPU计算的MATLAB版本if gpuDeviceCount 0 signal_gpu gpuArray(signal); cwt_coefs gather(cwt(signal_gpu,scales,wavelet_name)); end4.2 脊线提取算法改进基本的脊线提取算法可能会受到噪声干扰产生不连续的脊线。以下是几种改进方法路径优化算法将脊线提取视为优化问题寻找时频平面上的最优路径function ridge_indices path_optimization(cwt_mag, penalty) [n_scales, n_samples] size(cwt_mag); cost -cwt_mag; % 将最大化问题转化为最小化问题 path zeros(n_scales, n_samples); % 动态规划求解最优路径 for t 2:n_samples for s 1:n_scales [min_cost, idx] min(cost(:,t-1) penalty*abs((1:n_scales)-s)); cost(s,t) cost(s,t) min_cost; path(s,t) idx; end end % 回溯得到最优路径 [~, ridge_indices(n_samples)] min(cost(:,n_samples)); for t n_samples-1:-1:1 ridge_indices(t) path(ridge_indices(t1),t1); end end基于机器学习的脊线提取使用训练好的模型预测脊线位置% 假设已经训练好一个脊线预测模型 load(ridge_predictor.mat); % 加载预训练模型 ridge_indices predict(ridge_model, cwt_mag);5. 实际应用案例分析5.1 机械振动信号分析在旋转机械故障诊断中时频脊线可以有效地提取故障特征频率。以下是一个轴承故障信号分析的示例% 加载轴承故障信号 load(bearing_fault.mat); fs 12000; % 采样频率12kHz % 设置分析参数 freq_range [100 2000]; % 轴承故障特征频率范围 wavelet_name cmor3-3; % 选择带宽较大的小波 % 执行复小波变换和脊线提取 scales helper(freq_range(1),freq_range(2),150,wavelet_name,1/fs); [cwt_coefs,~] cwt(bearing_signal,scales,wavelet_name,SamplingPeriod,1/fs); [ridge_freq, ~] extract_ridge(abs(cwt_coefs), angle(cwt_coefs), fs, scales, wavelet_name); % 绘制结果 figure; subplot(2,1,1); plot((0:length(bearing_signal)-1)/fs, bearing_signal); xlabel(Time (s)); ylabel(Amplitude); title(原始振动信号); subplot(2,1,2); plot((0:length(bearing_signal)-1)/fs, ridge_freq); xlabel(Time (s)); ylabel(Frequency (Hz)); title(提取的时频脊线);通过分析脊线频率的变化可以识别出轴承故障的特征频率及其调制现象。5.2 语音信号基频提取时频脊线技术也适用于语音信号的基频提取% 读取语音信号 [y, fs] audioread(speech.wav); y y(:,1); % 取单声道 % 设置参数 freq_range [50 500]; % 基频范围 wavelet_name cmor1-1.5; % 复小波变换 scales helper(freq_range(1),freq_range(2),100,wavelet_name,1/fs); [cwt_coefs,~] cwt(y,scales,wavelet_name,SamplingPeriod,1/fs); % 脊线提取 [ridge_freq, ~] extract_ridge(abs(cwt_coefs), angle(cwt_coefs), fs, scales, wavelet_name); % 平滑处理 ridge_freq medfilt1(ridge_freq, 15); % 中值滤波去噪6. 常见问题与解决方案6.1 脊线不连续问题问题描述提取的脊线出现断裂或跳跃现象。可能原因信号信噪比太低小波参数选择不当脊线提取算法过于简单解决方案对信号进行预处理滤波% 设计带通滤波器 [b,a] butter(4, [fmin fmax]/(fs/2), bandpass); filtered_signal filtfilt(b, a, signal);调整小波参数增加带宽wavelet_name cmor3-3; % 增加带宽参数使用更鲁棒的脊线提取算法ridge_indices path_optimization(cwt_mag, 0.1); % 使用路径优化算法6.2 计算速度慢问题问题描述对于长信号计算时间过长。优化策略降低频率分辨率num_scales 50; % 减少尺度数量使用快速小波变换近似% 使用快速离散小波变换近似 [cA,cD] dwt(signal,wavelet_name);分段处理长信号segment_length 10000; for i 1:ceil(length(signal)/segment_length) segment signal((i-1)*segment_length1:min(i*segment_length,end)); % 处理每个分段 end6.3 频率估计偏差问题问题描述脊线频率与真实频率存在偏差。校准方法使用已知频率的正弦信号校准test_freq 100; % Hz t 0:1/fs:1; test_signal sin(2*pi*test_freq*t); % 执行小波变换和脊线提取检查估计频率调整小波中心频率fc centfrq(wavelet_name); % 获取当前中心频率 % 根据偏差调整尺度计算使用插值提高频率分辨率% 在脊线附近进行插值 [~,idx] max(cwt_mag(:,t)); fine_scales logspace(log10(scales(idx-1)),log10(scales(idx1)),20); fine_cwt cwt(signal(t-5:t5),fine_scales,wavelet_name); [~,fine_idx] max(abs(fine_cwt(:,6))); est_freq fc/(fine_scales(fine_idx)*fs);7. 高级应用与扩展7.1 多分量信号脊线提取对于包含多个频率分量的信号我们需要提取多条脊线function [ridges, freqs] extract_multiple_ridges(cwt_mag, cwt_phase, fs, scales, wavelet_name, n_ridges) [n_scales, n_samples] size(cwt_mag); ridges zeros(n_ridges, n_samples); freqs zeros(n_ridges, n_samples); omega -diff(unwrap(cwt_phase, [], 2), 1, 2)*fs/(2*pi); omega [omega(:,1) omega]; for t 1:n_samples [~, sort_idx] sort(cwt_mag(:,t), descend); ridges(:,t) sort_idx(1:n_ridges); end % 频率计算 fc centfrq(wavelet_name); for k 1:n_ridges freqs(k,:) fc./(scales(ridges(k,:))*fs); end % 脊线平滑处理 for k 1:n_ridges freqs(k,:) medfilt1(freqs(k,:), 5); end end7.2 时频脊线在故障诊断中的应用时频脊线可用于旋转机械的故障诊断以下是一个完整的分析流程% 1. 数据采集与预处理 load(vibration_data.mat); fs 20000; % 采样频率20kHz % 带通滤波 [b,a] butter(4, [100 2000]/(fs/2), bandpass); filtered_signal filtfilt(b, a, vibration_signal); % 2. 复小波变换 wavelet_name cmor3-3; scales helper(100, 2000, 200, wavelet_name, 1/fs); cwt_coefs cwt(filtered_signal, scales, wavelet_name, SamplingPeriod, 1/fs); % 3. 脊线提取 [ridge_freq, ~] extract_ridge(abs(cwt_coefs), angle(cwt_coefs), fs, scales, wavelet_name); % 4. 特征分析 % 计算平均频率 mean_freq mean(ridge_freq); % 计算频率调制指数 freq_modulation std(ridge_freq)/mean_freq; % 5. 故障判断 if freq_modulation 0.1 disp(警告检测到明显的频率调制可能存在故障); else disp(设备运行正常); end7.3 实时脊线提取实现对于需要实时处理的应用可以采用以下策略% 初始化参数 window_size 1024; % 窗口大小 hop_size 256; % 跳跃大小 wavelet_name cmor1-1.5; scales helper(20, 1000, 100, wavelet_name, 1/fs); % 实时处理循环 while has_more_data() % 获取新数据 new_data get_next_data(hop_size); buffer [buffer(end-window_sizehop_size1:end); new_data]; % 复小波变换 cwt_coefs cwt(buffer, scales, wavelet_name, SamplingPeriod, 1/fs); % 脊线提取仅处理最新部分 [ridge_freq, ~] extract_ridge(abs(cwt_coefs), angle(cwt_coefs), fs, scales, wavelet_name); current_ridge ridge_freq(end-hop_size1:end); % 实时显示或处理 update_display(current_ridge); end提示在实时处理中可以适当降低频率分辨率减少尺度数量以提高计算速度同时使用重叠窗口保持时间分辨率。
1. 项目概述复小波变换与时频脊线提取在信号处理领域时频分析一直是研究非平稳信号特性的重要手段。传统傅里叶变换只能提供信号的全局频率信息而无法反映频率成分随时间的变化情况。复小波变换作为一种时频分析工具能够同时提供信号在时间和频率域上的局部特征特别适合分析频率随时间变化的非平稳信号。时频脊线提取是复小波变换应用中的关键技术它能够从时频平面中提取出信号瞬时频率的变化轨迹。这项技术在机械故障诊断、生物医学信号处理、地震信号分析等领域都有广泛应用。例如在旋转机械故障诊断中通过提取振动信号的时频脊线可以准确识别出故障特征频率在心电图分析中时频脊线可以帮助医生更准确地判断心脏活动的异常情况。MATLAB作为工程计算和信号处理的强大工具提供了丰富的小波分析函数库为实现复小波变换和时频脊线提取提供了便利。本文将详细介绍基于MATLAB的复小波变换时频脊线提取技术包括算法原理、实现步骤和实际应用技巧。2. 复小波变换理论基础2.1 复小波变换的基本原理复小波变换是传统小波变换的扩展它使用复数形式的小波函数对信号进行分析。与实小波变换相比复小波变换能够同时提供信号的幅度和相位信息这对于时频脊线提取尤为重要。数学上连续复小波变换可以表示为 WT(a,b) 1/√a ∫f(t)ψ*((t-b)/a)dt其中a是尺度参数b是平移参数ψ(t)是复小波函数*表示复共轭。常用的复小波包括Morlet小波、复高斯小波等。复小波变换的一个重要特性是它能够提供信号的解析表示这意味着对于实值信号其复小波变换结果可以分解为 WT(a,b) A(a,b)e^(jφ(a,b))其中A(a,b)是幅度φ(a,b)是相位。这个特性使得我们可以通过相位信息来精确估计信号的瞬时频率。2.2 时频脊线的数学定义时频脊线是指在小波变换的时频平面上幅度达到局部极大值的点的轨迹。数学上它可以表示为 t → a(t)其中a(t)满足 ∂|WT(a(t),t)|/∂a 0在实际应用中时频脊线对应于信号中主要频率成分随时间变化的轨迹。通过提取这些脊线我们可以获得信号瞬时频率的演变过程。3. MATLAB实现步骤详解3.1 信号预处理与参数设置在MATLAB中实现复小波变换时频脊线提取首先需要进行信号预处理和参数设置。以下是一个典型的预处理流程% 加载信号 load(signal.mat); % 假设信号存储在signal变量中 % 信号预处理 fs 1000; % 采样频率(Hz) t (0:length(signal)-1)/fs; % 时间轴 % 小波参数设置 freq_range [1 100]; % 感兴趣的频率范围(Hz) num_scales 100; % 尺度数量 wavelet_name cmor1-1.5; % 复Morlet小波关键参数说明采样频率fs需要根据实际信号设置必须满足奈奎斯特采样定理频率范围freq_range应根据信号特性选择避免不必要的计算尺度数量num_scales影响频率分辨率通常取50-200小波类型wavelet_name中cmor表示复Morlet小波后面的参数调节带宽和中心频率3.2 复小波变换计算MATLAB提供了cwt函数用于计算连续小波变换。对于复小波变换我们需要指定复小波类型% 计算复小波变换 scales helper(freq_range(1),freq_range(2),num_scales,wavelet_name,1/fs); [cwt_coefs,~] cwt(signal,scales,wavelet_name,SamplingPeriod,1/fs); % 计算小波变换的幅度和相位 cwt_mag abs(cwt_coefs); % 幅度 cwt_phase angle(cwt_coefs); % 相位这里helper函数用于生成适当的尺度向量其实现如下function scales helper(fmin,fmax,nvoices,wavelet,dt) % 根据频率范围计算对应的尺度 fc centfrq(wavelet); % 小波中心频率 s_min fc/(fmax*dt); s_max fc/(fmin*dt); scales logspace(log10(s_min),log10(s_max),nvoices); end3.3 时频脊线提取算法时频脊线提取的核心是从小波变换结果中找出幅度局部极大值点。以下是基于相位导数的脊线提取算法实现% 时频脊线提取 [ridge_freq, ridge_indices] extract_ridge(cwt_mag, cwt_phase, fs, scales, wavelet_name); function [ridge_freq, ridge_indices] extract_ridge(cwt_mag, cwt_phase, fs, scales, wavelet_name) [n_scales, n_samples] size(cwt_mag); ridge_indices zeros(1, n_samples); % 计算瞬时频率 omega -diff(unwrap(cwt_phase, [], 2), 1, 2)*fs/(2*pi); omega [omega(:,1) omega]; % 保持维度一致 % 对于每个时间点寻找幅度最大的脊线 for t 1:n_samples [~, idx] max(cwt_mag(:,t)); ridge_indices(t) idx; end % 计算对应的实际频率 fc centfrq(wavelet_name); ridge_freq fc./(scales(ridge_indices)*fs); end这个算法首先计算相位导数得到瞬时频率然后在每个时间点选择幅度最大的尺度作为脊线位置最后将尺度转换为实际频率。4. 算法优化与性能提升4.1 计算效率优化复小波变换的计算量较大特别是对于长信号和高分辨率分析。以下是一些优化策略并行计算利用MATLAB的并行计算工具箱加速计算if isempty(gcp(nocreate)) parpool; % 启动并行池 end spmd % 将信号分段并行处理 local_signal getLocalPart(codistributed(signal)); % 执行小波变换 local_cwt cwt(local_signal,scales,wavelet_name); end cwt_coefs gather(local_cwt);内存优化对于超长信号可采用分段处理策略segment_length 10000; % 分段长度 num_segments ceil(length(signal)/segment_length); cwt_results cell(1,num_segments); for i 1:num_segments start_idx (i-1)*segment_length 1; end_idx min(i*segment_length, length(signal)); segment signal(start_idx:end_idx); cwt_results{i} cwt(segment,scales,wavelet_name); endGPU加速对于支持GPU计算的MATLAB版本if gpuDeviceCount 0 signal_gpu gpuArray(signal); cwt_coefs gather(cwt(signal_gpu,scales,wavelet_name)); end4.2 脊线提取算法改进基本的脊线提取算法可能会受到噪声干扰产生不连续的脊线。以下是几种改进方法路径优化算法将脊线提取视为优化问题寻找时频平面上的最优路径function ridge_indices path_optimization(cwt_mag, penalty) [n_scales, n_samples] size(cwt_mag); cost -cwt_mag; % 将最大化问题转化为最小化问题 path zeros(n_scales, n_samples); % 动态规划求解最优路径 for t 2:n_samples for s 1:n_scales [min_cost, idx] min(cost(:,t-1) penalty*abs((1:n_scales)-s)); cost(s,t) cost(s,t) min_cost; path(s,t) idx; end end % 回溯得到最优路径 [~, ridge_indices(n_samples)] min(cost(:,n_samples)); for t n_samples-1:-1:1 ridge_indices(t) path(ridge_indices(t1),t1); end end基于机器学习的脊线提取使用训练好的模型预测脊线位置% 假设已经训练好一个脊线预测模型 load(ridge_predictor.mat); % 加载预训练模型 ridge_indices predict(ridge_model, cwt_mag);5. 实际应用案例分析5.1 机械振动信号分析在旋转机械故障诊断中时频脊线可以有效地提取故障特征频率。以下是一个轴承故障信号分析的示例% 加载轴承故障信号 load(bearing_fault.mat); fs 12000; % 采样频率12kHz % 设置分析参数 freq_range [100 2000]; % 轴承故障特征频率范围 wavelet_name cmor3-3; % 选择带宽较大的小波 % 执行复小波变换和脊线提取 scales helper(freq_range(1),freq_range(2),150,wavelet_name,1/fs); [cwt_coefs,~] cwt(bearing_signal,scales,wavelet_name,SamplingPeriod,1/fs); [ridge_freq, ~] extract_ridge(abs(cwt_coefs), angle(cwt_coefs), fs, scales, wavelet_name); % 绘制结果 figure; subplot(2,1,1); plot((0:length(bearing_signal)-1)/fs, bearing_signal); xlabel(Time (s)); ylabel(Amplitude); title(原始振动信号); subplot(2,1,2); plot((0:length(bearing_signal)-1)/fs, ridge_freq); xlabel(Time (s)); ylabel(Frequency (Hz)); title(提取的时频脊线);通过分析脊线频率的变化可以识别出轴承故障的特征频率及其调制现象。5.2 语音信号基频提取时频脊线技术也适用于语音信号的基频提取% 读取语音信号 [y, fs] audioread(speech.wav); y y(:,1); % 取单声道 % 设置参数 freq_range [50 500]; % 基频范围 wavelet_name cmor1-1.5; % 复小波变换 scales helper(freq_range(1),freq_range(2),100,wavelet_name,1/fs); [cwt_coefs,~] cwt(y,scales,wavelet_name,SamplingPeriod,1/fs); % 脊线提取 [ridge_freq, ~] extract_ridge(abs(cwt_coefs), angle(cwt_coefs), fs, scales, wavelet_name); % 平滑处理 ridge_freq medfilt1(ridge_freq, 15); % 中值滤波去噪6. 常见问题与解决方案6.1 脊线不连续问题问题描述提取的脊线出现断裂或跳跃现象。可能原因信号信噪比太低小波参数选择不当脊线提取算法过于简单解决方案对信号进行预处理滤波% 设计带通滤波器 [b,a] butter(4, [fmin fmax]/(fs/2), bandpass); filtered_signal filtfilt(b, a, signal);调整小波参数增加带宽wavelet_name cmor3-3; % 增加带宽参数使用更鲁棒的脊线提取算法ridge_indices path_optimization(cwt_mag, 0.1); % 使用路径优化算法6.2 计算速度慢问题问题描述对于长信号计算时间过长。优化策略降低频率分辨率num_scales 50; % 减少尺度数量使用快速小波变换近似% 使用快速离散小波变换近似 [cA,cD] dwt(signal,wavelet_name);分段处理长信号segment_length 10000; for i 1:ceil(length(signal)/segment_length) segment signal((i-1)*segment_length1:min(i*segment_length,end)); % 处理每个分段 end6.3 频率估计偏差问题问题描述脊线频率与真实频率存在偏差。校准方法使用已知频率的正弦信号校准test_freq 100; % Hz t 0:1/fs:1; test_signal sin(2*pi*test_freq*t); % 执行小波变换和脊线提取检查估计频率调整小波中心频率fc centfrq(wavelet_name); % 获取当前中心频率 % 根据偏差调整尺度计算使用插值提高频率分辨率% 在脊线附近进行插值 [~,idx] max(cwt_mag(:,t)); fine_scales logspace(log10(scales(idx-1)),log10(scales(idx1)),20); fine_cwt cwt(signal(t-5:t5),fine_scales,wavelet_name); [~,fine_idx] max(abs(fine_cwt(:,6))); est_freq fc/(fine_scales(fine_idx)*fs);7. 高级应用与扩展7.1 多分量信号脊线提取对于包含多个频率分量的信号我们需要提取多条脊线function [ridges, freqs] extract_multiple_ridges(cwt_mag, cwt_phase, fs, scales, wavelet_name, n_ridges) [n_scales, n_samples] size(cwt_mag); ridges zeros(n_ridges, n_samples); freqs zeros(n_ridges, n_samples); omega -diff(unwrap(cwt_phase, [], 2), 1, 2)*fs/(2*pi); omega [omega(:,1) omega]; for t 1:n_samples [~, sort_idx] sort(cwt_mag(:,t), descend); ridges(:,t) sort_idx(1:n_ridges); end % 频率计算 fc centfrq(wavelet_name); for k 1:n_ridges freqs(k,:) fc./(scales(ridges(k,:))*fs); end % 脊线平滑处理 for k 1:n_ridges freqs(k,:) medfilt1(freqs(k,:), 5); end end7.2 时频脊线在故障诊断中的应用时频脊线可用于旋转机械的故障诊断以下是一个完整的分析流程% 1. 数据采集与预处理 load(vibration_data.mat); fs 20000; % 采样频率20kHz % 带通滤波 [b,a] butter(4, [100 2000]/(fs/2), bandpass); filtered_signal filtfilt(b, a, vibration_signal); % 2. 复小波变换 wavelet_name cmor3-3; scales helper(100, 2000, 200, wavelet_name, 1/fs); cwt_coefs cwt(filtered_signal, scales, wavelet_name, SamplingPeriod, 1/fs); % 3. 脊线提取 [ridge_freq, ~] extract_ridge(abs(cwt_coefs), angle(cwt_coefs), fs, scales, wavelet_name); % 4. 特征分析 % 计算平均频率 mean_freq mean(ridge_freq); % 计算频率调制指数 freq_modulation std(ridge_freq)/mean_freq; % 5. 故障判断 if freq_modulation 0.1 disp(警告检测到明显的频率调制可能存在故障); else disp(设备运行正常); end7.3 实时脊线提取实现对于需要实时处理的应用可以采用以下策略% 初始化参数 window_size 1024; % 窗口大小 hop_size 256; % 跳跃大小 wavelet_name cmor1-1.5; scales helper(20, 1000, 100, wavelet_name, 1/fs); % 实时处理循环 while has_more_data() % 获取新数据 new_data get_next_data(hop_size); buffer [buffer(end-window_sizehop_size1:end); new_data]; % 复小波变换 cwt_coefs cwt(buffer, scales, wavelet_name, SamplingPeriod, 1/fs); % 脊线提取仅处理最新部分 [ridge_freq, ~] extract_ridge(abs(cwt_coefs), angle(cwt_coefs), fs, scales, wavelet_name); current_ridge ridge_freq(end-hop_size1:end); % 实时显示或处理 update_display(current_ridge); end提示在实时处理中可以适当降低频率分辨率减少尺度数量以提高计算速度同时使用重叠窗口保持时间分辨率。
