时频域统计特征提取

时域特征提取：https://blog.youkuaiyun.com/qq_37240982/article/details/107425077
频域特征提取：https://blog.youkuaiyun.com/qq_37240982/article/details/107425375

时域、频域、时频域特征提取matlab程序的zip：
https://www.lanzoui.com/b01bp72xa

时频域特征提取可以在时频域提取出待测样本数据多个统计特征值，如小波奇异熵等。旋转机械故障时的振动大多数信号是非平稳信号[23]。减速器关键部件的工作环境通常是复杂且多变的，因此加速度传感器测得的振动信号通常具有非平稳、随时间变化的特点。时域或频域中的传统统计特性通常描述了整个减速器关键部件的运行状态，无法观察非平稳振动信号的频率随时间变化的信息，不能局部分析振动信号，即时间频率分辨率不高。而借助时频域分析这一参数提取方法可以确定主减速器的健康状况信息。减速器中关键部件特征提取的时频分析的关键是在小范围内观察振动信号的频率信息，以恢复小范围内振动信号的频率组成信息，或查看全部信号在每个频带中整个信号的分布和安排。所以本文除了提取时域、频域的特征参数外也将时频域的特征参数考虑在内，以综合提取振动信号的特征。时频域分析时经常使用的方法为小波变换。小波变换使得原始振动信号被分成多个子频带，当对信号进行局部分析时，实质上是分别分析多个子频带上的时域分量。小波变换定义如下：

小波域统计特征提取matlab程序如下：

function [ waveletstruct ] =  waveletFeatures( src)
%计算小波域统计特征
%wpcoef：找小波包分解的系数，N层小波包分解后将信号分成2^N个子带，没个子带的信号长度是原是信号的1/2^N倍，其实就是将原始信号化成2^N段，每段的长度是相等的且比原信号短
%wprcoef：是小波包分解系数重构，将分解的各个子带的信号拓展为原始信号那么长，
%两者的区别就是wprcoef是wpcoef的拓展（长度与原始信号一样），他们每个节点的能量是一样的

%%小波熵是一个统称，不是一种具体的熵算法。
%旗下包括小波时间熵、小波尺度熵(小波特征尺度熵)、小波时频熵、小波能量熵(小波能谱熵)
% 小波相关尺度熵(小波相关特征尺度熵)、小波奇异熵、小波方差谱熵、小波空间特征熵(小波空间特征尺度熵)


n=3;%3层小波包分解
T=wpdec(src,n,'db6'); %3层小波包分解   得到8个子带
for i=1:2^n   %%重构分量，使信号和原始信号一样长
       E(i)=norm(wprcoef(T,[n,i-1]),2)*norm(wprcoef(T,[n,i-1]),2); %求第i个节点的二范数，乘以平方才是能量
end

E_total=sum(E);%总能量

%8个子带的小波能量比
waveletstruct.p1=E(1)/E_total; 
waveletstruct.p2=E(2)/E_total; 
waveletstruct.p3=E(3)/E_total; 
waveletstruct.p4=E(4)/E_total; 
waveletstruct.p5=E(5)/E_total; 
waveletstruct.p6=E(6)/E_total; 
waveletstruct.p7=E(7)/E_total; 
waveletstruct.p8=E(8)/E_total; 


%绘制条形图
% p=[waveletstruct.p1,waveletstruct.p2,waveletstruct.p3,waveletstruct.p4,...
%     waveletstruct.p5,waveletstruct.p6,waveletstruct.p7,waveletstruct.p8];
% bar(p);
% set(gca,'XTickLabel',{'(3,0)','(3,1)','(3,2)','(3,3)' ,'(3,4)','(3,5)','(3,6)','(3,7)'});

%小波能量熵(小波能谱熵)
waveletstruct.energyE=-sum(E/E_total.*log(E/E_total)); 


%8个子带的小波熵(小波尺度熵)   在各尺度上求的是shannon熵=小波尺度熵(小波特征尺度熵)
waveletstruct.E1=wentropy(wpcoef(T,[3,0]),'shannon');%
waveletstruct.E2=wentropy(wpcoef(T,[3,1]),'shannon');%
waveletstruct.E3=wentropy(wpcoef(T,[3,2]),'shannon');%
waveletstruct.E4=wentropy(wpcoef(T,[3,3]),'shannon');%
waveletstruct.E5=wentropy(wpcoef(T,[3,4]),'shannon');%
waveletstruct.E6=wentropy(wpcoef(T,[3,5]),'shannon');%
waveletstruct.E7=wentropy(wpcoef(T,[3,6]),'shannon');%
waveletstruct.E8=wentropy(wpcoef(T,[3,7]),'shannon');%


%小波奇异谱熵
%%先求取奇异值，将奇异值构造向量即得到奇异值谱，然后计算熵值即可
%第一步：小波分解，得到各分量信号，对系数重构，得到完整系数
for i=1:2^n   %%重构分量，使信号和原始信号一样长
       q(:,i)=wprcoef(T,[n,i-1]); %求系数
end

%奇异值分解
s=svd(q);
S=sum(s);
dim=length(s);
for i=1:dim
    p(i)=s(i)/S;
end
waveletstruct.qyshang=-sum(p.*log(p));%小波奇异熵




end

时域、频域、时频域特征提取matlab程序的zip：
https://www.lanzoui.com/b01bp72xa