小波变换：振动信号分析的“数学显微镜”—

在设备健康监测与预测性维护中，振动信号往往包含短时冲击、持续谐波与结构共振的叠加。小波变换以其多分辨率与时频局部化能力，成为振动故障定位、去噪与特征提取的利器。本文围绕“振动传感器 → 采集 → 小波分析 → 应用实施”的完整链路展开，既讲清数学/算法要点，也给出工程实践要点与可复现代码示例，便于在我们在振动传感器应用方便有更多的视角。

对于平稳信号，处理信号的理想工具仍然是傅里叶分析，但是在实际应用中，绝大多数的信号是非稳定的，而特别适用于非稳定信号的工具就是小波分析。[1]

一、为什么振动监测需要小波变换？

振动信号的典型特性：非平稳、瞬态冲击、多尺度（转速相关谐波、冲击包络、结构模态）。
问题举例：轴承早期故障通常表现为短时冲击序列，被背景噪声与结构共振掩盖；仅靠 FFT 难以及时定位并识别冲击序列的起止时间。
要点：我们需要同时获得“何时发生”（时间定位）和“是什么频率构成”（频谱信息），小波变换能在不同尺度上实现这一点。

图1 振动加速度传感器(图中所示是防辐射型)

实际电机/齿轮箱壳体安装我司振动传感器的照片（标注传感器型号位置与采样链路）。传感器贴近故障源安装，有助于提高冲击信噪比（SNR）。

二、传统方法的局限（与振动场景结合）

FFT：适合稳态频谱（基频、谐波）的整体统计，但对瞬态冲击的时间定位无能为力。
STFT（短时傅里叶）：固定窗长导致时间/频率分辨率权衡，面对同时存在的低频载波与高频冲击时常常不够理想。
演示：啁啾/冲击信号在 FFT、STFT、CWT（小波）下的对比，突出小波的冲击定位能力。
模拟信号由 4种成分组成：低频稳态正弦 + 线性调频扫频 + 高频瞬态冲击 + 高斯白噪声

图-1 FFT、STFT、CWT的时间频率输出

图片内容/说明：同一信号的三种时频表示并列图（X 轴时间，Y 轴频率，颜色表示能量）。小波（右图）能清晰看到瞬态冲击在高频处的瞬时能量聚集。

你如果问FFT：“信号中有什么？”它会回答：信号中有个频率30Hz较多，300~800Hz之间有点料，其它的嘛，噪声一直有。冲击？有吗？不知道唉，没看见。

同样的问题，短时傅里叶变换（STFT）和连续小波变换（SWT）的答案都还可以，比如在0.2s、0.5s和0.8s都检测到了短时脉冲，还有连续变化的频率。但是，STFT在频率轴和时间轴上的分辨率要低于SWT的输出。如果把图放大，还可以看到两个图中在低频处都有一条平行于时间轴的表示靠近30Hz低频的线。

三、小波变换的核心思想（技术要点）

伸缩（scale）对应频率：小尺度（a < 1）专注高频、高时间分辨率；大尺度（a > 1）关注低频、高频率分辨率。
数学映射（工程常用近似）：

对于连续小波变换(CWT: Continous Wavelet Transform)，scale 与频率近似关系：f ≈ f_c / (scale · dt)，其中 f_c 为所用母小波的中心频率，dt = 1/fs。
对于二进离散小波变换(dyadic DWT: Dyadic Discrete Wavelet Transform)，尺度和平移参数按照2的幂次（a = 2^j）进行离散化，fs是采样频率的话，第 j 层细节系数大致覆盖频带 [fs / 2^{j+1}, fs / 2^{j}]（近似，用于工程估算）。

基函数选择与工程含义：紧支撑小波（如 Daubechies）对突变定位好，连续复值小波（如 Morlet）在 scalogram 可视化上更直观。

总而言之，小波变换的想法就是把傅里叶变换的那些无限长的三角函数的基换成有限长的会衰减的小波基。这样不仅能够获取频率，还可以定位到时间。[1]

四、CWT 与 DWT 在工程中的取舍

CWT（连续小波变换）

优点：冗余高、可视化友好、便于发现未知模态或瞬态事件（离线分析或调试阶段首选）。
缺点：计算量与存储开销大，不适合嵌入式实时。

DWT（离散小波变换 / 二进小波）

优点：正交/可逆、计算与存储效率高，适合实时或边缘处理（嵌入式）
实践：工程上常用 Mallat 快速金字塔算法或 lifting scheme（更省资源，利于 MCU/FPGA 实现）。

建议工作流程：离线用 CWT 可视化与挑选最优小波 → 实时/边缘用 DWT（或小波包）并提取约定系数与统计量上报。

五、工程实现细节与检测清单

采样与反走样

采样率 fs 的选取：目标分析最高频 f_max 的 5–10 倍（工程建议，含滤波裕量）。例如若目标共振带到 6 kHz，fs ≥ 30–60 kHz。
前端模拟抗混叠低通滤波器（或高质量 ADC 自带的 A/D 前端）必须保证 Nyquist 以外能量被抑制。
反走样（Anti-aliasing）是为了防止这种失真而采取的预滤波措施。其核心是：在抽取（降采样）之前，先通过一个低通滤波器，把那些采样后会产生折叠的高频成分滤掉。

传感器选型与布置

我司振动传感器（MEMS 与内置电路IEPE、4~20mA电流环、HART等总线类型）在带宽/灵敏度/耐环境方面各有优势：近点安装、刚性固定与良好耦合能显著提升冲击能量捕获。
建议同时记录转速/编码器信号用于同步（方便将冲击事件映射到转速相关故障频率，相当于告诉你：设备在某时某刻某个转角发现了一个异常）。

去噪与阈值（*参考下面的补充说明）

小波阈值策略：可使用 SURE、VisuShrink 或 Empirical Bayes 自适应阈值；工程上软阈（soft）通常能更好保留边缘信息。
DWT 的平移不变性问题：若要做稳定的能量统计，考虑使用平移不变 DWT（stationary wavelet transform）或双树复小波（DT-CWT）。

特征工程

多尺度能量（各层能量占比）、细节系数峰值、包络能量谱、熵/谱净化指标（spectral kurtosis）等。
小波包能量比在齿轮/轴承分类任务中常见且有效。

实时/边缘实现要点

采用整数小波或 lifting scheme、减少分解层数、仅在发生事件时发送系数摘要（能量、峰值、时间戳）。
计算瓶颈：内存与延时（ms）需在设计时预算，优先做性能基准（不同 MCU/FPGA 芯片）。随着日新月异的技术发展，只要硬件资源够，SWT也是可以接受的。

*补充：

对信号进行小波分解后，会得到一系列小波系数。一般认为，真实信号的能量集中在幅值较大的少数系数上，而噪声则均匀分布在幅值较小的所有系数上。阈值策略的核心就是：找到一个界限，把小的系数砍掉（认为是噪声），保留大的系数（认为是信号）。

1. 如何确定阈值的大小？（SURE, VisuShrink）

这指的是用一个什么样的数值作为“界限”。

VisuShrink（通用阈值）

公式：，其中，λ是噪声标准差，N是信号长度。
理解：这是一种简单粗暴的全局阈值。它的理论依据是：当信号长度N趋于无穷时，噪声的最大幅值不会超过这个界限。
特点：效果平滑，但因为阈值通常较大，容易把信号中一些微弱的但有价值的细节（边缘）也一起砍掉（过扼杀）。这在数学上被称为“过平滑”。

SURE（斯坦福无偏风险估计）

理解：这是一种自适应阈值选择方法。它的原理是把“砍系数”看作一个风险决策。SURE通过数学手段，估计出如果使用某个阈值，重构后的信号与真实信号之间的“误差风险”有多大。它会在每个分解层上，自动寻找那个让风险最小的阈值。
特点：这是数据驱动的。相比VisuShrink的“一刀切”，SURE在高信噪比情况下表现更好，能更精细地保留信号特征。

Empirical Bayes（经验贝叶斯）

理解：这种方法假设小波系数服从某种统计分布（如高斯分布或拉普拉斯分布），信号系数是“稀疏”的（大部分为0）。它利用观测到的数据（含噪系数）来反推原始信号的分布参数，然后基于这个后验概率来收缩系数。
特点：这是一种介于经典统计和现代稀疏表示之间的方法，通常能给出更平滑且保留细节的结果，但计算量稍大。

2. 如何处理这些系数？（硬阈值 vs. 软阈值）

确定了阈值 λ 后，面对小于λ 的系数，直接置零。但对于大于 λ 的系数，处理方法有两种，也就是你提到的硬阈值和软阈值。各位可以再去查看相关的文档。

六、典型落地案例（滚动轴承早期故障检测模拟）

采集参数示例，传感器贴近轴承壳体。模拟信号如下组成：采样 fs = 25.6 kHz，采样窗口 1–5 s，带通关注共振带 4–8 kHz。

周期性冲击成分：以1800 RPM（30 Hz）的转速为基础，模拟每转产生一次冲击，通过一个阻尼正弦振荡器生成频率为6000 Hz、阻尼比为0.01的高频谐振波形，代表机械故障（如轴承或齿轮损伤）激起的设备结构共振响应。
低速调制成分：添加了一个频率为300 Hz（即转速频率的10倍）的正弦波，用于模拟与转速相关的低频率周期性振动（如轴频谐波或齿轮啮合频率）。
本底噪声：加入了均值为0、标准差为0.2的高斯白噪声，以模拟环境噪声和传感器的测量噪声。