小扁不扁1. MATLAB轴心轨迹绘制与降噪前处理实战指南
在旋转机械故障诊断领域，轴心轨迹分析是判断轴承、转子等关键部件健康状态的重要技术手段。作为一名长期从事机械状态监测的工程师，我发现在MATLAB环境中实现轴心轨迹的可视化并配合降噪处理，能显著提升诊断准确性。本文将基于R2018A版本，详细解析从数据预处理到轨迹绘制的完整流程，特别针对工业现场常见的噪声干扰问题，分享小波降噪的实战技巧。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 轴心轨迹分析的核心原理与价值
2.1 轴心轨迹的物理意义
轴心轨迹是旋转机械转轴中心在轴承间隙范围内的运动路径投影，通过XY两个正交方向的振动传感器（通常为电涡流传感器）采集位移信号合成。健康的轴心轨迹应呈现规则椭圆或圆形，而当出现不对中、摩擦、松动等故障时，轨迹会呈现"8"字形、花瓣形等特征形态。
2.2 MATLAB实现的优势
相比专业诊断设备，MATLAB提供了更灵活的信号处理工具链：
- 丰富的时频分析工具箱（Wavelet Toolbox, Signal Processing Toolbox）
- 直观的数据可视化函数（plot, comet等动态展示）
- 矩阵运算加速处理大规模振动数据
- 可集成机器学习算法实现智能诊断
3. 数据准备与降噪前处理
3.1 原始振动数据导入
假设我们有两个通道的振动数据（X/Y方向），采样率10kHz，保存为CSV格式：
matlab复制data = csvread('vibration_data.csv');
x_raw = data(:,1); % X通道原始信号
y_raw = data(:,2); % Y通道原始信号
fs = 10000; % 采样频率
t = (0:length(x_raw)-1)/fs; % 时间轴
3.2 小波降噪实战步骤
工业现场常见50Hz工频干扰和高频噪声，采用小波降噪效果显著：
matlab复制% 小波基选择 - 根据信号特性推荐sym8或db6
wname = 'sym8';
% X方向降噪
[thr,sorh] = ddencmp('den','wv',x_raw);
x_denoised = wdencmp('gbl',x_raw,wname,5,thr,sorh);
% Y方向降噪（参数保持一致）
y_denoised = wdencmp('gbl',y_raw,wname,5,thr,sorh);
% 降噪效果对比
figure
subplot(211), plot(t,x_raw), title('X原始信号')
subplot(212), plot(t,x_denoised), title('X降噪后')
关键参数说明：
- 分解层数5：对应分析频段312.5-625Hz（fs=10kHz时）
- 全局阈值（'gbl'）适用于稳态振动信号
- 硬阈值（'h'）保留更多冲击特征
3.3 其他降噪方法对比
- 滑动平均滤波：简单但会模糊瞬态特征
matlab复制windowSize = 5; x_movavg = movmean(x_raw, windowSize); - IIR陷波滤波器：针对特定频率干扰
matlab复制wo = 50/(fs/2); % 工频50Hz [b,a] = iirnotch(wo, wo/35); x_notch = filtfilt(b,a,x_raw);
4. 轴心轨迹绘制进阶技巧
4.1 基础绘制方法
matlab复制figure
plot(x_denoised, y_denoised, 'b-')
axis equal % 保证XY比例一致
xlabel('X方向位移/μm'), ylabel('Y方向位移/μm')
title('轴心轨迹图')
grid on
4.2 动态轨迹展示
使用comet函数实现动画效果，直观观察轨迹形成过程：
matlab复制comet(x_denoised(1:1000), y_denoised(1:1000))
% 限制数据量避免卡顿
4.3 轨迹特征量化
计算轨迹的椭圆度、偏心率等特征参数：
matlab复制% 最小二乘椭圆拟合
[ellipse_t, ellipse_par] = fit_ellipse(x_denoised, y_denoised);
% 计算偏心率
a = ellipse_par.a; % 长轴
b = ellipse_par.b; % 短轴
eccentricity = sqrt(1-(b^2)/(a^2));
disp(['偏心率：', num2str(eccentricity)])
注：fit_ellipse函数需从MATLAB Central下载或自行实现
5. 工业应用中的典型问题排查
5.1 信号不同步问题
现象：轨迹图形出现"回钩"异常
解决方法：
- 检查传感器安装相位差（应保证90°±5°）
- 对齐数据采集时间戳
matlab复制% 互相关法计算时延 [corr,lags] = xcorr(x_denoised,y_denoised); [~,idx] = max(abs(corr)); delay = lags(idx); y_aligned = y_denoised(abs(delay)+1:end); x_aligned = x_denoised(1:end-abs(delay));
5.2 幅值标定异常
现象：轨迹尺寸与物理间隙不符
校准步骤：
- 使用标准振动台输入已知位移（如100μm）
- 记录传感器输出电压
- 计算标定系数：
matlab复制calib_x = 100 / max(x_raw_calib); % μm/V x_calibrated = x_denoised * calib_x;
5.3 小波降噪过处理
现象：冲击特征被平滑
优化方案：
- 改用软阈值（'s'）
- 调整分解层数（通常3-7层）
- 尝试不同小波基（db4对冲击信号更敏感）
6. 完整代码实现示例
matlab复制function shaft_orbit_analysis(data_file)
% 参数初始化
fs = 10000; % 采样频率
wname = 'sym8'; % 小波基
% 数据读取
data = csvread(data_file);
x_raw = data(:,1);
y_raw = data(:,2);
% 小波降噪
[thr,~] = ddencmp('den','wv',x_raw);
x_denoised = wdencmp('gbl',x_raw,wname,5,thr,'h');
y_denoised = wdencmp('gbl',y_raw,wname,5,thr,'h');
% 时域信号对比
figure('Name','降噪效果验证')
subplot(211), plot(x_raw), hold on, plot(x_denoised,'r')
legend('原始','降噪后'), title('X方向信号')
subplot(212), plot(y_raw), hold on, plot(y_denoised,'r')
legend('原始','降噪后'), title('Y方向信号')
% 轴心轨迹绘制
figure('Name','轴心轨迹分析')
subplot(121)
plot(x_raw, y_raw, 'Color',[0.7 0.7 0.7])
title('原始轨迹'), axis equal, grid on
subplot(122)
plot(x_denoised, y_denoised, 'b-')
title('降噪后轨迹'), axis equal, grid on
% 轨迹特征计算
[~, ell_par] = fit_ellipse(x_denoised, y_denoised);
disp(['长轴：', num2str(ell_par.a), ' μm'])
disp(['短轴：', num2str(ell_par.b), ' μm'])
disp(['偏心率：', num2str(sqrt(1-(ell_par.b^2)/(ell_par.a^2)))])
end
7. 工程应用中的经验分享
-
采样参数选择：
- 采样频率应≥10倍转频（如3000rpm对应≥500Hz）
- 记录时长包含至少200转以上数据
-
小波基选型心得：
- db系列适合冲击信号（如轴承故障）
- sym系列适合平稳振动（如转子不平衡）
- coif系列介于两者之间
-
轨迹诊断速查表：
| 轨迹形态 | 可能故障 | 特征频率 |
|---|---|---|
| 椭圆形 | 不平衡 | 1X转频 |
| 8字形 | 不对中 | 2X转频 |
| 花瓣形 | 松动 | 0.5X谐波 |
| 香蕉形 | 摩擦 | 高频噪声 |
- 性能优化技巧：
- 对于长时间序列，先分帧处理再拼接轨迹
- 使用gpuArray加速小波变换计算
- 预分配数组内存避免动态扩容
在实际项目中，我发现轴心轨迹分析结合包络谱分析能显著提升早期故障检出率。建议将本文代码封装成函数，集成到在线监测系统中实现自动化诊断。对于更复杂的故障模式，可以尝试将轨迹图像通过深度学习进行分类识别。