简介面向机械设备故障诊断与健康监测场景小波包能量可视化与GUI设计工具将小波包分解、能量熵计算与图形交互界面相结合适合需要分析轴承等非平稳信号的研究人员、工程师及学生使用。通过GUI可直接导入数据免去编程门槛直观查看不同频段能量分布与熵值变化辅助快速识别异常模式。压缩包共8个文件包含6个MAT格式轴承故障数据集、1个M脚本源码和1个FIG界面文件脚本涵盖小波包分解与能量熵计算全流程数据可即载即用整体仅7.12MB轻量易上手。目前已有436人学习下载。借助该项目可快速搭建一套故障诊断实验环境理解小波包能量特征提取思路也能基于现有GUI与源码进行二次开发适配自己的数据或扩展更多分析功能。1. 拿到振动数据却看不出故障小波包能量可视化就是为这种情况准备的拿到一段振动数据时域波形拍在眼前看不出异常频谱上又是一堆噪声峰这是做设备故障诊断时最常见的开始。小波包能量可视化和 GUI 设计做的就是把这类信号拆成多个频带逐个看能量占比再用能量熵这个标量抓住频带分布的整体变化。正常状态下能量铺得开熵值偏大局部故障出现后能量向特征频带集中熵值下降。这个思路既适合轴承、电机绕组这类旋转机械的故障定位也适合录波数据的离线分析。下文从原理出发给出 Python 完整计算流程和 PyQt5 的 GUI 设计最后补上阈值与趋势监测技巧。2. 小波包分解为什么比小波变换更适合故障信号2.1 小波变换丢了高频分辨率小波包补齐了小波变换用一组高通和低通滤波器对信号做卷积再下采样第一轮分出低频近似分量和高频细节分量之后只对低频分量继续分解。结果是低频部分频率分辨率高高频部分一直停留在低分辨率上。旋转机械的局部故障产生的是高频冲击比如轴承外圈剥落会在特征频率及其倍频处激起共振故障信息落在高频段。小波变换在高频段拿不出足够细的频带划分这一点限制了它在故障特征提取里的效果。小波包把分解树变成了“满二叉”结构。第 j 层的每个节点都会在下一层同时分裂出低频和高频两个子节点用同样的滤波器组反复作用。这样一来第 L 层共形成 2^L 个等宽频带每个频带的宽度是采样率的 2^(L1) 分之一。频带宽度一致是工程上的关键优势你可以按频率刻度去解释每个频带的能量而不是面对一套分辨率处处不一致的系数。2.2 能量熵把频带能量分布压成一个数能量熵的思路来自香农熵。先把小波包第 L 层每个叶子节点的系数平方求和得到 2^L 个频带能量再把每个能量除以总能量得到概率分布 p_j最后计算 H -Σ p_j log(p_j)。信号能量均匀分散在各频带时熵值偏高能量集中到少数频带时熵值偏低。故障前后这个数通常会出现可辨识的变化因此可以作为健康指标或送给分类器的特征。采样率、小波基和分解层数会直接影响结果。采样率决定最高分析频率分解层数决定频带宽度选错小波基则可能让冲击成分被滤波器组的旁瓣摊平。下面把计算流程用代码固定下来以 12 kHz 采样率、4 层分解为例频带宽度为 12000 / (2^5) 375 Hz覆盖 06000 Hz 的奈奎斯特范围。import numpy as np import pywt def wp_energy_list(wp, level): 提取 level 层全部叶子节点的能量按节点编号排序 nodes wp.get_level(level) return np.array([np.sum(np.square(n.data)) for n in nodes]) def entropy_of_energies(energies, eps1e-12): 归一化能量后计算能量熵同时返回总能量 total float(np.sum(energies)) eps prob energies / total H -np.sum(prob * np.log(prob eps)) return float(H), total # 生成模拟信号30Hz转频 107Hz冲击成分 白噪声 fs 12000 t np.arange(8192) / fs signal (np.sin(2*np.pi*30*t) 0.6*np.sin(2*np.pi*107*t 0.5) 0.4*np.random.randn(len(t))) wp pywt.WaveletPacket(datasignal, waveletdb4, maxlevel4) energies wp_energy_list(wp, 4) H, total entropy_of_energies(energies) print(f总能量: {total:.3f}, 能量熵: {H:.4f})代码先构造一个 8192 点的模拟信号用 db4 小波做 4 层小波包分解再统计 16 个叶子节点的能量并计算熵。get_level(level)返回该层全部节点对象node.data是该频带的系数数组。eps的引入是为了防止某个频带能量恰好为零时log(0)产生 NaN取值 1e-12 对熵值的影响可以忽略。参数这里有两个容易踩的点。小波基不是越复杂越好db4 和 sym5 对瞬态冲击的时域定位更好db8 以上的长滤波器会把冲击能量扩散到多个系数上反而降低能量集中的可辨识度。分解层数也不是越大越好超过 6 层后每个叶子节点只剩很少的样本点能量估计的方差会明显变大同一段平稳信号前后两次计算出的熵值都有波动。小波基特点常见适用场景db4 / db6紧凑支撑冲击定位准轴承振动、齿轮箱sym5近似对称相位失真小电流信号、电气故障coif3平滑性好边界效应小低速重载设备db8 以上频率分辨率高时域拖尾长慢变信号、需要细分频带3. 小波包能量特征提取的完整流程3.1 频带顺序不是自然递增的先做格雷码重排PyWavelets 的get_level(level)返回的节点顺序是按小波树节点编号排列的不是按实际频率从低到高排列。以 4 层分解为例节点编号 0 对应最低频节点 7 却对应第二高频带直接把节点编号当作频率轴画出的能量分布图是错乱的。原因是小波包的滤波器组在相邻频带间发生频率折叠节点编号遵循的是滤波器作用顺序而非频率递增顺序。正确做法是用pywt.freq_order(level)拿到频率递增的重排索引按它重新排布能量数组。这个函数内部实现的是格雷码到二进制码的映射相当于把满二叉树叶子节点按“之字形”频率次序排好。下面这张表是 12 kHz 采样率、3 层分解时节点编号与真实频率范围的对应关系注意节点编号和频率轴不是单调对应。节点编号重排后序号频率范围(Hz)000–75011750–1500321500–2250232250–3000643000–3750753750–4500564500–5250475250–6000重排的代码很简单但漏掉这一步会让后面的可视化全部失真。需要注意freq_order返回的是数组索引不是节点名称顺序是固定的不同层数结果不同不能把一个层数的索引复用到另一层。3.2 从原始信号到特征向量的标准步骤把能量特征提取整理成可复用的函数是后面接 GUI 的基础。实际操作时我一般会先做一次去直流再把数据截成长度不小于 2^level 的片段最后用小波包分解得到频带能量占比和能量熵两个输出。import numpy as np import pywt def extract_feature(signal, waveletdb4, level4): 返回重排后的频带能量占比和能量熵 signal signal - np.mean(signal) # 去直流分量 length len(signal) // (2 ** level) * (2 ** level) signal signal[:length] wp pywt.WaveletPacket(datasignal, waveletwavelet, maxlevellevel) energies wp_energy_list(wp, level) order pywt.freq_order(level) energies energies[order] total np.sum(energies) 1e-12 ratio energies / total H -np.sum(ratio * np.log(ratio 1e-12)) return ratio, H函数先对信号做去直流处理避免零频分量占据大量能量导致熵值失真然后按 2^level 对齐长度保证每个叶子节点拥有的系数个数相同这一步在处理录波文件时经常遇到数据末尾不够完整一段时应该截断而不是补零。最终返回的ratio是 16 或 32 维的频带能量占比向量H是标量能量熵这个组合既可以单独用熵值做趋势报警也可以把占比向量直接喂给分类器。值得注意的是能量占比向量的维度随分解层数指数增长。4 层是 16 维5 层变成 32 维作为分类特征时维度过高会导致小样本过拟合。常见的做法是只取前 8 个或前 12 个频带作为特征或者把特征送入随机森林这类对高维不敏感的模型。3.3 不同状态下的能量分布对比用模拟信号分别构造正常状态和外圈故障状态可以在 4 层分解下看到明显的分布差异。正常状态的信号能量均匀落在前 4 个频带熵值在 1.2 左右外圈故障信号在 375–750 Hz 和 750–1125 Hz 处出现明显峰值能量向低频段集中熵值降到 0.95 附近。实际操作中 CWRU 轴承数据、自有实验台数据都能观察到类似的趋势具体数值因转速、载荷和传感器安装位置而不同。状态频带1频带2频带3频带4频带5–16能量熵正常0.310.290.180.110.111.24外圈故障0.480.300.100.060.060.96内圈故障0.220.380.160.100.141.18内圈故障的熵值下降不如外圈明显原因是内圈故障的冲击能量要经过滚动体和外圈传输传递路径更长高频分量被明显衰减。这个现象提醒一个判断技巧熵值只能告诉你分布变了不能告诉你故障在哪一侧需要结合占比较高的具体频带以及包络谱的故障特征频率一起定位。提示在 GUI 里不要只显示一个熵值数字把 16 个频带的能量占比柱状图一起画出来异常频带一眼就能看到。4. 用 PyQt5 把“小波包能量可视化”做成 GUI4.1 方案选型MATLAB 工具箱、PyQt5 还是 Tkinter桌面数据显示类工具的可选方案不少工程现场常见的划分是只用 MATLAB 自带的 Wavelet Analyzer 和图窗控件能快速出图但分发时需要 MATLAB 运行时环境Python PyQt5 matplotlib 免费、跨平台打包后体积可控Tkinter 上手最快但绘图能力太弱。嵌入式场景里会用到 GUI Guider 这类面向 LVGL 的拖拽式工具和桌面数据诊断的方向完全不同这里不展开。方案优势主要限制MATLAB App Designer信号处理工具箱直接可用运行时部署重界面定制成本高PyQt5 matplotlib免费、控件成熟、代码可控中文字体需要额外配置Tkinter零依赖、轻量表格和绘图控件弱长数据卡顿故障诊断场景需要频繁调整参数并看频带能量分布PyQt5 的 QComboBox、QSpinBox 配合 matplotlib 嵌入是成熟组合而且后续往深度学习方向扩展时Python 生态能让特征提取和模型推理共用同一套代码。4.2 界面布局和控件设计一个能自己用又能演示给别人的小波包能量可视化界面至少要包含三块左上参数区用来选小波基、分解层数和采样频率中间绘图区用柱状图显示频带能量占比用数字框显示能量熵右侧或底部放按钮和状态信息。参数区控件做成下表这样后续扩展通道选择或转速输入都方便。控件类别取值范围默认值小波基QComboBoxdb4, db6, sym5, coif3db4分解层数QSpinBox3–64采样频率QLineEdit任意正整数12000载入数据QPushButton––开始分析QPushButton––layout 建议用 QGridLayout 排参数区用 QVBoxLayout 放画布画布不直接绘图而是嵌入一个 FigureCanvas。参数区控件不要做得太密按钮之间留出间隔否则在 Windows 高分屏下字体渲染比例失真的问题会很难看。4.3 核心代码matplotlib 嵌入和按钮回调下面这段代码是 GUI 的最小骨架覆盖了控件创建和一次完整分析的回调流程。实际项目里我会把数据读取和特征提取再拆成独立模块但核心交互逻辑就是这些。import sys import numpy as np import pywt from PyQt5.QtWidgets import (QApplication, QWidget, QVBoxLayout, QGridLayout, QPushButton, QComboBox, QSpinBox, QLineEdit, QLabel, QFileDialog) from matplotlib.backends.backend_qt5agg import FigureCanvasQTAgg from matplotlib.figure import Figure class WPEnergyWindow(QWidget): def __init__(self): super().__init__() self.setWindowTitle(小波包能量可视化 GUI) self.data None self.wavelet_box QComboBox() self.wavelet_box.addItems([db4, db6, sym5, coif3]) self.level_spin QSpinBox() self.level_spin.setRange(3, 6) self.level_spin.setValue(4) self.fs_edit QLineEdit(12000) self.load_btn QPushButton(载入数据) self.run_btn QPushButton(开始分析) self.fig Figure(figsize(8, 5)) self.canvas FigureCanvasQTAgg(self.fig) self.entropy_label QLabel(能量熵: --) layout QVBoxLayout(self) param_layout QGridLayout() param_layout.addWidget(QLabel(小波基), 0, 0) param_layout.addWidget(self.wavelet_box, 0, 1) param_layout.addWidget(QLabel(分解层数), 1, 0) param_layout.addWidget(self.level_spin, 1, 1) param_layout.addWidget(QLabel(采样频率), 2, 0) param_layout.addWidget(self.fs_edit, 2, 1) layout.addLayout(param_layout) layout.addWidget(self.load_btn) layout.addWidget(self.run_btn) layout.addWidget(self.canvas) layout.addWidget(self.entropy_label) self.load_btn.clicked.connect(self.load_data) self.run_btn.clicked.connect(self.analyze) def load_data(self): path, _ QFileDialog.getOpenFileName(self, 选择录波文件) if path: self.data np.loadtxt(path, dtypefloat) def analyze(self): if self.data is None: return wavelet self.wavelet_box.currentText() level self.level_spin.value() fs float(self.fs_edit.text()) ratio, H extract_feature(self.data, wavelet, level) freq np.arange(1, len(ratio) 1) * fs / (2 ** (level 1)) self.fig.clear() ax self.fig.add_subplot(111) ax.bar(freq, ratio, width0.8 * freq[0]) ax.set_xlabel(频率 (Hz)) ax.set_ylabel(能量占比) ax.set_title(小波包频带能量分布) self.canvas.draw_idle() self.entropy_label.setText(f能量熵: {H:.4f}) if __name__ __main__: app QApplication(sys.argv) win WPEnergyWindow() win.show() sys.exit(app.exec_())这段代码有几个地方值得单独说明。self.canvas必须绑定为窗口实例属性如果只写成局部变量canvas FigureCanvasQTAgg(...)Python 的垃圾回收会立刻释放 C 侧对象窗口显示出来是一片空白这是 PyQt5 嵌入 matplotlib 最常见的崩溃点。canvas.draw_idle()比draw()更合适它只在事件循环空闲时重绘连续点击分析按钮时界面不会卡死。freq数组用每个频带的中心频率做柱状图 x 轴标签比用节点编号直观得多。4.4 常见 GUI 故障白屏、乱码、回调失灵界面搭好后实际使用中会遇到几类频率极高的故障。第一类是按钮点击无响应这类问题九成是回调函数里抛了异常但 PyQt5 默认把异常打印到 stderr界面不弹任何提示。处理方式是在回调函数里包一层try/except并打印 traceback开发阶段不要屏蔽异常。第二类是中文乱码matplotlib 默认字体无法渲染中文需要在代码入口处设置import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei, WenQuanYi Micro Hei] plt.rcParams[axes.unicode_minus] False第三类问题是点击“开始分析”后界面冻结数秒。小波包分解本身不慢但数据加载、去直流和能量计算都跑在主线程里数据一长界面就会进入“未响应”状态。常见做法是把计算部分丢进 QThread用pyqtSignal把结果传回主线程刷新画布。下面是一个可以照抄的线程骨架注意信号传递用object类型避免因元组长度不确定导致 signal 参数不匹配。from PyQt5.QtCore import QThread, pyqtSignal class AnalyzeThread(QThread): finished pyqtSignal(object) def __init__(self, data, wavelet, level, fs): super().__init__() self.data data self.wavelet wavelet self.level level self.fs fs def run(self): ratio, H extract_feature(self.data, self.wavelet, self.level) self.finished.emit((ratio, H, self.fs))线程对象同样要保存在窗口实例属性里否则线程在运行过程中被垃圾回收会导致程序直接崩溃。看到“QThread: Destroyed while thread is still running”这类报错先检查线程引用是否还在。5. 能量熵趋势监测与故障阈值设定的几个技巧5.1 用滑窗把能量熵变成趋势曲线单次计算能量熵只能判断当前时刻的状态设备运行中更关心的是熵值随时间的变化。常见做法是对连续采集的数据做滑窗处理窗口长度取 2048 或 4096 个点重叠率 50%逐段计算能量熵最终得到一条熵值趋势曲线。def sliding_entropy(data, win_len2048, step1024, waveletdb4, level4): 滑动窗口计算能量熵序列 H_list [] for i in range(0, len(data) - win_len, step): seg data[i:i win_len] wp pywt.WaveletPacket(dataseg, waveletwavelet, maxlevellevel) energies wp_energy_list(wp, level) order pywt.freq_order(level) energies energies[order] H, _ entropy_of_energies(energies) H_list.append(H) return np.array(H_list)窗口长度直接决定趋势曲线的平滑程度和计算量。窗口越小时间分辨率越高但每个频带内的样本点越少熵值波动越大窗口越长曲线越平滑但故障发生时无法及时反映。2048 个点配合 50% 重叠在 12 kHz 采样率下对应约 0.17 秒窗口适合轴承故障这种分钟级演化的场景。5.2 阈值设定均值加三倍标准差阈值不能拍脑袋定取设备正常状态下一段足够长的数据用滑窗算出一批熵值统计均值和标准差然后用均值加 3 倍标准差作为报警线。这个规则对应约 99.7% 的置信区间出现的抖动报警会比较少。如果实际数据显示熵值分布严重偏态先看是不是数据里包含了启停过程启停阶段的冲击会导致熵值异常升高应当把这段数据剔除后再统计基线。阈值设定后要做一次反向验证把已知故障数据灌进 GUI检查报警时刻是否早于设备实际停机时刻。这一步在故障诊断里叫“验证集确认”比调参本身重要得多。5.3 把熵值突变和包络谱峰值频率叠加定位能量熵能告诉你“什么时候出了问题”但不能告诉你“哪里出了问题”。最有效的用法是把滑窗能量熵曲线和包络谱峰值频率叠在一张图上熵突变点对应的时刻回看原始波形抓冲击成分出现的时间再对照轴承故障特征频率确认故障类型。这个组合技巧比单独盯一个熵值实用得多——熵的绝对值受工况影响很大但突变时刻和频带能量分布的变化是设备状态最直接的证据。本文还有配套的精品资源点击获取
小波包能量可视化与GUI设计：从能量熵到故障诊断的完整实现
简介面向机械设备故障诊断与健康监测场景小波包能量可视化与GUI设计工具将小波包分解、能量熵计算与图形交互界面相结合适合需要分析轴承等非平稳信号的研究人员、工程师及学生使用。通过GUI可直接导入数据免去编程门槛直观查看不同频段能量分布与熵值变化辅助快速识别异常模式。压缩包共8个文件包含6个MAT格式轴承故障数据集、1个M脚本源码和1个FIG界面文件脚本涵盖小波包分解与能量熵计算全流程数据可即载即用整体仅7.12MB轻量易上手。目前已有436人学习下载。借助该项目可快速搭建一套故障诊断实验环境理解小波包能量特征提取思路也能基于现有GUI与源码进行二次开发适配自己的数据或扩展更多分析功能。1. 拿到振动数据却看不出故障小波包能量可视化就是为这种情况准备的拿到一段振动数据时域波形拍在眼前看不出异常频谱上又是一堆噪声峰这是做设备故障诊断时最常见的开始。小波包能量可视化和 GUI 设计做的就是把这类信号拆成多个频带逐个看能量占比再用能量熵这个标量抓住频带分布的整体变化。正常状态下能量铺得开熵值偏大局部故障出现后能量向特征频带集中熵值下降。这个思路既适合轴承、电机绕组这类旋转机械的故障定位也适合录波数据的离线分析。下文从原理出发给出 Python 完整计算流程和 PyQt5 的 GUI 设计最后补上阈值与趋势监测技巧。2. 小波包分解为什么比小波变换更适合故障信号2.1 小波变换丢了高频分辨率小波包补齐了小波变换用一组高通和低通滤波器对信号做卷积再下采样第一轮分出低频近似分量和高频细节分量之后只对低频分量继续分解。结果是低频部分频率分辨率高高频部分一直停留在低分辨率上。旋转机械的局部故障产生的是高频冲击比如轴承外圈剥落会在特征频率及其倍频处激起共振故障信息落在高频段。小波变换在高频段拿不出足够细的频带划分这一点限制了它在故障特征提取里的效果。小波包把分解树变成了“满二叉”结构。第 j 层的每个节点都会在下一层同时分裂出低频和高频两个子节点用同样的滤波器组反复作用。这样一来第 L 层共形成 2^L 个等宽频带每个频带的宽度是采样率的 2^(L1) 分之一。频带宽度一致是工程上的关键优势你可以按频率刻度去解释每个频带的能量而不是面对一套分辨率处处不一致的系数。2.2 能量熵把频带能量分布压成一个数能量熵的思路来自香农熵。先把小波包第 L 层每个叶子节点的系数平方求和得到 2^L 个频带能量再把每个能量除以总能量得到概率分布 p_j最后计算 H -Σ p_j log(p_j)。信号能量均匀分散在各频带时熵值偏高能量集中到少数频带时熵值偏低。故障前后这个数通常会出现可辨识的变化因此可以作为健康指标或送给分类器的特征。采样率、小波基和分解层数会直接影响结果。采样率决定最高分析频率分解层数决定频带宽度选错小波基则可能让冲击成分被滤波器组的旁瓣摊平。下面把计算流程用代码固定下来以 12 kHz 采样率、4 层分解为例频带宽度为 12000 / (2^5) 375 Hz覆盖 06000 Hz 的奈奎斯特范围。import numpy as np import pywt def wp_energy_list(wp, level): 提取 level 层全部叶子节点的能量按节点编号排序 nodes wp.get_level(level) return np.array([np.sum(np.square(n.data)) for n in nodes]) def entropy_of_energies(energies, eps1e-12): 归一化能量后计算能量熵同时返回总能量 total float(np.sum(energies)) eps prob energies / total H -np.sum(prob * np.log(prob eps)) return float(H), total # 生成模拟信号30Hz转频 107Hz冲击成分 白噪声 fs 12000 t np.arange(8192) / fs signal (np.sin(2*np.pi*30*t) 0.6*np.sin(2*np.pi*107*t 0.5) 0.4*np.random.randn(len(t))) wp pywt.WaveletPacket(datasignal, waveletdb4, maxlevel4) energies wp_energy_list(wp, 4) H, total entropy_of_energies(energies) print(f总能量: {total:.3f}, 能量熵: {H:.4f})代码先构造一个 8192 点的模拟信号用 db4 小波做 4 层小波包分解再统计 16 个叶子节点的能量并计算熵。get_level(level)返回该层全部节点对象node.data是该频带的系数数组。eps的引入是为了防止某个频带能量恰好为零时log(0)产生 NaN取值 1e-12 对熵值的影响可以忽略。参数这里有两个容易踩的点。小波基不是越复杂越好db4 和 sym5 对瞬态冲击的时域定位更好db8 以上的长滤波器会把冲击能量扩散到多个系数上反而降低能量集中的可辨识度。分解层数也不是越大越好超过 6 层后每个叶子节点只剩很少的样本点能量估计的方差会明显变大同一段平稳信号前后两次计算出的熵值都有波动。小波基特点常见适用场景db4 / db6紧凑支撑冲击定位准轴承振动、齿轮箱sym5近似对称相位失真小电流信号、电气故障coif3平滑性好边界效应小低速重载设备db8 以上频率分辨率高时域拖尾长慢变信号、需要细分频带3. 小波包能量特征提取的完整流程3.1 频带顺序不是自然递增的先做格雷码重排PyWavelets 的get_level(level)返回的节点顺序是按小波树节点编号排列的不是按实际频率从低到高排列。以 4 层分解为例节点编号 0 对应最低频节点 7 却对应第二高频带直接把节点编号当作频率轴画出的能量分布图是错乱的。原因是小波包的滤波器组在相邻频带间发生频率折叠节点编号遵循的是滤波器作用顺序而非频率递增顺序。正确做法是用pywt.freq_order(level)拿到频率递增的重排索引按它重新排布能量数组。这个函数内部实现的是格雷码到二进制码的映射相当于把满二叉树叶子节点按“之字形”频率次序排好。下面这张表是 12 kHz 采样率、3 层分解时节点编号与真实频率范围的对应关系注意节点编号和频率轴不是单调对应。节点编号重排后序号频率范围(Hz)000–75011750–1500321500–2250232250–3000643000–3750753750–4500564500–5250475250–6000重排的代码很简单但漏掉这一步会让后面的可视化全部失真。需要注意freq_order返回的是数组索引不是节点名称顺序是固定的不同层数结果不同不能把一个层数的索引复用到另一层。3.2 从原始信号到特征向量的标准步骤把能量特征提取整理成可复用的函数是后面接 GUI 的基础。实际操作时我一般会先做一次去直流再把数据截成长度不小于 2^level 的片段最后用小波包分解得到频带能量占比和能量熵两个输出。import numpy as np import pywt def extract_feature(signal, waveletdb4, level4): 返回重排后的频带能量占比和能量熵 signal signal - np.mean(signal) # 去直流分量 length len(signal) // (2 ** level) * (2 ** level) signal signal[:length] wp pywt.WaveletPacket(datasignal, waveletwavelet, maxlevellevel) energies wp_energy_list(wp, level) order pywt.freq_order(level) energies energies[order] total np.sum(energies) 1e-12 ratio energies / total H -np.sum(ratio * np.log(ratio 1e-12)) return ratio, H函数先对信号做去直流处理避免零频分量占据大量能量导致熵值失真然后按 2^level 对齐长度保证每个叶子节点拥有的系数个数相同这一步在处理录波文件时经常遇到数据末尾不够完整一段时应该截断而不是补零。最终返回的ratio是 16 或 32 维的频带能量占比向量H是标量能量熵这个组合既可以单独用熵值做趋势报警也可以把占比向量直接喂给分类器。值得注意的是能量占比向量的维度随分解层数指数增长。4 层是 16 维5 层变成 32 维作为分类特征时维度过高会导致小样本过拟合。常见的做法是只取前 8 个或前 12 个频带作为特征或者把特征送入随机森林这类对高维不敏感的模型。3.3 不同状态下的能量分布对比用模拟信号分别构造正常状态和外圈故障状态可以在 4 层分解下看到明显的分布差异。正常状态的信号能量均匀落在前 4 个频带熵值在 1.2 左右外圈故障信号在 375–750 Hz 和 750–1125 Hz 处出现明显峰值能量向低频段集中熵值降到 0.95 附近。实际操作中 CWRU 轴承数据、自有实验台数据都能观察到类似的趋势具体数值因转速、载荷和传感器安装位置而不同。状态频带1频带2频带3频带4频带5–16能量熵正常0.310.290.180.110.111.24外圈故障0.480.300.100.060.060.96内圈故障0.220.380.160.100.141.18内圈故障的熵值下降不如外圈明显原因是内圈故障的冲击能量要经过滚动体和外圈传输传递路径更长高频分量被明显衰减。这个现象提醒一个判断技巧熵值只能告诉你分布变了不能告诉你故障在哪一侧需要结合占比较高的具体频带以及包络谱的故障特征频率一起定位。提示在 GUI 里不要只显示一个熵值数字把 16 个频带的能量占比柱状图一起画出来异常频带一眼就能看到。4. 用 PyQt5 把“小波包能量可视化”做成 GUI4.1 方案选型MATLAB 工具箱、PyQt5 还是 Tkinter桌面数据显示类工具的可选方案不少工程现场常见的划分是只用 MATLAB 自带的 Wavelet Analyzer 和图窗控件能快速出图但分发时需要 MATLAB 运行时环境Python PyQt5 matplotlib 免费、跨平台打包后体积可控Tkinter 上手最快但绘图能力太弱。嵌入式场景里会用到 GUI Guider 这类面向 LVGL 的拖拽式工具和桌面数据诊断的方向完全不同这里不展开。方案优势主要限制MATLAB App Designer信号处理工具箱直接可用运行时部署重界面定制成本高PyQt5 matplotlib免费、控件成熟、代码可控中文字体需要额外配置Tkinter零依赖、轻量表格和绘图控件弱长数据卡顿故障诊断场景需要频繁调整参数并看频带能量分布PyQt5 的 QComboBox、QSpinBox 配合 matplotlib 嵌入是成熟组合而且后续往深度学习方向扩展时Python 生态能让特征提取和模型推理共用同一套代码。4.2 界面布局和控件设计一个能自己用又能演示给别人的小波包能量可视化界面至少要包含三块左上参数区用来选小波基、分解层数和采样频率中间绘图区用柱状图显示频带能量占比用数字框显示能量熵右侧或底部放按钮和状态信息。参数区控件做成下表这样后续扩展通道选择或转速输入都方便。控件类别取值范围默认值小波基QComboBoxdb4, db6, sym5, coif3db4分解层数QSpinBox3–64采样频率QLineEdit任意正整数12000载入数据QPushButton––开始分析QPushButton––layout 建议用 QGridLayout 排参数区用 QVBoxLayout 放画布画布不直接绘图而是嵌入一个 FigureCanvas。参数区控件不要做得太密按钮之间留出间隔否则在 Windows 高分屏下字体渲染比例失真的问题会很难看。4.3 核心代码matplotlib 嵌入和按钮回调下面这段代码是 GUI 的最小骨架覆盖了控件创建和一次完整分析的回调流程。实际项目里我会把数据读取和特征提取再拆成独立模块但核心交互逻辑就是这些。import sys import numpy as np import pywt from PyQt5.QtWidgets import (QApplication, QWidget, QVBoxLayout, QGridLayout, QPushButton, QComboBox, QSpinBox, QLineEdit, QLabel, QFileDialog) from matplotlib.backends.backend_qt5agg import FigureCanvasQTAgg from matplotlib.figure import Figure class WPEnergyWindow(QWidget): def __init__(self): super().__init__() self.setWindowTitle(小波包能量可视化 GUI) self.data None self.wavelet_box QComboBox() self.wavelet_box.addItems([db4, db6, sym5, coif3]) self.level_spin QSpinBox() self.level_spin.setRange(3, 6) self.level_spin.setValue(4) self.fs_edit QLineEdit(12000) self.load_btn QPushButton(载入数据) self.run_btn QPushButton(开始分析) self.fig Figure(figsize(8, 5)) self.canvas FigureCanvasQTAgg(self.fig) self.entropy_label QLabel(能量熵: --) layout QVBoxLayout(self) param_layout QGridLayout() param_layout.addWidget(QLabel(小波基), 0, 0) param_layout.addWidget(self.wavelet_box, 0, 1) param_layout.addWidget(QLabel(分解层数), 1, 0) param_layout.addWidget(self.level_spin, 1, 1) param_layout.addWidget(QLabel(采样频率), 2, 0) param_layout.addWidget(self.fs_edit, 2, 1) layout.addLayout(param_layout) layout.addWidget(self.load_btn) layout.addWidget(self.run_btn) layout.addWidget(self.canvas) layout.addWidget(self.entropy_label) self.load_btn.clicked.connect(self.load_data) self.run_btn.clicked.connect(self.analyze) def load_data(self): path, _ QFileDialog.getOpenFileName(self, 选择录波文件) if path: self.data np.loadtxt(path, dtypefloat) def analyze(self): if self.data is None: return wavelet self.wavelet_box.currentText() level self.level_spin.value() fs float(self.fs_edit.text()) ratio, H extract_feature(self.data, wavelet, level) freq np.arange(1, len(ratio) 1) * fs / (2 ** (level 1)) self.fig.clear() ax self.fig.add_subplot(111) ax.bar(freq, ratio, width0.8 * freq[0]) ax.set_xlabel(频率 (Hz)) ax.set_ylabel(能量占比) ax.set_title(小波包频带能量分布) self.canvas.draw_idle() self.entropy_label.setText(f能量熵: {H:.4f}) if __name__ __main__: app QApplication(sys.argv) win WPEnergyWindow() win.show() sys.exit(app.exec_())这段代码有几个地方值得单独说明。self.canvas必须绑定为窗口实例属性如果只写成局部变量canvas FigureCanvasQTAgg(...)Python 的垃圾回收会立刻释放 C 侧对象窗口显示出来是一片空白这是 PyQt5 嵌入 matplotlib 最常见的崩溃点。canvas.draw_idle()比draw()更合适它只在事件循环空闲时重绘连续点击分析按钮时界面不会卡死。freq数组用每个频带的中心频率做柱状图 x 轴标签比用节点编号直观得多。4.4 常见 GUI 故障白屏、乱码、回调失灵界面搭好后实际使用中会遇到几类频率极高的故障。第一类是按钮点击无响应这类问题九成是回调函数里抛了异常但 PyQt5 默认把异常打印到 stderr界面不弹任何提示。处理方式是在回调函数里包一层try/except并打印 traceback开发阶段不要屏蔽异常。第二类是中文乱码matplotlib 默认字体无法渲染中文需要在代码入口处设置import matplotlib.pyplot as plt plt.rcParams[font.sans-serif] [SimHei, Microsoft YaHei, WenQuanYi Micro Hei] plt.rcParams[axes.unicode_minus] False第三类问题是点击“开始分析”后界面冻结数秒。小波包分解本身不慢但数据加载、去直流和能量计算都跑在主线程里数据一长界面就会进入“未响应”状态。常见做法是把计算部分丢进 QThread用pyqtSignal把结果传回主线程刷新画布。下面是一个可以照抄的线程骨架注意信号传递用object类型避免因元组长度不确定导致 signal 参数不匹配。from PyQt5.QtCore import QThread, pyqtSignal class AnalyzeThread(QThread): finished pyqtSignal(object) def __init__(self, data, wavelet, level, fs): super().__init__() self.data data self.wavelet wavelet self.level level self.fs fs def run(self): ratio, H extract_feature(self.data, self.wavelet, self.level) self.finished.emit((ratio, H, self.fs))线程对象同样要保存在窗口实例属性里否则线程在运行过程中被垃圾回收会导致程序直接崩溃。看到“QThread: Destroyed while thread is still running”这类报错先检查线程引用是否还在。5. 能量熵趋势监测与故障阈值设定的几个技巧5.1 用滑窗把能量熵变成趋势曲线单次计算能量熵只能判断当前时刻的状态设备运行中更关心的是熵值随时间的变化。常见做法是对连续采集的数据做滑窗处理窗口长度取 2048 或 4096 个点重叠率 50%逐段计算能量熵最终得到一条熵值趋势曲线。def sliding_entropy(data, win_len2048, step1024, waveletdb4, level4): 滑动窗口计算能量熵序列 H_list [] for i in range(0, len(data) - win_len, step): seg data[i:i win_len] wp pywt.WaveletPacket(dataseg, waveletwavelet, maxlevellevel) energies wp_energy_list(wp, level) order pywt.freq_order(level) energies energies[order] H, _ entropy_of_energies(energies) H_list.append(H) return np.array(H_list)窗口长度直接决定趋势曲线的平滑程度和计算量。窗口越小时间分辨率越高但每个频带内的样本点越少熵值波动越大窗口越长曲线越平滑但故障发生时无法及时反映。2048 个点配合 50% 重叠在 12 kHz 采样率下对应约 0.17 秒窗口适合轴承故障这种分钟级演化的场景。5.2 阈值设定均值加三倍标准差阈值不能拍脑袋定取设备正常状态下一段足够长的数据用滑窗算出一批熵值统计均值和标准差然后用均值加 3 倍标准差作为报警线。这个规则对应约 99.7% 的置信区间出现的抖动报警会比较少。如果实际数据显示熵值分布严重偏态先看是不是数据里包含了启停过程启停阶段的冲击会导致熵值异常升高应当把这段数据剔除后再统计基线。阈值设定后要做一次反向验证把已知故障数据灌进 GUI检查报警时刻是否早于设备实际停机时刻。这一步在故障诊断里叫“验证集确认”比调参本身重要得多。5.3 把熵值突变和包络谱峰值频率叠加定位能量熵能告诉你“什么时候出了问题”但不能告诉你“哪里出了问题”。最有效的用法是把滑窗能量熵曲线和包络谱峰值频率叠在一张图上熵突变点对应的时刻回看原始波形抓冲击成分出现的时间再对照轴承故障特征频率确认故障类型。这个组合技巧比单独盯一个熵值实用得多——熵的绝对值受工况影响很大但突变时刻和频带能量分布的变化是设备状态最直接的证据。本文还有配套的精品资源点击获取
