基于MATLAB 滚动轴承故障诊断可用，特征提取时频特征
matlab代码，
25种一维数据转换二维图像的方法，可方便结合深度学习用于故障诊断，状态识别等。

时频类：

1. 梅尔频谱图Mel spectrogram
2. 短时傅里叶变换short-time Fourier transform
3. s变换S-transform
4. 魏格纳分布Wigner-Ville Distribution
5. 离散魏格纳分布Discrete Wigner-Ville Distribution
6. 希尔伯特变换Hilbert-Huang Transform
7. 连续小波变换Continuous wavelet transform
8. 实小波变换Real wavelet transform
9. 同步压缩变换Synchrosqueezing transform
10. 小波同步压缩变换wavelet synchrosqueezed transform
11. 小波二阶同步压缩变换wavelet second order synchrosqueezed transform
12. 垂直二阶同步压缩变换vertical second-order synchrosqueezing
13. 多尺度同步压缩变换Multisynchrosqueezing Transform
14. 小波多尺度同步压缩变换Wavelet Multisynchrosqueezed Transform
15. 局部最大同步压缩变换Local maximum synchrosqueezing transform 16. 时间重分配多同步压缩变换Time-reassigned Multisynchrosqueezing Transform
16. 同步提取变换Synchroextracted transform
17. 小波同步提取变换Wavelet Synchroextracted Transform
18. 暂态提取变换transient-extracting transform
19. 二阶暂态提取变换Second-order transient-extracting transform
    时域转换类：
20. 格拉姆角和场Gramian angular summation field
21. 格拉姆角差场Gramian angular difference field
22. 递归图recurrence plots
23. 相对位置矩阵Relative Position Matrix
    25.图形差分场Motif Difference Field
    

在滚动轴承故障诊断中，时频分析是一种非常有效的方法，它能够捕捉到信号中的非平稳特性。MATLAB提供了多种工具和函数来实现时频特征提取，如短时傅里叶变换（STFT）、连续小波变换（CWT）等。下面是一个基于MATLAB的示例代码，演示如何使用短时傅里叶变换（STFT）进行滚动轴承振动信号的时频特征提取。

示例代码

1. 准备工作

确保你的MATLAB环境中安装了Signal Processing Toolbox和Wavelet Toolbox，因为这些工具箱包含了我们需要使用的函数。

2. 加载数据

假设你已经有了一个滚动轴承的振动信号数据集，格式为.mat文件，包含变量signal（振动信号）和samplingRate（采样率）。

% 加载振动信号数据
load('bearing_signal_data.mat'); % 假设.mat文件中包含'signal'和'samplingRate'

% 显示信号的一些基本信息
disp(['信号长度: ', num2str(length(signal))]);
disp(['采样率: ', num2str(samplingRate), ' Hz']);

3. 使用STFT进行时频分析

接下来，我们使用短时傅里叶变换（STFT）来进行时频分析，并提取时频特征。

% 设置窗口大小和重叠率
window = hamming(256); % 窗口大小为256点
noverlap = 128; % 重叠率为50%
nfft = 512; % FFT点数

% 计算STFT
[s, f, t] = stft(signal, samplingRate, 'Window', window, 'OverlapLength', noverlap, 'FFTLength', nfft);

% 绘制时频图
figure;
imagesc(t, f, 20*log10(abs(s))); % 将幅度转换为dB
axis xy;
xlabel('时间 (秒)');
ylabel('频率 (Hz)');
title('短时傅里叶变换时频图');
colorbar;

4. 提取特征

从上述时频表示中，我们可以提取一些有用的特征，例如频带能量分布、峰值频率等。

% 计算每个时间帧的能量分布
energy_distribution = sum(abs(s).^2, 1); % 每一列代表一个时间帧的能量

% 找出峰值频率及其对应的时刻
[~, peakFreqIdx] = max(abs(s)); % 获取每列的最大值索引
peakFreqs = f(peakFreqIdx); % 转换为实际频率值
peakTimes = t; % 时间轴保持不变

% 绘制峰值频率随时间的变化
figure;
plot(peakTimes, peakFreqs);
xlabel('时间 (秒)');
ylabel('频率 (Hz)');
title('峰值频率随时间变化');
grid on;

5. 结果解释

• 时频图：显示了信号在不同时间和频率上的能量分布情况，有助于识别特定故障模式。
• 能量分布：可以帮助理解信号能量在不同频率段上的分布情况。
• 峰值频率变化：展示了信号中最显著频率成分随时间的变化趋势，这对于检测滚动轴承的状态变化非常重要。

以上代码提供了一个基本框架，您可以根据自己的具体需求调整参数设置或采用其他时频分析方法，如连续小波变换（CWT），以适应不同的应用场景。希望这对您有所帮助！