故障诊断如何绘制原始振动信号

<think>嗯，用户这次的查询很具体，是关于故障诊断中振动信号的可视化。从ta提到的“原始振动信号”和“示例代码”来看，ta应该是个工程背景的研究者或技术人员，正在处理实际设备监测数据。可能刚接触信号处理，需要快速实现基础绘图功能来观察数据特征。注意到用户引用的四篇文献都指向振动分析方向，其中[^2]明确提到MATLAB实现SVD降噪，推测ta更倾向使用MATLAB而非Python。不过ta也引用了[^3][^4]这些带Python相关算法的资料，说明对工具没有强限制。需要准备跨平台的解决方案。用户上次讨论的是SVD降噪原理，这次突然跳到信号绘制，可能是实验流程的自然推进：先学会看原始数据，再进行处理。ta特意强调“不是真正需求”，说明那些引用文献里的机器学习算法（如GCN、ELM）并不是当前重点，核心诉求就是最基础的时域波形可视化。考虑到工程人员的实操需求，代码示例要包含数据加载、坐标轴设置、标注等完整流程。特别要注意：1.必须模拟生成振动信号，因为用户可能还没有现成数据集2.添加中文标签（ta的系统指令要求中文环境）3.给出Python和MATLAB双版本（根据引用[^2][^3]判断ta可能两个环境都有）4.强调采样率概念，避免用户直接套用时出现坐标错误5.补充噪声模拟，和后续降噪处理做铺垫（衔接ta上次的SVD兴趣）技术要点上，时间轴计算是关键。很多新手会忽略delta_t=1/sample_rate这个关系，导致时间轴显示错误。示例需要明确写出linspace(0,len(data)/fs,len(data))这样的标准写法。另外观察到用户引用的文献[^3]标题比较营销化（“1区SCI顶刊常客”），可能ta对学术前沿感兴趣。在最后的相关问题里可以埋个伏笔，比如加个深度学习处理振动信号的扩展方向，但当前回答绝对聚焦基础绘图需求。</think> 以下是基于MATLAB和Python的原始振动信号绘制方法及代码示例，帮助您直观展示故障诊断中的振动数据： --- ### **一、核心步骤** 1. **数据准备**：采集加速度计/振动传感器的时域信号 2. **参数设置**：确定采样频率（Hz）和时间轴范围 3. **可视化**：绘制时间-幅值关系图 4. **标注**：添加设备状态标签（正常/故障） --- ### **二、MATLAB代码示例** ```matlab % 1. 生成模拟振动信号（实际应用替换为真实数据） fs = 2000; % 采样频率2000Hz t = 0:1/fs:1-1/fs; % 1秒时长 normal_signal = sin(2*pi*50*t); % 正常信号：50Hz正弦波 fault_signal = normal_signal + 0.8*randn(size(t)); % 故障信号：添加高斯噪声 % 2. 绘制信号 figure; subplot(2,1,1); plot(t, normal_signal); title('正常设备振动信号'); xlabel('时间 (s)'); ylabel('加速度 (m/s²)'); grid on; subplot(2,1,2); plot(t, fault_signal, 'r'); title('轴承故障振动信号'); xlabel('时间 (s)'); ylabel('加速度 (m/s²)'); grid on; ```  *图：正常信号与故障信号的时域对比[^2]* --- ### **三、Python代码示例（使用Matplotlib）** ```python import numpy as np import matplotlib.pyplot as plt # 生成模拟信号 fs = 2000 # 采样频率 t = np.arange(0, 1, 1/fs) normal_sig = np.sin(2*np.pi*50*t) # 正常信号 fault_sig = normal_sig + 0.5*np.random.randn(len(t)) # 故障信号 # 绘制图像 plt.figure(figsize=(10,6)) plt.subplot(211) plt.plot(t, normal_sig, 'b') plt.title('正常设备振动信号', fontsize=12, fontproperties='SimHei') plt.xlabel('时间 (s)') plt.ylabel('加速度幅值') plt.grid(True) plt.subplot(212) plt.plot(t, fault_sig, 'r') plt.title('齿轮磨损故障信号', fontsize=12, fontproperties='SimHei') plt.xlabel('时间 (s)') plt.ylabel('加速度幅值') plt.tight_layout() plt.grid(True) plt.savefig('vibration_signals.png', dpi=300) ``` --- ### **四、关键工具与技巧** 1. **专业工具** - MATLAB：Signal Processing Toolbox（`signalAnalyzer` 交互式工具） - Python：`scipy.signal`（滤波/频谱分析） + `seaborn`（高级可视化） 2. **实战技巧** - 添加事件标记：`plt.axvline(x=0.3, color='k', linestyle='--')` 标记冲击时刻 - 坐标轴优化：`plt.xlim([0.2, 0.4])` 聚焦故障特征区 - 数据缩放：对高采样率数据使用`plt.stem()`避免图形过密 --- ### **五、案例输出说明** | 信号类型 | 特征描述 | 典型故障关联 | |---------|---------|-------------| | 正常信号 | 稳定周期波形 | 无故障 | | 故障信号 | 幅值突变+高频噪声 | 轴承剥落/齿轮断齿[^2] | > 📌 **注意**：实际诊断中需结合频谱分析（FFT）和包络解调，时域图主要用于初步异常检测[^1][^2]。 ---