5.3 典型工具箱应用案例

5.3 典型工具箱应用案例

本节摘要：真实工程方案几乎总是多个工具箱的接力。本节用三个案例演示组合用法：振动信号的频域诊断、图像缺陷检测、参数寻优，每个案例给出从数据到结论的完整代码路径。

为什么讲组合

单工具箱教程遍地都是，但工程现场的问题从不按工具箱分类。一次振动诊断要用信号处理提特征、用统计学习做分类；一次缺陷检测要用图像工具箱预处理、再进学习模型；一次模型标定要用仿真跑样本、用优化工具箱反推参数。会组合，生态才算真正为你所用。

案例一：振动信号的故障特征提取

设备振动数据，怀疑轴承局部损伤。损伤的特征频率落在特定频带，思路是"滤波提带—包络解调—找峰"：

% 信号处理工具箱
d = designfilt('bandpassfir', ...
    'PassbandFrequency', [500 800], 'SampleRate', fs);
env = abs(hilbert(filtfilt(d, x)));      % 包络：解析信号取模
pspectrum(env, fs, 'FrequencyLimits', ...
    [0 200]);                            % 包络谱上找特征峰
​

hilbert 构造解析信号取模得到包络，是轴承诊断的经典手法。若要自动判伤，把每台设备的包络谱特征（若干频带能量）排成特征矩阵，交给 fitcsvm 训练分类器——信号处理负责"把物理变成数字"，统计学习负责"把数字变成判据"。

案例二：图像缺陷检测

工业零件照片找划痕：

% 图像处理工具箱
I  = imread('part.png');
Ig = im2gray(I);
Bg = imgaussfilt(Ig, 15);            % 大尺度背景估计
R  = imabsdiff(Ig, Bg);              % 减背景，突出细节
bw = imbinarize(R, 'adaptive');      % 自适应阈值
bw = bwareaopen(bw, 50);             % 去小噪声连通域
stats = regionprops(bw, 'Area', 'Centroid');
​

流程是"估背景—做差—二值化—量区域"。没有训练样本时这套传统视觉流水线依然能打；有样本时，把 regionprops 的几何特征喂给分类器，或直接换深度学习工具箱的预训练网络做迁移——两条路线的取舍在样本量：百张以下传统法常更稳。

案例三：模型参数寻优

已知模型结构与实验数据，反求参数：

% 优化工具箱 + 仿真
function err = objFun(p)
    ysim = runModel(p);               % 仿真得到响应
    err  = norm(ysim - yexp);         % 与实验的偏差
end
p0 = [1, 0.5];
popt = fmincon(@objFun, p0, [], [], ...
    [], [], [0.1 0.1], [10 5]);       % 带上下界的约束优化
​

仿真在循环里被反复调用，目标函数就是"仿真输出与实验的偏差"。目标函数多峰时换全局优化工具箱的 particleswarm 粗搜，再用 fmincon 精修——两级搜索是参数标定的标准阵型。

图 三个案例的工具箱接力路径

💡 关键直觉：跨工具箱协作的接口往往就是矩阵与 table——上游的输出整理成矩阵，下游就拿得动。设计数据接口时按"通用容器"思考，组合难度会大幅下降。

案例一的完整过程与判读

把振动诊断补成完整闭环。背景：轴承内圈局部损伤会在振动包络谱上激起轴频调制的特征频率族。操作分四步——带通滤波保留共振频带、希尔伯特取包络、包络谱找峰、对照理论频率判型。前两步代码上文已给，判读环节如下：

fs = 12000;
[E, f] = pspectrum(env, fs, ...
    'FrequencyLimits', [0 300]);
[pks, locs] = findpeaks(E, f, ...
    'MinPeakProminence', 0.5, 'MinPeakDistance', 5);
[~, bp] = max(pks);
fprintf('主峰频率 %.1f Hz\n', f(locs(bp)));
​

解读：若主峰及其倍频与轴承内圈特征频率的理论值对得上（理论值由转速与轴承几何参数算出），判内圈损伤；只出轴频不成族，多半是不对中这类装配问题。变式：把"人看谱"换成"机器判"，对每台设备提取若干频带能量作特征、健康与故障样本各若干，fitcsvm 训练后新设备一键判级——特征设计来自物理，判据交给统计，这就是工业诊断方案的标准分野。

案例三的展开：两级寻优为什么要分

参数标定直接上 fmincon 常见的问题是最优解随初值漂移——目标函数多峰，局部搜索掉进哪个坑看起点脸色。展开成两级：全局粗搜撒网点、局部精修收敛：

nvars = 2;
lb = [0.1 0.1];  ub = [10 5];
opts = optimoptions('particleswarm', ...
    'SwarmSize', 60, 'MaxIterations', 150);
[prough, frough] = particleswarm(@objFun, nvars, lb, ub, opts);
[pfine, ffine] = fmincon(@objFun, prowgh, ...
    [], [], [], [], lb, ub);
fprintf('粗搜 %.4f -> 精修 %.4f\n', frough, ffine)
​

典型输出里精修值比粗搜再降一截，且换随机种子重跑结果稳定。工程经验：目标函数每 evaluations 都要跑一次仿真、代价不低时，全局搜索的预算要卡死（迭代数与群规模），把算力留给最后的精修。变式是拉丁超立方采样先扫一遍参数空间画响应面——若响应面明显单谷，两级寻优可以省掉，直接局部搜索。

组合方案的通用检查单

三个案例沉淀出的共性检查单，跨工具箱方案动手前过一遍：数据接口是否统一为矩阵或 table；每一步的中间产物是否落盘（哪一步出错能从最近快照续跑）；授权清单是否覆盖全部用到的模块；全局随机种子是否固定（涉及随机初始化的算法要可复现）；失败分支是否有兜底（某文件读不进时记日志跳过还是中止）。五条都过，方案才算从"能跑"升到"能交付"。

本节要点回顾

• 工程方案 = 工具箱接力，问题不按工具箱分类；
• 包络分析：滤波—hilbert 取模—包络谱，轴承诊断三板斧；
• 传统视觉流水线在小样本场景依然是首选；
• 两级寻优：全局粗搜加局部精修，标定问题的标准阵型；
• 矩阵与 table 是通用接口，容器选对组合就顺。