matlab声发射信息熵值采用滑动窗口方法计算 可根据需要自主调整窗口大小、滑动步距还有区间数目，可输出熵值和时间等，可读取txt和excel，自动保存图片，操作简单 带有简明扼要的注释，
伸手摸到实验台上沾着机油的声发射传感器，这玩意儿在工业检测里就像听诊器。今儿咱们要折腾的是声发射信号的信息熵计算，这指标能告诉你材料内部有多闹腾——熵值越高，裂纹扩展越欢实。
先搞个最带劲的：滑动窗口处理时序信号。这就像拿着放大镜在时间轴上溜达，窗口开合之间数据切片就出来了。上硬货——
% 滑动窗口参数设置 windowSize = 500; % 窗长，按采样点计 stepSize = 100; % 步长，越小越精细 numBins = 20; % 直方图分组数 rawData = xlsread('bearing_data.xlsx'); % 读Excel数据 % 或者用textscan(fopen('data.txt'),'%f')读txt这段代码里藏着几个机关：windowSize别超过数据总长度，否则直接报错给你看。实际项目中我发现窗口太小容易引入噪声，太大又可能漏掉突变点，建议先取信号周期的1/3试试水。
核心算法在熵值计算这块儿，原理就是把数据切片扔进概率分布的绞肉机：
function entropy = calc_entropy(slice, numBins) [counts, ~] = histcounts(slice, numBins); % 把数据切块 prob = counts / sum(counts); % 算概率 prob = prob(prob > 0); % 剔除零值防NaN entropy = -sum(prob .* log2(prob)); % 香农熵公式 end注意那个prob>0的过滤操作，这是被NaN坑过的人才懂的痛。曾经有个项目就因为这个细节，整个熵值曲线出现诡异缺口，排查到凌晨三点。
主循环才是重头戏，这里实现了窗口的滑动机制：
totalPoints = length(rawData); timeStamps = zeros(1, floor((totalPoints - windowSize)/stepSize)); entropyValues = zeros(size(timeStamps)); for i = 1:length(timeStamps) startIdx = (i-1)*stepSize + 1; endIdx = startIdx + windowSize - 1; currentSlice = rawData(startIdx:endIdx); entropyValues(i) = calc_entropy(currentSlice, numBins); timeStamps(i) = mean([startIdx, endIdx]) / 1000; % 换算成秒 end循环里的索引计算容易踩坑，特别是endIdx超限的情况。建议加个保险：if endIdx > totalPoints, break; end
最后来个可视化暴击：
figure('Position', [100, 100, 800, 400]) plot(timeStamps, entropyValues, 'LineWidth', 1.5) xlabel('时间(s)') ylabel('信息熵(bit)') title(['滑动熵分析 window=',num2str(windowSize),' step=',num2str(stepSize)]) grid on saveas(gcf, ['entropy_plot_', datestr(now,'yyyymmddHHMM'), '.png']) % 自动存图这个datestr时间戳小技巧能防止文件覆盖，实测在批量处理时巨好用。曾经有个师弟没加时间戳，一晚上跑的数据全被覆盖，那脸色比熵值曲线还精彩。
参数调优方面，拿滚动轴承故障数据试过水：正常状态下熵值在2.3-2.8之间波动，早期故障时会突然飙到3.5以上。不过要注意采样率的影响，别拿10kHz和50kHz的数据直接比绝对值。
)
