振动信号时域指标解析：从峭度、裕度到故障诊断实战

1. 从振动信号中提取时域指标：不只是几个函数那么简单

刚接触振动信号分析的朋友，尤其是机械背景的，常常会卡在第一步：面对一串采集到的时域波形数据，除了看个大概形状，怎么用具体的数字来量化它的特征，进而判断设备状态？论坛里常有人问“Matlab里用什么函数可以提取峰值指标、峭度指标和裕度指标？”，这背后反映的其实是一个更本质的需求——如何将抽象的振动波形，转化为可衡量、可比较、可用于故障诊断的工程参数。我刚开始做设备预测性维护时，也经历过这个阶段，以为找到函数调用一下就能出结果，后来才发现，如果不理解这些指标背后的物理意义、计算前提和适用场景，得到的数据很可能误导判断。今天，我们就抛开单纯的函数调用，深入聊聊这几个核心时域指标，它们到底是什么，该怎么算，以及在工程实践中到底该怎么用。

简单来说，时域指标是从振动信号的时间序列本身直接计算出的统计特征值，它们就像给振动信号做的“体检报告”，不同指标关注不同的“健康维度”。有量纲指标（如均方根值）的数值大小与信号的物理量（如加速度g值、速度mm/s）直接相关；而无量纲指标（如峭度、裕度）则剔除了绝对幅值的影响，更关注信号波形的“形状”特征，对早期冲击型故障异常敏感。对于旋转机械的故障诊断，尤其是轴承、齿轮的早期损伤，这些无量纲指标往往是发现问题的“第一哨兵”。接下来，我会结合具体的计算方法和实际案例，带你彻底搞懂这套工具。

2. 核心时域指标详解：定义、计算与物理意义

要正确使用工具，必须先理解工具本身。我们常说的几个关键指标，其定义和物理意义是分析的基石。很多人直接套公式，但对公式背后的“为什么”却不甚了了，这会导致误用。

2.1 有量纲指标：信号的“体格”描述

有量纲指标描述了信号的基本幅值特征，其数值单位与原始信号一致（如m/s², mm/s）。

1. 均值：信号的平均值，计算公式为 (\mu_x = \frac{1}{N}\sum_{i=1}^{N}x_i)。它代表了信号的静态或直流分量。在振动分析中，由于我们通常关心的是动态的振动变化，因此在计算其他时域指标前，首要步骤就是去除均值，即对信号进行零均值化处理：(x'[i] = x[i] - \mu_x)。如果不做这一步，均值会干扰后续对波动特征的评估。

2. 均方根值：也称为有效值，计算公式为 (X_{rms} = \sqrt{\frac{1}{N}\sum_{i=1}^{N}(x_i')^2})。这是最常用的振动烈度描述指标，其物理意义是信号的平均能量水平。例如，ISO 10816等标准就是依据振动速度的均方根值来评判设备整体运行状态的。它的优点是稳定性好，随着故障发展会单调上升；缺点是对早期局部损伤（如轴承点蚀初期产生的微弱冲击）不敏感。

3. 峰值：信号绝对值的最大值，(X_p = \max(|x'|))。它反映了信号中可能出现的最大瞬时冲击力。单独看峰值意义不大，因为它极易受单个野值点影响，所以常与其他指标结合使用。

2.2 无量纲指标：信号的“形态”诊断

无量纲指标的最大优势在于其值不受信号绝对幅值的影响。即使因为传感器灵敏度或放大倍数改变导致信号幅值整体变大或变小，这些指标也能保持相对稳定，从而更纯粹地反映波形特征的变化。

1. 峰值指标：定义为峰值与均方根值的比值，(C_f = \frac{X_p}{X_{rms}})。对于纯粹的正弦波，其峰值指标约为1.414。这个指标反映了信号中是否存在突出的尖峰。如果信号中混入了冲击成分，峰值会显著增大，从而导致峰值指标升高。

2. 脉冲指标：定义为峰值与绝对平均值的比值，(I_f = \frac{X_p}{\frac{1}{N}\sum_{i=1}^{N}|x_i'|})。绝对平均值对冲击也有一定的敏感性，但不如均方根值稳定。脉冲指标的性质与峰值指标类似，但对冲击的敏感性略高于峰值指标。

3. 裕度指标：这是一个在轴承诊断中非常有用的指标，定义为峰值与方根幅值的比值。方根幅值是一个比较“冷门”但重要的参数，其计算为 (X_r = (\frac{1}{N}\sum_{i=1}^{N}\sqrt{|x_i'|})^2)。裕度指标公式为 (CL_f = \frac{X_p}{X_r})。由于方根幅值计算中先开了平方根，它对信号中的小幅值成分赋予了更大的权重，而对大幅值的冲击相对“不敏感”。因此，当出现大幅值冲击时，分母(X_r)增长缓慢，而分子(X_p)增长迅速，导致裕度指标显著增大，使其对早期冲击异常敏感。

4. 峭度指标：这是所有指标中对冲击最敏感的一个。它的计算基于信号的四阶中心矩与均方根值四次方的比值：(K_v = \frac{\frac{1}{N}\sum_{i=1}^{N}(x_i')^4}{X_{rms}^4})。峭度描述的是信号概率密度分布曲线的“陡峭”程度。对于一个正态分布（高斯分布）的随机信号，其峭度值为3（有些教科书或软件定义为0，即“超额峭度”，需注意区分）。

注意：关于峭度值的基准（3还是0）是一个常见的混淆点。Matlab的kurtosis函数默认返回的是超额峭度（Excess Kurtosis），即计算值减3。因此，对于高斯白噪声，用kurtosis(x)得到的结果接近0。在工程应用中，务必明确你使用的定义。建议在报告中注明：“本文峭度指标采用超额峭度定义，即正态分布为0”。

峭度的物理意义可以直观理解：如果振动信号主要是平稳的背景噪声，其幅值分布集中在均值附近，分布曲线比较“平缓”，峭度值较低（接近0或3，取决于定义）。当设备出现早期点蚀或裂纹时，会产生周期性的微弱冲击，这些冲击在信号中表现为一些“毛刺”。虽然这些毛刺的能量不大（均方根值变化不明显），但它们使得幅值分布中远离均值的部分（即“尾巴”）变厚了，概率密度曲线在均值处变得更尖、更陡，同时尾部抬升，这就是“峭度”增加。因此，峭度指标在故障萌芽期就能迅速升高。

3. 工程实践：从理论公式到Matlab/Python实现

理解了定义，我们来看看如何用代码实现。论坛里有人提到可以用skewness和kurtosis函数，这没错，但峰值指标和裕度指标需要我们自己构建。更重要的是，实现过程中有很多细节决定成败。

3.1 数据预处理：至关重要的一步

在计算任何指标前，必须对原始振动信号进行预处理。标准的流程是：

1. 去除直流分量（去均值）：这是强制步骤。signal_detrended = signal - mean(signal)。
2. 抗混叠滤波：在数据采集时就应该完成。确保采样频率至少是最高分析频率的2.5倍以上。
3. 去除异常点或趋势项：对于长期监测数据，可能需要用多项式拟合去除慢变的趋势项。
4. 数据分段：对于长时间序列，通常将其分成若干段（例如每段1024或4096个点），分别计算每段的指标，再观察其随时间的变化趋势，这比用一个超长序列算一个值更有意义。

3.2 Matlab代码实现示例

下面是一个完整的、包含详细注释的Matlab函数示例，用于计算一组振动信号的所有关键时域指标。这个函数假设输入信号x已经是一个去除均值后的列向量。

function [metrics] = calculate_time_domain_metrics(x) % 计算振动信号的常用时域指标 % 输入：x - 去除均值后的振动信号列向量 % 输出：metrics - 结构体，包含所有计算出的指标 N = length(x); x_abs = abs(x); % 1. 计算有量纲指标 X_rms = sqrt(sum(x.^2) / N); % 均方根值 X_peak = max(x_abs); % 峰值 X_abs_mean = sum(x_abs) / N; % 绝对平均值 % 方根幅值 (Root Amplitude) X_root_amplitude = (sum(sqrt(x_abs)) / N)^2; % 2. 计算无量纲指标 % 波形指标 (Shape Factor) S_f = X_rms / X_abs_mean; % 峰值指标 (Crest Factor) C_f = X_peak / X_rms; % 脉冲指标 (Impulse Factor) I_f = X_peak / X_abs_mean; % 裕度指标 (Clearance Factor) CL_f = X_peak / X_root_amplitude; % 峭度指标 (Kurtosis) - 使用Matlab内置函数，注意其返回超额峭度 % 即：Kurtosis = (E[(x-μ)^4]) / (σ^4) - 3 K_v = kurtosis(x); % 对于正态分布，此值接近0 % 将结果存入结构体 metrics.X_rms = X_rms; metrics.X_peak = X_peak; metrics.S_f = S_f; metrics.C_f = C_f; metrics.I_f = I_f; metrics.CL_f = CL_f; metrics.K_v = K_v; metrics.X_root_amplitude = X_root_amplitude; % 也输出方根幅值供参考 % 打印结果 fprintf('计算完成，结果如下：\n'); fprintf('均方根值 (X_rms): %.4f\n', X_rms); fprintf('峰值 (X_peak): %.4f\n', X_peak); fprintf('波形指标 (S_f): %.4f\n', S_f); fprintf('峰值指标 (C_f): %.4f\n', C_f); fprintf('脉冲指标 (I_f): %.4f\n', I_f); fprintf('裕度指标 (CL_f): %.4f\n', CL_f); fprintf('峭度指标 (K_v，超额峭度): %.4f\n', K_v); end

实操心得：

• 在计算X_root_amplitude（方根幅值）时，先对每个数据点的绝对值开平方，求和平均后再平方。这个顺序不能错，它是裕度指标物理意义成立的关键。
• kurtosis(x)函数默认标志位为0，表示计算超额峭度。如果你想得到未经减3的原始峭度值，可以使用kurtosis(x, 0)（旧版本）或查阅最新文档。我强烈建议在工程报告中统一使用超额峭度，并在图例或表格中明确标注“Kurtosis (Excess)”，避免歧义。
• 对于实时监测系统，你可以将上述函数封装好，对每个时间窗口（例如每秒计算一次）的数据进行计算，并将指标时间序列存储下来，用于绘制趋势图。

3.3 Python实现方案

对于使用Python的工程师，利用numpy和scipy库可以非常简洁地实现相同功能。Python在数据分析和原型开发方面越来越流行。

import numpy as np from scipy.stats import kurtosis def calculate_time_domain_metrics_py(x): """ 计算振动信号时域指标 (Python版本) 参数: x: 一维numpy数组，建议已去除均值 返回: dict: 包含各指标的字典 """ N = len(x) x_abs = np.abs(x) # 有量纲指标 X_rms = np.sqrt(np.mean(x**2)) X_peak = np.max(x_abs) X_abs_mean = np.mean(x_abs) # 方根幅值 X_root_amplitude = np.mean(np.sqrt(x_abs))**2 # 无量纲指标 S_f = X_rms / X_abs_mean # 波形指标 C_f = X_peak / X_rms # 峰值指标 I_f = X_peak / X_abs_mean # 脉冲指标 CL_f = X_peak / X_root_amplitude # 裕度指标 # 峭度指标: scipy.stats.kurtosis 默认计算超额峭度 (Fisher's definition) # 设置 fisher=True 返回超额峭度 (正态分布为0)， fisher=False 返回原始峭度 (正态分布为3) K_v = kurtosis(x, fisher=True, bias=False) # bias=False 使用无偏估计 metrics = { 'X_rms': X_rms, 'X_peak': X_peak, 'S_f': S_f, 'C_f': C_f, 'I_f': I_f, 'CL_f': CL_f, 'K_v': K_v, 'X_root_amplitude': X_root_amplitude } return metrics # 使用示例 # 假设 signal 是你的振动数据，且已去均值 # signal = signal - np.mean(signal) # results = calculate_time_domain_metrics_py(signal) # print(f"峭度指标: {results['K_v']:.4f}")

注意事项：

• scipy.stats.kurtosis函数的fisher参数是关键。fisher=True（默认）返回超额峭度（正态分布为0），这与Matlab的默认行为一致。bias参数决定是否对样本统计量进行修正以获得对总体参数的无偏估计，在数据量不大时建议设为False。
• numpy的运算通常是向量化的，速度很快。确保你的输入x是np.ndarray类型，而不是Python列表，以获得最佳性能。

4. 指标特性与在故障诊断中的联合应用策略

单独看任何一个指标都是片面的。论坛的讨论总结得非常到位：不同指标在敏感性（对早期故障的识别能力）和稳定性（随着故障发展，指标变化的可预测性和抗干扰性）上存在差异。我们需要根据诊断阶段和故障类型，像老中医一样“望闻问切”，综合评判。

4.1 各指标特性对比与物理意义图解

为了更直观地理解，我们可以用一张表格来总结，并想象几种典型信号：

图形化理解峭度：你可以用Matlab生成两组数据：一组是randn(10000,1)（高斯噪声），另一组是在高斯噪声中混入少量大幅值脉冲。分别绘制它们的概率密度分布直方图并叠加正态分布曲线。你会发现，第二组数据的直方图在中心0点处有一个更尖的峰，而在两侧（如±5σ以外）有比正态分布更多的数据点，这就是“尖峰厚尾”，直观对应峭度值的升高。

4.2 基于指标特性的故障诊断策略

基于上述特性，在实际设备状态监测中，我通常会采用以下策略，这也是行业内的常见做法：

1. 长期监测与基线建立：在设备健康状态下，连续采集一段时间的振动数据，计算上述指标的平均值和标准差，作为该测点、该转速负载下的“健康基线”。例如，可能得到“健康状态下，峭度指标通常在0.5±0.3范围内波动”。

2. 敏感指标用于早期预警：

• 峭度指标和裕度指标是发现早期轴承点蚀、齿轮裂纹等局部损伤的“先锋兵”。一旦它们的值持续超过基线阈值（例如，峭度连续多次>2），即使振动总值（Xrms）没有明显变化，也应触发检查警报。它们的缺点是，当故障发展到一定程度、冲击变得非常密集时，信号反而开始趋近于一个幅值增大的随机噪声，峭度值会从高点回落。
• 峰值指标和脉冲指标可以作为辅助验证。如果它们也同步上升，则进一步确认了冲击的存在。

3. 稳定指标用于故障严重程度评估与趋势跟踪：

• 均方根值是判断故障发展程度和制定维修计划的主要依据。它的上升通常与故障严重程度有较好的相关性，且趋势稳定。国际标准（如ISO 10816, ISO 2372）主要依据振动速度的均方根值来划分设备状态等级（良好/满意/不满意/不可接受）。
• 当峭度指标从最高点开始回落，而均方根值开始持续快速上升时，往往意味着故障已经从局部损伤阶段进入到了扩展阶段，需要高度关注并准备维修。

4. 综合判据与决策： 一个稳健的监测方案不会只依赖一个指标。我常用的综合判据是：

• 一级警报（观察）：峭度或裕度指标超过基线阈值（如3倍标准差），但均方根值正常。提示“可能存在早期损伤，建议加强监测频率”。
• 二级警报（警告）：峭度/裕度指标持续高位，且峰值指标、脉冲指标也同步上升。提示“早期损伤可能性大，建议安排检查”。
• 三级警报（严重）：均方根值明显上升并超过运行标准，无论峭度指标是否回落。提示“故障已发展，需尽快安排维修”。

5. 常见问题、陷阱与实战经验分享

在实际应用中，直接从教科书公式到工业现场，中间有很多坑。下面是我和同事们用一些教训换来的经验。

5.1 计算前的数据准备好了吗？

问题1：信号未去均值或去趋势。

• 现象：计算出的指标，尤其是高阶矩相关的峭度，严重失真。
• 原因：信号的直流分量或缓慢变化的趋势项（如温度漂移）会贡献巨大的幅值，完全淹没真实的动态振动特征。
• 解决：务必先做detrend处理。对于稳态分析，直接减去均值即可。对于长时间序列，建议使用detrend(x, 'constant')（去均值）或detrend(x, 'linear')（去线性趋势）。在Python中，scipy.signal.detrend函数非常好用。

问题2：数据长度（N）太短或太长。

• 现象：指标值波动巨大，无法建立稳定的基线。
• 原因：数据太短，统计不充分，容易受偶然冲击影响；数据太长，可能包含了设备不同工况的阶段，混合了多种状态。
• 解决：选择合适的时间窗。对于旋转机械，通常选择覆盖几十到几百个旋转周期的数据长度。例如，转速为1500 rpm（25 Hz），采样频率为2560 Hz，一个旋转周期是102.4个点。取1024点（约10个周期）或4096点（约40个周期）作为一段是常见做法。同时，要确保数据段是在稳定工况下截取的。

问题3：采样频率和抗混叠滤波不当。

• 现象：高频冲击成分被折叠到低频中，造成虚假的幅值分布，影响所有指标，特别是峰值和峭度。
• 解决：采样前必须使用抗混叠低通滤波器。采样频率至少为分析最高频率的2.5倍（香农定理的2倍是理论最低，工程上需要余量）。例如，关心1000 Hz以下的振动，采样频率应至少设为2500 Hz。

5.2 指标解读中的典型误区

误区1：峭度值高就一定表示故障？不一定。某些正常运行工况也可能产生高峭度信号。例如：

• 瞬时启停：设备启动或停机过程，转速穿越共振区，振动信号非平稳。
• 间歇性负载冲击：如冲压机、破碎机的正常工作载荷冲击。
• 电磁干扰：传感器或线路受到瞬时电磁干扰，产生针状脉冲。
• 区分方法：观察指标的时间趋势图。故障导致的峭度升高通常是持续性或周期性逐渐恶化的。而干扰或工况冲击往往是孤立的尖峰。结合设备运行日志（何时启停、何时加载）进行关联分析至关重要。

误区2：均方根值没超标，设备就绝对安全。错误。对于轴承、齿轮的早期局部故障，在很长一段时间内（可能占其剩余寿命的80%），振动总量（Xrms）几乎没有变化，但峭度等指标已显著升高。如果只监控Xrms，会错过最佳维修窗口。这就是为什么状态监测必须多维指标并行。

误区3：套用固定阈值。不同设备类型（风机、泵、齿轮箱）、不同测点位置（水平、垂直、轴向）、不同转速和负载，其振动信号的基线值都不同。用一个固定的阈值（如“峭度大于4就报警”）是行不通的。

• 正确做法：基于历史健康数据或同类型设备群的数据，为每个监测点建立动态基线。可以采用“均值±3倍标准差”作为统计控制限，或者使用更高级的机器学习方法建立正常行为模型。

5.3 高级技巧：指标的趋势分析与融合

单纯看一个点的指标值意义有限，看趋势才有价值。

1. 绘制指标趋势图：将每天或每周计算的指标值按时间顺序绘制成折线图。观察峭度是否在缓慢爬升，Xrms是否在峭度回落后开始抬头。这种趋势图是说服维护团队采取行动的最有力证据。
2. 构造复合健康指数：为了用一个数值综合反映状态，可以将多个指标归一化后加权融合。例如：Health_Index = w1 * (Kv_norm) + w2 * (CLf_norm) + w3 * (Xrms_norm)其中，权重w1, w2, w3可以根据经验或机器学习训练得到，*_norm是经过基线化和缩放后的指标值。这个健康指数可以从100（健康）逐渐下降到0（严重故障），更直观。
3. 与频域分析结合：时域指标发现异常后，立即进行频谱分析、包络谱分析，以确定故障的具体类型和位置（例如，是轴承外圈故障频率还是齿轮啮合频率边带）。时域指标是“侦察兵”，频域分析是“定位仪”。

最后，再分享一个我踩过的坑：曾经有一个风机轴承监测项目，峭度指标持续偏高但Xrms正常，我们判断为早期故障。但拆检后却发现轴承完好。后来排查发现，是传感器安装底座的一块油漆脱落，导致传感器与机壳之间形成了一个微小的间歇性接触不良点，产生了类似冲击的噪声。这个教训告诉我，任何基于数据的诊断，都必须与设备现场的实际检查相结合。数据分析是指引方向的罗盘，但最终确认故障，还需要工程师的耳朵、眼睛和经验的判断。