4. 时域信号分析：时域波形特征、峰值/均值/有效值/峭度指标、时域同步平均

各位同学，咱们今天聊时域信号分析。说实话，很多搞振动的新手一上来就盯着频谱看，觉得时域波形太简单、没啥信息量。我刚开始也这么想，直到有一次在现场处理一个齿轮箱的突发故障——频谱上干干净净，倒是时域波形里藏着猫腻。从那以后，我再也不敢小看时域了。

4.1 时域波形特征——最直观的“心电图”

时域波形，说白了就是振动信号随时间变化的曲线。你把它想象成齿轮箱的心电图，每个冲击、每个调制，都会在波形上留下痕迹。

我个人的习惯：拿到一段时域数据，先不急着算指标，直接肉眼扫一遍波形。为什么？因为很多故障在波形上有“一眼就能看出来”的特征。

举个例子。我在项目里遇到过一台减速机，频谱上只有啮合频率及其边频，看不出明显异常。但时域波形一看，每隔0.1秒就有一个小冲击。算一下，0.1秒对应10Hz，正好是输入轴的转频。拆开一看，输入轴齿轮有一个齿的根部出现了裂纹。你想想看，如果只看频谱，这个故障很可能就漏掉了。

4.2 峰值、均值、有效值——三个最基础的统计量

这三个指标，是时域分析的“三驾马车”。每个指标都有自己的脾气，用对了地方，事半功倍。

4.2.1 峰值（Peak Value）

峰值就是信号的最大绝对值。它反映的是振动的“最大冲击力”。

• 计算公式：\( X_p = \max(|x(t)|) \)
• 适用场景：检测瞬时冲击，比如齿轮断齿、轴承滚动体通过缺陷
• 注意：峰值对单次冲击很敏感，但也容易被噪声干扰

4.2.2 均值（Mean Value）

均值是信号的直流分量。对于交流耦合的振动信号，均值理论上应该接近0。

• 计算公式：\( \bar{x} = \frac{1}{N}\sum_{i=1}^{N}x_i \)
• 实际意义：如果均值明显偏离0，说明传感器有零漂，或者信号中有直流偏置
• 我的建议：均值一般不用于故障诊断，但它是数据质量的“照妖镜”

4.2.3 有效值（RMS，Root Mean Square）

有效值是时域分析里最常用的指标。它反映的是振动的“能量大小”。

• 计算公式：\( X_{rms} = \sqrt{\frac{1}{N}\sum_{i=1}^{N}x_i^2} \)
• 适用场景：评估整体振动水平，判断设备状态是否恶化
• 标准参考：ISO 10816系列标准就是基于有效值制定的

嗯，这里要注意：有效值对持续性的振动能量很敏感，但对偶尔的冲击不敏感。所以，一台齿轮箱如果有效值缓慢上升，说明磨损在加剧；但如果有效值突然跳变，那可能是发生了断齿之类的严重故障。

4.3 峭度指标——早期故障的“放大镜”

峭度（Kurtosis）这个指标，很多人觉得抽象。我换个说法：它衡量的是信号中“冲击成分”的多少。

• 计算公式：\( K = \frac{1}{N}\sum_{i=1}^{N}\left(\frac{x_i - \bar{x}}{\sigma}\right)^4 \)
• 正常值：高斯分布的峭度≈3
• 故障特征：峭度>3，说明信号中有冲击成分；峭度越大，冲击越明显

为什么会这样？因为正常运转时，振动信号接近高斯分布，峭度≈3。一旦出现冲击，信号的尾部变“胖”，峭度就会升高。我记得有一次监测一台风机齿轮箱，有效值一直很平稳，但峭度从3.2慢慢爬到了4.8。我判断是轴承早期点蚀，建议客户拆检。结果拆开一看，内圈果然有芝麻大小的剥落坑。这就是峭度的厉害之处——它能在有效值还没反应的时候，就捕捉到故障的苗头。

4.4 时域同步平均——从噪声中“挖”出信号

时域同步平均（Time Synchronous Averaging, TSA）是一种信号增强技术。它的核心思想很简单：把信号按照转轴的周期切成很多段，然后叠加平均。

为什么有效？ 因为与转轴同步的振动成分，每次叠加都会增强；而噪声是随机的，叠加后会相互抵消。平均N次，信噪比提升√N倍。

TSA的典型应用步骤：

1. 采集振动信号的同时，记录键相脉冲（每转一个脉冲）
2. 以键相脉冲为基准，将振动信号按转周期分段
3. 将所有分段对齐后叠加平均
4. 分析平均后的波形，观察齿轮啮合形态、冲击位置等

下面我用一个简单的Python代码示意TSA的实现逻辑：

import numpy as np

def time_sync_average(signal, trigger_indices):
    """
    时域同步平均
    signal: 原始振动信号
    trigger_indices: 键相脉冲对应的采样点索引
    """
    # 计算每转的采样点数
    n_per_rev = np.diff(trigger_indices).min()
    
    # 按转周期分段
    segments = []
    for idx in trigger_indices[:-1]:
        if idx + n_per_rev <= len(signal):
            segments.append(signal[idx:idx + n_per_rev])
    
    # 叠加平均
    tsa_result = np.mean(segments, axis=0)
    return tsa_result

这段代码虽然简单，但核心思想都在里面了。实际工程中，还要考虑转速波动、插值对齐等问题，但原理是一样的。

4.5 知识体系总览

为了让大家更直观地理解本章的知识结构，我画了一张图：

这张图把本章的四个核心内容串起来了。时域波形特征是基础，统计指标是量化工具，峭度是早期故障的探测器，TSA是信号增强的利器。四者配合使用，才能把时域信号的价值发挥到最大。

---

公众号:蓝海资料掘金营，微信deep3321