4. 时域分析：均值、方差、均方根值、峰值因子、峭度等统计特征提取

各位同学，咱们今天聊聊时域分析。说白了，就是把振动信号直接拿来算数，不搞什么傅里叶变换。你想想看，传感器采集到的原始波形，里面藏着大量信息。我做了十几年故障诊断，最深的体会就是——时域特征虽然基础，但往往最管用。

很多新手一上来就搞频谱分析，觉得高大上。但我个人习惯，拿到数据第一件事，先算几个时域统计量。为什么？因为计算快，物理意义明确，而且能快速判断设备有没有大问题。嗯，这里要注意，时域特征不是万能的，但绝对是诊断工具箱里的“瑞士军刀”。

4.1 均值与方差：信号的基础画像

均值，说白了就是信号的平均水平。对于振动信号，均值反映的是信号的直流分量。如果齿轮箱正常运转，均值应该稳定在某个小值附近。我在项目中遇到过，有一次测得的均值突然漂移，排查后发现是传感器安装松动导致的。所以，均值异常不一定代表齿轮坏了，也可能是测量系统出了问题。

均值的计算公式很简单：

μ = (1/N) * Σ x_i

其中N是采样点数，x_i是第i个采样值。

方差呢，描述的是信号偏离均值的程度。方差越大，说明振动越剧烈。我建议把方差和均值结合起来看。比如，均值没变，方差突然增大，那大概率是出现了冲击性故障。

σ² = (1/N) * Σ (x_i - μ)²

4.2 均方根值：振动能量的度量

均方根值（RMS）是时域分析里最常用的特征之一。它反映的是信号的有效值，也就是振动能量的大小。对于旋转机械，RMS值能很好地反映整体磨损程度。

RMS = sqrt((1/N) * Σ x_i²)

我记得有一次给某化工厂做齿轮箱诊断，他们一直用峰值指标做报警，结果频繁误报。我建议改用RMS值，配合趋势分析，准确率大幅提升。为什么？因为RMS对持续性的磨损更敏感，而峰值容易受偶然冲击干扰。

故障类型	RMS变化趋势	典型特征
均匀磨损	缓慢上升	RMS稳定增加，无突变
齿面点蚀	波动上升	RMS随负载变化明显
断齿	突然增大	RMS瞬间跳变，伴随冲击

4.3 峰值因子与峭度：捕捉冲击信号

这两个指标是专门用来抓冲击信号的。你想想看，齿轮出现点蚀或断齿时，每次啮合都会产生一个冲击脉冲。这种信号在时域上表现为“尖刺”。

峰值因子是峰值与RMS的比值：

Crest Factor = Peak / RMS

正常齿轮箱的峰值因子一般在3-5之间。如果突然飙升到8以上，那就要警惕了。我建议设置两个阈值：黄色预警（5-8）和红色报警（>8）。

峭度（Kurtosis）是描述信号分布形态的统计量。正态分布的峭度是3。如果峭度大于3，说明信号有更多的极端值，也就是冲击成分多。

Kurtosis = (1/N) * Σ ((x_i - μ) / σ)⁴

4.4 特征提取的工程实践

说了这么多理论，咱们看看实际怎么操作。我一般用Python做特征提取，代码很简单：

import numpy as np

def extract_time_features(signal):
    # 信号长度
    N = len(signal)
    
    # 均值
    mean_val = np.mean(signal)
    
    # 方差
    var_val = np.var(signal)
    
    # 均方根值
    rms_val = np.sqrt(np.mean(signal**2))
    
    # 峰值
    peak_val = np.max(np.abs(signal))
    
    # 峰值因子
    crest_factor = peak_val / rms_val
    
    # 峭度
    kurtosis_val = np.mean((signal - mean_val)**4) / (var_val**2)
    
    return {
        'mean': mean_val,
        'variance': var_val,
        'rms': rms_val,
        'peak': peak_val,
        'crest_factor': crest_factor,
        'kurtosis': kurtosis_val
    }

这段代码我用了好多年，基本没改过。你直接复制就能用。不过要注意，实际工程中信号可能有直流偏置，建议先做去均值处理。

4.5 特征选择的避坑指南

我曾经犯过一个错误，把所有时域特征都扔进模型，结果过拟合得一塌糊涂。后来总结出几条经验：

• 不要贪多： 6-8个时域特征足够，多了反而增加噪声
• 关注趋势： 单个时刻的特征值意义有限，要看变化趋势
• 结合工况： 转速和负载变化会影响特征值，要归一化处理
• 验证有效性： 每个特征都要做显著性检验，没用的果断去掉

嗯，这里还要强调一点。时域特征虽然好用，但不要孤立使用。我通常的做法是：先用时域特征做快速筛查，发现异常后再用频域或时频域方法精确定位故障位置。这样效率最高。

这张图把咱们今天讲的内容串起来了。你仔细看看，从均值到峭度，每个特征都有明确的物理意义和工程用途。我个人建议，刚开始做诊断时，先把这六个特征吃透，比盲目学一堆高级算法管用得多。

好了，时域分析就讲到这里。记住一句话：简单的东西往往最可靠。下次拿到振动数据，先算算这些统计量，你会对设备状态有个清晰的判断。