第四节：时域分析——峰值、峰峰值、均值、均方根值、波形因子、峭度

各位工程师朋友，大家好。今天我们来聊聊时域分析。

很多人一上来就搞频谱、包络谱，觉得时域太简单。其实不然。我个人习惯是：拿到数据，先看时域波形。为什么？因为时域信号最直观，很多故障特征在时域里一眼就能看出来。

咱们这节课，就把时域里最常用的几个指标讲透。峰值、峰峰值、均值、均方根值、波形因子、峭度。这些概念你肯定都听过，但真正用对、用好，还是有点门道的。

一、时域分析的核心逻辑

先看一张图，帮你建立整体认知。

这张图把时域指标分成了三类：幅值参数、能量参数、统计参数。咱们一个一个来拆解。

二、峰值与峰峰值

峰值，就是信号的最大绝对值。说白了，就是波形最高点到零线的距离。

峰峰值，是最大值减最小值。也就是波形最高点到最低点的距离。

这两个指标有什么用？

• 峰值：适合检测冲击信号。比如齿轮断齿、轴承滚动体故障，瞬间冲击会产生很高的峰值。
• 峰峰值：适合评估振动烈度。很多标准（比如ISO 10816）就是用峰峰值来评判设备状态的。

三、均值与均方根值

均值，就是信号的平均值。对于振动信号来说，均值通常接近零。为什么？因为振动是围绕平衡位置来回摆动的。

但注意了——如果均值明显偏离零，说明传感器有直流偏置，或者设备有单向受力的情况。我在现场遇到过一台风机，均值一直偏大，查了半天发现是传感器安装底座松了。

均方根值（RMS），这个才是重点。它反映了信号的有效能量。

计算公式很简单：

RMS = sqrt( (1/N) * Σ x[i]² )

说白了，就是把每个点平方，求平均，再开方。

RMS为什么重要？因为它代表了振动的「有效值」。你想想看，一个持续的高RMS值，说明设备一直在承受较大的振动能量，这对寿命是有影响的。

指标	物理含义	典型应用
峰值	最大瞬时幅值	冲击检测、齿轮故障
峰峰值	振动总行程	ISO标准评估、低速设备
均值	信号直流分量	传感器偏置检查、单向受力
均方根值	有效振动能量	轴承磨损、不平衡、松动

四、波形因子

波形因子 = RMS / 均值（取绝对值后的均值）。

这个指标有什么用？它反映了波形的「形状特征」。

• 标准正弦波：波形因子 ≈ 1.11
• 方波：波形因子 = 1.0
• 脉冲信号：波形因子会很大

我在诊断一台压缩机时，发现波形因子从1.1突然跳到了1.8。拆开一看，阀片已经碎了一块。波形因子对波形畸变非常敏感，是个好用的辅助指标。

五、峭度

峭度，英文叫Kurtosis。这个指标有点意思，它衡量的是信号分布的「尖峭程度」。

计算公式：

Kurtosis = (1/N) * Σ ((x[i] - mean) / std)⁴

嗯，这里要注意——峭度对冲击信号极其敏感。

• 正常振动信号：峭度 ≈ 3（高斯分布）
• 有冲击故障：峭度 > 3，甚至能到10以上
• 纯正弦波：峭度 ≈ 1.5

我曾经用峭度检测一个轴承的早期故障。RMS值还没什么变化，峭度已经从3.2涨到了5.8。拆检发现保持架已经出现裂纹。峭度是早期故障的「侦察兵」。

六、实战应用：如何组合使用

说了这么多，到底怎么用？我分享一个实战套路。

1. 第一步：看RMS趋势。RMS持续上升，说明设备状态在恶化。
2. 第二步：看峭度。如果峭度突然升高，说明出现了冲击性故障。
3. 第三步：看波形因子。波形因子配合峭度，可以判断是持续冲击还是偶发冲击。
4. 第四步：看峰值/峰峰值。确认冲击的幅值大小，评估严重程度。

举个例子。我处理过一台离心泵，RMS缓慢上升了两个月，峭度突然从3.0跳到7.2。波形因子也从1.2涨到1.6。我判断是轴承出现了点蚀。拆检确认，滚动体上已经有明显的剥落坑。

你看，这几个指标组合起来，就像一套组合拳。单独用哪一个都有局限，但放在一起，诊断准确率能提高不少。

七、代码实现

最后，给一段Python代码。你可以直接拿去用。

import numpy as np

def time_domain_features(signal):
    """
    计算时域特征指标
    signal: 一维数组，振动信号
    """
    # 峰值
    peak = np.max(np.abs(signal))
    
    # 峰峰值
    peak_to_peak = np.max(signal) - np.min(signal)
    
    # 均值
    mean = np.mean(signal)
    
    # 均方根值
    rms = np.sqrt(np.mean(signal**2))
    
    # 波形因子
    # 注意：均值取绝对值后再计算
    abs_mean = np.mean(np.abs(signal))
    if abs_mean != 0:
        form_factor = rms / abs_mean
    else:
        form_factor = 0
    
    # 峭度
    n = len(signal)
    if n > 1 and np.std(signal) != 0:
        kurtosis = np.mean((signal - mean)**4) / (np.std(signal)**4)
    else:
        kurtosis = 0
    
    return {
        '峰值': round(peak, 4),
        '峰峰值': round(peak_to_peak, 4),
        '均值': round(mean, 4),
        '均方根值': round(rms, 4),
        '波形因子': round(form_factor, 4),
        '峭度': round(kurtosis, 4)
    }

# 示例用法
# features = time_domain_features(your_signal)
# print(features)

这段代码我用了很多次，稳定可靠。你直接复制到项目里就能用。

好了，时域分析的核心指标就讲到这里。记住一句话：时域是基础，别小看它。很多故障在时域里就已经暴露了，只是你没注意到而已。

---

公众号：蓝海资料掘金营，微信deep3321