基于振动信号与边带特征的齿轮磨损状态监测系统设计

简介齿轮磨损故障动态响应特征与诊断指标研究的完整复现资料面向机械工程、故障诊断与状态监测方向的研究人员和技术人员系统解决齿轮磨损对动态响应的影响及振动诊断指标构建问题。资源压缩包共1个文件为docx格式约60KB文档内融合了论文复现说明、完整Python代码及逐段解释结构紧凑且便于直接对照学习。内容基于Archard磨损模型计算磨损深度用势能法求时变啮合刚度将磨损等效为齿廓偏差建立齿轮传动动力学模型试验表明磨损主要影响啮合频率及其谐波边频带以转频为主且随磨损变化据此构造四个基于振动信号啮合频率边带的诊断指标并验证其鲁棒性。目前已有74人学习下载。对齿轮箱健康管理、故障诊断从业者这套文档提供从理论推导、数值仿真到指标验证的完整案例代码注释详实有助于快速掌握磨损诊断方法并落地到状态监测系统设计中。1. 齿轮磨损监测为什么必须从“边带”讲起齿轮箱状态监测项目里最容易被误读的信号不是大幅冲击而是那些你以为是噪声的谱线。一个典型的例子减速箱测点振动RMS连续三个月只涨了6%频谱上600Hz主峰基本没动但齿轮转频25Hz两侧的边带悄悄抬高了十几个分贝。拆箱检查齿面已经出现明显的均匀磨损。这说明齿轮磨损早期并不体现在“能量变大”而是体现在“能量被重新分配到了啮合频率两边的调制边带上”。这篇文章要解决的就是把这个动态响应特征讲透再给出一套基于振动信号的齿轮磨损状态监测系统设计从特征提取、诊断指标到分类模型和告警策略全部带可直接改的Python代码。适合正在做设备监测方案、写故障诊断论文、或者想自己搭一套磨损预警系统的工程师和研究生。2. 齿轮磨损的动态响应特征啮合刚度退化如何把边带写进振动信号2.1 齿轮副的啮合动态模型从啮合刚度到强迫振动齿轮传动的激励源头是啮合刚度的周期性变化。每转过一个齿轮齿会经历单齿对啮合与双齿对啮合交替参与啮合的齿对数一变啮合刚度就跟着变。这个刚度变化以啮合频率作为基频持续激励整个齿轮箱所以健康齿轮的振动频谱里啮合频率及其谐波一定是最突出的成分。啮合频率的计算很简单fm z × n / 60其中z是齿数n是转轴转速rpm。后面所有代码和参数我都按一个具体的测试台来定主动轮齿数z24电机转速n1500rpm那么啮合频率fm 24 × 1500 / 60 600Hz主动轮转频fr 1500 / 60 25Hz。如果磨损发生在主动轮上故障特征频率就是25Hz频谱上会出现以600Hz为中心、间隔25Hz的边带。磨损改变的是齿面几何形状。齿面材料脱落、齿形误差累积轮齿进入和退出啮合时会产生额外的冲击激励。这个冲击的周期恰好等于故障轮的转频于是啮合频率成分被转频调制在频谱上表现为边带结构。边带间隔等于故障轮转频边带越突出说明齿形偏差和啮合冲击越严重。这是理解整个监测系统设计的核心物理基础后面所有特征指标都是围绕这个调制现象构造的。2.2 磨损三阶段的频谱演化RMS、峭度、边带因子各自的主场齿轮磨损不是一蹴而就不同阶段下振动信号的特征表现完全不同选错指标就会漏报或者误报。我按三阶段来拆。轻度磨损阶段齿面粗糙度增大但没有明显的局部剥落。此时振动信号的均方根值RMS只有小幅度上升有时甚至看不出趋势变化因为均匀磨损并没有显著增加振动能量。但齿面摩擦力和微冲击增大高频段能量会抬升同时边带开始小幅度上扬。这个阶段最敏感的特征是边带因子和包络谱中的转频分量而不是RMS或峭度。中度磨损阶段齿面出现点蚀或局部剥落轮齿啮合时产生周期性冲击。时域波形开始出现以25Hz为周期的冲击包络谱中25Hz及其谐波幅值明显上升边带能量进一步加大。这时峭度和峰值因子开始变得敏感。严重磨损阶段齿面大面积剥落、齿顶干涉冲击能量大时域波形能看到清晰的周期脉冲峭度大幅上升RMS也终于开始显著上涨。此时用峰值因子、峭度这类冲击指标诊断最为直接。所以结论很明确没有哪一个指标能覆盖所有磨损阶段。早期磨损靠边带和包络谱中后期靠冲击类指标RMS只能作为整体能量背景参考。诊断指标研究的第一步就是理解这个阶段匹配关系。2.3 动态响应特征能用的前提工况边界与结构共振影响边带特征不是在任何条件下都稳定出现这里有两个前置条件必须讲清否则后面做系统设计会翻车。第一个是转速平稳性。频谱分析默认信号是等时间间隔采样后做FFT啮合频率在频谱上的位置是固定的。一旦转速波动啮合频率实际值偏移固定bin提取的边带幅值就会失真。变转速场景需要加转速计同步把等时间采样重采样成等角度采样也就是做阶次跟踪才能在变转速下稳定提取边带特征。第二个是载荷与共振的影响。载荷增大时啮合刚度变化幅度也会增大边带能量自然抬升这不代表磨损加剧因此跨载荷对比时必须做载荷归一化或者按工况分组建模。结构共振的影响更隐蔽如果齿轮箱壳体固有频率恰好落在600Hz附近啮合频率处的幅值会被机械放大边带比例也会被扭曲。实践中我一般用“同工况、同测点、相对健康基线”的方式做对比来规避共振带来的绝对幅值失真。3. 从振动信号到诊断指标特征提取的Python实现与指标选型3.1 传感器与采集参数先把采样定对再谈特征采集方案决定了后续特征提取的天花板。齿轮磨损监测优先选用IEPE型加速度传感器安装位置选在靠近被测齿轮轴承座的壳体表面径向测点通常比轴向更能直接捕捉啮合冲击。传感器频响范围至少要覆盖到分析上限量程按±50g起步避免齿轮冲击峰值截顶。采样率怎么定按工程经验要分析到啮合频率的3到5倍谐波。本例fm600Hz分析到3kHz左右采样率至少要6.4kHz。考虑到抗混叠滤波器和频响余量实际现场我建议直接上25.6kHz这也是大多数工业采集卡的常用档位。每次记录时长不少于10秒用于提取足够数量的滑动窗口样本。采集参数推荐值说明传感器类型IEPE加速度计频响1Hz10kHz适合齿轮箱量程±50g避免齿面冲击峰值截顶采样率25.6kHz覆盖5倍啮合频率余量充足单次记录时长≥10s保证窗口样本数量和低频分辨率同步信号转速计脉冲用于转速归一化和阶次分析还有一个容易被忽略的参数频谱分辨率。频率分辨率df fs / N采样率25.6kHz、FFT点数N2048时df12.5Hz。本例转频25Hz对应2条谱线边带能看清如果转速更低、转频更小就要加大FFT点数否则边带会被频率分辨率直接抹平。3.2 一组可以直接套用的Python特征函数先写一个完整的特征提取模块。为了让你能直接跑通流程我用模拟信号演示实际使用时把信号替换成采集卡读进来的CSV即可。模拟信号的结构是600Hz啮合频率载波被25Hz转频调制叠加白噪声这正是前面讲的中度磨损信号形态。import numpy as np from scipy import signal fs 25600 # 采样率 25.6kHz t np.arange(0, 2, 1/fs) fr 25.0 # 主动轮转频 25Hz fm 600.0 # 啮合频率 600Hz # 模拟轻度磨损信号啮合频率被转频调制 噪声 x (1.0 0.15 * np.cos(2 * np.pi * fr * t)) * np.sin(2 * np.pi * fm * t) x x 0.05 * np.random.randn(len(t)) # 高通滤波去掉轴频等低频大能量成分 b, a signal.butter(4, 100, highpass, fsfs) x signal.filtfilt(b, a, x) def time_features(seg): rms np.sqrt(np.mean(seg ** 2)) peak np.max(np.abs(seg)) kurt np.mean(seg ** 4) / (np.mean(seg ** 2) ** 2) # 峭度非过剩峭度 x_av np.mean(np.abs(seg)) # 整流平均 x_r np.mean(np.sqrt(np.abs(seg))) ** 2 # 方根幅值 return { rms: rms, peak: peak, kurtosis: kurt, crest_factor: peak / rms, # 峰值因子 pulse_factor: peak / x_av, # 脉冲指标 clearance_factor: peak / x_r # 裕度指标 }逻辑说明先构造载波加调制的模拟信号再用100Hz高通滤波器去掉轴频和直流分量。time_features里每个指标都有明确的物理意义RMS衡量整体能量峭度衡量冲击性峰值因子、脉冲指标、裕度指标都属于无量纲参数对齿轮转频分量不敏感但能放大局部冲击特征。峭度这里特意用四阶矩除以二阶矩平方计算不用scipy.stats.kurtosis默认的过剩峭度避免混淆。滤波这件事不能省齿轮箱信号里低频轴频幅值远大于啮合边带不滤掉会干扰后续频域特征。接下来是频域特征和边带因子这是早期磨损监测的核心。def spectrum_features(seg, fs, fm600.0, fr25.0, n_harm3): win np.hanning(len(seg)) spec np.abs(np.fft.rfft(seg * win)) spec 2 * spec / np.sum(win) # 窗函数幅值校正 freqs np.fft.rfftfreq(len(seg), 1/fs) df freqs[1] - freqs[0] def bin_at(freq): return int(round(freq / df)) fm_bin bin_at(fm) fr_bin bin_at(fr) main_amp spec[fm_bin] # 啮合频率主峰幅值 side_power 0.0 for k in range(1, n_harm 1): for sign in (1, -1): idx fm_bin sign * k * fr_bin if 0 idx len(spec): side_power spec[idx] ** 2 sideband_factor side_power / (main_amp ** 2 1e-12) return { fm_amp: main_amp, sideband_factor: sideband_factor, freq_resolution: df }逻辑说明对加窗后的信号做FFT幅值谱做窗函数校正频域特征包括啮合频率幅值和边带因子。边带因子的计算方法是取啮合频率两侧各3阶转频边带的功率之和除以主峰功率归一化后不受绝对幅值影响。这个比值对早期磨损非常敏感因为均匀磨损阶段整体能量变化不大但能量向边带转移比值就会明显上升。参数说明n_harm3表示取3阶边带转频25Hz对应频谱上2条谱线3阶就是±6条谱线。如果现场干扰大可以降到2阶如果想捕捉更早期磨损提高到4阶也行。main_amp加1e-12是为了防止除零。3.3 诊断指标选型敏感度与鲁棒性的二维筛选特征提取出来之后面临的问题是从十几个指标里选哪几个进监测系统。我一般用两个维度筛选一是对磨损的敏感度故障阶段相对健康基线的变化幅度二是抗干扰能力包括抗噪性、对转速载荷波动的敏感性。指标轻度磨损敏感度严重磨损敏感度抗噪性受转速载荷影响RMS低高好大峭度低高差中峰值因子中高差中边带因子高中中中包络谱转频幅值高高中中从这个表能直接看出补集关系RMS和峭度负责中后期和冲击性故障边带因子和包络谱转频幅值负责早期磨损。所以监测系统的特征集不应该只选一个指标而是组合使用。我建议的特征向量是RMS、峭度、峰值因子、边带因子、包络谱25Hz幅值共5维。前3个覆盖中后期冲击特征后2个覆盖早期调制特征。还有一个关键细节不同测点、不同齿轮副的绝对振动幅值差异非常大直接用原始特征训练分类模型模型会把“测点”当作“磨损程度”换一台设备就失效。因此所有特征在进入模型前必须做归一化或者用“相对健康基线的变化倍数”作为输入。这也是标题里强调“诊断指标研究”的原因指标不是算出来就完事还要验证它能否在不同设备和工况间迁移。4. 齿轮磨损状态监测系统设计XGBoost与LSTM两条路线的可改代码4.1 系统总览与模块边界一个完整的齿轮磨损状态监测系统按数据流可以拆成五段信号采集、滑动窗口特征矩阵构建、分类模型、平滑决策、告警输出。每一段的职责要清晰否则现场排查问题时分不清是采集问题还是模型问题。信号采集模块负责把加速度计和转速计数据落盘原始信号按段存储为npy或CSV。特征矩阵构建模块从原始信号中切出固定长度窗口逐窗口提取特征形成二维特征矩阵。分类模型模块用有标签的历史数据训练磨损等级分类器。平滑决策模块把单窗口的分类概率做时序平滑避免单点误报。告警输出模块根据平滑后的概率和迟滞逻辑触发预警告警。这个模块边界的重要性体现在当系统误报时可以逐个模块排查而不是像黑匣子一样只能整体换参数。4.2 滑动窗口特征矩阵构建把连续信号切成训练样本状态监测系统面对的是连续流式信号而分类器需要固定维度的输入样本。解决办法就是滑动窗口取一段固定长度的信号作为一个样本窗口向前滑动重叠一部分。窗口长度和步长直接影响样本质量和模型表现。def build_feature_matrix(x, fs, win_len2048, step1024, feats_fnNone): feats_fn feats_fn or (lambda seg: {**time_features(seg), **spectrum_features(seg, fs)}) rows [] for start in range(0, len(x) - win_len, step): seg x[start:start win_len] rows.append([v for v in feats_fn(seg).values()]) return np.array(rows) # 使用示例25600Hz采样率、2秒信号窗口2048点、步长1024点 F build_feature_matrix(x, fs) print(F.shape) # (48, 9)48个样本9维特征逻辑说明win_len2048对应物理时长0.08秒恰好是2个转频周期25Hz转频的周期是0.04秒。为什么要覆盖2个转频周期因为边带调制是一个完整周期内才会显示出来窗口太短包含的调制周期不足特征值方差极大。step1024是50%重叠让相邻窗口有一半数据重叠既增加样本量又让特征序列平滑起来。参数说明如果现场转速更低比如600rpm、转频10Hz一个转频周期是0.1秒那窗口就要加长到至少0.2秒即win_len512025.6kHz采样下。如果提取出来的特征值在相邻窗口间仍然跳来跳去把重叠率提高到75%即步长改成win_len // 4。有一个实际坑必须提如果现场数据是多段采集的段与段之间不要串联起来滑窗否则段与段不连续处会生成伪样本模型训练时会学进不存在的模式。4.3 XGBoost磨损分级一份可直接改的分类训练示例有了特征矩阵下一步是磨损等级分类。我一般把磨损分为4级健康、轻微、中度、严重分别标0、1、2、3。分类器首选XGBoost原因有三个特征维度不高5到9维样本量中等几百到几千个窗口XGBoost对特征尺度不敏感且能输出特征重要性黑匣子程度比深度模型低很多现场维护时能快速定位是哪个特征在驱动判断。import xgboost as xgb from sklearn.model_selection import train_test_split # X: 特征矩阵, y: 磨损等级标签(0~3) X_train, X_val, y_train, y_val train_test_split( F, y, test_size0.2, stratifyy, random_state42) model xgb.XGBClassifier( n_estimators300, max_depth4, learning_rate0.05, subsample0.8, colsample_bytree0.8, objectivemulti:softprob, num_class4, eval_metricmlogloss, early_stopping_rounds20, random_state42 ) model.fit(X_train, y_train, eval_set[(X_val, y_val)], verboseFalse) print(特征重要性:, dict(zip( [rms, peak, kurtosis, crest, pulse, clearance, fm_amp, sideband, freq_res], model.feature_importances_)))逻辑说明train_test_split用stratifyy保证四个等级的比例在训练集和验证集中一致避免某个等级样本太少导致模型偏置。early_stopping_rounds20的意思是验证集损失连续20轮不下降就提前停防止过拟合的同时省训练时间。特征重要性输出可以直接看出边带因子和峭度在模型中的权重这反过来也能验证前面诊断指标的选型是否合理。参数说明max_depth4是控制树深的主要正则项特征维度不高时树太深容易记住噪声。learning_rate0.05偏小配合300棵树既保证拟合能力又保证泛化。subsample和colsample_bytree都是0.8是XGBoost自带的随机采样机制相当于给模型加噪声抗过拟合。这几个参数的组合在齿轮箱振动特征这种中低维表格数据上表现一贯不错如果样本量更大可把n_estimators加到500。那LSTM什么时候用当数据量非常大每个磨损等级几千个窗口以上且你不想手工维护特征集时可以用LSTM直接在原始波形或窄带能量序列上学习时序模式。下面是一段可以改的Keras核心代码from tensorflow.keras.models import Sequential from tensorflow.keras.layers import LSTM, Dense, Dropout # X_seq 形状: (样本数, 窗口步数, 特征维度) # 例如每窗口取32个窄带能量值组成序列步长32特征维度1 model Sequential() model.add(LSTM(64, input_shape(X_seq.shape[1], X_seq.shape[2]))) model.add(Dropout(0.2)) model.add(Dense(4, activationsoftmax)) model.compile(optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy]) model.fit(X_seq, y_seq, epochs50, batch_size256, validation_split0.2)逻辑说明LSTM输入的是三维张量样本数时间步数特征维度这里的时间步数可以是窄带能量序列的频段数也可以是短片段序列长度。LSTM(64)表示隐层单元数Dropout(0.2)在LSTM输出后加随机失活防止序列模型过拟合。sparse_categorical_crossentropy配合整数标签给4个磨损等级直接分类。参数说明epochs50和batch_size256只是起步值现场通常要靠EarlyStopping回调看验证损失来定实际轮数。LSTM(64)的单元数量如果样本量不足建议降到32否则容易在训练集上表现好、验证集上波动大。需要强调的是LSTM喂原始波形时共振和噪声成分会被模型当作有效特征所以我更推荐喂“窄带能量序列”而不是裸波形。在样本量不大时LSTM往往跑不过XGBoost这是深度模型的普遍现象不是你代码写错了。4.4 告警决策分类概率平滑与迟滞触发分类器输出的是每个窗口的磨损等级概率但单窗口分类结果抖动很厉害——连续几十个窗口里偶尔蹦出一个“重度”不代表设备真的坏了。直接对分类结果做阈值判断会疯狂误报这是所有监测系统上线初期最大的痛点。解决办法是把健康概率做指数滑动平均再加上迟滞逻辑。我一般用这个模式健康概率低于0.85且连续5个窗口才触发预警进入预警后要等健康概率恢复到0.90以上才解除防止告警状态反复横跳。def alarm_decision(health_probs, low_thr0.85, recover_thr0.90, hold_windows5, alpha0.2): ema [] prev health_probs[0] for p in health_probs: prev alpha * p (1 - alpha) * prev ema.append(prev) alarm False low_count 0 states [] for p in ema: if p low_thr: low_count 1 else: low_count 0 if alarm: if p recover_thr: alarm False else: if low_count hold_windows: alarm True states.append(alarm) return ema, states逻辑说明alpha0.2的指数滑动平均让健康概率变得平滑单次误判被压到20%的权重。告警触发条件用了两个条件叠加概率低于0.85且持续5个窗口。单个窗口掉下去但下一个窗口恢复不会触发告警。迟滞逻辑在进入告警后把恢复阈值提高到0.90相当于给告警状态加了“惯性”避免在阈值边缘反复触发和恢复。参数说明low_thr0.85和hold_windows5是我在现场常用的起步值实际调参要看误报率和漏报率的权衡。alpha越大越灵敏但越容易抖越小越平滑但诊断滞后越明显。如果现场反馈漏报优先调低hold_windows如果误报多优先调高recover_thr而不是low_thr。5. 齿轮磨损监测的5个高频踩坑点从采样参数到诊断误判5.1 磨合期误报警新齿轮一上机就报警现象新装配的齿轮箱运行第一天监测系统就报“中度磨损”现场排查齿轮完全正常。原因新齿轮齿面存在加工毛刺和安装误差啮合初期会产生冲击性振动峭度和峰值因子明显偏高这是磨合期正常现象不是磨损。解决设备投运后先设置学习窗口前48小时或前100个数据段只做基线统计、不参与告警。后续特征全部与基线对比用相对变化量而不是绝对阈值。同时告警决策里把峭度权重调低重点看边带因子的趋势因为磨合期的毛刺冲击不会产生规律的转频边带。5.2 固定bin提取边带转速一波动就丢特征现象监测系统在恒定转速下运行正常转速稍一波动边带因子立刻掉到接近0系统从“正常”突然跳成“磨损严重”。原因FFT的频率轴是绝对的转速变化导致啮合频率从600Hz漂到605Hz代码里还在固定取600Hz那个bin的幅值边带自然全部落空。转速波动越大提取出来的特征失真越严重。解决两条路。一是采集时同步记录转速脉冲只取转速波动在±5rpm以内的数据段做特征提取超差直接丢弃二是上阶次跟踪将等时间采样重采样为等角度采样频谱横轴从Hz变成齿轮转频的阶次边带位置不再随转速漂移。前期没有转速计时至少先做一段“转速过滤”成本最低。5.3 滤波器或窗函数没处理边带被泄漏和工频干扰淹没现象特征提取代码直接对原始信号做FFT边带因子毫无规律健康样本和磨损样本的数值混在一起分类器训练后准确率只有50%。原因原始信号里包含工频干扰、轴频大能量成分FFT用矩形窗截断还会产生频谱泄漏泄漏能量把600Hz主峰附近的小边带完全淹没了。解决进入特征提取前必须做两件事100Hz高通滤波去掉轴频和直流分量FFT前加汉宁窗抑制泄漏。如果现场工频干扰强烈再加一个50Hz陷波器。做完之后再看边带因子规律性会立刻出来。5.4 RMS和峭度互相矛盾一个指标说变好一个说恶化现象某测点RMS连续上升现场认为磨损在加速峭度却在下降两个指标方向相反维护团队不知道该信谁。原因均匀磨损阶段齿面整体粗糙度增大振动能量上升RMS自然走高但均匀磨损不产生明显冲击反而可能把早期高点蚀的冲击峰“磨平”峭度反而下降。这两个指标从不同维度反映磨损不是同一个物理量的不同度量。解决不要把多个指标合并成单一阈值。用磨损等级评分机制每个指标先相对各自健康基线归一化再按“边带因子包络谱转频幅值”和“峭度峰值因子”两个维度分别评分取较高等级作为告警依据。我在实际项目里会把RMS作为趋势背景不参与等级判定。5.5 窗口长度拍脑袋短窗口让分类概率乱跳现象系统刚上线时窗口长度设512点约0.02秒监测界面上健康概率在0.3到0.95之间疯狂跳动完全没法看。原因25Hz转频的周期是0.04秒512点窗口连一个完整转频周期都覆盖不到边带调制特征根本没被包含特征值方差极大分类器自然“神经质”。解决窗口长度按转频周期来算至少覆盖3个完整周期。本例转频25Hz3个周期是0.12秒25.6kHz采样下就是3072点设win_len3072、重叠率50%。如果转速更低窗口按公式win_len 3 × fs / fr动态计算不再拍脑袋。6. 诊断指标的敏感性验证与阈值校准让监测系统上线前先过三关监测系统上线前建议让诊断指标先过三关敏感性验证、趋势一致性验证、阈值校准。跳过这三步直接上线的系统基本都要在现场交学费。敏感性验证的做法是用有明确磨损等级标签的历史数据对每个特征计算变化率(μ故障 - μ健康) / σ健康。这个比值表示故障相对正常波动的倍率越大说明指标越敏感。我在实际项目中用这个表做特征排序效果比主观经验可靠得多。类似地对同一特征在不同磨损等级样本上反复计算如果标准偏差远大于均值变化说明该特征波动大、不可靠应该降权。阈值校准有一个常见翻车点很多人默认用均值 3倍标准差设报警线但齿轮振动特征大多是偏态分布3σ法在偏态数据上会频繁误报。更稳妥的做法是用健康阶段数据的经验分位数取99%分位数作为黄色预警线99.5%作为红色告警线。代码只有一行核心逻辑thr_yellow np.percentile(healthy_sideband, 99.0) thr_red np.percentile(healthy_sideband, 99.5)逻辑说明healthy_sideband是健康阶段全部窗口的边带因子集合。分位数阈值不依赖正态分布假设在偏态数据上比3σ更接近真实的误报率控制。如果健康数据量不足至少要累积100个窗口以上再计算分位数否则阈值本身波动很大。参数说明99%和99.5%的含义是健康阶段理论上分别有1%和0.5%的点会超过阈值也就是每100个窗口大约误报1次。如果现场不能接受可以收紧到99.5%和99.9%但要接受漏报风险上升。说一个我自己的教训早期做齿轮箱监测时我用RMS加3σ阈值上线一周内误报十几次后来把所有报警记录拉出来分析发现RMS在载荷波动时本身就大幅变化根本不是磨损。把特征集换成边带因子和包络谱转频幅值阈值改成健康基线分位数才终于在齿面出现轻微点蚀的阶段提前抓住了信号比人工巡检提早了三天。从那以后我设计任何振动监测系统都会先问一句这个指标在目标故障的早期阶段到底变不变。这套方法你按上面的步骤复现一遍大概率也能避开这些坑希望帮到你。本文还有配套的精品资源点击获取