用MATLAB给振动信号做‘体检’：手把手教你提取12个关键时域特征（附完整代码）
用MATLAB给振动信号做‘体检’：手把手教你提取12个关键时域特征（附完整代码）
想象一下，当医生用听诊器检查患者心跳时，他们能通过波形特征判断健康状况。同样地，工程师也能通过振动信号的"心跳图"——时域波形，诊断设备的"健康状态"。本文将带你用MATLAB这把"数字听诊器"，为机械系统做一次全面体检。
在工业设备监测领域，时域特征就像血液检测报告中的关键指标。它们能快速揭示振动信号中隐藏的故障征兆，从简单的轴承磨损到复杂的齿轮箱故障。不同于频域分析需要复杂变换，时域分析直接作用于原始波形，计算效率高且物理意义明确，特别适合实时监测场景。
1. 时域特征基础：振动信号的"生命体征"
1.1 信号的基本统计量
就像体检先测血压、体温一样，这些基础指标构成分析的起点：
function [mean_val, var_val, ma_val] = basic_stats(signal) % 输入：signal - 振动信号向量 % 输出：mean_val - 平均值, var_val - 方差, ma_val - 平均幅值 mean_val = mean(signal); % 信号平均值 var_val = var(signal); % 方差 ma_val = mean(abs(signal)); % 平均幅值 end关键指标对比表：
| 特征名称 | 物理意义 | 健康信号典型值 | 故障预警值 |
|---|---|---|---|
| 平均值 | 信号直流分量 | ≈0 (交流信号) | 显著偏离0 |
| 方差 | 信号波动强度 | 稳定范围内 | 突然增大 |
| 平均幅值 | 绝对波动水平 | 设备特定基准 | 持续上升 |
1.2 能量相关特征
设备故障往往伴随能量分布变化，这些指标如同"代谢率检测"：
function [energy, rms_val, root_amp] = energy_features(signal) energy = sum(signal.^2); % 信号能量 rms_val = sqrt(mean(signal.^2)); % 均方根值 root_amp = (mean(sqrt(abs(signal))))^2; % 方根幅值 end注意：均方根值(RMS)对早期故障敏感，是ISO标准中常用的振动评价指标
2. 波形特征：捕捉异常"心律"
2.1 峰值与脉冲检测
当设备出现冲击性故障（如轴承剥落），这些指标会显著变化：
function [cf, ifactor, mfactor] = peak_features(signal) rms_val = rms(signal); ma_val = mean(abs(signal)); root_amp = (mean(sqrt(abs(signal))))^2; cf = rms_val / (max(signal)-min(signal)); % 峰值系数 ifactor = max(abs(signal)) / mean(signal); % 脉冲因子 mfactor = max(abs(signal)) / root_amp; % 裕度因子 end典型故障模式识别：
- 脉冲因子升高：可能指示滚动体缺陷
- 裕度因子突增：常见于齿轮断齿故障
- 峰值系数下降：可能伴随润滑不良
2.2 高阶统计量：故障的"显微镜"
峭度和偏度能发现常规指标难以捕捉的微妙变化：
function [kurt, skew, kurt_factor] = higher_order_stats(signal) rms_val = rms(signal); kurt = kurtosis(signal); % 峭度 skew = skewness(signal); % 偏度 kurt_factor = kurt / (rms_val^4); % 峭度因子 end工业经验：正常轴承振动峭度约3，当超过5时需警惕，超过10很可能已存在局部损伤
3. 实战：完整特征提取流程
3.1 数据预处理要点
在计算特征前，必须进行数据"净化"：
去趋势处理：消除信号基线漂移
detrended = detrend(raw_signal);异常值处理：采用3σ原则剔除野值
valid_idx = abs(signal-mean(signal)) < 3*std(signal); cleaned = signal(valid_idx);归一化（可选）：
normalized = (signal - mean(signal)) / std(signal);
3.2 完整特征提取函数
function features = extract_time_features(signal) % 输入：预处理后的振动信号 % 输出：包含12个特征的向量 features = zeros(1,12); % 基础统计量 features(1) = mean(signal); % 平均值 features(2) = var(signal); % 方差 features(3) = mean(abs(signal)); % 平均幅值 % 能量特征 features(4) = sum(signal.^2); % 能量 features(5) = rms(signal); % RMS features(6) = (mean(sqrt(abs(signal))))^2; % 方根幅值 % 波形特征 peak_to_peak = max(signal) - min(signal); features(7) = features(5)/peak_to_peak; % 峰值系数 features(8) = features(5)/features(3); % 波形系数 % 高阶统计 features(9) = skewness(signal); % 偏度 features(10) = max(abs(signal))/features(1); % 脉冲因子 features(11) = max(abs(signal))/features(6); % 裕度因子 features(12) = kurtosis(signal); % 峭度 end4. 特征工程实战技巧
4.1 特征选择策略
不是所有特征都有同等价值，推荐采用：
Spearman相关系数：评估特征与故障的相关性
[rho, pval] = corr(feature_matrix, fault_labels, 'Type', 'Spearman');主成分分析(PCA)：降低特征维度
[coeff, score, latent] = pca(feature_matrix); cum_var = cumsum(latent)./sum(latent);
4.2 实时监测系统集成
将特征提取部署到在线系统时：
滑动窗口处理：
window_size = 1024; % 采样点数 for i = 1:hop:length(signal)-window_size window = signal(i:i+window_size-1); features(:,i) = extract_time_features(window); end趋势可视化：
plot(features(12,:)); % 绘制峭度变化曲线 yline(5, 'r--', '报警阈值');状态判定逻辑：
alert = features(12,:) > 5 | features(10,:) > 4;
在实际项目中，我们发现峭度指标对早期轴承故障最为敏感。某风机轴承案例显示，峭度值在故障发生前两周就开始缓慢上升，而传统RMS指标直到故障前一天才有明显变化。这凸显了多特征联合监测的价值——就像医生不会仅凭血压诊断疾病，工程师也需要综合多个指标才能做出准确判断。