4. 时域特征提取
在振动异常检测项目中，时域特征提取是最直观、计算成本最低的信号描述手段。它直接对采集到的原始振动波形（通常是加速度、速度或位移时间序列）进行统计运算，将一段复杂的波形压缩为若干个具有明确物理意义的标量值。这些标量值构成了后续机器学习模型（如TinyML中的决策树、随机森林或轻量级神经网络）的输入特征向量。理解每个特征的计算公式及其背后的物理含义，是构建可靠检测模型的前提——错误的特征选择或对特征物理意义理解偏差，往往会导致模型在实验室表现良好、在现场却频繁误报。
上图展示了时域特征提取的整体框架：原始信号经过预处理后，分别计算幅值特征组和统计特征组，最终映射到具体的工程应用场景。下面我们将逐一剖析每个特征的计算方法、物理意义以及在振动异常检测中的典型应用。
4.1 核心原理：从波形到数字的降维
振动信号本质上是机械系统在运行过程中，内部激励（如齿轮啮合、轴承滚动、转子不平衡）通过结构传递到传感器位置的响应。一个采样序列 x[1], x[2], ..., x[N] 包含了丰富的信息，但直接使用原始波形作为模型输入会带来两个问题：一是维度灾难，假设采样率 25.6kHz、采样时长 1 秒，则单个样本就有 25600 个维度，TinyML 设备的内存和算力完全无法承受；二是冗余信息，相邻采样点高度相关，直接输入会稀释有效特征。时域特征提取的核心思想就是：用一组统计量来刻画波形的整体形态、能量大小、分布形状和冲击特性，实现从高维波形到低维特征向量的映射。
这些特征并非凭空产生，而是源于对机械故障机理的深入理解。例如，滚动轴承出现局部剥落时，每次滚珠经过缺陷位置都会产生一个短时冲击，反映在时域波形上就是周期性尖峰，这会显著改变峰值、峭度和峰值因子；而齿轮均匀磨损时，振动能量整体上升，均方根值会明显增大。因此，特征提取不是简单的数学游戏，而是将物理现象转化为可量化指标的过程。
4.2 特征计算与物理意义详解
下表汇总了 8 个核心时域特征的计算公式、物理意义和典型应用场景，便于在实际项目中快速查阅和对比。
| 特征名称 | 计算公式 | 物理意义 | 典型应用 |
|---|---|---|---|
| 均值 μ | μ = (1/N)Σx[n] | 信号直流分量，反映传感器零偏或安装预紧力 | 信号预处理、传感器状态自检 |
| 方差 σ² | σ² = (1/N)Σ(x[n]-μ)² | 信号波动程度，反映振动能量围绕均值的离散度 | 区分平稳与瞬态过程 |
| 峰值 x_peak | x_peak = max|x[n]| | 最大瞬时冲击幅值，对突发故障敏感 | 冲击类故障（轴承剥落、齿轮断齿） |
| 峰峰值 x_pp | x_pp = max(x) - min(x) | 信号最大摆幅，反映振动幅度范围 | 转子不平衡、轴弯曲检测 |
| 均方根 RMS | RMS = √[(1/N)Σx²[n]] | 信号有效能量，与振动烈度直接相关 | ISO 10816 振动烈度评价标准 |
| 峭度 K | K = (1/N)Σ(x-μ)⁴ / σ⁴ | 波形尖峭程度，正态分布 K=3，冲击越大 K 值越高 | 早期微弱冲击故障的敏感指标 |
| 波形因子 SF | SF = RMS / (μ_abs) | 波形形状特征，正弦波 SF≈1.11，冲击波 SF 增大 | 区分连续振动与间歇冲击 |
| 峰值因子 CF | CF = x_peak / RMS | 峰值与有效值的比值，衡量波形尖峰程度 | 滚动轴承点蚀、齿轮局部损伤 |
需要特别说明的是，均值在振动分析中通常不直接作为故障特征，因为传感器输出往往包含直流偏置，需要先去除均值再进行后续计算。但均值本身可用于监测传感器是否发生零漂或安装松动——如果均值在运行过程中发生缓慢漂移，说明传感器固定可能松动或温度漂移影响。
4.3 判断方法与操作流程
在实际项目中，时域特征提取并非简单套用公式，而是需要遵循一套严谨的操作流程，以确保特征的有效性和可比性。
- 数据分段与去趋势：将连续采集的数据流切分为固定长度的帧（如每帧 1024 点或 2048 点），每帧作为一个独立样本。对每帧数据先减去均值，消除直流分量，避免直流偏置对后续方差、峭度等计算的干扰。
- 异常值处理：检查帧内是否存在传感器饱和、断线导致的异常尖峰（如数值超过量程 10 倍）。这些异常值会严重扭曲峰值、峭度等特征，需通过阈值判断剔除或替换。
- 特征批量计算：对每一帧数据依次计算上述 8 个特征，形成特征向量。在 TinyML 场景下，建议使用定点数运算或查表法加速计算，避免浮点运算带来的资源开销。
- 特征归一化：不同特征的量纲和数值范围差异巨大（如均值可能接近 0，而峭度可达数十），需进行 Z-score 归一化或 Min-Max 缩放，使各特征在模型中具有同等权重。
- 特征有效性验证：使用箱线图或散点图观察正常样本与故障样本的特征分布，剔除区分度低或高度相关的特征（如峰值与峰峰值相关系数通常超过 0.9，可保留其一）。
4.4 案例拆解：电机轴承早期点蚀检测
下面通过一个完整的案例，展示时域特征在轴承故障检测中的实际应用过程。
背景与约束：某工厂一台 37kW 异步电机驱动水泵，转速 1470rpm（旋转频率 24.5Hz），轴承型号 6308。现场要求在不增加额外传感器的情况下，利用现有振动加速度计（灵敏度 100mV/g，量程 ±50g）进行在线监测。TinyML 设备采用 Cortex-M4 内核，主频 80MHz，内存 64KB，需在 10ms 内完成一帧数据的特征提取。
初始现象：设备运行 3 个月后，操作人员反映电机噪声略有增大，但振动总值（RMS）仍在 ISO 10816 规定的 A 区（良好）范围内。传统 RMS 监测未能触发报警。
数据采集与特征计算：以 25.6kHz 采样率采集 1 秒数据（25600 点），分为 25 帧，每帧 1024 点。对每帧计算特征，取 25 帧的平均值作为该次测量的特征值。关键数据如下：
正常状态：RMS=0.82g, 峰值=2.31g, 峭度=3.1, 峰值因子=2.82
故障状态：RMS=0.95g, 峰值=4.87g, 峭度=5.8, 峰值因子=5.13分析判断：虽然 RMS 仅从 0.82g 上升到 0.95g（增幅 15.8%），但峰值从 2.31g 跃升至 4.87g（增幅 110%），峭度从 3.1 升至 5.8（增幅 87%），峰值因子从 2.82 升至 5.13。峭度超过 4 且峰值因子超过 4，强烈提示存在周期性冲击。结合轴承故障特征频率计算（外圈 BPFO=89.2Hz），在频谱中确认 89.2Hz 及其谐波处有明显边带，最终判定为轴承外圈点蚀。
实际操作步骤：
- 在 TinyML 设备中部署特征提取代码，每帧计算 RMS、峰值、峭度、峰值因子 4 个特征（减少计算量）。
- 设定报警阈值：峭度 > 4.5 且峰值因子 > 4.0 时触发预警。
- 连续 3 次测量均超阈值后，输出报警信号至 PLC。
结果对比：该方案在故障发生前 7 天即触发预警，而传统 RMS 监测在故障发生当天才达到报警值。提前预警为工厂赢得了停机检修窗口，避免了轴承抱死导致的电机烧毁事故。
风险与代价：峭度对随机冲击干扰（如锤击、负载突变）也敏感，可能产生误报。为降低误报率，增加了"连续 3 次确认"逻辑，代价是报警延迟约 3 秒，对于缓慢发展的轴承故障完全可接受。
复盘经验：单一特征难以覆盖所有故障类型，但组合特征（峭度+峰值因子）能有效捕捉早期冲击特征。在 TinyML 资源受限条件下，优先选择计算量小、物理意义明确的特征组合，比盲目追求特征数量更有效。
4.5 常见误区与总结复盘
在时域特征提取的实际应用中，工程师常陷入以下误区，需要特别警惕：
总结：时域特征提取是振动异常检测的第一道工序，其核心价值在于用极低的计算成本捕捉故障的关键物理特征。均值、方差描述信号的基本统计属性；峰值、峰峰值反映冲击强度；RMS 代表振动能量；峭度、波形因子、峰值因子刻画波形形态。在实际项目中，应根据故障机理、传感器特性、嵌入式资源约束，选择 3-5 个互补特征组成特征向量，并通过现场数据验证其有效性。记住：特征提取的最终目标不是计算更多指标，而是用最少的维度准确区分正常与异常状态，为 TinyML 模型提供高质量输入。