📚 课程目录第3章时域分析基础

3. 时域分析基础：均值、方差、均方根值、峰值因子、峭度指标

聊到异常信号识别，很多人第一反应就是上频谱、上小波。但我个人的习惯是——先看时域。为什么？因为时域最直观，你看到的波形就是信号本来的样子。而且很多故障特征，在时域里就已经暴露无遗了。

这一章，我们就把时域里最常用的五个统计指标掰开揉碎讲清楚。它们分别是：均值、方差、均方根值、峰值因子和峭度指标。搞懂这五个，你就能对一段信号有个基本的「体检报告」了。

3.1 均值（Mean）——信号的直流分量

均值，说白了就是信号的平均水平。公式很简单：

μ = (1/N) * Σ x_i

其中 N 是采样点数，x_i 是每个采样点的幅值。

在实际项目中，均值能告诉我们什么？

传感器的零点漂移：如果一个振动传感器在静止状态下均值不为零，说明它偏了。我曾经遇到过一批加速度计，刚装上去均值就有 0.2V 的偏移，结果查出来是供电电源纹波太大。
信号的直流偏置：很多信号处理算法（比如 FFT）对直流分量很敏感，通常需要先减掉均值再做分析。

注意：均值对异常值不敏感。一个很大的脉冲只会让均值变化一点点。所以均值适合看「整体趋势」，不适合抓「突发异常」。

3.2 方差（Variance）——信号的波动程度

方差衡量的是信号偏离均值的程度。公式是：

σ² = (1/N) * Σ (x_i - μ)²

方差越大，说明信号波动越剧烈。你想想看，一个平稳运行的电机，它的振动信号方差应该很小；但如果轴承开始磨损，振动幅度忽大忽小，方差就会明显增大。

我个人的经验是：方差适合做趋势监测。比如你连续采集 100 组数据，每组算一个方差，然后画成曲线。一旦方差曲线开始爬升，大概率是设备状态在恶化。

小技巧：方差是平方量纲，单位是原始信号单位的平方。如果你觉得这个单位不直观，可以取标准差（方差的平方根），它的量纲和原始信号一致。

3.3 均方根值（RMS）——信号的有效能量

均方根值，也叫有效值。它的公式是：

RMS = sqrt( (1/N) * Σ x_i² )

RMS 是时域分析里最常用的指标之一。它反映了信号的能量大小。对于正弦波，RMS = 峰值 / √2。但对于复杂信号，RMS 能综合反映信号的总体强度。

我在项目中的应用场景：

振动烈度评估：ISO 10816 标准就是用 RMS 来评价设备振动等级的。我记得有一次给一个水泵做状态评估，RMS 值从 2.3 mm/s 涨到了 4.8 mm/s，我直接建议停机检修，结果发现叶轮已经腐蚀了三分之一。
噪声监测：声学信号也常用 RMS 表示声压级。

  核心要点：RMS 对持续性的高能量信号敏感，但对瞬态冲击不敏感。比如一个 10ms 的冲击脉冲，RMS 可能只上升一点点。这时候就需要看峰值因子了。

3.4 峰值因子（Crest Factor）——冲击的敏感器

峰值因子的定义是：

Crest Factor = Peak / RMS

其中 Peak 是信号的最大绝对值。这个指标非常直观——它告诉你信号的峰值相对于有效值有多「突出」。

为什么这个指标重要？

对于纯正弦波，峰值因子固定为 √2 ≈ 1.414。
如果信号里有冲击成分，峰值会变大，RMS 变化不大，所以峰值因子会升高。
如果信号是随机噪声，峰值因子一般在 3~5 之间。

避坑指南：我曾经在分析一个齿轮箱信号时，发现峰值因子突然从 3.2 降到了 1.8。当时我还以为是好事，结果拆开一看，齿轮的齿已经打掉了好几个。为什么？因为打齿之后冲击消失了，信号变得「平滑」了，峰值因子反而下降了。所以峰值因子要结合其他指标一起看，不能孤立使用。

3.5 峭度指标（Kurtosis）——异常分布的探测器

峭度指标衡量的是信号幅值分布的「尾巴」有多重。公式是：

Kurtosis = (1/N) * Σ ((x_i - μ) / σ)⁴

对于正态分布，峭度值约为 3。如果峭度大于 3，说明信号有较多的极端值（重尾分布）；如果小于 3，说明信号分布比较「扁平」。

峭度在异常检测中的妙用：

早期故障检测：轴承早期故障时，会产生周期性的冲击脉冲，峭度值会明显升高。我见过一个案例，峭度从 3.1 涨到 8.5 的时候，轴承保持架已经出现了裂纹。
区分故障类型：磨损类故障通常峭度变化不大，而点蚀、剥落类故障峭度会飙升。

注意：峭度对单个异常值非常敏感。如果数据采集过程中有一个传感器误触发的毛刺，峭度可能会被拉得很高。所以计算峭度之前，建议先做简单的异常值剔除。

3.6 五个指标的关系与对比

这五个指标不是孤立的，它们从不同角度描述信号的特征。我画了一张图来展示它们之间的关系：

从这张图可以看出：均值、方差、RMS 是基础指标，它们描述信号的「常规状态」；而峰值因子和峭度是进阶指标，专门用来捕捉异常和冲击。

3.7 实战：用 Python 计算这五个指标

光说不练假把式。下面是一段 Python 代码，演示如何用 NumPy 计算这五个指标：

import numpy as np

def time_domain_features(signal):
    """
    计算时域五大指标
    signal: 一维数组，时域信号
    """
    # 均值
    mean = np.mean(signal)

    # 方差
    variance = np.var(signal)

    # 均方根值
    rms = np.sqrt(np.mean(signal**2))

    # 峰值因子
    peak = np.max(np.abs(signal))
    crest_factor = peak / rms

    # 峭度
    kurtosis = np.mean((signal - mean)**4) / (variance**2)

    return {
        'mean': mean,
        'variance': variance,
        'rms': rms,
        'crest_factor': crest_factor,
        'kurtosis': kurtosis
    }

# 示例：生成一段正常信号和一段异常信号
t = np.linspace(0, 1, 1000)
normal_signal = np.sin(2 * np.pi * 50 * t) + 0.1 * np.random.randn(1000)
abnormal_signal = normal_signal.copy()
abnormal_signal[500:510] += 5  # 加入冲击

print("正常信号指标：", time_domain_features(normal_signal))
print("异常信号指标：", time_domain_features(abnormal_signal))

运行结果会告诉你什么？

正常信号的峰值因子大约在 1.5~2.0 之间，峭度接近 3。
加入冲击后，峰值因子可能飙升到 4~6，峭度可能到 10 以上。
而均值和 RMS 的变化相对较小。

我的建议：在实际项目中，不要只看单一指标。把五个指标放在一起，做一个「多维特征向量」，然后用趋势图或者散点图观察它们的变化。这样能更早、更准地发现异常。

3.8 本章小结

时域分析是信号处理的入门功夫，也是异常检测的基石。五个指标各有侧重：

指标	物理含义	对异常敏感度	典型应用
均值	直流分量	低	传感器零点校准
方差	波动程度	中	趋势监测
均方根值	有效能量	中	振动烈度评估
峰值因子	冲击强度	高	冲击检测
峭度	分布尾部	高	早期故障预警