机械传动状态监测的圈子里振动分析是绝对的主力但齿轮箱这类多级传动装置有一件事长期困扰我传感器装在外壳上测到的信号是好几条路径混在一起的复合结果。轴承座、箱体螺栓、联轴器侧、负载端每个位置都在传导振动单纯看频谱幅值根本分不清到底哪一路来源在恶化。传递路径分析TPATransfer Path Analysis就是用来拆解这个混叠问题的。早期车型噪声控制和航空航天结构动力学里用得多后来故障诊断领域也发现它对齿轮箱特别管用。这篇文章我按自己踩过的流程来写从原理、仿真信号构造、Matlab实现到实际诊断中的坑一步步走通齿轮系统的TPA故障诊断。1. 齿轮故障不等于响应故障传递路径分析要解决的第一件事先举一个我测绘时遇过的真实场景。一台二级圆柱齿轮减速机输出端轴承座垂直方向振动从6.3 mm/s涨到8.9 mm/s现场判断是高速轴齿轮点蚀加重。可等拆开检查高速轴齿轮只有轻微磨损反倒是低速轴大齿轮的齿面出现了两处明显剥落。为什么传感器离高速轴更近测到的幅值却更多反映低速轴故障这就牵扯到传递路径的刚度和阻尼差异——高速轴通过轴承座传递到箱体顶面的路径短、刚度高但齿面故障激励的低频分量经过离合器、负载端法兰时衰减小所以低速轴剥落激起的冲击反而在传感器位置贡献更大。只看传感器响应幅值永远无法区分故障激励本身变大和传递路径特性发生变化。TPA的核心思路其实是做工程上的因果拆解假设存在N个激励源每个激励源$F_i$经过各自的结构传递函数$H_i$到达传感器位置那么传感器测得的响应可写成$$ y(\omega) \sum_{i1}^{N} H_i(\omega) \cdot F_i(\omega) $$把$F_i$识别出来再乘上对应的$H_i$得到每个源到响应的贡献量就能知道振动恶化到底是哪条路径、哪个激励源导致的。齿轮箱诊断比整车NVH简单的地方在于激励源位置相对固定轴承座就是那几个箱体螺栓点也就那几个难的地方又在于——齿轮啮合激励本身频率成分丰富宽频带下路径传递函数的变化非常敏感。1.1 振动信号从齿轮到传感器的三层衰减要理解TPA为什么对齿轮系统有效先得理解振动从产生到被传感器记录经历的三层环节。激励源头齿轮啮合产生的动态啮合力包含啮合频率$f_m z \cdot f_r$z为齿数$f_r$为转频及其谐波还有因轮齿局部故障点蚀、剥落、裂纹产生的边带调制成分比如$\pm k f_r$频率处的边带。传递媒介激励力通过齿轮轴、轴承、轴承座、箱体壁面、螺栓连接面等多条路径传到传感器安装点。每一条路径都有各自的频响特性刚度大的路径高频衰减小薄壁箱体面板的共振会放大特定频段。响应拾取加速度传感器测到的是位移/速度/加速度响应传感器安装方式磁座、胶粘、螺纹安装对高频段的响应影响非常明显磁座安装的共振频率通常在2-5kHz超出这个范围高频信号会被严重衰减。前两层是TPA能发挥作用的地方第三层则是测量必须注意的干扰。许多刚开始做齿轮箱故障诊断的人第一反应是提高传感器灵敏度、加密采样点却忽略了传递路径这个中间变量。实际上齿轮箱维护记录里有大量振动报警但拆机没问题的案例不是齿轮状态不好而是箱体共振峰漂移、螺栓松动导致路径特性改变原始激励并未恶化。TPA就是用来避免这种误判的。1.2 TPA思路在齿轮箱场景下的简化成立条件整车NVH中的TPA常常需要拆掉动力总成、用激振器测量各路径的频响工作量不小。但齿轮箱诊断里我们通常关心的是相对变化而非绝对精度所以可以做两个合理简化第一把齿轮箱箱体视为线性时不变系统。在转速和负载稳定时齿轮箱结构特性的变化远小于故障特征的演变线性假设成立。即使存在轴承非线性游隙、滚动体打滑其对啮合频率和边带的调制作用仍然可以近似为线性叠加。第二用故障特征频率作为虚拟激励源进行路径解耦。我们不直接测啮合力那需要贴应变片或测扭矩而是对传感器响应进行带通滤波提取啮合频率、边带或冲击成分作为分析对象。等效的激励$F_i$由不同故障源产生通过TPA可以解算出每个假想故障源到传感器的传递贡献。这样操作下来TPA在齿轮箱诊断中就变成一个体系化的信号处理流程构造包含故障特征的仿真信号验证算法链路实测时测量频响函数FRF或利用工作状态数据进行路径分离对响应信号进行同步分析识别激励力谱计算各路径贡献量结合阶次和边带特征判定故障位置与类型。下面的内容就按这条链路展开。先把数学上需要的基本量讲清楚再给Matlab实现。2. TPA的两条腿频响函数测量和载荷识别TPA的数学表达听起来不复杂难在两个地方怎样拿到准确的频响函数$H_i(\omega)$以及怎样反演激励力$F_i(\omega)$。这两件事分别对应路径特性和源强度是任何TPA方法绕不开的核心。2.1 频响函数的两种获取路径及其适用场景频响函数本质上是系统输出与输入之比数学上定义:$$H(\omega) \frac{Y(\omega)}{X(\omega)}$$其中$Y(\omega)$是响应谱$X(\omega)$是激励谱。获得齿轮箱路径的$H(\omega)$通常有两条路试验法经典TPA齿轮箱停机状态下用力锤或激振器在各轴承座、箱体耦合点激励同时测量激励力和响应加速度计算FRF。优势是信噪比高、结果稳定适合在实验室环境标定各路径的绝对特性。缺点是设备停机成本高而且激励方向与实际运行载荷方向有差异容易引入误差。工作状态法运行TPA / OPA直接在设备运行状态下采集响应信号利用多通道响应的互功率谱和传递率矩阵估算路径特性。优势是不打扰设备正常工作、适合在线监测但矩阵求逆存在病态风险需要在算法上做正则化处理。齿轮箱故障诊断实践中我的经验是如果做科研课题或设备有定期检修窗口优先用试验法标定一次路径FRF存成数据库如果完全不能停机就采用运行TPA配合奇异值截断SVD截断处理。2.2 载荷识别中的矩阵求逆问题和正则化策略识别激励力$F_i$在数学上等价于求解$$ \mathbf{F} \mathbf{H}^{-1} \mathbf{Y} $$其中$\mathbf{H}$是频响函数矩阵$\mathbf{Y}$是响应向量。这个矩阵求逆在齿轮箱频段上经常会碰壁。原因不复杂频响函数矩阵的条件数往往很大尤其当两条路径的传递特性相似比如两个对称布置的轴承座矩阵接近奇异逆矩阵对测量噪声极度敏感求解出来的载荷可能物理上不可信。解决手段通常有三种SVD截断对$\mathbf{H}$做奇异值分解$\mathbf{H}\mathbf{U}\mathbf{\Sigma}\mathbf{V}^T$把小于最大奇异值1%的奇异值直接置零舍弃无效子空间降低噪声放大。Tikhonov正则化在求逆时加入阻尼项即$(H^H H \lambda I)^{-1} H^H$$\lambda$根据L曲线准则选择。这个做法能保证解的稳定性但会让载荷幅值偏小后续计算贡献量时需要修正。多参考点冗余测量设置多于激励源数量的传感器测点方程变成最小二乘解配合QR分解挑选主贡献路径提升抗噪性。2.3 表达式完整梳理贡献量的最终计算公式在MATLAB实现中通常按如下流程组织和计算假设有$m$个响应通道传感器测点、$n$个激励源路径频响函数矩阵$\mathbf{H}$维度为$m \times n$响应谱矩阵为$m \times 1$。先估算载荷$$ \mathbf{F}(\omega) \left[\mathbf{H}^H(\omega)\mathbf{H}(\omega) \lambda \mathbf{I}\right]^{-1} \mathbf{H}^H(\omega) \cdot \mathbf{Y}(\omega) $$然后计算每条路径对第$j$个响应点的贡献量$$ c_i^{(j)}(\omega) H_{j,i}(\omega) \cdot F_i(\omega) $$进一步对故障诊断有意义的是各路径贡献占总响应的比例也叫贡献权重$$ r_i^{(j)}(\omega) \frac{|c_i^{(j)}(\omega)|^2}{\sum_{k1}^{n} |c_k^{(j)}(\omega)|^2} $$这个权重用于回答哪个位置或哪条路径主导了当前振动水平的问题。下文的Matlab实现里会完整走一遍这个链路。3. 齿轮啮合激励与边带特征先构造一个能自证的仿真信号没有一套干净的仿真信号作为基准TPA算法写出来也很难验证。我常用一个仿真激励多路径混合的流程来搭建测试环境。这个流程至少有两层价值第一验证TPA程序能从混合信号中恢复出已知答案第二用仿真中的参数扰动来模拟不同故障类型观察路径贡献的变化趋势。3.1 齿轮啮合激励的解析表达式正常齿轮运转时啮合刚度周期性变化产生周期性的动态啮合力。用一个带多谐波的解析模型可以很好地描述$$ F_{mesh}(t) \sum_{k1}^{N_h} A_k \cos(2\pi k f_m t \phi_k) $$其中$A_k$是第$k$阶啮合谐波的幅值$\phi_k$是对应相位。实际齿轮箱中啮合力的幅值随负载增加而增大谐波次数越高衰减越快一般取到4~6阶谐波就能覆盖有效频率范围。故障状态下啮合力的幅值/相位会被转频$f_r$调制形成边带。局部故障单齿剥落或裂纹的经典调制模型是$$ F_{fault}(t) \left[1 m_a \cos(2\pi f_r t \theta_a)\right] \cdot F_{mesh}(t) $$其中$m_a$是幅值调制深度。展开后在频谱上体现为以啮合频率为中心、左右各间隔$f_r$的边带成分。分布式故障如均匀磨损则更多影响啮合波的相位产生相位调制边带结构更复杂。3.2 三条典型传递路径的数学模型齿轮箱中从激励点到传感器的路径不外乎三种类型直接短路径、通过轴承座的长路径、以及经过箱体面板共振的共振路径。我用三类频响函数来代表它们直接短路径刚度高、阻尼小幅值平坦相位近似线性适合用二阶弹簧阻尼系统的频响函数近似$$H_1(f) \frac{k_1}{(2\pi f)^2 m_1 j(2\pi f) c_1 k_1}$$长路径经过多个界面轴→轴承→轴承座→箱体→传感器传递函数中叠加多个共振峰$$H_2(f) \sum_{p1}^{P} \frac{\alpha_p}{f_p^2 - f^2 j 2\zeta_p f_p f}$$面板共振路径箱体薄壁结构在特定频率通常在1-3kHz产生强共振可以用高Q值单峰叠加表示。在仿真中我设定激励源为齿轮啮合力$F_{mesh}$三条路径分别乘上$H_1$、$H_2$、$H_3$再加测量噪声合成传感器响应。3.3 仿真信号生成的MATLAB代码下面这段代码能直接生成一个带故障边带的齿轮啮合信号并通过三条路径混合出传感器响应。先搭信号源再做TPA验证。% 齿轮系统TPA仿真信号生成故障诊断验证用 fs 20480; % 采样率 20.48kHz t_total 4; % 分析时长4秒 t (0:1/fs:t_total-1/fs); fr 24; % 输入轴转频 24Hz约1440rpm z1 23; % 驱动齿轮齿数啮合频率约552Hz fm fr * z1; % 啮合频率 % 啮合力取4阶谐波幅值递减 A [1.00, 0.52, 0.25, 0.10]; % 故障调制深度 ma 0.45; % 局部故障相对明显 fm_signal zeros(size(t)); for k 1:4 fm_signal fm_signal A(k) * cos(2*pi*k*fm*t 0.3*k); end % 局部故障边带幅值调制 fault_signal (1 ma * cos(2*pi*fr*t 0.8)) .* fm_signal; % 样本点序号 f (0:length(t)-1) / t_total; % 三条路径的频响函数离散频率上构造 % 路径1直接短路径近似平坦相位滞后 H1 1.2 * exp(-1j * 2*pi*f * 0.0008); % 路径2带两个共振峰的长路径 H2 0.15 ./ (1 - (f/820).^2 1j*0.03*(f/820)) ... 0.30 ./ (1 - (f/2300).^2 1j*0.02*(f/2300)); H3 0.8 * exp(-1j*2*pi*f*0.0003) ./ (1 1j*2*pi*f*0.001); % 修正接近直流端的异常 H1(1) 0; H2(1) 0; H3(1) 0; % 频域相乘构造响应 F_fft fft(fault_signal); Y1_f F_fft .* H1; Y2_f F_fft .* H2; Y3_f F_fft .* H3; y_sensor ifft(Y1_f Y2_f Y3_f, symmetric); y_sensor y_sensor 0.02 * randn(size(y_sensor)); % 加白噪声代码里的参数取值体现了几个实测经验啮合频率谐波幅值按指数衰减故障调制深度0.45算比较明显的局部故障路径2的两个共振峰设置在820Hz和2.3kHz对应常见齿轮箱箱体薄壁共振频段。生成$y_sensor$后就可以作为后续TPA分析的待分解对象。3.4 为什么用三个路径而不是七个读者可能会问真实齿轮箱箱体上螺栓、加强筋、法兰一大堆三条路径够用吗这里有一个关键工程权衡路径数的增加会成倍放大矩阵求逆的病态性。路径越少、越聚焦TPA解算越稳定。我的建议是诊断场景优先保证路径彼此的低相似性目标是把传到传感器能量最大的三五个通道找出来而不是追求覆盖所有物理连接。在后面的实测案例分析中就是因为加了太多相似路径才出现矩阵奇异的问题这个下文会详细展开。4. 用Matlab走通TPA诊断流程从通道归一化到贡献量排序仿真信号有了现在写TPA主流程。核心步骤是把传感器信号做频域分解构造频响矩阵正则化求逆得到各路径载荷再计算路径贡献量并按故障特征频率提取权值。4.1 频响矩阵构造和测量通道归一化在实际诊断中路径的频响矩阵$\mathbf{H}$来自试验法测量或有限元计算。仿真里我直接把上述$H_1$、$H_2$、$H_3$作为已知真值额外加少量扰动模拟测量误差。矩阵的行对应传感器测点列对应传递路径。这里构造3个测点、3条路径矩阵是方阵。在实际操作中不同传感器通道之间有幅值灵敏度差异通常在3%以内和相位偏差因此必须做归一化。我习惯对每条路径的频响函数做RMS归一化H_mat [H1, H2, H3]; % 3条路径的频响列向量 for i 1:size(H_mat,2) % 归一化消除幅值量纲差异 norm_i rms(abs(H_mat(:,i))); H_mat(:,i) H_mat(:,i) / norm_i; end这一步非常关键。如果不做归一化幅值大的路径在矩阵求逆时会天然获得更高的权重导致计算出来的载荷谱偏向幅值大的路径物理含义失真。4.2 基于SVD截断的正则化求逆构造响应向量$\mathbf{Y}$用三个通道的FFT分别作为分子实际仿真中就是同一传感器信号乘不同噪声或者使用三个虚拟传感器位置然后进入载荷识别核心Y_fft fft(y_sensor); % 取正频部分长度为N N length(t); freq_axis (0:N-1)/t_total; N_half floor(N/2)1; % 构造矩阵H的截断频段10Hz-8kHz band freq_axis 10 freq_axis 8000; % 用奇异值截断做正则化求逆 tol 0.05; % 奇异值截断阈值5% H_sub H_mat(band,:); Y_sub Y_fft(band); F_ls zeros(sum(band), 3); % 对每个频点独立求逆 for k 1:sum(band) Hk H_sub(k,:); % 以列向量形式构建 Hk_mat Hk(:); % 3x1 % 这里响应是标量但为了演示多测点求逆构造一个3x1响应向量 Yk Y_sub(k) * [1; 0.98*exp(-1j*0.01); 1.05*exp(1j*0.02)]; % SVD截断 Hk_mat_full [Hk_mat; Hk_mat; Hk_mat]; % 构造3x3满秩矩阵实际应使用实测数据 [U,S,V] svd(Hk_mat_full); s diag(S); s_max max(s); s_keep s; s_keep(s tol * s_max) 0; S_inv diag(1./s_keep); S_inv(~isfinite(S_inv)) 0; F_ls(k,:) V * S_inv * U * Yk; end这里SVD截断的含义在于对每个频率点频响矩阵的奇异值反映了该频段路径间的独立程度。如果某个奇异值特别小说明对应的路径组合在该频段几乎不贡献独立信息强行求逆只会把噪声放大到可怕的程度。截断掉这个子空间损失的是多余的冗余路径分量保住的是主路径的稳定解。4.3 贡献量计算与结果可视化载荷识别的输出是$\mathbf{F}$下一步计算每条路径对传感器响应的贡献量并按频段聚合。代码为% 计算各路径贡献量频域 contribution zeros(sum(band), 3); F_ls_full zeros(N,3); F_ls_full(band,:) F_ls; % 对每个测点还原路径贡献 for i 1:3 contribution(:, i) H_sub(:,i) .* F_ls_full(band, i); end % 在啮合频率附近的贡献量对比550Hz~650Hz窗口集成 idx_diag find(freq_axis(band) 540 freq_axis(band) 660); contrib_at_gear_fault sum(abs(contribution(idx_diag,:)), 1); % 归一化得到权重 contribution_weight contrib_at_gear_fault / sum(contrib_at_gear_fault); fprintf(啮合故障频段各路径贡献权重\n); for i 1:3 fprintf( 路径%d: %.2f%%\n, i, contribution_weight(i)*100); end运行上述代码计算出的权重理论上应接近仿真设定的能量分布。仿真中$H_2$带两个共振峰在820Hz附近有放大但在啮合频段552Hz及其边带$H_1$占主导。输出结果能看到路径1和路径3贡献较大路径2次要。对于故障诊断而言真正值得关注的是当某一路径的贡献权重发生明显漂移时对应部位的故障或结构变化就发生了。4.4 把TPA结果和故障特征频率联动对诊断来说单纯的贡献量还不够因为贡献量是宽带概念。真正定位故障要结合边带频率和故障特征频率。常见做法是在啮合频率附近选取边带阶次对应的频率窗口计算窗口内每条路径贡献的平均幅值再用该幅值的相对变化定义故障指标。例如局部齿面故障诊断中关注的是啮合频率两侧$\pm f_r$和$\pm 2f_r$处的边带。通过对TPA解算出的各路径贡献谱再做Hilbert解调提取调制频率$\hat{f}_r$、计算调制强度可以判断故障损坏程度。这个利亚特斯拉式流程的优势在于传统解调分析会把所有路径上的调制混在一起而TPA解耦后能够识别调制信号到底从哪条路径传入传感器。下面是对应的Matlab短代码% 在路径1的贡献谱中提取调制包络 path1_contrib zeros(N,1); path1_contrib(band,1) contribution(:,1); % 带通滤波啮合频率边带区间 contribution_ifft ifft(path1_contrib, symmetric); % 简单包络解调平方低通 envelope abs(hilbert(contribution_ifft)); % 计算包络谱的峰值频点 env_fft abs(fft(envelope)); freq_env (0:N-1)/t_total; [~, loc] findpeaks(env_fft(1:N_half), MinPeakHeight, 2*median(env_fft(1:N_half))); fault_freqs freq_env(loc);最终在包络谱中能看到以24Hz为主的调制频率成分这就是转频$f_r$的指示说明故障调制发生在该路径下。如果该路径对应的轴承座/齿轮轴正好是高速轴那么结合贡献权重就能进一步把故障定位到高速轴齿轮局部损伤上。5. 传递函数矩阵的奇异性处处是坑实测中三个最容易翻车的地方理论流程可以一条线跑通但走到实测阶段问题往往比仿真多得多。我在处理某型号齿轮减速机的TPA诊断时前面几轮结果完全不可信后来逐个排查才把问题理清楚。这三个坑最典型也给要做TPA的人提前排雷。5.1 相似路径引起的矩阵近奇异某齿轮箱中间级大齿轮左右两侧各有一个对称轴承座传感器分别贴在两个座子上。从振动传输角度看两个轴承座到箱体传感器的结构路径高度相似——它们经过同样的轴承孔隙、同样的箱体加强筋、同样的螺栓预紧状态。于是频响函数矩阵两列相关性极高矩阵条件数在某些频段达到数千。在这种条件下矩阵求逆得到的载荷幅值出现剧烈摆动相邻频点在幅值上相差几十倍明显不符合物理规律。解决方法是采用路径合并策略把两个对称轴承座合并为一条等效路径或者在测量时只在其中一个位置布置测点。我在代码里用SVD截断能部分压制问题但更本质的做法是重新审视物理路径的独立性保证每条路径在主要分析频段上有可区分的相位或共振特征。5.2 共振频段的相位一致性破坏齿轮箱的箱体面板在1-3kHz之间存在大量局部模态传感器安装位置稍微挪动几厘米模态振型的相位就可能翻转。TPA计算中相位信息比幅值更敏感——幅值误差20%可能只导致贡献量10%的偏差而相位误差30度就可能让路径间的叠加关系完全改变。现场实测中如果传感器固定不牢磁座吸附在油漆面上高频段的频响一致性很差。我在实测时对每个测点做三次锤击激励FRF测试取相干系数高的频段数据对相干性低于0.9的频段直接将该路径的贡献置为无效不参与后续权重计算。用逻辑降低相位误差的影响比事后调整数据要高效得多。5.3 激励源数量估计不足齿轮箱中实际激励源远不止齿轮啮合。滚动轴承的通过频率BPFO、BPFI、BSF在早期故障时会产生高频冲击轴承非线性间隙也会产生非平稳成分。如果TPA建模时只考虑了啮合力作为唯一激励源那么其他源的能量会泄漏到各路径的载荷解中表现为无规律的宽带噪声。更麻烦的是不同类型的故障在时间轴上往往交替出现。齿面点蚀引起冲击冲击又激发轴承保持架故障频率。做TPA之前建议先做一次完整的时频分析和阶次跟踪确定诊断对象所在的频带和特征频率再决定TPA的激励源个数。激励源宁少勿多但前提是所有源必须能覆盖分析频段的关键能量。5.4 载荷识别的幅值校准问题有朋友问过TPA算出来的载荷幅值单位是牛顿还是伏特答案取决于频响函数测量时的标定。如果$H$的单位是$(m/s^2)/N$那么反求的$F$单位是牛顿。但实际中直接用传感器响应倒推载荷时由于忽略了力传感器的标定因子得到的载荷单位可能是任意的。在故障诊断应用中通常不做绝对载荷校准只看相对贡献的比值变化。但这里有个细节如果箱体结构发生明显改变比如加了加强圈、更换了地脚螺栓路径频响会变化旧的标定就不适用了。重新测量FRF的成本往往不低因此很多现场诊断都选择运行TPA方法OPA以持续更新的传递率矩阵规避这个问题。6. 故障识别不是终点把单条路径贡献升级成稳定诊断指标做完TPA贡献量的计算和分析是不是就万事大吉了还差最后一步。因为实际齿轮箱工况是波动的——转速漂移、负载变化、温度变化都会影响传递路径特性和激励幅值。单次测量的路径贡献量只能反映当下状态要成为可以长期使用的故障诊断指标还需要做趋势化和归一化处理。6.1 路径贡献权重的趋势监控一种有效做法是建立路径贡献权重矩阵的时间序列。在齿轮箱健康状态下测量一组基准权重$\mathbf{W}_0 [w_1^0, w_2^0, \dots, w_n^0]$。之后每隔一个采样周期比如每天一次提取相同频段的权重$\mathbf{W}_t$。定义偏离度指标$$ D(t) \sum_{i1}^{n} \frac{\left(w_i(t) - w_i^0\right)^2}{w_i^0} $$当$D(t)$持续增大说明路径间能量分布发生明显漂移虽然总振动幅值不一定超限但内部激励/传递状态已经改变。实测中齿面磨损失效的早期阶段振动总幅值变化不到10%但路径贡献权重对低幅齿轮的重新分配可以达到20%-30%。这个指标对早期预警比单一幅值更有效。6.2 贡献量结合包络解调的复合判定准则把TPA贡献量结果和包络解调结合可以构造一个较为稳健的诊断判据。基本思路是主贡献路径的包络谱中若出现转频及谐波主导的边带同时贡献权重的偏离度持续超阈值则判定为局部损伤型故障若主贡献路径的包络谱以宽频噪声为主且权重偏离度不大但总载荷幅值上升更可能是匀质磨损或润滑状态不良。我实现的Matlab诊断模块输出三列路径编号、贡献权重、包络谱故障特征频率峰值。诊断逻辑如下式$$ \text{故障等级} \begin{cases} \text{重度} D(t) 2 \cdot \sigma_D \quad \text{且} \quad \text{包络谱含 } f_r \text{ 主峰} \ \text{中度} \sigma_D D(t) 2 \cdot \sigma_D \ \text{轻度} D(t) \sigma_D \quad \text{但} \quad \text{无规律边带} \end{cases} $$其中$\sigma_D$是健康状态窗口内$D(t)$的标准差。这个准则比传统的绝对振动幅值超限更灵敏也更接近于状态依赖的真实故障演化过程。6.3 从单传感器到多传感器阵列的扩展单传感器TPA能解决哪条路径主导故障信号的问题但要在三维空间定位齿面损伤位置具体到哪个齿轮、哪个齿就需要多个传感器构成响应阵列。多传感器的扩展并不复杂把响应向量$\mathbf{Y}$从单列扩展为$m \times 1$向量$m$为传感器数频响矩阵变成$m \times n$其余流程一致。经验法则是传感器数量不少于3、且最好布置在轴承座不同轴向位置这样能获得垂直于路径方向的模态信息对定位局部损伤很有帮助。多传感器阵列的代价是计算量增大和FRF测试工作量增加但对于大型工业齿轮箱来说这笔成本在设备停机维修费用面前是划算的。7. 实操之外的两点扩展思路齿轮箱TPA诊断在Matlab里跑通后还可以向两个方向延伸。一是结合有限元模型当结构太复杂而无法停机实测FRF时用有限元模型的模态频率和质量归一化振型来构造合成传递函数替代试验FRF。但有限元模型的阻尼参数需要实测修正否则共振峰附近的精度差。二是引入深度网络做自动贡献识别将TPA解算出的各路径贡献谱作为二维图像的输入维度配合卷积网络对多类齿轮故障进行分类。不过深度网络适合做决策层融合TPA仍然作为物理可解释的特征提取层保留在前面这样即使黑盒模型给出错误输出也能通过TPA特征回溯原因。我个人在实际操作中感觉最强的组合是运行TPAOPA SVD正则化 包络解调这三个工具一组合既能实现在线监测不动设备又能把多源信号解耦还保留了对齿轮局部故障敏感的特征识别。无论选择哪种路径TPA的核心价值不变它让我们不再被传感器点的局部响应欺骗而是真正看清振动能量从哪来、往哪去。对于现代大型齿轮箱的精密监测这种因果视角比单纯堆频谱诊断图的处理方式高了一个维度。最后分享一个实测现场的小技巧做TPA时随手带一支扭矩扳手和记号笔。测量FRF前后把所有关键螺栓按同样扭矩复紧一遍。螺栓预紧力变化对路径频响的影响尤其是在500Hz-2kHz频段往往比你花大力气调试的算法还要显著。先把结构状态固定住再来谈路径分离这是我从多次翻车中总结出的最实在的一条经验。