1. 先说清楚阶比分析到底解决什么问题搞故障诊断的同行应该都有过这种经历拿一个旋转机械的振动信号高高兴兴地做FFT频谱分析结果频谱上一堆糊成一团的宽峰完全没法看。尤其是转速一直在变的工况下——升降速过程、变负荷运行、频繁启停机——这种问题特别突出。为什么因为传统频谱分析假设信号是平稳的频率成分不随时间变化。但实际旋转机械一旦变速齿轮啮合频率、轴承故障特征频率、转频本身都在跟着转速漂移你做出来的频谱自然就是一团模糊的涂抹效果。阶比分析Order Analysis也叫阶次追踪Order Tracking就是专门解决这个问题的工具。它的核心思路非常直观既然故障特征频率和转速成正比那我不按每秒转多少次Hz来研究信号而是按每转发生多少次阶次Order来分析。这样一来无论转速怎么变故障特征对应的阶次始终是固定的——比如两级齿轮箱中间轴转频对应1阶某个齿轮的啮合频率可能是32.5阶轴承外圈故障可能是3.7阶。阶比分析把这层关系固定下来变转速工况下的故障特征就能被稳定地识别和提取。这篇文章我把阶比分析的原理、实现方法、工程中容易踩的坑以及怎么和现有的故障诊断代码配合使用一次讲透。适合的人群刚接触故障诊断的研究生和工程师、在做设备状态监测项目时被变速工况折磨的同行、以及想把手动工况下的诊断流程迁移到变转速场景的人。2. 阶比分析的原理与关键概念拆解2.1 从频谱为什么会糊说起先说清楚傅里叶变换的局限。做FFT的时候隐含的假设是信号在时间窗内是平稳的频率成分不随时间变化。对于恒速运行的设备这个假设基本成立——比如电机稳定运行在2970转/分此时转频约49.5Hz轴承外圈故障特征频率或齿轮啮合频率都是固定值。FFT做出来峰值清晰锐利看得很爽。但设备一旦变速情况就变了。转速从1000转/分加速到3000转/分的过程中转频从16.7Hz一路漂移到50Hz齿轮啮合频率也跟着从几百赫兹漂到上千赫兹。如果你用一段时间的振动信号做一次FFT相当于把时间段内的所有频率成分叠加在一起结果是每个峰值都被拉宽了小的故障特征直接被淹没在展宽的频谱背景里。变速范围越大频谱涂抹越严重信噪比越差。还有更麻烦的情况多个旋转部件同时存在转速联动变化但阶次关系固定。比如发动机曲轴转一圈凸轮轴转半圈凸轮轴链轮和曲轴齿轮的啮合频率始终是某个固定倍数。在恒速下这不算事在变速下如果只按频率分析相互之间极易混淆。阶比分析的核心优势在于它把坐标系从频率转换到阶次从而把这个变速问题变成了准稳态问题。2.2 阶次、频率和转速的三元关系阶比的定义其实很简单就一个公式$$O \frac{f}{f_r}$$其中O是阶次Order无量纲f是振动信号中的某个特征频率Hz$f_r$是参考轴的转频Hz。举个例子一根轴转频为10Hz即600转/分10转/秒如果振动信号中在500Hz处有一个峰值那么这个峰值对应的阶次就是500Hz / 10Hz 50阶。意思是轴每转一圈振动信号的某个特征重复了50次这正好对应齿数为50的齿轮啮合频率。这个每转重复多少次就是阶次它直接关联到机械结构——一个齿数为z的齿轮啮合阶次恒等于z滚动轴承外圈故障阶次大约是0.4倍滚子个数乘以内圈旋转频率的比例系数——与转速无关只与结构尺寸有关。这个关系太重要了让我换个方式强调一遍。如果某故障特征在恒速工况下表现为600Hz的振动峰值你只能通过比对历史数据判断这个频率是否异常。但在变速工况下这个峰值对应的频率时刻在变你根本没法直接判断它是否异常。可是如果你把数据从频谱转换到阶比谱这个特征永远出现在同一个阶比位置上——比如17.4阶。只要阶比谱上17.4阶的幅值突然变大基本可以断定对应的结构出了问题。这就是阶比分析在工程上最大的价值它为变转速工况下的故障诊断提供了一个稳定的特征坐标系。2.3 阶比谱、阶比切片和阶比瀑布图实际操作中阶比分析产出几种不同的展示形式各自对应的应用场景也不同。阶比谱Order Spectrum是最基本的形式横轴是阶次纵轴是幅值。阶比谱上每个峰值对应一个固定的机械结构关系比如1阶代表参考轴每转一次的转频分量齿轮啮合阶次等于齿数轴承故障阶次是某个带小数的特征值。恒速也好变速也好阶比谱都能看但在变速下优势更明显。阶比切片Order Slicing / Order Extraction是针对特定阶次提取该阶次幅值随时间或转速的变化曲线。这个非常实用。比如设备升速过程中某个阶次在某个临界转速附近幅值突然跳高说明在那个转速下发生了共振或齿轮啮合异常。你可以把某几个重点关注阶次比如1阶转频、齿轮啮合阶次和它的边带的幅值随转速的曲线画出来一目了然。阶比瀑布图Order Waterfall是把时间或转速作为Z轴把一系列阶比谱堆叠起来形成的三维图。常用于分析变速过程、启停机过程的瞬态振动特征。横轴是阶次纵轴是转速或时间颜色表示幅值。在瀑布图上某条竖线某个阶次分量在特定转速区间的幅值增强非常明显这就是共振区或故障区的直观体现。3. 阶比分析的核心算法从时间域到角域3.1 等时间采样 vs 等角度采样这一节是整个阶比分析的灵魂必须完全理解。常规数据采集系统是等时间间隔采样Constant Time Sampling也就是我们通常说的固定采样率每隔一个固定的时间间隔采集一个数据点。这在恒速工况下没问题但变速工况下由于每转所需的时间在变化转了一圈的过程中采集的点数也在变。当转速升高时每转内采集的点数变少转速降低时每转内采集的点数变多。这会导致我们无法精确地按每转多少个点来分析信号。阶比分析的核心思路是重采样——把等时间间隔的信号转换成等角度间隔的信号Constant Angular Sampling。也就是说让每个采样点对应一个相同的转轴增量角比如每转360点即每个采样点代表1度转角。这样无论转速怎么变每转的采样点数都一致。此时如果信号中包含某阶次成分它在这个角度域信号中就是一个严格的正弦波或周期性波形频率等于该阶次与转频的乘积在角度域中的恒定值。对角度域信号做FFT横轴就是阶次。打个比方。等时间采样像是以一个固定的时间间隔拍照片转速快时你拍到的转轴转角间隔大等角度采样则像是每转过固定的角度拍一张照片不管转得快还是慢都能保证每个姿态都被均匀记录。后者才是分析每转重复发生多少次这类问题的正确坐标系。3.2 硬件阶比分析和软件阶比分析根据如何获得转角信息的方式阶比分析分为硬件阶比分析和软件阶比分析两大类。硬件阶比分析也叫硬件式阶比跟踪是最早期的方法。它依赖一个硬件设备——通常是带锁相环PLL的专用跟踪滤波器。设备上装一个键相传感器Keyphasor每转产生一个脉冲信号硬件电路根据脉冲信号实时调整采样时钟使得采样点严格对应等角度间隔。这种方法实时性好精度高但需要专用硬件系统成本高、灵活性差很难在做完已有数据回顾性分析时使用。软件阶比分析是当前最主流的方式。它用普通数据采集卡进行等时间采样同时单独采集转速信号键相脉冲或编码器信号然后通过数字信号处理算法离线或在线地把采集到的时域信号重采样为角域信号。核心优势是可以用同一套数据同时做频谱分析和阶比分析不需要专用硬件灵活方便。我们现在在工程中用的大多是这种方法。3.3 计算式阶比分析的完整流程软件阶比分析的完整流程大致分这么几步同步采集振动信号和转速键相信号。振动信号用较高的采样率采集键相信号用单独的通道采集。键相传感器通常是光电传感器或电涡流传感器安装在参考轴的键槽或凸台位置每转产生一个脉冲。从键相信号中提取瞬时转速曲线。记录每个键相脉冲的到达时刻相邻脉冲之间的时间间隔就是一转所需的时间转频就是该间隔的倒数。对一系列脉冲到达时刻做拟合和插值就可以得到任意时刻的瞬时转速值。计算重采样的时间序列角域映射。设定每转采样点数M比如每转1024点那么对应的角度增量为$2\pi / M$。从键相脉冲触发的时刻开始第k个角域采样点对应的时间由积分关系确定$\int_{0}^{t_k} f_r(t) dt k \cdot (1/M)$。在实现中通常用相位累积的方式求解相位$\theta(t) 2\pi \int_0^t f_r(\tau) d\tau$当相位从0增长到$2\pi k/M$时对应的时刻就是第k个角域采样点应该对应的时刻。对原始时域信号进行插值得到角域采样点上的数值。这一步叫做重采样。常用线性插值、三次样条插值或分段三次Hermite插值。插值方法的选择直接影响精度——线性插值简单但精度不足三次样条精度较好但在数据毛刺较多时容易振荡分段三次Hermite插值PCHIP是工程中比较折衷的选择既能保证平滑性又不会像样条那样过度振荡。对角域信号做FFT得到的就是阶比谱。由于角域信号在每转内采样点数固定且相位对齐FFT结果的频率分辨率对应的是阶次分辨率。后处理和特征提取。比如对阶比谱做峰值提取、边带分析、包络分析在角域中做包络阶比谱等进一步提取故障特征。3.4 转速曲线的精确估计关键中的关键整个软件阶比分析的精度几乎完全取决于转速曲线估计得有多准。很多人在这一步栽了跟头导致最后阶比谱稀烂。把这个环节单独拿出来说。在实际工程中键相信号往往并不理想。脉冲边缘可能有抖动、干扰、甚至丢脉冲。对于光滑的变速过程可以用多项式拟合来平滑转速曲线。比如对转速曲线做一次二次或三次多项式拟合滤掉测量噪声带来的高频抖动。但如果转速曲线本身变化剧烈比如快速升速、降速、反转用单一多项式拟合就不够了可以采用分段低阶拟合或者结合卡尔曼滤波/平滑方法对转速进行估计。还有一个细节必须注意键相脉冲不仅仅包含转速信息还包含转轴的初始相位。重采样必须从某个键相脉冲触发时刻开始保证角域的相位参考点与键相位置对齐。否则你分析出的阶比谱虽然频率位置正确但相位信息不准——如果需要做动平衡或者分析相位关系比如轴心轨迹、故障定位这些误差就不可接受了。4. 实操环节阶比分析的完整实施过程4.1 数据采集要点做阶比分析数据采集的讲究比普通FFT分析多不少。整理一下我在实际项目中的参数选取经验。振动信号采样率需根据最高分析阶次和最高转速确定。假设最高转速为4500转/分即75Hz转频最高分析阶次为150阶那么角域每转采样点数至少要满足奈奎斯特条件即$M 2 \times 150 300$工程上一般取到512或1024以确保余量。对应的最大频率为$75 \times 150 11250Hz$那么时间域采样率至少要大于$2 \times 11250 22500Hz$取25.6kHz或更高。这里推荐一个工程速算公式采样率 $\ge$ 最高转频 $\times$ 最高阶次 $\times$ 2.56。这个2.56是FFT分析中常用的余量系数兼顾了抗混叠滤波过渡带的影响。转速信号的同步性振动信号和转速信号必须由同一个数据采集卡同步采集保证时间基准一致。如果分两个采集设备分别采集时间不同步会导致重采样相位错乱阶比分析结果完全失效。这是本文实施的底线要求没什么好商量的。键相传感器的安装键相传感器所在位置就是角度参考零点的位置。一般安装在反映设备整体转动的轴上比如电机输出轴或主传动轴。传感器正对键槽或一个粘贴的反光条。每转一个脉冲即可。如果轴颈太细、空间狭小也可以用编码器替代输出每转几百到几千个脉冲转速分辨率更高。4.2 转速信号的预处理方法从采集系统中拿到的原始键相信号直接算转速通常噪声较大需要做预处理滤波。我常用的方法如下。硬件层面键相通道的模拟滤波器带宽不宜过高。太高会把高频噪声引入脉冲边缘检测导致每个脉冲的触发时刻存在随机抖动。通常将滤波带宽设置为脉冲基频的3~5倍即可。软件层面对提取出的瞬时转频序列做中值滤波或滑动平均。中值滤波能有效剔除异常脉冲同时对真实的转速变化影响较小适合处理偶尔丢脉冲或混入干扰的信号。滑动平均适合光滑的变速过程窗口不宜太宽否则会把转速变化的高频细节抹平导致重采样存在较大误差。还有一个非常实用的技巧对瞬时转频序列做三次样条平滑或运用Savitzky-Golay滤波器这两个方法都能在保留转速变化趋势的同时显著降低测量噪声。在实际测试中对于平稳升速过程Savitzky-Golay滤波器的效果很不错而且计算效率高、无需调整太多参数。4.3 重采样实现与核心参数确定重采样是整个阶比分析的核心实现环节。下面给出一个清晰的操作步骤和关键逻辑。首先确定每转采样点数M。M越大角域信号越精细阶比谱的频率分辨率越高同时一次FFT的点数也越多计算量越大。一般建议M取256~1024之间。对于需要分析高阶级次比如齿轮啮合阶次较高的场景取1024以上更稳妥。M必须与FFT长度协同选择如果角域信号长度为L转那么FFT点数N M × L阶次分辨率ΔO 1/L。也就是说分析的转数越多阶次分辨率越好。如果想分辨0.1阶的边带至少需要分析10转以上的角域数据。其次插值方法的选择如前所述这里强调一点对振动信号做插值前强烈建议先对时域信号做带通滤波把分析频段之外的高频噪声滤除否则插值会把这些噪声平滑地混入角域信号相当于引入虚假成分。滤波通带上限根据最高分析阶次对应的频率设定下限通常从1~10Hz开始避开直流和超低频干扰。最后FFT之前需要对角域信号加窗。加窗的目的和时域FFT一样是抑制频谱泄漏。由于阶比谱的峰值在阶次轴上仍然是离散谱线窗函数选择不当会导致相邻阶次之间的能量泄漏互相干扰。常用的有汉宁窗Hanning和布莱克曼窗Blackman前者在幅值精度和频率分辨率之间较均衡后者旁瓣衰减更大适合分析动态范围较大的信号。4.4 用 Python 写一个基础版阶比分析工程上很多同行会用商业软件比如LMS Test.Lab、BK PULSE、NI的订单分析工具包直接做阶比分析。但如果你需要在科研或预研阶段快速验证算法或者想把阶比分析集成到自己的故障诊断代码里用Python实现一个基础版非常可行。这里给出一个简化的实现思路代码逻辑涵盖了核心步骤import numpy as np from scipy import signal, interpolate import matplotlib.pyplot as plt def order_analysis(vib_signal, t_vib, tacho_pulse_times, fs_vib, rpm_per_sec1.0, samples_per_rev1024, order_max200): 简化版阶比分析实现 参数说明 vib_signal: 振动信号一维数组 t_vib: 振动信号对应的时间轴 tacho_pulse_times: 键相脉冲触发时刻数组 fs_vib: 振动信号采样率 rpm_per_sec: 转频倍率如果转速信号是编码器需按每转脉冲数换算 samples_per_rev: 每转重采样点数 M order_max: 需要分析的最高阶次 # 1. 从键相脉冲时间计算瞬时转频 dt_rev np.diff(tacho_pulse_times) inst_freq 1.0 / dt_rev / rpm_per_sec # 单位转/秒 t_inst (tacho_pulse_times[1:] tacho_pulse_times[:-1]) / 2.0 # 用样条拟合转频曲线 freq_interp interpolate.interp1d(t_inst, inst_freq, kindlinear, fill_valueextrapolate) # 2. 相位积分 - 计算每个角域采样点对应的时刻 t_start tacho_pulse_times[0] t_end tacho_pulse_times[-1] # 求解相位累积theta(t) 2*pi*integral(freq(t) dt) # 用数值积分梯形法 t_dense np.linspace(t_start, t_end, len(vib_signal)) phase_dense 2 * np.pi * np.cumsum(freq_interp(t_dense)) * (t_dense[1] - t_dense[0]) # 目标角度序列 n_order_samples int((t_end - t_start) * np.mean(inst_freq) * samples_per_rev) theta_target np.arange(n_order_samples) * (2 * np.pi / samples_per_rev) # 插值从时间-相位映射关系中查找目标相位对应的时间点 t_target np.interp(theta_target, phase_dense, t_dense) # 3. 对振动信号重采样 resampled np.interp(t_target, t_vib, vib_signal) # 4. FFT得到阶比谱 window np.hanning(len(resampled)) spectrum np.fft.rfft(resampled * window) freqs_order np.fft.rfftfreq(len(resampled), d1.0/samples_per_rev) # 截取到最高阶次 mask freqs_order order_max return freqs_order[mask], np.abs(spectrum[mask])这段代码是教学演示用途简化了不少细节比如没有做抗混叠预滤波、没有处理丢脉冲、没有做转速瞬态补偿但整体流程是完整的。在实际工程中建议在重采样之前增加一个抗混叠滤波步骤即在时域信号上先做带通滤波然后再进入重采样流程。4.5 角域包络分析进阶扩展阶比分析还需要一个重要的进阶变体角域包络分析Order Envelope Analysis也叫阶比包络谱分析。这个方法非常适用于滚动轴承故障诊断——轴承故障激发的冲击成分在时域包络信号中表现为周期性的脉冲但包络脉冲的重复频率与转速成正比因此需要借助阶比分析来稳定提取。具体做法是先对原始时域信号做带通滤波选取共振频带再通过希尔伯特变换提取包络然后再对包络信号做上文所述的阶比分析流程。最后得到的阶比包络谱中轴承故障特征阶次如外圈故障特征阶次、内圈故障特征阶次会以离散峰的形式出现。这个组合拳在实际轴承故障诊断项目中非常好用。我之前处理过一台变转速工况下的离心泵轴承故障案例只用传统频谱分析故障特征完全被转速波动淹没改成角域包络分析后外圈故障特征阶次在阶比包络谱上清晰可见峰值旁边还有转频调制边带诊断结论非常明确。这个方法也已经成为我自己的故障诊断代码库里的保留项目。5. 阶比分析为什么比传统频谱强应用场景盘点5.1 升降速过程中的齿轮箱诊断齿轮箱的故障诊断比较特别齿轮啮合频率通常比轴承故障特征频率高得多而且齿轮箱里往往有多根轴、多个齿轮各轴的转速比相对固定。在变速工况下如果不做阶比分析单靠传统频谱很难分清哪一根轴的哪个齿轮出问题了因为各啮合频率都在漂移谱线重叠严重。用阶比分析后齿轮箱的诊断逻辑变得非常清爽啮合阶次等于齿数这是由结构决定的固定值齿轮局部故障会产生啮合阶次的边带边带间隔对应故障齿轮所在轴的转频阶次即1阶如果齿面磨损啮合阶次及其谐波幅值整体升高如果存在断齿会在啮合阶次附近出现密集的边带和分母阶次成分比如行星轮的故障特征阶次是齿数除以行星轮个数等。在升速过程中采集一组振动数据做成阶比瀑布图可以直观地看到哪些阶次在哪个转速区间被激励起来。曾经有一个风电齿轮箱的案例行星级啮合阶次在某个特定转速区间出现明显共振峰值结合模态分析确认行星架在该转速下发生了扭转共振最终定位到行星轮轴承损伤。这类诊断结论用传统频谱是完全做不出来的。5.2 变速工况下的滚动轴承故障诊断滚动轴承的故障特征频率BPFO、BPFI、BSF、FTF本质上就是一组与转速呈固定比例的阶次。恒速工况下可以直接看频谱峰值变速工况下阶比分析才是正解。这里特别推荐角域包络阶比谱的组合方式带通滤波 希尔伯特包络 阶比重采样 FFT。操作中带通滤波的频带选取是关键一环。轴承早期故障的振动能量主要分布在结构共振频带一般通过频谱对比正常状态与故障状态或看包络谱的幅值来挑选频带。如果频带选不准可以用快速峭度图Fast Kurtogram来自动选择最佳共振频带这在Python或MATLAB里都有现成工具实现。对于变速轴承故障诊断还有一个需要注意的细节由于转速变化会引起轴承滚动体与滚道的相对滑动轴承故障特征阶次并不是绝对精确的整数或小数实际中会出现微小的阶次漂移。所以提取特征阶次幅值时设定一个窄带窗口比如中心阶次±0.1阶提取峰值比直接取某一条谱线要稳定得多。5.3 发动机与变速器的NVH分析阶比分析在汽车NVH领域也大量使用这可能是国内工程应用最广泛的领域。发动机的振动噪声成分大部分与曲轴转角相关比如点火阶次四缸四冲程发动机的2阶、4阶、6阶等、活塞敲击产生的半阶次成分等。传统的频谱分析无法把这些成分与转速之间的关系直观地表达出来而阶比瀑布图则可以非常清晰地展示发动机在整个转速范围内的阶次分布和幅值变化。这种应用也带动了一大批商业测试系统的发展。在整车转鼓实验台或台架试验中同步采集转速信号、振动信号和噪声信号通过阶比分析和阶比切片提取特定阶次比如怠速时的2阶、加速时的4阶随转速的幅值曲线用来评价发动机NVH性能及排查异响问题。很多工程师做异响排查时就是从阶比瀑布图中找到异常阶次开始的。5.4 变转速设备的状态监测系统集成如果把阶比分析嵌入到日常状态监测系统中需要注意实时性的问题。完整的阶比分析流程涉及转速估计、相位积分、插值重采样和FFT计算量比传统FFT大不少。但对现代工控机而言处理几秒钟的数据也就几十毫秒到几百毫秒级别完全可以在线运行。如果需要在低功耗嵌入式边缘设备上跑可以考虑简化为硬件阶比跟踪锁相环方式或者用GPU加速的FFT库。另一个实践中的经验是监测系统最好同时保留传统频谱分析和阶比分析两条分析链路。对于正常工况下稳定运行的设备频谱分析的效率更高、更直观对于启停频繁的变转速设备或者异常波动时段阶比分析则是诊断的核心工具。两条链路并存日常监测用频谱分析异常时自动触发阶比分析做精细诊断是目前很多状态监测系统里的标配逻辑。6. 常见问题与排查技巧实录6.1 键相信号丢脉冲怎么办实际现场中键相信号偶尔出现丢失脉冲的问题很常见尤其是光电传感器表面灰尘油污污染时或者在轴转速过高、反光条脱落时。丢脉冲的直接后果是瞬时转速曲线出现异常跳变重采样结果失真阶比谱中出现大量虚假峰值。排查和应对措施中值滤波对相邻脉冲间隔做中值滤波可以有效剔除单个异常间隔不影响整体转速趋势转速曲线拟合如果用多项式或样条拟合转速曲线异常点的影响会被大幅平滑多发脉冲预警如果丢脉冲频繁考虑更换传感器安装位置、加装防尘罩或改用电涡流传感器关键一点丢脉冲后必须切割掉受影响的信号段。如果一次加速过程中丢了两个脉冲应该重新选择一段没有丢脉冲的数据段做分析而不是强行对全部分析否则插值会产生很大的局部误差。6.2 阶比谱中出现大量假峰如何排查假峰出现的原因通常有这么几类第一转速曲线不光滑导致的重采样相位误差。这是最常见的原因。转速估计含有噪声时重采样后的角域信号会有随机的相位抖动表现在阶比谱上就是整个频谱底噪抬升、出现一堆矮小的假峰。解决方案是加强转速曲线平滑滑动平均、拟合、卡尔曼滤波或者提高每转采样点数M以提高相位精度。第二时域信号没有做抗混叠滤波。如果振动信号中含有高于重采样奈奎斯特频率的成分这些成分会混叠到低阶次区域形成假峰。解决方案是在重采样前对原始振动信号做低通或带通滤波截止频率为$0.5 \times M \times f_{r, max}$。第三FFT窗函数选择不合适导致的频谱泄漏。特别是分析短数据段时主瓣和旁瓣泄漏会严重干扰邻近的真实阶次。换用旁瓣衰减更大的窗函数Blackman-Harris或增加分析数据长度能明显改善。第四数据段内有突变冲击比如锤击、敲击、瞬间负载冲击导致角域信号包含宽频瞬态成分。这种情况需要做异常段检测和剔除。6.3 转速变化太快阶比谱拉稀怎么办如果设备转速变化非常剧烈比如一秒内从500转/分飙升至3000转/分这时角域重采样面临一个难题转速越高相同时间内的转数越多重采样点数增长非常快如果总采样长度不够转数太少阶次分辨率就很差。应对办法选择转速变化较缓慢的数据段进行分析比如在升速过程中选取某一段转速相对稳定的时间段增加数据采集时长在相同采样率下记录更多的转数对多段短数据分别做阶比分析再进行平均或拼接采用短时阶比分析Short-Time Order Analysis / Order Spectrogram将整个变速过程分割成多个重叠的短时间段对每段时间做阶比分析从而获得阶次-时间-幅值的三维分布图。这个方法在处理剧烈变速工况时尤为有效。6.4 阶次分辨率不足导致边带无法分辨边带分析在齿轮和轴承故障诊断中非常重要但边带的阶次间隔往往很小。比如两级齿轮箱中齿轮啮合阶次为32.5阶啮合边带之间的间隔等于小齿轮所在轴的转频阶次1阶这算是好分辨的因为边带间隔是整数阶。但如果是行星齿轮箱行星轮故障产生的边带间隔可能只有0.2~0.3阶这就对阶次分辨率提出了很高要求。阶次分辨率ΔO 1/LL为分析的转数这意味着要分辨0.2阶的边带至少要分析5转以上的数据。如果转数不够边带会和主峰混在一起。工程建议做边带分析时至少保证分析转数在10转以上条件允许时取20~30转以获得足够的阶次分辨率。另外可以在FFT前对重采样数据进行零填充Zero-Padding提高频谱插值分辨率但这只是让频谱曲线更平滑并不会真正提高物理分辨率本质上还是要靠更多的转数。6.5 变转速下的频率模糊不等于能量消失这一点作一个额外的提醒。有些刚接触阶比分析的同行在变速工况下用传统频谱做了一遍没看到故障特征就认定设备没问题。实际上故障特征并没有消失而是被频谱涂抹和分散到了多个频率带上。这恰恰是变速工况下需要用阶比分析的原因。如果在一台转速波动明显的设备上做了多次频谱分析都得不到清晰的特征峰建议先检查设备转速是否稳定再决定是否改用阶比分析。6.6 故障特征频率不等于故障阶次的特殊场景有些同行在变速轴承故障诊断时直接套用固定的故障特征频率系数比如BPFO忽略了这些系数其实是在每转脉冲数的角度上定义的。换句话说轴承故障特征阶次BPFO阶次、BPFI阶次等确实是常数但这个常数需要根据轴承的几何尺寸计算而不是简单沿用恒速频谱分析中的Hz值。如果误把恒速下的故障特征频率值当作阶次值用那一定会出错。建议的做法是根据轴承型号手册中的几何参数节圆直径、滚动体直径、滚动体个数、接触角计算出各故障特征阶次再在阶比谱中针对性地检索。很多开源故障诊断工具包比如Python的scikit-learn中没有直接的轴承诊断工具但通过安装相关库或自己实现阶次计算并不困难都能辅助完成这项工作。7. 阶比分析未来的走向与智能诊断代码的结合现阶段故障诊断领域的一个明显趋势是从信号到语义——把传统的信号特征提取与机器学习、深度学习模型结合形成自动化的诊断决策链路。阶比分析作为特征提取前端天然适合与这类智能诊断框架配合。一个非常典型的应用思路是把阶比谱或阶比瀑布图作为模型输入的特征图像用卷积神经网络CNN自动识别故障模式。由于阶比谱已经实现了转速归一化同一个故障在不同转速下的特征位置是固定的模型训练的难度大幅降低泛化性能也比直接输入时间波形或普通频谱要好不少。这在涉及变转速工况的轴承故障诊断研究中已有不少成功案例。另一个方向是可解释故障诊断。传统深度学习方法虽然分类准确率高但决策过程缺乏透明度工程人员不敢直接把诊断结果用于现场维护决策。一种折中的做法是先用阶比分析提取出清晰的故障特征阶次和幅值再结合规则或逻辑模型进行决策比如当BPFO阶次幅值超阈值且边带明显时判定外圈故障。这种方法保持了特征的可解释性又比纯阈值判断更灵活适合在工程实践中落地。从我的实际经验来说阶比分析不是某种过时的经典方法而是变转速故障诊断的基础能力。无论后面的深度学习模型怎么花哨如果特征提取阶段没有把变速带来的频率漂移问题解决好模型的输入数据本身就是带噪声和变形的再好的分类算法也很难救回来。反过来如果阶比分析做得扎实即便用一两个简单的阈值规则也能稳定地识别出大部分典型故障。最后再分享一个经验实际做阶比分析时不要一上来就追求复杂的算法。先在简单匀速工况下调试通整条链路转速提取、重采样、阶比谱确认每一步都正确后再逐步引入变速工况、噪声干扰、丢脉冲等现实因素。很多问题其实是基础步骤没做对导致的排查起来费时费力。我自己在开发阶比分析代码的过程中至少重写了三遍重采样逻辑才彻底把各种边界条件处理干净。阶比分析这个工具本身并不新——几十年前就有了完整理论。但它在实际工程中的价值远没有被充分挖掘。希望这篇文章能把想学这个工具的同行领进门少踩几个坑让变转速工况下的故障诊断不再是一团乱麻。