StatHealth-Mech：基于多域统计特征和振动烈度趋势的旋转机械健康状态诊断方法（MATLAB）

算法是一种基于振动信号多域统计特征提取与趋势分析的机械健康状态诊断方法。首先通过加速度传感器采集设备关键部位的振动信号，经预处理后分别从时域、频域和幅值域计算一系列统计特征（如均方根、峭度、频率中心等），全面刻画信号的幅值水平、能量分布、冲击特性和频谱结构。同时，将加速度信号积分转换为速度信号，计算振动烈度（速度均方根），并参照国际标准（如ISO）划分健康区域（A~D区）。通过长期监测绘制各特征的趋势图，对比不同故障阶段特征的变化规律，筛选出对特定故障敏感的指标，结合幅值概率分布和频谱特征，实现故障类型的识别与严重程度的评估。提出方法融合了多维度统计信息与标准评价体系，能够有效跟踪设备退化过程，为预防性维护和智能预警提供可靠依据。

算法步骤：

传感器布置与数据采集在机械设备的轴承座、端盖或机壳等关键测点安装加速度传感器（单向或三轴），设定合适的采样频率（如25.6 kHz）和采样时长（如1.28 s），连续采集振动加速度信号，形成原始时域数据序列。

信号预处理对采集到的加速度信号进行去直流分量（减去均值）处理，消除零漂影响；根据需要可对信号进行去趋势、滤波或白化等预处理，提高信号平稳性。

加速度时域特征提取计算预处理后加速度信号的统计指标，包括：

均值、方差、标准差、均方值、均方根（RMS）

峰值、最小值、峰-峰值

偏度、峭度

波形因数、脉冲因数、裕度系数、波峰因子、方根幅值

最大值与均值之差、最小值与均值之差 获得反映信号幅值分布、能量大小和冲击特性的时域特征参数。

加速度频域特征提取对预处理后的加速度信号进行快速傅里叶变换（FFT），得到频谱幅值序列；在此基础上计算频域统计指标：

平均频率幅值（fm）

频率中心（fc）

标准差频率（fs）

均方根频率（fr） 这些指标描述了信号能量在频域的分布特性。

幅值域特征提取对加速度时域样本进行幅值统计，得到幅值概率密度函数（PDF），分析信号幅值的分布形态（如高斯性、对称性等），为故障类型判别提供补充信息。

振动烈度计算（速度信号转换）将加速度信号通过积分运算转换为速度信号（时域积分或频域积分），得到速度时间序列；对速度信号计算均方根值（RMS），作为振动烈度的基本度量。

多轴合成与振动烈度确定若采用三轴加速度传感器，分别计算各轴的速度均方根值，并按空间矢量合成或取最大值的方法得到该测点的综合振动烈度；对多个测点重复上述过程，取其中最大烈度值作为整机的振动烈度。

特征趋势分析与状态评估将连续多次采集计算得到的各特征值（如RMS、峭度、频域指标等）按时间顺序绘制趋势图，观察特征值随运行时间的变化规律；对照ISO等标准中的评价区域（A、B、C、D区），判断当前振动烈度所处的健康等级。

故障敏感特征筛选与诊断对比不同故障阶段（正常、早期、中期、严重）各特征的变化灵敏度，筛选出对特定故障类型（如磨损、点蚀、不平衡）响应明显的特征（如峭度、脉冲因数、峰值等），结合幅值分布形态和频域谱线特征，综合诊断故障类型及严重程度。

报警与停机决策设定报警阈值（通常为基线值的某一比例）和停机阈值（基于机械完整性要求），当实时特征值超过相应阈值时触发报警或自动停机，保障设备安全。

担任《Mechanical System and Signal Processing》《中国电机工程学报》《宇航学报》《控制与决策》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测

参考文章：

StatHealth-Mech：基于多域统计特征和振动烈度趋势的旋转机械健康状态诊断方法（MATLAB） - 哥廷根数学学派的文章
https://zhuanlan.zhihu.com/p/2009274339267207498