做振动信号分析时，频带怎么划？等宽？倍频程？还是凭经验拍？

提出一种数据驱动的自适应频带分割策略：先用阶统计滤波从频谱中提取稳健的包络，再根据包络的峰谷形态自动确定频带边界。整个过程只需设定划分子带数，不需要任何先验频率知识，分解出的分量物理意义清晰。在仿真信号上验证，各分量与原信号对应成分的相关系数较高。

01 问题：频带划分的“拍脑袋”困境

旋转机械故障诊断中，频域分解是基础操作。无论是经验模态分解的改进变体，还是小波包、变分模态分解，大多数方法都对频带划分方式敏感。

常见做法有三种：等宽划分（忽略了信号频谱的实际分布）、倍频程划分（机械但未必匹配故障特征频率）、根据经验公式指定边界（换设备就要重新调）。这些方法的共性是强依赖人工设定，缺乏对信号自身频谱结构的自适应能力。

能否让频谱自己“告诉”我们边界在哪里？

02 核心方法：OSF包络 + 峰谷边界

第一步：阶统计滤波提取频谱包络

对信号的傅里叶幅值谱，用一个滑动窗口进行最大值滤波（阶统计滤波的一种）。与传统的中值滤波或均值平滑不同，最大值滤波能够更好地保留频谱中的峰值结构，同时滤除细小的毛刺噪声。窗口宽度通常取3~9个点，计算量极低。

第二步：平滑与峰谷检测

包络经过一次短窗卷积平滑后，利用局部极大值定位显著谱峰。在相邻主峰之间搜索最小值点，作为频带分割的边界。边界数量由预设的子带数确定，但边界具体位置完全由频谱形态决定。

第三步：频域掩码与逆变换重构

按边界对FFT谱进行硬掩码（带通），每个子带单独做逆FFT，得到对应的时域分量。由于只在频域做乘积，重构分量与原信号严格相位对齐，无时移畸变。

整套方法仅需设置三个参数：子带数量、OSF窗口宽度（默认5）、平滑窗口长度（默认15）。后两个参数对结果不敏感，在不同数据集上可复用。

03 仿真验证：相关系数检验分解质量

为验证提出方法的有效性，构建了一个包含4个分量的模拟信号：调幅-调频分量、线性调频分量、非线性调幅-调频分量和单频正弦分量，叠加后总时长1秒，采样率5kHz。

分解后，将输出分量与真实分量按相关系数最大原则一一匹配。结果如下（OSF窗口=5，平滑窗口=15）：

• 分量1：相关系数 > 0.99

• 分量2：相关系数 > 0.99

• 分量3：相关系数 > 0.98

• 分量4：相关系数 > 0.99

所有分量的能量误差均在10⁻³量级以下。时域波形对比图显示，重构分量与真实分量几乎完全重合。

如果你对信号滤波/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/异常检测有疑问，或者需要论文思路上的建议，欢迎学术咨询

工学博士，《MSSP》《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