短时间条件局部峰值速率特征：信号变化事件检测的Matlab实现与调参

去年做工业设备状态监测时遇到一个很头疼的问题生产线上某台往复式压缩机的振动信号平稳运行时波形看着挺正常一旦出现阀片卡涩信号里会冒出一串高频冲击脉冲。用传统的滑动窗口均方根和固定阈值去抓要么被正常工况的启停波动骗出误报要么因为异常持续时间太短被窗口平均掉。后来我把关注点从“信号幅度有多大”转到“单位时间内有效局部峰值出现多少次”用短时间条件局部峰值速率特征做变化事件检测误报率和漏报率同时降了下来。这篇就把这个特征的原理、Matlab实现、调参顺序和踩过的坑完整写一遍适合做工业异常检测、生理信号分析、结构健康监测的工程师参考。1. 为什么绕开传统阈值法去用一个“峰值速率”特征1.1 传统检测方法的三类短板做信号变化事件检测第一反应通常是设一个幅值阈值信号超过某个固定值就报警。这个思路在信噪比高、基线稳定的场景下简单有效但一旦遇到下面三种情况就非常吃力。固定阈值最怕基线漂移。温度变化、传感器老化、供电电压波动都会让信号整体上移或下移原来设好的阈值在新的基线下可能频繁触发或者彻底失效。第二类是短时瞬态事件被平均掉的问题。滑动窗口均方根这类统计量对窗口长度非常敏感窗口太长会把短促的冲击脉冲“稀释”掉窗口太短又会被噪声干扰。第三类是多形态变化事件。有些异常发生时信号幅度变化并不大但波形形态明显改变比如正常状态下信号里有规律分布的波峰异常时波峰变得密集或稀疏这时纯幅值特征几乎完全失效。峰值速率特征恰好补上了这些短板。它不关心信号绝对幅度只关心一段时间内“够资格”的局部峰值出现了多少次。基线漂移对峰值出现次数的影响很小短促的脉冲串又会在窗口内直接推高速率值不需要纠结窗口是不是刚好覆盖住整个事件。1.2 局部峰值里藏着的信号变化信息信号里的局部峰值可以理解为波形“冒尖”的位置。采样点上如果某个值大于左右两个相邻点这就是一个候选局部峰值。真实物理信号里噪声本身也会制造大量小尖刺所以不能看见峰就数必须加条件过滤。条件过滤是什么意思说白了就是给“这个峰算不算数”立规矩。常见的有三条绝对高度条件峰值点幅度必须超过一个下限相对突出度条件峰值相对它两侧谷底要“拔起”一定高度峰间最小距离条件两个有效峰之间至少隔开多少毫秒。加了这三个条件后噪声小尖刺会被过滤掉真正代表物理事件的有效峰才会进入统计。为什么用突出度而不用单纯的高度高度条件只能过滤绝对幅值低的峰但如果信号本身在大幅波动叠加在陡峭上升沿上的小抖动会有很高的绝对高度却并没有物理意义。突出度衡量的是峰值相对局部地形的高度有点像判断一座山是不是真的凸起而不是看海拔有多高。这个指标对基线变化和趋势项更鲁棒。1.3 这个特征适合解决什么问题在实际使用中短时间条件局部峰值速率特征最适合检测那些“波形变密或变疏”的异常。比如轴承早期故障会出现高频冲击心电信号里的室性早搏会让本来整齐的R峰序列里插进异常波形齿轮箱断齿会周期性产生密集的冲击簇。这些场景下正常状态和异常状态的峰值速率差异非常明显用这个特征能获得很高的区分度。不太适合的场景是纯缓变漂移。比如温度缓慢上升导致信号基线慢慢移动峰值密度没有明显变化速率特征就反应不过来。这种情况应该先做差分或高通滤波再考虑速率特征。我自己在项目里的做法是把它和均方根、谱峭度做特征融合各管一段。2. 短时间条件局部峰值速率特征定义拆解与计算逻辑2.1 四个关键词逐项拆解“短时间条件局部峰值速率”这个名字看着长其实拆开就四层含义。“短时间”指的是统计窗口的长度要短于正常状态的时间尺度。比如机械振动信号正常时每秒钟出现五个有效峰异常时每秒出现五十个那么窗口取0.5到2秒都能敏锐捕捉到速率跳变。如果窗口取十秒异常事件被大量正常样本冲淡速率变化就不明显。窗口长度本质上决定了特征的时间分辨率。“条件”就是我们前面说的过滤规则。实际项目里最少要用两个条件一个绝对高度下限、一个相对突出度下限。只数所有局部极大值是不行的白噪声信号每秒钟也能贡献几十个假峰会把真实速率淹没。“局部峰值”指窗口内满足条件的极大值点。Matlab里的findpeaks函数是现成工具但要正确设置参数后面第三章细说。“速率”就是把窗口内有效峰的个数除以窗口时长单位是次每秒。换算成速率的意义在于不同采样率下窗口内峰数可以直接比较而且速率值本身具有明确的物理含义便于设阈值。2.2 完整计算流程与边界处理整个特征提取流程分五步。第一步把一维信号按时间顺序切分成若干滑动窗口窗口长度为winLen秒步长一般取窗口的一半或四分之一。第二步对每个窗口内的信号片段调用峰值检测找出所有候选局部峰值。第三步依次应用高度条件、突出度条件、最小峰间距条件筛出有效峰。第四步统计有效峰数量除以窗口时长得到该窗口的速率值。第五步把速率值赋给窗口中心时刻得到速率随时间变化的曲线。边界处理是这个流程里最容易翻车的点。窗口末尾如果正好切在一个上升沿上峰值点缺少右侧样点做比较findpeaks计算出来的突出度会偏低甚至直接漏检。更隐蔽的问题是窗口截断处的波形不完整prominence计算用的是局部谷底截断点可能成了“假谷底”估值完全失真。我常用的处理办法是窗口两端各扩展一小段缓冲数据比如扩展窗口长度的百分之五找到的峰值如果落在扩展区就丢弃。这样既保证了窗口主区域估值稳定又不至于因为截断导致漏检。如果窗口末尾确实有重要的峰也可以通过重叠窗口让异常峰值出现在多个窗口的中心区域附近降低边缘效应影响。2.3 一个直观的仿真示例为了讲清楚这个特征的行为先用一段仿真数据做说明。生成一个二十秒的混合信号基线是3Hz和7Hz两个正弦波的叠加叠加少量高斯白噪声。在第8到10秒之间注入一个异常事件随机位置产生高幅短促脉冲串模拟工业设备上的冲击故障。这段信号在正常时间段内正弦波的每个周期会出现两个显著峰值由于噪声幅度很小条件过滤后有效峰速率基本稳定。在异常时间段内高幅脉冲串贡献出大量峰值速率瞬间抬升好几倍。把速率曲线画出来异常段的速率明显凸起检测阈值设成正常速率的3倍左右就能干净地切出事件区间。3. Matlab代码实现峰值提取、条件过滤与滑动速率计算3.1 核心函数实现Matlab里实现这个特征核心逻辑非常简洁但有几个参数必须认真对待。先给出特征提取函数。function [rate, tRate] clpr_rate(x, fs, winLen, stepRatio, params) % CLPR_RATE 短时间条件局部峰值速率特征提取 % x : 输入一维信号 % fs : 采样率, 单位Hz % winLen : 短时间窗口长度, 单位秒 % stepRatio: 窗口移动步长为窗口长度的比例, 默认0.5 % params : 结构体, 含MinPeakHeight/MinPeakProminence/MinPeakDistance if nargin 4 || isempty(stepRatio) stepRatio 0.5; end win round(winLen * fs); step max(1, round(win * stepRatio)); n numel(x); idxStart 1:step:(n - win 1); nWin numel(idxStart); rate zeros(1, nWin); tRate zeros(1, nWin); for k 1:nWin seg x(idxStart(k):idxStart(k) win - 1); [~, locs] findpeaks(seg, ... MinPeakHeight, params.MinPeakHeight, ... MinPeakProminence, params.MinPeakProminence, ... MinPeakDistance, params.MinPeakDistance); rate(k) numel(locs) / winLen; tRate(k) (idxStart(k) win / 2) / fs; end end窗口长度win和步长step都用样本数计算。idxStart是每个窗口的起始位置最后一个窗口不足长度时直接丢弃避免截断数据干扰统计。tRate取窗口中心时刻这样画图时速率点能对齐到对应时间位置。3.2 完整的检测流程脚本有了核心函数完整流程还包括信号构造、参数设定、特征提取、阈值检测、结果可视化几个环节。下面是一段可以直接运行的检测脚本。clear; close all; clc; rng(42); fs 1000; t (0:fs*20-1)/fs; % 正常信号: 3Hz和7Hz正弦叠加少量噪声 x 0.3 * sin(2*pi*3*t) 0.15 * sin(2*pi*7*t) 0.05 * randn(size(t)); % 第8~10秒注入异常: 随机位置的高幅短促脉冲串 idx 8*fs:10*fs; x(idx) x(idx) 1.2 * (rand(1, numel(idx)) 0.6) .* ... sin(2*pi*200*(0:numel(idx)-1)/fs); % 峰值检测参数 params.MinPeakHeight 0.35; params.MinPeakProminence 0.15; params.MinPeakDistance round(0.005 * fs); % 最小峰间距5ms % 提取速率特征 winLen 1.0; stepRatio 0.25; [rate, tRate] clpr_rate(x, fs, winLen, stepRatio, params); % 正常基线速率: 取第1~7秒的速率中位数 baseIdx tRate 7; baseRate median(rate(baseIdx)); detThresh 3 * baseRate; % 检测 eventFlag rate detThresh; % 可视化 figure; subplot(211); plot(t, x); hold on; xline(8, --r); xline(10, --r); title(原始信号); xlabel(时间/s); ylabel(幅值); subplot(212); plot(tRate, rate, b-); hold on; yline(detThresh, --r); title(短时间条件局部峰值速率); xlabel(时间/s); ylabel(速率/Hz);这个脚本跑完后速率曲线在8到10秒之间会有一个明显的凸起。设定检测阈值为基线速率的三倍事件区间能被干净地标记出来。基线速率用事件发生前的中位数而不是均值是考虑到偶发噪声峰可能让均值偏高中位数更稳。3.3 输出可视化与结果判读判读结果时有一个关键细节速率曲线在事件边缘处是斜着爬升和回落的而不是理想的矩形脉冲。原因在于滑动窗口本身就带平滑效应窗口跨过事件边界时窗口内同时包含正常段和异常段速率值被部分平均。所以在做事件起止定位时可以对速率曲线再做一次形态学处理或者直接把超过阈值的第一个点和最后一个点作为事件近似起点和终点。如果项目要求精确定位到毫秒级需要用更短的重叠窗或者对阈值跨越点做线性插值。大部分工业检测场景下窗口级的时间分辨率已经足够用不需要过度追求边缘精度。4. 阈值怎么设、参数怎么调实测总结的调参顺序4.1 参数优先级先窗口、再条件、后阈值这个特征的参数看似有好几个但调参顺序非常重要不要上手就乱调。实际项目里我一般固定三步走。第一步确定短时间窗口长度winLen。依据是正常状态下的峰间间隔。窗口至少要能容下五到十个正常有效峰不然速率统计的方差太大。以每分钟六十次的规律事件为例峰间间隔约一秒窗口至少取5秒。但对于振动冲击这类高频事件峰间间隔可能只有几十毫秒窗口取0.5秒就够。窗口还应当短于需要捕捉的最短异常事件时长否则异常会被平滑掉。总之先看物理背景再定窗口。第二步确定峰值过滤条件。先用默认参数把正常段的信号跑一遍观察有效峰数量是不是和人工数出来的吻合。Manually调整MinPeakHeight时最好结合信号的幅度分布取正常峰值幅度分布的百分之三十左右作为下限。MinPeakProminence则要参考噪声尺度一般取噪声标准差的1到2倍。第三步才是检测阈值的设定。速率特征本身的可解释性好基线速率乘以倍数就能得到合理阈值。具体倍数取决于正常速率的标准差波动小就取2到3倍波动大就得放宽到4到5倍。从来没有一种阈值能适应所有信号所以一定要基于基线速率分布来定。4.2 参考参数范围与实际效果对照参数之间是联动的单独看某一个参数没有意义。总结这几年在各类信号上的使用经验可以给出一张参数参考表。参数作用典型范围调大后果调小后果winLen短时间窗口长度0.5~5s速率曲线更平滑事件定位变钝噪声导致的抖动增多误报风险升高MinPeakHeight绝对高度下限0.1~0.5倍正常峰高漏检小幅有效峰低幅噪声造成假峰MinPeakProminence相对突出度下限1~2倍噪声标准差过度过滤丢弱峰保留噪声峰速率虚高MinPeakDistance峰间最小间隔1~10ms合并密集峰值丢失细节破裂大峰为多个峰detThresh检测阈值2~5倍基线速率漏检低速率异常正常波动触发误报实际项目里我通常会先用默认的MinPeakDistance。这个参数的本意是防止同一个物理事件的波形抖动产生多个紧密相邻的假峰但设置得太大会把真实的密集冲击合并掉反而削弱异常信号的峰值速率贡献。除非明确知道信号里有规律性的机械共振否则不建议主动调大。4.3 自动阈值的一种简单做法手动调阈值虽然直观但生产环境里信号会随着工况变化固定阈值迟早要翻车。我目前项目里用的是自适应阈值取检测前一段基线时间的速率序列计算中位数和四分位距阈值设为中位数加上三倍四分位距。这个方法的鲁棒性比固定倍数好很多。即使基线速率本身有一定波动四分位距也能把正常波动包住异常峰速率一旦真的跑出去很容易被识别出来。代码实现也很简单q25 prctile(rate(baseIdx), 25); q75 prctile(rate(baseIdx), 75); iqrVal q75 - q25; detThresh median(rate(baseIdx)) 3 * iqrVal;用四分位距而不是标准差是因为它对离群点更稳健。如果基线段里本身就混入了零星异常峰标准差会被拉高阈值也会被抬得过高而中位数加四分位距几乎不受少数离群点影响。5. 实测中的表现与踩坑记录5.1 四种典型信号的实测结果为了把特征的行为边界摸清楚我在实际项目里测试了四类信号场景。第一类是平稳周期性信号叠加短时脉冲串这是这个特征最舒服的场景。实测下来1秒窗口加0.25步长时异常段速率是正常速率的6到8倍检测阈值取基线速率3倍就有极高的置信度。第二类是幅度缓慢涨落、但峰值形态保持的信号比如呼吸信号叠加运动伪影。由于突出度条件对局部地形更敏感速率特征仍然能稳定工作但绝对高度阈值需要调低不然有效峰会被过度过滤。第三类是强噪声背景下的弱冲击信噪比接近0dB时峰值条件难以同时满足速率曲线波动剧烈需要先做带通滤波再提取特征。第四类是信号本身正常时段就包含密集峰值比如强干扰环境下的振动信号异常时峰值密度反而下降这时检测逻辑要反过来速率低于下限才报警。其中第一种场景的效果最好速率曲线干净利落。第三种场景最依赖前处理的质量带通滤波器的中心频率和带宽选择直接决定成败。5.2 三个必须注意的坑第一个坑是findpeaks的窗口边界效应。前面提过窗口截断处峰值突出度计算会失真。我遇到过一段信号速率曲线每个窗口末尾都会出现一个假的小凸起排查了很久才意识到是窗口边界导致的。后来统一采用扩展缓冲加丢弃边缘峰的方案凸起消失。第二个坑是MinPeakHeight设太高导致漏检短时小幅异常。工业报警器里有一个真实案例轴承早期点蚀产生的冲击幅度远低于正常运行时的振动峰值但它的峰值密度明显高于正常。如果高度阈值调成正常峰值幅度的一半这些弱冲击全部被过滤掉速率特征完全失效。后来把高度阈值降到噪声底限的两倍同时用突出度条件保证不误检噪声峰问题才解决。这里的教训是绝对高度阈值应当参考噪声底限而不是参考正常信号峰高。第三个坑是窗口重叠率过高导致的假事件。步长如果取窗口长度的百分之五以下相邻窗口几乎共享同一批数据速率曲线会变得过度平滑同时任何一个小波动都会被连续多个窗口放大成“平台式”凸起。我自己试过步长取0.05时一段完全平稳的信号都被检测出事件。步长取窗口的四分之一到二分之一之间是比较安全的选择。5.3 这个特征搞不定的场景必须诚实地说短时间条件局部峰值速率特征不是万能药。纯缓变的基线漂移比如温度缓慢上升让信号整体爬坡峰值速率几乎不变这个特征完全无感。高频均匀随机振动背景下如果异常只是改变了振动的幅度而没有改变波的尖峰数量速率特征反应也很微弱。还有一种场景是正常信号本身包含不规则的随机脉冲。比如生物电信号里的肌电干扰正常状态下就有随机的尖峰异常事件发生时尖峰数量并无变化只是幅度变大。这种情况下速率特征无效应该切回幅值特征或者做频带能量分析。做项目时一定要先画出信号的典型波形确认异常前后确实存在“峰的密度变化”再决定是否用这个特征。6. 进阶思路多通道扩展、在线部署与特征融合6.1 从离线检测到在线滑动处理离线版本的clpr_rate函数是整段信号一次性处理适合事后分析和数据回放。但工业现场需要的是流式处理数据不断进来系统要实时判断当前是否处于异常状态。在线实现的核心是维护一个环形缓冲区信号每次进来一个新样本把它压入缓冲区尾部同时移除头部最旧的样本。缓冲区长度等于窗口长度。每个处理周期比如每100个样本对缓冲区内容做一次findpeaks统计输出当前窗口的速率值。这种方案计算量很小Matlab里配合timer或dsp.System对象都能实现也能直接生成C代码部署到边缘设备上。在线处理时每秒的峰值检测次数取决于信号采样率和窗口重叠率。以1000Hz采样率、1秒窗口、0.25步长为例每250个样本做一次findpeaks对现代CPU完全不是负担。需要注意的是findpeaks本身有一些计算开销在低功耗嵌入式平台上可以用简单的“左右相邻比较”替代性能差距不会太大。6.2 多通道与多尺度峰值速率实际工业设备通常有多个传感器通道不同通道对同一异常的敏感度不同。多通道扩展的一个简单做法是每个通道独立计算速率特征再按通道的可靠性加权融合。比如振动传感器对冲击类异常更敏感给更高权重温度通道对热漂移更敏感权重低一些。融合后的速率曲线比单通道稳定得多。多尺度思想也值得尝试。用短窗口0.2秒捕捉瞬态冲击密度用长窗口2秒捕捉持续变化的趋势两个尺度的速率曲线可以分别设阈值再按“与”逻辑报警。短窗口容易误报但响应快长窗口稳定但反应慢组合使用时把两者的优点都保留下来。6.3 和其他特征组合使用单一特征再优秀也有自己的盲区。我在最终方案里会把短时间条件局部峰值速率和另外两个特征组合窗口均方根幅度用于捕捉幅度显著变化的事件谱峰频率位置用于区分不同物理根源的冲击。三个特征组成一个三维向量用简单的规则或轻量级分类器做联合判断。实际效果让我印象很深某次设备测试中一个早期故障信号在幅值域几乎看不出异常均方根变化不到百分之三但峰值速率翻了四倍另一个故障信号刚好相反速率变化不大均方根涨了百分之二十。两个特征互补之后两种故障都被识别出来。代码扩展也不复杂在clpr_rate函数周围增加两个并行计算模块输出三个特征向量拼接在一起就行。后续想上深度学习模型这三个特征也足够作为输入训练小规模网络就能得到不错的检测效果。我自己现在做信号变化事件检测已经习惯把峰值速率作为标配特征。它不像深度学习那样需要大量标注数据也不像固定阈值那样容易过拟合在工程上是一个非常均衡的选择。如果你手头的信号恰好存在“峰变密了”或“峰变疏了”的现象不妨按这篇文章里的步骤先跑一遍大概率会有惊喜。