ITD分解原理与实战：故障信号诊断如何识别轴承齿轮冲击特征

简介：ITD分解（瞬时时间差分）是机械故障诊断中常用的信号处理技术，能从复杂的振动或状态信号中分离出携带故障特征的不同分量，广泛用于旋转机械、轴承等设备的早期异常识别。这一MATLAB代码包面向故障诊断与信号处理学习者，提供了完整的ITD分解演示程序，涵盖基函数分解、极值点提取等核心算法模块，并通过示例脚本连贯展示从原始信号到分解结果的完整流程；代码紧凑、无冗余依赖，便于逐行理解算法逻辑并快速改造。压缩包共5个文件，全部为.m脚本，整体仅4KB，非常适合在MATLAB环境中直接阅读和运行；通过运行示例，可直观观察信号被逐层拆解的效果，进一步印证ITD处理思想。配合widevcb相关策略，可明显改善宽频带信号的分解效果，增强故障特征的可辨识度。目前已有452人学习，适合作为ITD理论入门、故障特征提取实验或相关课题二次开发的基础工具，也能帮助工程人员减少设备停机时间、提升维护效率。

1. ITD分解是干什么的：故障信号诊断为什么要盯上这个解压包

拿到的这个ITD分解.zip，解开之后核心就一件事：把一段非线性、非平稳的故障信号，拆成若干个单分量的“旋转成分”，让轴承故障、齿轮断齿、断路器机械动作这类冲击特征从噪声里显形出来。ITD 全称是固有时间尺度分解，和 EMD 是同类方法，但它用“基线信号”代替包络均值，不靠样条拟合，因此比 EMD 快，也少很多包络过冲的毛病。对于做故障信号分解的工程师，它尤其适合处理振动信号里冲击成分密集、噪声底较厚的场景。这篇笔记按我实际跑通这类代码包的路径来写：先从原理上明白 ITD 拆了什么，再讲怎么把 zip 里的代码和数据跑起来，最后把参数调节、踩坑和结果验证一次说清楚。适合手里有故障数据、想找出故障特征频率，但还不想一头扎进论文公式里的工程师。

2. 从EMD到ITD：故障信号分解换一种切分方式，好在哪

2.1 ITD的原理拆解：基线信号和PRC分量是怎么来的

ITD 的思路可以压缩成一句话：把一个信号反复拆成“基线”和“余量”两层，然后对基线继续拆。假设原始信号是 x(t)，第一次分解得到 x(t) = L(t) + H(t)。这里的 L(t) 叫基线信号，它由信号的局部极值点通过分段线性插值构造；H(t) 就是第一个固有旋转分量，也就是包里的 PRC（Proper Rotation Component）。

关键差别在于 EMD 的包络均值需要先做三次样条包络再求平均，而 ITD 直接把这些极值点用直线连起来当基线。别小看这个差别：直线插值没有样条的“过冲”，也不会在信号突变时产生包络交叉，计算量大幅下降。更重要的是，振动故障信号的冲击成分在时域上就是极值点的突变，用极值直接构造基线，等于把冲击和低频趋势从第一层就分开。

分解是递归进行的。拿到 L(t) 后，把它当作新的信号再重复同样的操作，得到第二个 PRC 和第二条基线。不断往下，直到基线变成单调趋势，或极值点数量少到无法继续分割。最终结果是一组 PRC，频率从高到低排列，加上最后一个趋势项。

有一点容易忽略：ITD 要求每个 PRC 的局部极值点严格正负交替。如果两个最大值中间没有最小值，线性连线就会失真，这个我们后面在坑里详细说。初次接触时，可以把 ITD 理解为一个“自适应的、基于极值点的带通滤波器组”，它不预设频带，而是根据信号自身的时间尺度去切分。

2.2 同场竞技：ITD、EMD、VMD谁更适合冲击类故障

我经常被问到：已经有 EMD，有 VMD，为什么还要用 ITD？这个问题不能只看论文里的对比图，得看你的实际用途。下表是我在处理滚动轴承和断路器振动信号时的直观对比：

EMD 的问题在于包络拟合对极值点分布极敏感，一旦信号中出现强冲击，包络会出现局部畸变，导致一个冲击被劈到两个相邻模态里。VMD 的好处是频带清晰，但必须先预设模态数 K，故障信号里冲击的频带其实随时间变化，K 设错了结果就差很多。ITD 的定位恰好在这两者之间：它是自适应的，不需要预设频带数（通过停止条件控制层数），又因为用了线性基线，速度比 EMD 快一个量级，非常适合需要快速迭代的故障诊断场景。

2.3 把ITD写成最小可跑的MATLAB函数

下载的 zip 里，核心函数通常封装得比较复杂，逻辑都在子函数里。如果你只想验证 ITD 的效果，或者想改参数，可以先写一个教学版跑通思想。下面这段是我常用的最小实现：

function [PRCs, trend] = itd_decompose(x, max_layers) % 简化版固有时间尺度分解 % 输入: x 一维信号向量, max_layers 最大分解层数 % 输出: PRCs 每列一个旋转分量, trend 单调趋势项 x = x(:); PRCs = zeros(numel(x), 0); residue = x; for k = 1:max_layers % 1. 检测局部极值点，并保证极大极小严格交替 max_idx = find(islocalmax(residue)); min_idx = find(islocalmin(residue)); loc = sort([max_idx; min_idx]); if length(loc) < 3 trend = residue; % 极值点不足，无法继续分解 break; end % 2. 用极值点做分段线性插值，得到基线信号 val = residue(loc); L = interp1(loc, val, 1:numel(residue), 'linear', 'extrap'); % 3. 本层PRC是原信号减基线 h = residue - L; PRCs(:, end+1) = h; %#ok<AGROW> residue = L; % 对基线继续分解 end trend = residue; end

代码逻辑分三步：找极值、线性插值构造基线、原信号减基线得到 PRC。参数说明：max_layers直接控制最多分解几层，设太大会在后期噪声段上继续拆，常见取值 5 ~ 8 层；islocalmax和islocalmin是 MATLAB 2017b 以后自带的数值函数，不需要额外工具箱。需要说明的是，这个教学版没有做极值交替校验，如果你观察到某个 PRC 里极大值旁直接跟了另一个极大值，说明需要补校验逻辑，这正是真实代码包里子函数在干的事。

3. 把ITD分解.zip跑起来：文件定位、最小启动与输出读法

3.1 解压后先干三件事：找入口、找数据、找参数

拿到这个 ITD 分解的 zip，常见的做法是解压后先不要急着运行，先看目录里有什么。一般来说包里至少会有一个主分解函数（名字里带itd的 .m 文件）、一个 demo 或测试脚本、一个示例数据文件，以及一份 README 或注释文档。示例数据文件名里有widevcb，我推测它是一段和真空断路器机械动作相关的宽频振动信号，但具体采集工况以包内说明为准。你拿到包后第一步是确认三件事：入口是哪个脚本、示例数据加载后是什么变量、主函数需要哪几个参数。

小程序最容易踩的坑是路径：zip 解压后直接双击脚本，MATLAB 当前工作目录不对，就会报Undefined function or variable。我一般会先建一个文件夹专门放解压内容，然后右键设置当前文件夹，或者用命令行cd进去，再跑，避免变量被工作区里已有同名变量污染。

3.2 最小启动流程：从demo脚本到第一张分解图

假设包内有一个demo_ITD.m测试脚本。在命令行里这样起步：

cd ITD分解 ls -la matlab -nodisplay -nosplash -nodesktop -r "run('demo_ITD.m');"

这段命令适用于 Linux 或 macOS 下通过命令行跑 MATLAB。-nodisplay和-nosplash是为了不弹窗口，适合批量调试；-r让 MATLAB 启动后直接执行脚本。如果是 Windows，双击 demo 脚本即可，但也要先确认当前文件夹在解压目录下。

跑起来之后，脚本通常会画出原始信号和分解后的 PRC 波形。如果你的信号采样率是 20 kHz，一个 PRC 图画出来在 0.1 秒内有多个冲击峰，说明分解初步有效。如果只有一条近乎平坦的线，大概率是参数层数设太浅，或者输入信号已经被人为滤波过度。

3.3 输出怎么读：PRC、趋势项和瞬时特征的分工

ITD 的输出结构很固定：一组 PRC 加一个趋势项。PRC1 频率最高，通常包含齿轮啮合频率、轴承外圈通过频率这类高频冲击；越往后频率越低；最后一个趋势项基本是直流或缓变趋势。故障诊断时，我们关注的是故障特征频率所在的那个 PRC，而不是所有分量。

举例：滚动轴承外圈故障，理论故障特征频率是 BPFO，振动冲击会以 BPFO 为间隔重复出现。这个特征可能在 PRC2 或 PRC3 里表现得最明显，因为在原始信号里它被强的转频成分淹没。你可以在每个 PRC 的时域波形里数一数冲击间隔，换算成频率，看是否和 BPFO 一致，这是最原始的验证方法。

3.4 示例数据widevcb到底怎么用

widevcb这个变量名在包里很可能是一个 mat 文件。你可以在命令行里这样查看：

load('widevcb.mat'); % 假设文件名如此 whos

whos会显示工作区里的变量名、大小和类型。常见情况是数据以结构体形式保存，例如data.signal和data.fs，也可能是两个独个向量。我一般会先绘制原始信号的前 1 秒，感受冲击周期和噪声底。如果数据量很大（比如采样率 200 kHz、十几秒），建议先截取一段做分解，否则整个序列分解会非常慢。也不要直接对原始数据做 ITD，先去掉均值和趋势大分量，能让 PRC 更集中。

4. ITD的三个必调参数：噪声容限、端点处理和停止条件

4.1 噪声容限：决定的是“伪分量”还是“微弱故障特征”

真实 ITD 算法在构造基线之前，会先判断某个极值点是不是真实的转折点，而不是噪声引起的毛刺。这个判断用到的阈值就是噪声容限。容限设太低，噪声锯齿也会被当成极值点，基线跟着噪声走，分解出的高频 PRC 会像白噪声；设太高，会把真实弱冲击当成噪声滤掉，小损伤的故障特征就丢了。

这个参数在包里可能叫noise_tolerance、alpha或sigma。我调试它的方法是：先设一个较高的容限，看分解出的 PRC 是否稳定；再逐步降低容限，直到某个 PRC 的包络谱里出现规则的故障特征频率峰。如果降容限后没有新增有意义的分量，而是多出一堆噪声分量，就说明已经过了临界点。轴承微弱早期故障，容限通常比默认值小 20% ~ 30%，但纯粹的经验值不可照搬，要和包络谱互相验证。

4.2 端点效应抑制：镜像延拓和特征波延拓怎么选

ITD 和 EMD 一样，在信号两端最不可靠。因为极值点插值在端点外推时没有数据约束，基线的端部很容易上扬或下垂，产生假冲击。包内的完整代码大概率会在极值点序列两端延拓后再插值，常见两种延拓方式：

• 镜像延拓：把信号端点附近的波形关于端点做镜像，构造出额外的极值点，适合平稳段较长的信号。
• 特征波延拓：取端点附近一个周期长度的波形作为模板，复制到两端，适合周期冲击明显的故障信号。

我的选择习惯是：如果原始信号是连续旋转机械（轴承、齿轮），用特征波延拓；如果是瞬态动作信号（断路器合分闸），用镜像延拓。因为瞬态信号本身只有一段冲击，镜像延拓保留了冲击形状，不会额外引入一个“假的周期”。这个参数调好以后，端点处的 PRC 振幅应自然衰减到内部水平的量级，而不是端点处冒出一个尖峰。

4.3 停止条件与最大层数：别把过分解当成高精度

加大max_layers并不是让分解更精细，反而会让算法在噪声段继续生掰出没有物理意义的分量。我见过有人把最大层数设到 12，结果 PRC8 以后的波形幅值只有原始信号的 0.1%，全是噪声。判断停止条件是否合适的标准是：最后一个非趋势分区里，极值点数量是否还足够多，以及该分区的能量占比是否低于总能量的 1%。

包里的实现通常在三个地方设停止条件：迭代层数上限、基线单调性判断、PRC 能量比例下界。如果你看到代码里有if energy_ratio < 0.01这样的判断，别把它改得太小，否则会有大量伪 PRC 进入输出。对于大多数机械故障信号，6 层已经足够：前 4 层覆盖故障冲击相关高频，第 5 层接近转频，第 6 层以后基本是趋势项。

给一个可落地的调参建议：先固定噪声容限，用 3 层跑出第一个结果，观察冲击是否清晰；若清晰，再加到 6 层看是否出现新信息；每加一层，都要对比新 PRC 的频谱和上一层的频谱是否高度重叠，如果是，说明那两层本不该被拆开，应减少层数。

5. ITD分解避坑指南：四类高频踩坑记录与现场修复

5.1 现象：分解出的PRC比原来还多，高频分量像白噪声

这是我第一次跑 ITD 时最直观的翻车现场：输入是一段 8 秒的轴承振动信号，输出却有 9 个 PRC，前两个 PRC 波形和随机噪声没有区别。原因不是算法坏了，而是噪声容限设得过低，大量由随机噪声造成的局部极值点进入了基线提取，ITD 把噪声当成真正的振荡模式拆了出来。

解决：先检查噪声容限参数，调回默认值再逐步收紧；同时确认信号在传入 ITD 前没有高频干扰。如果你不想动原信号，也可以只保留能量占比超过 1% 的 PRC，把噪声分量从结果里剔除。判断标准是：有效 PRC 的包络谱里应该能找到明确的陡峭峰，而噪声 PRC 的频谱是宽而平的。

5.2 现象：冲击特征在相邻PRC之间来回跳

更绕的坑是模态混叠：同一组冲击在 PRC1 里出现几个，又在 PRC2 里出现几个，单独看每个 PRC 都不完整。原因在于极值点检测没有做严格极大极小交替校验。若极值序列中连续出现两个极大值点，它们之间的基线会被抬高，真实冲击会被拦腰截断，能量分配到了两个相邻分量里。

解决：在代码里增加极值交替过滤，检测到两个相同类型的连续极值点时，保留幅值更大的那个，不然就改变基线插值方式。如果不想改造包内函数，可以先用一个带通滤波器把信号限制在故障特征频率附近，再送 ITD，减少高频干扰对极值点分布的影响。

5.3 现象：端点处出现大振幅，包络谱出现低频假峰

花两天时间调参，后来发现 PRC 两端各出现一大段大幅正弦状振荡，做包络谱后低频处冒出一个不存在的峰值，就是这个坑。根因在端点延拓：信号较短时，端点外推的基线近似线性直冲，和信号真实走势严重背离，导致首尾 PRC 被污染。

解决：所有结果分析都要把首尾各 1/10 长度丢掉，或者在做 ITD 前给信号两端加一个对称窗，相当于人为抑制端点权重。但加窗别用矩形窗，用正弦窗更平滑。还有一个补救办法：取数据时故意在两端各多采 2000 点，分解完只保留中间段，等于是把端点污染段“预切除”。这是我推荐的做法，比任何延拓算法都省心。

5.4 现象：循环到一半报“数组越界”，换台机器结果就变

运行中出现Index exceeds array bounds是 ITD 代码里最常见的运行时错误。原因通常是残差信号的极值点数量小于插值节点数，或者分解后期信号长度不足，某个子函数还在按初始点数分配数组。不同 MATLAB 版本对空数组的容错行为不一样，所以换台机器后错误报法还会变化，非常玄学。

解决：在每次循环开头检查极值点数量，少于 5 个就强制停止；同时在插值行前后打印当前极值点数和信号长度，定位是哪一个子函数越界。如果是迭代次数过多导致残差为纯线性斜率，也需要单独判断并跳出循环。这个修复不是投机取巧，是 ITD 这类递归分解的刚性约束。

6. 用好ITD的最后一公里：包络谱验证与分量自动筛选

6.1 对PRC做包络谱，把故障特征频率量化出来

时域上看出冲击只是主观感受，最终录进报告里的一定是故障特征频率的谱峰。有了 ITD 的 PRC 后，下一步对选定的分量做希尔伯特包络解调，再对包络做 FFT。下面这段代码我通常直接接力在分解后面：

% 对第2个PRC做包络谱，定位故障特征频率 p = PRCs(:, 2); env = abs(hilbert(p)); % 希尔伯特包络 f = (0:length(env)-1) / length(env) * fs; plot(f(1:fs/2), abs(fft(env(1:fs/2)))); xlabel('频率 (Hz)'); ylabel('幅值'); % 对照理论特征频率，例如BPFO = 123.4 Hz，看谱峰是否对齐

逻辑说明：hilbert求解析信号并取绝对值得到包络，包络的 FFT 峰值出现在调制频率处，也就是故障特征频。plot只画到奈奎斯特频率的一半，因为机械信号能关心的频带就在这段。参数说明：p选择哪个 PRC 需要预判，一般从第一个分量开始逐个看，直到找到谱峰最尖锐的那个。

6.2 按能量占比自动筛选有效PRC，不再靠肉眼挑分量

挑 PRC 靠肉眼很不现实，数据一多就累。我维护了一个自动筛选逻辑：计算每个 PRC 的能量占全部分量总能量的比例，按从高到低累加，直到累计能量占比达到 90%，这部分 PRC 视为有效分量，其余丢弃。然后再在有效分量里找包络谱峰值最突出的那一个，作为诊断依据。这个技巧让批量跑几百组数据时不需要人工介入，也顺便解决了噪声容限没调到最佳时产生的伪分量干扰。

放在整条 ITD 信号分析流程里，我最终沉淀下来的习惯是：先给定保守的 6 层分解，自动筛能量占比，再对有效分量做包络谱，把谱峰和理论故障特征频率对照，误差在 1% 以内就下结论。这套流程我用了很久，最大的体会是分解阶段不用追求绝对正确，只要保留住真实冲击，剩下的交给包络谱验证。任何把 ITD 当成黑匣子的用法都会在故障诊断时翻车，但如果你每次结果都留一层检查，坏参数永远不会骗你太久。希望帮到你。

本文还有配套的精品资源，点击获取