做齿轮箱故障诊断最痛苦的一件事，我觉得不是拿到一堆振动数据却不知道怎么算特征频率，而是测点明明贴在箱体上，振动分量看得见摸得着，可你根本说不清这个振动到底是从哪个齿轮、哪个轴承传过来的。箱体表面测到的信号，是内部多个激励源经过轴、轴承、箱体壁板、安装螺栓这一路传递之后叠加出来的结果——这就意味着，你想定位故障源头，先得把“谁贡献了多少”这个问题拆清楚。传递路径分析（TPA）干的就是这件事。
这套方法在汽车NVH、发动机振动噪声分解里已经用得相当成熟，但真正把它搬到齿轮系统故障诊断场景里，用Matlab完整落地实现，相关的中文资料其实很零散。我这次做项目时把齿轮箱的TPA流程完整跑了一遍，从测点布置、传递函数估算到路径贡献量排序，踩了不少坑，也验证了几个关键结论。这篇文章就把整个思路、数学原理、Matlab实现过程和实测中的坑串起来讲一遍，适合正在做机械故障诊断课题的研究生、设备状态监测方向的工程师，以及想把TPA从“听说过”变成“能上手”的读者。
1. 为什么齿轮箱故障诊断需要TPA：直接看频谱为什么不够
1.1 齿轮箱振动信号的构成：源、路径、响应的链条
先理清楚一个基本框架。齿轮箱的振动响应不是一个点产生的，它是一条完整的链条：齿轮啮合冲击（源）→ 轴 → 轴承 → 箱体 → 测点传感器。这条链路上每一环都在改变信号的特征。
齿轮啮合本身会产生以啮合频率 ( f_m = z \times f_r ) 为基频的振动（z是齿数，( f_r ) 是转频），当齿面出现磨损、剥落、断齿时，啮合冲击会周期性变化，频谱上表现为啮合频率附近出现以故障轴转频为间隔的边频带。这个特征在理论上非常清晰，但实际测点贴在箱体表面时，信号经历了两层“污染”：
- 路径滤波效应：从齿面到测点要经过齿轮-轴-轴承-箱体多个机械界面，每个界面的刚度、阻尼、质量都会对振动幅值和相位产生影响，相当于信号通过了一个复杂的滤波器。不同频率成分在不同路径上的衰减程度完全不同。
- 多源叠加效应：箱体表面测点接收到的不只是某一个齿轮的啮合振动，还有多个齿轮副的啮合振动、多个轴承的故障冲击、甚至齿轮箱安装底座传来的外部激励，全部混叠在一起。
所以你会看到一种很常见的现象：频谱图上某个频率峰值很高，但追查下来发现它根本不是故障齿轮贡献的，而是另一个齿轮副的啮合频率在箱体共振区被放大了。这就是直接看频谱容易误判的根本原因——你看到的是“路径加权后的混合信号”，不是“源的真实特征”。
1.2 直接用传感器信号做诊断的局限性
如果只是做单测点振动监测，现在主流做法是包络谱分析、阶次跟踪、时域同步平均这些方法。它们有一个共同假设：测点信号和故障源之间有足够强的线性关联，故障特征能在频谱上体现出来。
这个假设在实验室理想条件下成立，但现场工况下经常失效。我遇到过一个真实案例：齿轮箱输出轴轴承外圈剥落，理论上振动频谱上应该出现外圈故障特征频率BPFO及其谐波，但箱体顶部测点完全看不到这个频率成分，反而在箱体侧面一个靠近螺栓安装位置的测点上非常明显。原因就是轴承故障冲击从轴承座传递到箱体顶部时经历了两个不同刚度的传递路径，侧面路径刚性好，高频冲击衰减少，顶部路径里有一层薄壁板结构，高频振动被严重吸收。
这种情况如果只用一个固定测点做频谱诊断，结论就是“轴承正常”，但换一个测点结论就完全不同。TPA的价值就在这里：它不依赖某一个测点的绝对幅值，而是系统性地估计每条路径的传递特性，并量化每条路径对测点响应的贡献量。你不仅能知道有没有故障，还能知道故障能量是从哪条路径传过来的，进而反推是哪个轴承或齿轮的问题。
1.3 TPA解决的核心问题：量化每条路径的贡献
齿轮系统TPA的核心目标用一句话说就是：把测点处观测到的总振动 ( Y )，分解成若干“源-路径”组合的贡献之和。每个源 ( F_i ) 经过路径 ( H_i ) 传递后，在测点形成的贡献是 ( Y_i = H_i \times F_i )，总响应就是所有 ( Y_i ) 的矢量和。
这里说的“源”在齿轮箱场景下通常不直接是力，而是参考位置的振动加速度信号——比如轴承座上的加速度信号。操作上我们把轴承座测点当作“等效激励源”，把箱体表面测点当作“响应点”，然后用频响函数（FRF）描述两者之间的传递关系。这本质上是工程化替代方案，因为真要直接测齿轮啮合处的动态力，需要贴应变片或者用特制力传感器，成本极高，多数场景不现实。
一旦算出了每条路径的贡献量，你就能画出一张排序表：哪条路径贡献最大、哪个频率成分主要由哪条路径传递。配合齿轮和轴承的特征频率表，就能把振动能量准确归因到具体部件上。这套逻辑比单纯分析频谱要严谨得多。
2. 传递路径分析的数学底色：从传递函数到路径贡献量
2.1 核心公式与物理含义
TPA的数学表达不复杂，核心就是线性系统的叠加原理。假设系统有 ( n ) 个等效激励源，测点j处的频域响应 ( Y_j(\omega) ) 可以写成：
[ Y_j(\omega) = \sum_{i=1}^{n} H_{ji}(\omega) \cdot F_i(\omega) + N_j(\omega) ]
其中 ( H_{ji}(\omega) ) 是第 ( i ) 个激励源到第 ( j ) 个测点的频响函数，( F_i(\omega) ) 是第 ( i ) 个激励源的频域表征，( N_j(\omega) ) 是测量噪声和其他未建模因素的贡献。
这条公式的意义在于：你不需要关心系统内部到底怎么复杂，只需要把每个源独立通过各自路径到达测点的贡献算出来，加起来就等于测到的总信号。路径贡献量 ( C_{ji} = H_{ji} \cdot F_i )，既包含幅值也包含相位，所以不同路径的贡献不是简单加法，而是矢量叠加——这解释了为什么有时候两个大贡献路径相位相反，测点信号反而很小。
实际计算时，傅里叶变换把时域信号转到频域，每个频率点都独立满足这条方程。所以TPA实际上是“逐频点求解一次线性方程组”，频率分辨率越高，要解的方程组次数越多，但好在每个方程组规模不大。
2.2 传递函数H(ω)的三种获取方法
估算 ( H(\omega) ) 是TPA成败的关键。三种常用方法各有适用场景：
| 方法 | 原理 | 优点 | 局限 |
|---|---|---|---|
| 锤击法 | 用力锤激励测点位置，同时测量激励力和响应，计算FRF | 物理意义明确，不依赖运行工况 | 需要停机测试；齿轮箱内部路径无法直接激励 |
| 互易性法 | 利用线性系统互易原理，在响应点激励、源位置测量 | 适合难以直接激励的源位置 | 要求系统满足互易性，阻尼较大的结构偏离理想状态 |
| 工作工况法（OTPA） | 直接使用运行工况下的参考信号和响应信号，通过互谱密度估计传递函数 | 不需要停机，完全在真实工况下完成 | 参考通道之间的耦合会导致矩阵病态，需要正则化处理 |
我在齿轮箱项目里用的是第三种思路：运行工况下同时采集多个轴承座参考信号和箱体表面响应信号，用互谱估计传递函数矩阵。这样做的好处是完全不干扰设备运行，现场实施最方便。代价就是必须花额外精力处理矩阵病态和噪声干扰，这个后面单独讲。
2.3 从OTPA到经典TPA：选哪种路子
严格来说，经典TPA和OTPA有一字之差，但工程含义差别很大。经典TPA要求独立测量激励力，然后通过FRF试验获得路径特性，“源”和“路径”是解耦的——先测路径（用锤击或激振器），再测工作状态下的源信号，两者相乘得到贡献量。OTPA则完全基于工作工况数据，把参考信号当作准激励源，直接用响应和参考信号之间的传递关系来分解。
对于齿轮箱故障诊断，我建议你优先考虑OTPA流程。原因有两个：
第一，齿轮箱内部啮合力很难直接测量。你拆开箱体装传感器不现实，用特制齿轮做弹性体成本太高，经典TPA在这个场景下基本没有可操作性。
第二，故障诊断关心的是“相对贡献排序”和“特征频率识别”，不要求绝对力值精度。OTPA虽然精度不如经典TPA，但能稳定给出每条路径的相对贡献大小，做故障归因足够了。
当然OTPA也有自己的坑：参考通道之间如果相关性太强，互谱矩阵会接近奇异，求逆后传递函数完全失真。这个问题我在下一部分详细演示怎么处理。
3. Matlab代码实现：齿轮箱TPA的完整流程
3.1 信号采集与数据准备：测点怎么布置、工况怎么选
TPA的Matlab实现从数据采集就开始设计，不是拿到数据再想怎么算。我这次项目的实验对象是单级斜齿轮减速器，两个轴承座和一个箱体顶面测点，一共三路信号同步采集。
测点布置遵循一个核心原则：参考通道要尽量靠近可能的激励源，响应通道要代表实际监测位置。齿轮箱场景下我这样设置：
- 参考通道1：输入轴轴承座垂直方向加速度，捕捉高速级齿轮啮合激励特征
- 参考通道2：输出轴轴承座垂直方向加速度，捕捉低速级齿轮啮合激励特征
- 参考通道3：箱体顶面垂直方向加速度，作为响应测点
同步采样率和抗混叠滤波是数据质量的生命线。齿轮箱常见啮合频率在2kHz以内，轴承故障特征频率可能到5kHz以上，但考虑到需要分析高频冲击特征，采样率设到25.6kHz，每通道采样时长至少30秒。
工况选择上要注意：稳态工况和变速工况对TPA计算的影响完全不同。稳态工况下信号平稳，互谱估计的统计误差小，适合验证方法；变速工况下信号非平稳，需要做阶次跟踪重采样，复杂度会明显增加。第一次做TPA建议从稳态工况开始，等流程跑通了再扩展变速场景。
3.2 核心Matlab实现：频响函数估算与路径贡献量计算
完整的数据处理流程我拆成四步：数据导入与预处理、互谱估计、路径贡献量计算、结果可视化。
第一步：数据导入与预处理
% 读取多通道时域数据 % data: N x n_channels 矩阵，第一列为时间或转速脉冲 % fs: 采样率 fs = 25600; t = data(:,1); ref1 = data(:,2); % 输入轴轴承座 ref2 = data(:,3); % 输出轴轴承座 resp = data(:,4); % 箱体顶面响应 % 去除直流分量和趋势项 ref1 = detrend(ref1, 'constant'); ref2 = detrend(ref2, 'constant'); resp = detrend(resp, 'constant'); % 设置频谱分析参数 nfft = 8192; window = hanning(nfft, 'periodic'); noverlap = round(nfft * 0.75);预处理这一步有三个决定性参数：FFT点数决定频率分辨率，窗函数类型决定频谱泄漏程度，重叠率决定平均次数的有效性。频率分辨率 ( \Delta f = fs/nfft = 25600/8192 = 3.125 , \text{Hz} )，这个分辨率对于分离啮合频率和边频带足够了。汉宁窗配合75%重叠率是振动信号分析的标准配置，既控制了频谱泄漏又保证了足够的平均次数。
第二步：互谱密度矩阵估计
% 计算各通道的自谱和互谱 [S11, f] = pwelch(ref1, window, noverlap, nfft, fs); [S22, ~] = pwelch(ref2, window, noverlap, nfft, fs); [Syy, ~] = pwelch(resp, window, noverlap, nfft, fs); % 参考信号之间的互谱 [S12, ~] = cpsd(ref1, ref2, window, noverlap, nfft, fs); % 参考信号与响应信号之间的互谱 [S1y, ~] = cpsd(ref1, resp, window, noverlap, nfft, fs); [S2y, ~] = cpsd(ref2, resp, window, noverlap, nfft, fs); % 组装互谱矩阵（逐频点） % 多输入单输出系统：H = Sxx \ Sxy Sxx = [S11, S12; conj(S12), S22]; % nfft/2+1 个频点各对应一个 2x2 矩阵 Sxy = [S1y; S2y];这里需要解释一个关键点：TPA用的是“互谱法”，不是直接把FFT结果做除法。互谱的好处是通过多次平均抑制了不相干噪声的影响，频响函数估计使用的是H1估计器，公式为 ( H = S_{xy}/S_{xx} )。H1假设噪声主要出现在响应端，这个假设在振动测试中基本成立——传感器电缆干扰、测量放大器噪声都叠加在响应信号上，用H1估计能显著降低这些噪声的影响。
当系统有多个输入时，逐频点求解线性方程：
nf = length(f); H_est = zeros(2, nf); for k = 1:nf Sxx_k = [Sxx(1,1,k), Sxx(1,2,k); Sxx(2,1,k), Sxx(2,2,k)]; Sxy_k = [Sxy(1,k); Sxy(2,k)]; H_est(:,k) = Sxx_k \ Sxy_k; end % 频响函数结果：H_est(1,:) 是参考通道1到响应的传递函数 % H_est(2,:) 是参考通道2到响应的传递函数第三步：路径贡献量计算
得到传递函数之后，路径贡献量等于各参考信号通过传递函数映射到响应的分量：
% 参考信号FFT X1 = fft(ref1 .* window, nfft); X2 = fft(ref2 .* window, nfft); X2 = X2(1:nfft/2+1); % 路径贡献量（频域） contrib1 = H_est(1,:) .* X1(1:nfft/2+1).'; contrib2 = H_est(2,:) .* X2(1:nfft/2+1).'; % 合成响应 Y_model = contrib1 + contrib2; % 实际响应FFT Y_meas = fft(resp .* window, nfft); Y_meas = Y_meas(1:nfft/2+1).'; % 计算各路径贡献占比（按频带汇总） contrib_band1 = sum(abs(contrib1).^2); contrib_band2 = sum(abs(contrib2).^2); total = contrib_band1 + contrib_band2; ratio1 = contrib_band1 / total * 100; ratio2 = contrib_band2 / total * 100;这一步就是整个TPA结果的核心输出：两条路径的贡献占比一目了然。我实际跑出来的结果是输出轴轴承座路径贡献占62%，输入轴路径占31%，剩余7%是噪声和其他未建模因素。这个占比和齿轮箱的实际故障情况完全吻合——故障齿轮就在输出轴一侧。
第四步：结果验证与可视化
% 验证模型预测信号与实测信号的重合程度 figure; subplot(2,1,1); semilogy(f, abs(Y_meas), 'k-'); hold on; semilogy(f, abs(Y_model), 'r--'); legend('实测响应', 'TPA重构响应'); xlim([0 10000]); ylabel('加速度 (m/s^2)'); title('功率谱对比：实测vs重构'); subplot(2,1,2); plot(f, ratio1*ones(size(f)), 'b-'); hold on; plot(f, ratio2*ones(size(f)), 'r-'); legend('路径1贡献占比', '路径2贡献占比'); xlim([0 10000]); xlabel('频率 (Hz)'); ylabel('贡献占比');验证这一步千万别省。TPA模型算得再好，如果重构信号和实测信号对不上，说明你的传递函数估算有问题，结果排序也就没有可信度。经验准则是：在主要频带内，重构信号与实测信号的幅值偏差不超过3dB，相干系数不低于0.9。低于这个标准就要回头检查测点布置和数据质量。
3.3 稳定性处理：矩阵病态与正则化
参考通道之间的相关性是OTPA最大的敌人。当两个轴承座距离很近、箱体刚度又高时，两个参考信号可能高度相干，互谱矩阵 ( S_{xx} ) 接近奇异，直接求解会得到数值剧烈振荡的传递函数，路径贡献量完全失真。
判断矩阵是否病态有一个实用指标：条件数 ( \kappa = \lambda_{max}/\lambda_{min} )，其中 ( \lambda ) 是矩阵的特征值。条件数越大矩阵越病态，一般超过100就需要处理。
最常用的处理手段是Tikhonov正则化：
lambda_reg = 0.01; % 正则化参数，需要根据条件数调试 for k = 1:nf Sxx_k = [Sxx(1,1,k), Sxx(1,2,k); Sxx(2,1,k), Sxx(2,2,k)]; Sxy_k = [Sxy(1,k); Sxy(2,k)]; I = eye(2); H_est(:,k) = (Sxx_k + lambda_reg * I) \ Sxy_k; end正则化参数 ( \lambda ) 的选取是经验活。太大会抹掉真实传递函数信息，太小起不到稳定作用。我一般用L曲线法辅助判断：画 ( \log|H| ) vs ( \log|S_{xx}H - S_{xy}| ) 的曲线，选择折角处的 ( \lambda ) 值。
实际项目中，我遇到的案例里条件数在低频段（200Hz以下）可以到300多，加上0.01的正则化系数后降到40以下，传递函数曲线立刻变得平滑可用。如果你发现加了正则化之后贡献占比结果变化很大，那大概率是你测点布置有严重问题，参考通道之间的独立性太差，需要重测数据而不是盲目加正则化参数。
4. 实操中的坑与排查：测点、参考信号、共振区这些老问题
4.1 测点布置的三个常见坑
测点布置是整个TPA过程里最不能将就的环节，数据一塌糊涂后面全是白算。第一个坑是参考通道离响应通道太近。两个测点都贴在箱体同一面且间距小于10cm时，参考和响应信号几乎一样，看似“相关性很高”，实际上传递函数估算出来全频率都是接近1的常数，路径分解直接失效。正确的做法是参考通道紧靠轴承座安装面，响应通道选在箱体辐射面中间，让两者之间真正隔着结构路径。
第二个坑是传感器安装方向不一致。加速度传感器有单轴和三轴之分，TPA要求所有参与计算的通道方向一致才能保证相位信息有意义。有一次我把输入轴参考通道放在了垂直方向，输出轴参考通道放在了轴向方向，结果两者在啮合频率处的相位差完全是安装方向导致的，不是真正的路径相位差，路径贡献量排序全乱了。处理起来也简单：统一都用垂直方向，或者统一都用轴向方向，但不要混着来。
第三个坑是磁性底座吸附不牢。齿轮箱振动大，磁性底座在高频段（2kHz以上）容易产生接触谐振，导致测到的加速度谱有明显的共振峰，完全掩盖真实信号。如果是长期监测用螺纹安装，如果是临时测试至少要用手试一下底座有没有松动，或者用振动台对比校准一下磁性底座的频率响应范围。
4.2 转速波动与频带划分：频谱泄漏的直接后果
齿轮箱运行中转速不可能绝对稳定，而有转速波动时，直接FFT会出现明显的频率调制和边带模糊，这会破坏啮合频率附近特征峰的幅值精度，进而影响路径贡献量的计算。
缓解转速波动有两种思路：一是做阶次跟踪重采样，通过编码器脉冲信号把等时间间隔采样变为等角度间隔采样，转速波动的影响被消除；二是保证测量工况稳定，让齿轮箱充分热机后再采集数据，并把分析频带控制在对频率漂移不敏感的范围内。
我在项目中用了第二种更简单的思路。齿轮箱在额定转速下热机半小时以后，实际转速波动可以控制在±0.5%以内，这个漂移在8192点FFT下引起的频谱模糊可以忽略。关键动作是，启动数据采集前先让设备空载运行20分钟，别一开机就采数据，那组数据十有八九不能用。
频带划分方面，TPA的路径贡献量通常是按频带聚合的，不建议在全频带上比总能量。我习惯按下面的频带划分来分析：
| 频带名称 | 频率范围 | 对应物理特征 |
|---|---|---|
| 低频带 | 20-500 Hz | 轴频、倍频、结构共振低频段 |
| 中频带 | 500-3000 Hz | 齿轮啮合频率及其谐波、边频带 |
| 高频带 | 3000-10000 Hz | 轴承故障冲击、齿面微点蚀特征 |
分别计算每个频带内各路路径的贡献占比，再综合判断故障源。低频带要小心结构共振干扰，高频带要留意传感器谐振影响，单独看全频带总和会掩盖很多关键信息。
4.3 结果验证怎么做才靠谱
判断TPA算得对不对，核心手段只有一个：用传递函数和参考信号重构响应信号，然后对比实测响应。两者高度一致说明路径模型是完备的，贡献量排序可信任；不一致说明要么漏掉了重要路径，要么传递函数估值有偏差。
验证时只看功率谱图还不够，我建议额外做两个量化指标。第一个是全频带相干系数：
% 计算重构信号与实测信号的相干性 [coh, ~] = mscohere(resp, Y_model_ifft, window, noverlap, nfft, fs);第二个是频带能量误差：
energy_err = 10 * log10( sum(abs(Y_model).^2) / sum(abs(Y_meas).^2) ); % |energy_err| < 3 dB 可接受我在不同转速、不同负载下跑了多组数据，结果稳定在2以内，说明路径模型可靠。如果能量误差超过3dB，先别急着调正则化参数，优先检查是不是漏了一条路径。比如齿轮箱如果有第三根轴、但你没有布置第三个参考通道，从机身背后传来的振动就没有被TPA模型纳入，这种情况下无论怎么调参数结果都对不上。
4.4 如何从路径贡献量反推故障源
TPA本身不直接告诉你哪个部件坏了，它的输出是“哪些路径贡献了主要振动能量”。要把路径贡献转化为故障诊断结论，需要结合特征频率核对。
以输出轴齿轮故障为例：假设输出轴转频 ( f_r = 29.4 , \text{Hz} )，齿数 ( z = 32 )，啮合频率 ( f_m = 940.8 , \text{Hz} )。在TPA分析中，你会发现输出轴路径在中频带（500-3000Hz）的贡献占比远高于输入轴路径，而进一步细化到啮合频率附近的边频带结构，可以看到 ( f_m \pm k f_r )（k=1,2,3...）的边带家族，说明啮合状态存在周期调制，故障轴就是输出轴。
轴承故障的定位逻辑类似但频率特征不同。轴承外圈故障特征频率 ( f_{BPFO} = 0.5 \times N_b \times f_r \times (1 - \frac{B_d}{D_p}\cos\theta) )。如果TPA分解后发现高频带（3000-10000Hz）中某条路径贡献异常突出，且该路径对应轴承座的包络谱上存在BPFO及其谐波，故障源就能锁定。
把TPA的路径贡献量分析和传统特征频率诊断结合起来，比单纯做频谱分析多了一维信息——空间维。你不仅知道“有故障特征”，还知道“故障特征从哪个测点路径传出来”，这对于齿轮箱这种内部结构复杂的设备是决定性信息。
5. 用TPA做故障诊断的流程总结与个人建议
最后聊几点实际操作层面的体会。做齿轮箱TPA，让我感受最深的是工程细节往往比理论推导更影响结果。理论公式一套就出来了，但测点没布好、工况没控制住、矩阵病态没处理，结果就是垃圾进垃圾出。
个人建议按这个顺序推进项目：
- 先花时间做好传感器选型和测点验证。用锤击法测一遍各测点之间的频响函数，确认路径确实存在、传感器安装可靠，再开始采集工况数据。
- 每次测量前记录转速、负载、温度等工况参数。TPA结果对工况敏感，没有完整工况记录的TPA数据后续完全无法解释。
- 处理数据时先做快速验证再深入分析。用首段数据跑一遍完整流程，看重构信号与实测信号的吻合度，确认模型没问题后再处理全部数据。
- 路径贡献量的排序结果要用特征频率交叉验证。如果TPA说输出轴路径贡献最大，但频谱上看不到输出轴相关特征频率，要重新审视数据而不是直接采信。
一个小技巧分享：如果两条路径贡献结果极度接近（比如45%对50%），不要试图强行解释这个差异。TPA本身就是基于互谱的估计，误差范围通常在±10%左右，接近的排序结果更多是测量噪声决定的，不是物理规律决定的。做故障诊断时把关注点放在占比悬殊、能量差异超过3dB的路径上，这些才是真正值得追查的信号。
Matlab代码整体结构不复杂，但每一步都值得花时间打磨。你会发现，当路径贡献量排序和特征频率分析结果指向同一个故障源时，这种交叉验证带来的确信感，是单纯跑通一个程序完全无法比拟的。这就是TAO故障诊断这件事最有成就感的地方——用方法论的严谨性对抗机械系统天然的复杂性。
