一维时域信号里，AI 和传统方法谁更靠谱-育师

前几天有个做振动监测的朋友问我：现在动不动就说上 AI，那我这套滤波加 FFT 的活是不是该扔了？我说你先别扔。他手上那台设备，一个月能跑出几百 G 的波形，真要一股脑塞给模型，可能连训练集都标不完。但在另一些场景里，比如心肺音听诊，同一段声音在不同人身上差异极大，靠固定阈值去卡，又确实卡不住。这两件事放在一起看，答案就有点意思了。

一维时域信号，难在哪

所谓一维时域信号，就是一条随时间变化的曲线。振动传感器的加速度输出、安检门线圈的电磁响应、心电的毫伏电位、心肺音的声压，都是这个形状。它看起来朴素，其实很难对付。

难点主要有三个。一是非平稳：设备从正常到异常，特征不是慢慢平移，而是某一刻突然换了一种节奏，均值、方差、频率成分一起动。二是噪声强：工业现场的信噪比常常很难看，有用的成分埋在底噪里。三是个体差异：人与人的心跳节律、机器与机器的装配公差，都会让同一种"正常"长得不一样。用一套固定阈值去覆盖这些变化，往往要么漏报，要么天天误报。

传统方法：物理意义清楚，算力便宜

传统路线的核心思路是"先把特征提出来，再做判别"。

最常用的是 FFT。它把一段时域波形摊到频率轴上，看能量集中在哪些频点。轴承外圈剥落、齿轮啮合异常，往往在特定频率及其倍频上冒尖，所以频谱峰值、边带、谐波族一直是判断故障的抓手。

但 FFT 有个前提：它默认这段信号在窗内是平稳的。设备刚起机、负载突变、人说话中间换气，这些都不满足。于是有了短时傅里叶变换——加一个滑动窗，一段一段地做 FFT，把结果排成时间-频率的二维铺面，就能看到频率成分随时间怎么移动。再往下就是小波变换，它用可伸缩的基函数，在低频处给长窗、高频处给短窗，对突变和冲击类成分更敏感，也常被用来做去噪和特征增强。

除频域之外，还有一批纯时域指标：峰值、有效值、峭度、过零率、包络。它们计算量小到能直接跑在单片机上，工程上一直很好用。传统方法的好处很实在：物理意义明确，出了问题能解释，算力需求低，不需要标注数据，换个工况调参数就行。

AI 的路子：让模型自己看波形

AI 的切入点完全不同：不再由人指定"看哪个频点"，而是把原始波形或者它的某种表示交给模型，让它在训练中自己找判别模式。

常见的有两类结构。一类是一维卷积网络，它直接在时间轴上滑动卷积核，学的是局部波形形状——比如心电里 QRS 波群的陡峭上升、冲击响应里那一下尖峰。另一类是 LSTM、GRU 这类循环网络，它带记忆，适合处理节律和长程依赖，比如连续几个心动周期之间的间隔变化。

AI 真正的增益点，恰好对应上面那三个难点。非平稳方面，模型可以同时利用多尺度信息，不必假设窗内平稳；强噪声方面，端到端训练相当于把去噪和判别放在一起优化，而不是先滤干净再判断；个体差异方面，只要训练集覆盖面够，模型能学到更宽的容差，而不是被一条固定阈值卡死。

时频图：一条折中的中间路线

把一维波形转成时频图，再用二维卷积网络去看，是这几年很常见的做法。好处是能借图像领域成熟的骨干网络和预训练经验，而且时频图本身保留了时间和频率两重信息，人也能看得懂，出了问题方便回溯。

代价也很清楚：转图会带来信息损失和额外算力，窗长、窗型、分辨率都要选；选得不好，等于还没进模型就先丢了一半信息。它更像工程折中，不是无脑更优解。

不是替代，而是接力

把这几年真正跑通的项目拆开看，多数不是"AI 换掉传统方法"，而是传统方法在前面干粗活、AI 在后面干细活。

一条常见的链路是这样：先用带通滤波和小波去噪把明显无关的成分压掉；再用包络或者阈值触发做分段，把长信号切成一个个"事件"，比如一次心跳、一次冲击、一次开关门；然后对每段做归一化和特征增强，或保留原始波形，或转成时频图；最后才交给一维卷积、LSTM 或者二维卷积网络去判别。传统方法负责"把信号整理干净、切成模型能吃的块"，AI 负责"在这些块里分出那一类很难用规则描述的差别"。

这么做的收益很实际。分段之后，模型要看的数据量小了一到两个数量级，训练更快、显存更省；去噪之后，模型不必花容量去学怎么对付底噪；而滤波和分段的参数是物理可解释的，出问题时能一层层回退排查，不至于面对一个黑箱无从下手。