首先将原始振动信号等分为多个数据段对每一段进行双树复小波包分解获得各子带的复系数。然后计算每个子带系数的峭度并将所有段的峭度值按子带位置取平均得到反映各频带冲击特性的平均峭度图。接着通过搜索峭度最大值确定最优分析子带利用逆变换仅保留该子带成分重构信号。最后对重构信号进行包络解调分析提取故障特征频率。该方法通过分段平均提高了峭度估计的稳健性利用双树复小波包变换的近似平移不变性和良好方向选择性能有效提取微弱故障冲击。算法步骤数据预处理读取轴承振动信号去除直流分量确保信号长度是分段数K的整数倍。信号分段将预处理后的信号等分为K段每段长度相同用于后续的峭度平均计算。双树复小波包分解对每一段信号进行多层双树复小波包变换获得各层所有子带的复系数实部与虚部分别来自两棵树。子带峭度计算对每个子带的复系数求取峭度值峭度定义为四阶中心矩与二阶中心矩平方的比值并针对复信号进行修正减去2。平均峭度图构建将K段信号对应子带的峭度值进行平均得到每一层所有子带的平均峭度形成大小为层数1×子带总数的矩阵并以图像形式显示横轴为归一化频率纵轴为分解层数颜色深浅表示峭度大小。最优子带选择在平均峭度图中寻找峭度最大值所在的位置确定对应的分解层数I和子带索引J该子带被认为包含最突出的故障冲击成分。信号重构利用双树复小波包逆变换仅保留最优子带的系数其余子带系数置零从第I层开始逐层向上重构得到滤波后的时域信号。包络解调分析对重构信号进行Hilbert变换求取包络再对包络信号做傅里叶变换得到平方包络谱从中识别故障特征频率及其倍频从而诊断故障类型。结果输出绘制滤波后信号的时域波形和平方包络谱标注关键频率信息。担任《Mechanical System and Signal Processing》《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