@Stan 给出的参考是一个很好的参考，但仍然存在使用什么措施的问题。

以前，我已经看到峰态运行良好。但是，在这个数据集上似乎并没有那么好。

我要考虑的两件事是：

• 信号中的能量，和
• 样本值的分布（PDF 估计）。

以下是分析数据左通道的一小部分的几个图。他们是：

• 时域信号。
• 频域信号。
• 带通滤波后的频域信号在 0.4 到 0.8 之间的区域$f_s/2$.
• 来自原始数据的 PDF 估计值。
• 带通滤波数据的 PDF 估计值。
• 整个信号的 100 个样本能量。

也许最简单的是最后一个：虽然能量值之间有重叠，但没有太多，而且它们似乎分开得很好。

第二个可能是原始 PDF 估计值：检查哪个最接近均匀分布。您可以在时域图中看到，vibes信号通常离clean信号的原点更远。

第二个图在 3 x 2 上显示与上一个图相同，但它是带通滤波信号的 100 个样本能量。那看起来还是更好。

仅在下面的 R 代码

#Q42498
library('tuneR')
library(e1071)   

clean <- readWave('3500-clean.wav')
vibes <- readWave('3500-vibes.wav')

t_index <- seq(10000,11000)

par(mfrow=c(2,3))
plot(clean@left[t_index], type='l', col='blue', lwd=3)
lines(vibes@left[t_index], col='red')
title('Time doman 10000:11000')

plot(log(abs(fft(clean@left[t_index]))[1:500]), type='l', col='blue', ylim = c(8,15))
lines(log(abs(fft(vibes@left[t_index]))[1:500]), col='red')
title('Frequency domain 10000:11000')

library(signal)
bpf <- butter(10,c(0.4,0.8), type='pass')

clean_f <- filter(bpf, clean@left[t_index])
vibes_f <- filter(bpf, vibes@left[t_index])
plot(abs(fft(clean_f))[1:500], type='l', col='blue', lwd=3)
lines(abs(fft(vibes_f))[1:500], col='red')
title('Band Pass Filtered 10000:11000')

vibes_pdf <- density(vibes@left[t_index])
clean_pdf <- density(clean@left[t_index])
plot(clean_pdf$y/sum(clean_pdf$y), type='l', col='blue', lwd=3)
lines(vibes_pdf$y/sum(vibes_pdf$y), col='red')
title('PDF Estimate (Original)')

vibes_f_pdf <- density(vibes_f)
clean_f_pdf <- density(clean_f)
plot(clean_f_pdf$y/sum(clean_f_pdf$y), type='l', col='blue', lwd=3)
lines(vibes_f_pdf$y/sum(vibes_f_pdf$y), col='red')
title('PDF Estimate (filtered)')

maf <- rep(1,100)

clean_e <- filter(maf, 1, (clean@left[t_index])^2)
vibes_e <- filter(maf, 1, (vibes@left[t_index])^2)
plot(clean_e, type='l', col='blue', lwd=3, ylim=c(min(clean_e,vibes_e), max(clean_e,vibes_e)))
lines(vibes_e, col='red')
title('100 sample energy')

你可能想看看：

突变检测：理论与应用1 Michele Basseville ` IRISA/CNRS Rennes, France Igor V. Nikiforov Institute of Control Sciences Moscow, Russia

使用MIT 的免费访问 PDF。

有点老了，但出来的时候就先进了。

这个主题有很多谷歌搜索结果。

以下是我在评论中所说的：

绿点表示谐波（基频×1、2、3、4 ...），而红点表示谐波之间的“失真产物”。红点是使机器听起来很糟糕的频率分量。

如果您知道机器的 RPM 是多少，那么您可以制作陷波/梳状滤波器来测量谐波频率与非谐波频率，当非谐波高于某个相对阈值时，您就知道它已经坏了。

如果您不知道 RPM，则必须通过确定哪个频率是基本频率（不一定是最强频率）来测量它。您可以将搜索限制在机器能够产生的 RPM 等范围内。但脏波形看起来像一个缺少基频的低八度音程的信号，因此您必须小心不要测量错误的频率并计算它信号干净。

这是制作此图的 Python 代码：

from soundfile import read
import matplotlib.pyplot as plt
import numpy as np
from scipy import signal

fig, (clean, vibes) = plt.subplots(2, 1, sharex=True, sharey=True)

N = 2**16
window = signal.kaiser(N, 40)

filename = '3500-clean.flac'  # converted to mono
data, fs = read(filename)
f, Pxx = signal.welch(data, fs=fs, window=window, nperseg=N)
clean.plot(f, 20*np.log10(Pxx))
clean.set_title(filename.split('.')[0])

filename = '3500-vibes.flac'
data, fs = read(filename)
f, Pxx = signal.welch(data, fs=fs, window=window, nperseg=N)
vibes.plot(f, 20*np.log10(Pxx))
vibes.set_title(filename.split('.')[0])

faxis = np.fft.rfftfreq(N, 1/fs)
plt.xlim(0, 1000)
plt.ylim(-140, -50)