我同意 Dan 所说的所有内容，并补充说激发方法可能不是再现性的最佳方法。根据敲击的位置和敲击的角度，脉冲敲击可以具有不同的频率内容，更不用说与振动器激励或使用扬声器（空气耦合）相比它们很慢。如果您要积累统计数据，则希望使其快速且可重复。我认为，您可以在这个频率范围内通过对数啁啾激励获得快速 FRF。

使用具有频谱图特征和大量试验的 SVM。您也可以尝试小波变换。（也可以尝试决策树）。

最后，深度学习方法可以奏效。

这确实是检测异常值的问题，因为以相同方式制作的良好光束每次都应该产生相同的结果。

有趣的实验。

我认为需要在已知良好和已知不良条件下进行重复测量，以建立所涉及的随机变量的度量，从中我们可以建立最佳决策方法。

需要从物理单位（螺栓位置的公差、扭矩等）和测量设置本身（测试台中放置的变化、力的重复性和仪表锤的撞击位置）中的其他因素来确定可变性。最后，我们需要确定这些统计数据的稳定性，结果是否可随时间重复，以及是否可以使用重复测量来确定此类统计数据的所需估计的遍历过程。

这与知道测量系统的本底噪声是多少、被测单元的信噪比 (SNR) 是多少是相同的，如果本底噪声与 SNR 相比太高，则需要多长时间可以假设平稳性可用于通过重复测量和平均来建立 SNR 改进。

一旦估计了统计结果，就可以建立进一步的方法来进行误报概率与检测概率的经典交易，使前者最小化，同时最大化后者。

要继续这种方法，下一步是建立这些统计数据，并且像通常所做的那样，对已知良好单元和已知不良单元的两种情况进行尽可能多的测量，同时监测平稳性的有效性（统计结果在审查时是否一致）从一个测试到另一个测试，所以一个类似于下一个的图，但每一列代表一个不同的测试，从中我们可以看到结果是否在漂移；我怀疑我们可以假设它是静止的，但没有看到过程的所有方面是我仍然想从结果中确认的东西——不太可能你会得到足够的测试样本来真正看到这一点，但可能是“工厂”随着时间的推移监控的东西）。

已知良好的单元测试：这将确定测试的“本底噪声”以及单元间的可变性，并且可以很好地隔离这两个因素。对于测试台本身，使用已知良好的单元，安装并尽可能多次重复测量（我会从至少 20 次开始，然后当整个过程完成并更清晰地评估派生统计数据的准确性是否更高甚至需要）。这应该在每个测试中由操作员完成并由操作员安装（在实际生产情况下，整个测试将随着时间的推移进行跟踪，并从其他一些通过/失败测试的反馈中获得反馈，也许是具有更高检查程度的样本测试，然后确定基础测试指标可能如何随着时间的推移或从操作员到操作员而漂移）。由此，

然后使用已知的坏单元重复上述操作（在什么时候你确定螺栓“松动”？我假设这里有一个最小扭矩要求，所以测试应该在这个阈值条件下用一个单元完成）进行实验否则完全按照上述重复。然后应该跨多个单元进行测试。最后，应在高于阈值的条件下重复测试，以显示/确认结果清楚地朝着建立好/坏条件的正确方向移动。

您可以将其扩展到机器学习概念以对松动螺栓条件进行分类，但我认为这比使用更小的数据集简单得多 - 用于量化随机变量的简单统计数据，否则会影响您的好与坏决策指标。