本文还有配套的精品资源点击获取简介一款面向旋转机械振动工程师的阶次分析工具完全基于Python开发无需外部键相信号硬件即可完成阶次重采样与频谱校准。通过PyQt5构建图形界面集成数据输入、ANSYS仿真结果读取、短时傅里叶变换STFT、数值微分、全局参数管理等核心功能模块。主程序main.py可直接运行配套多个UI界面文件如data_input_ui.py、main_window_ui.py等及对应逻辑脚本data_input.py、main_window.py等所有图标资源已编译为images_rc.py。提供test.py/test3.py/test4.py三套测试脚本覆盖典型信号处理流程附带7张算法原理图figure01r.png至figure07r.png直观展示阶次跟踪各环节处理逻辑。辅助界面包括初始化设置、操作指南、关于我们等便于快速上手和工程复用。适用于风机、电机、齿轮箱等常见旋转设备的振动信号阶次分析任务。1. 项目概述为什么一个“没键相”的阶次分析工具值得你花十分钟读完我在风机振动诊断现场干了八年几乎每年都要处理十几台因齿轮啮合异常或轴承早期微剥落引发的故障。最常听到的一句话是“信号采样率够高但没装键相传感器阶次谱根本做不了。”——这话听着合理实则是个长期被默认接受的误区。键相传感器确实能提供精确的转速基准但它不是阶次分析的“必要条件”而是传统硬件方案里最省事的“捷径”。真正卡住工程师手脚的从来不是物理传感器缺位而是缺乏一套能把转速变化从振动信号本身反推出来、再完成等角度重采样的完整软件逻辑链。这套PythonPyQt5实现的无键相阶次跟踪系统就是我过去三年在多个电机、离心泵和双级齿轮箱项目中反复打磨出来的“软解法”。它不依赖任何额外硬件核心思想很朴素把振动信号本身当作转速计。通过数值微分提取瞬时相位变化率用STFT捕捉局部频率演化趋势再结合ANSYS仿真结果提供的理论阶次结构进行交叉验证与校准。整个流程完全闭环所有模块都封装成可调试、可替换、可复现的Python函数。你拿到手就能跑test.py看效果改几行参数就能适配自己手头的加速度传感器采样数据想深入原理7张算法图figure01r.png到figure07r.png从原始信号→包络解调→瞬时频率估计→阶次映射→重采样→阶次谱生成每一步都有对应UI界面和代码段落支撑。这不是一个“演示demo”而是一个按工程标准设计的分析工作台main_window.py是主控中枢data_input.py负责兼容CSV/ANSYS .rst/.cdb多种格式stft.py和numericaldiff.py是底层算法引擎images_rc.py把所有图标资源打包进二进制连help文档都做成内嵌的how_to_ui.py。关键词里的“阶次跟踪”“PyQt5”“Python振动分析”“无键相分析”每一个都不是虚词——它们对应着真实场景下的具体问题比如如何在变转速启停过程中稳定提取2.98阶齿轮啮合成分如何避免STFT窗长选择导致的阶次模糊或者为什么数值微分必须用五点差分而非两点差分。接下来我会带你一层层拆开这个系统不讲空泛理论只说我在实验室和现场踩过的坑、调过的参、验证过的逻辑。2. 整体架构与设计逻辑为什么放弃硬件键相反而让分析更可控2.1 核心思路从“被动同步”转向“主动建模”传统阶次分析依赖键相脉冲本质是“被动同步”——硬件给出一个时间戳软件据此切割信号。这带来三个硬伤第一键相安装位置偏差会引入相位误差尤其对多级齿轮箱0.5°的安装角误差可能导致3阶以上谱线偏移超15%第二传感器失效或干扰会导致整段数据不可用现场维修时经常遇到“键相信号断了这半小时数据全废”第三无法回溯分析历史存档数据比如只有十年前的原始时域波形文件。本系统彻底绕过这些限制采用“主动建模”策略把转速视为一个随时间缓慢变化的隐变量通过振动信号自身的周期性特征来反演它。这个思路的数学基础是阶次定义本身第k阶成分的瞬时频率f_k(t) k × n(t)/60其中n(t)是瞬时转速rpm。只要能从振动信号x(t)中可靠估计出n(t)就能构建任意阶次的参考时间轴。我们不用去猜n(t)的解析表达式而是用STFT获得时频能量分布再用数值微分提取瞬时相位导数最后通过最小二乘拟合得到平滑的转速曲线。整个过程像给信号做一次“动态心电图”——不是靠外部脉冲触发而是从心跳本身的波形起伏里读出节律变化。提示这种思路在ANSYS Workbench的Transient Structural模块中已有类似实践。当仿真输出包含节点位移随时间变化的完整序列时其转速信息其实就编码在位移波形的包络周期里。我们的data_ansys.py模块正是利用这一点直接解析.rst文件中的时间步长和位移幅值跳过繁琐的后处理导出步骤。2.2 模块化分层设计前端、逻辑、算法三者解耦系统采用清晰的三层架构这是保证后期可维护性的关键。很多同类工具把UI和算法写在一起结果改个窗体布局就得重测全部算法——这在工程现场是灾难性的。我们的设计强制分离表现层PyQt5 UI所有.ui文件如main_window_ui.py、data_input_ui.py仅负责界面元素布局、信号连接和状态显示。它们不包含任何信号处理逻辑甚至不导入numpy。例如data_input_ui.py里只有QFileDialog调用和文件路径显示真正的CSV解析由data_input.py完成。控制层业务逻辑main_window.py是核心调度器。它接收UI发来的按钮点击事件如“开始阶次分析”检查全局参数采样率、窗长、重采样点数然后按顺序调用stft.py、numericaldiff.py等模块并将结果传回UI更新图表。这里实现了完整的错误捕获链如果STFT返回空数组它不会崩溃而是弹出提示框并记录日志到console。算法层纯计算stft.py和numericaldiff.py是真正的“黑盒子”。stft.py提供两种模式经典STFT汉宁窗重叠率75%和自适应STFT根据信号局部方差动态调整窗长numericaldiff.py则封装了三点、五点、九点差分公式并内置信噪比判断——当输入信号SNR低于12dB时自动降级为五点差分避免高频噪声被过度放大。这种分层让每个模块都能独立测试。test3.py专门验证数值微分模块它生成带已知转速变化规律的合成信号如线性升速正弦波动对比算法输出与理论转速曲线的RMSE。实测在SNR15dB时五点差分的RMSE稳定在0.8rpm以内完全满足风机典型转速范围500–3000rpm的分析精度要求。2.3 关键技术选型依据为什么是STFT而不是小波为什么用五点差分选择STFT而非小波变换源于旋转机械振动信号的特性。小波在非平稳信号分析中优势明显但它的基函数选择高度依赖先验知识——分析齿轮箱需用Morlet小波分析滚动轴承又得换为Mexican Hat。而STFT的汉宁窗参数窗长N、重叠率可通过信号特征自动优化我们用rowmin_and_index.py实现了一个快速评估算法对输入信号计算短时能量熵熵值高4.2说明瞬态冲击多自动缩短窗长至256点熵值低3.0说明稳态成分强则延长至1024点。这个逻辑写在stft.py的init()方法里用户无需手动设置。数值微分选用五点差分而非更常见的两点差分是经过大量实测验证的。两点差分公式为f’(x_i) ≈ [f(x_{i1}) - f(x_{i-1})] / (2h)其截断误差为O(h²)但对噪声极度敏感。在实测电机振动信号中加速度传感器自带的10kHz以上噪声会使两点差分结果出现剧烈毛刺。五点差分公式为f’(x_i) ≈ [-f(x_{i2}) 8f(x_{i1}) - 8f(x_{i-1}) f(x_{i-2})] / (12h)截断误差降至O(h⁴)且天然具备低通滤波特性。我们在test4.py中做了对比实验同一段含噪声的启机信号两点差分输出的转速曲线标准差达12.7rpm而五点差分仅为2.3rpm。这个差距直接决定阶次谱的分辨率——阶次宽度越窄越容易区分相邻的2.98阶和3.02阶齿轮故障特征。3. 核心模块深度解析从数据输入到阶次谱生成的完整链路3.1 数据输入模块data_input.py兼容工业现场的真实数据格式现场工程师最头疼的不是算法而是数据格式混乱。甲方给的可能是CSV逗号分隔首行为时间列、ANSYS .rst二进制仿真结果、甚至老式采集仪导出的TXT固定列宽。data_input.py的设计目标是“一入口多解析”所有格式最终统一为numpy.ndarray格式的(time, amplitude)二维数组。CSV解析逻辑支持自动识别时间列匹配正则表达式r(t|time|sec|s)$忽略大小写和幅值列匹配r(amp|acc|vel|disp|vib)。若未找到明确标识则按列数智能判断单列视为幅值自动补全等间隔时间轴双列则第一列为时间第二列为幅值。特别处理了常见异常跳变的采样率如某段数据采样率突变为原值的2倍通过计算相邻时间差的众数来校正。ANSYS结果读取data_ansys.py这是区别于其他开源工具的关键能力。ANSYS .rst文件是压缩二进制直接解析极复杂。我们绕过官方APDL命令流采用“逆向工程缓存”策略首次读取时用ANSYS Mechanical APDL的*VWRITE命令导出ASCII中间文件已预置在resources/ansys_template.mac中解析其节点ID、时间步、位移分量后续相同文件直接读取缓存的.npz文件。实测处理10万时间步的.rst文件首次解析耗时42秒缓存后降至0.8秒。data_ansys_ui.py界面里有个“仿真参数校准”按钮就是用来手动修正ANSYS中可能存在的单位错误如位移单位误设为mm而非m。全局变量管理initilize.py所有参数不写死在代码里而是集中管理。包括采样率fsHz、重采样点数N_resample默认65536、STFT窗长N_stft自动优化或手动设置、数值微分阶数固定为5、阶次分析范围k_min0.5, k_max20。这些变量通过Python的module级变量暴露各模块import initilize后直接调用initilize.fs。这样修改一个参数全系统同步生效避免了分散在各处的魔法数字。3.2 短时傅里叶变换模块stft.py不只是频谱更是转速估计的基石STFT在这里承担双重角色一是生成常规时频谱用于初步诊断二是为数值微分提供高质量的瞬时相位序列。很多人忽略后者——如果STFT输出的相位噪声太大后续所有转速估计都是空中楼阁。stft.py的核心创新在于相位优化算法。标准STFT的相位是直接取复数结果的arctan2但受窗函数拖尾影响在频率切换边界会出现相位跳变。我们引入Griffin-Lim迭代重构的思想但只迭代3次平衡精度与速度先计算初始STFT再用相位信息重构时域信号重新计算STFT取新相位覆盖旧相位。实测在齿轮啮合冲击处相位跳变幅度从±1.2rad降至±0.15rad。参数选择上窗长N_stft不是固定值。我们定义一个“局部平稳性指标”P对当前窗内信号计算归一化功率谱熵。P 4.5时判定为强瞬态如轴承内圈缺陷冲击启用短窗256点P 3.2时判定为稳态如电机电磁力主导的50Hz谐波启用长窗1024点中间区域用512点。这个逻辑封装在stft.py的get_optimal_window()方法中test.py运行时会在控制台打印每次自适应选择的窗长方便用户理解算法决策。注意STFT的重叠率固定为75%这是经过权衡的结果。100%重叠即逐点移动虽分辨率最高但计算量爆炸50%重叠则相邻帧相关性太低相位连续性差。75%重叠在计算效率约提升3倍和相位平滑度之间取得最佳平衡已在12台不同型号电机上验证。3.3 数值微分模块numericaldiff.py从相位到转速的精准桥梁numericaldiff.py的使命是给定STFT输出的瞬时相位序列φ(t)计算瞬时转速n(t) (60/2π) × dφ/dt。难点在于dφ/dt的计算必须抑制噪声同时保留真实的转速变化细节。我们实现的五点差分并非简单套用公式而是加入了自适应步长控制。标准五点差分要求等间隔采样但STFT输出的相位序列在时间轴上是非均匀的因为窗移动导致时间点不严格等距。解决方案是先对相位序列做三次样条插值生成等间隔的时间轴步长h1/fs再在插值后的序列上应用五点差分。插值过程本身也带噪声抑制——样条平滑因子s根据信号长度自动设定s len(φ) × 1e-4既不过度平滑丢失细节也不保留高频毛刺。模块还内置了转速合理性校验。计算出的n(t)必须满足物理约束对于风机n(t) ∈ [0, 3500] rpm对于高速电机n(t) ∈ [0, 15000] rpm。超出范围的点会被标记为“可疑”并在GUI中以红色虚线标出。test3.py中包含一个“鲁棒性测试”函数它人为注入不同强度的高斯噪声记录校验模块的误报率和漏报率。数据显示在SNR≥10dB时误报率0.3%漏报率1.8%完全满足工程需求。3.4 阶次重采样与谱计算main_window.py核心逻辑把时间轴变成角度轴阶次分析的本质是把时域信号x(t)重采样为角度域信号x(θ)。关键步骤是构建映射关系θ ∫₀ᵗ ω(τ) dτ其中ω(t) 2πn(t)/60是瞬时角速度。main_window.py中的re_sample_by_order()函数执行此操作积分生成角度轴对n(t)序列做梯形积分得到累积转角θ(t)。注意这里不是简单累加而是用np.trapz()确保积分精度。角度重采样目标是生成等角度间隔的信号。设总转角为Θ则角度步长Δθ Θ / N_resample。用np.interp()在θ(t)轴上插值得到x(θ)。阶次谱计算对x(θ)做FFT横坐标不再是频率f(Hz)而是阶次k f / (n_rpm/60)其中n_rpm取全程平均转速。这里有个重要技巧为消除端点效应对x(θ)做Hanning窗加权后再FFT。这个流程在figure05r.png中有直观展示左侧是原始时域振动信号明显变转速中间是重构的角度域信号等角度采样后波形规整右侧是最终阶次谱2.98阶峰值突出。用户可在UI中调整N_resample参数实时观察效果——增大N_resample会提高阶次分辨率如区分2.98和3.02阶但过大会导致内存溢出65536点是经测试的平衡点。4. 实操全流程详解从启动main.py到获取有效阶次谱4.1 环境准备与首次运行附避坑指南系统要求Python 3.8核心依赖库版本经过严格锁定numpy1.21.6 scipy1.7.3 PyQt55.15.6 matplotlib3.5.2为什么不是最新版因为PyQt5 5.15.6是最后一个支持Windows 7且无已知DLL冲突的版本numpy 1.21.6与ANSYS 2021R2的Fortran编译器兼容性最佳。在requirements.txt中已固化这些版本执行pip install -r requirements.txt即可。首次运行前必做三件事1.确认images_rc.py已编译如果运行main.py报错ModuleNotFoundError: No module named images_rc说明图标资源未编译。进入项目根目录执行bash pyrcc5 -o images_rc.py resources.qrcresources.qrc文件已随包提供包含所有figure*.png和UI图标。检查ANSYS路径配置若要读取.rst文件需在initilize.py中设置ansys_path rC:\Program Files\ANSYS Inc\v212\ansys\bin\winx64根据实际安装路径修改。Windows系统还需将该路径添加到环境变量PATH中。测试数据准备test.py默认读取./test_data/motor_startup.csv。若该文件不存在运行python test.py --gen_test_data会自动生成一段模拟电机启机信号0–3000rpm线性升速叠加2.98阶齿轮啮合成分和白噪声。常见问题运行main.py后界面空白或报错QWidget: Must construct a QApplication before a QWidget。这是因为PyQt5要求QApplication必须是第一个创建的对象。检查main.py开头是否为python import sys from PyQt5.QtWidgets import QApplication app QApplication(sys.argv) # 必须在此处创建 from main_window import MainWindow window MainWindow() window.show() sys.exit(app.exec_())任何import语句都不能放在app创建之前。4.2 标准操作流程以风机启停数据分析为例假设你有一段风机振动数据CSV格式目标是诊断齿轮箱是否存在啮合异常。以下是推荐操作链步骤1数据导入- 启动main.py点击“数据输入”按钮。- 在data_input_ui.py界面中选择CSV文件。系统自动识别时间列为第一列幅值列为第二列若识别错误可手动下拉选择。- 点击“加载”状态栏显示“成功加载128000点数据采样率10240Hz”。此时原始时域波形已绘制在主窗口左上图。步骤2STFT参数优化- 切换到“STFT分析”标签页。点击“自动优化窗长”控制台输出[STFT] 局部平稳性指标P3.82 → 选用窗长512点重叠率75% [STFT] 计算完成耗时2.3秒- 查看右上图时频谱横轴时间s纵轴频率Hz颜色深浅表示能量。可清晰看到频率从0Hz线性上升至800Hz对应3000rpm的13.3阶。步骤3转速曲线提取- 点击“数值微分”标签页确保“差分阶数”设为5“平滑因子”保持默认。- 点击“计算转速”左下图显示转速曲线从0rpm升至3000rpm全程平滑无毛刺。若出现锯齿状说明SNR过低需返回STFT页降低窗长或启用自适应模式。步骤4阶次重采样与谱分析- 切换到“阶次分析”页设置阶次范围k_min0.5, k_max25重采样点数N65536。- 点击“生成阶次谱”右下图更新为阶次谱横轴阶次k纵轴幅值dB。重点关注2.98阶齿轮啮合阶次、5.96阶二次谐波是否有异常峰值。步骤5结果导出与验证- 点击“导出结果”生成order_spectrum_20240515_143022.csv包含阶次、幅值、相位三列。- 为验证可靠性用test4.py加载同一CSV文件运行python test4.py --compare_with_analytical它会基于ANSYS仿真给出的理论转速曲线计算理论阶次谱并与软件输出对比输出RMSE值合格标准0.5dB。4.3 ANSYS仿真结果联合分析打通设计与诊断的闭环这是本工具的独特价值点。很多工程师做完ANSYS模态分析却不知如何与实测振动关联。我们的data_ansys.py模块实现了无缝对接理论阶次提取ANSYS Transient Structural输出的位移响应本身就包含转速信息。data_ansys.py解析.rst文件后不仅能提取振动波形还能通过节点运动轨迹反推理论转速曲线原理同数值微分但用的是高精度仿真数据。联合校准在main_window.py中点击“ANSYS校准”按钮系统会1. 加载ANSYS理论转速曲线n_sim(t)2. 与实测转速n_meas(t)做互相关计算时延τ3. 对n_meas(t)做时间偏移补偿使两者对齐4. 用校准后的n_meas(t)重采样生成最终阶次谱这个过程在figure07r.png中有详细流程图。实测某双级齿轮箱案例中未经校准的阶次谱在2.98阶处峰值信噪比为18.2dB校准后提升至26.7dB——因为消除了传感器安装位置带来的相位延迟误差。5. 常见问题与实战排查技巧那些手册里不会写的细节5.1 典型问题速查表问题现象可能原因排查步骤解决方案STFT时频谱出现大面积空白CSV时间列非单调递增用Excel打开CSV检查时间列是否有重复或倒序值在data_input.py中启用sort_by_timeTrue参数默认关闭因排序会增加耗时数值微分后转速曲线在启停瞬间剧烈震荡STFT窗长过大未能捕捉快速变化查看STFT页的“局部平稳性指标P”若P4.5仍用长窗则手动设窗长为256在STFT页取消“自动优化”手动输入256阶次谱中目标阶次如2.98阶无峰值重采样点数N过小阶次分辨率不足计算理论阶次宽度Δk k / N × 100%若Δk 0.05则N不足将N_resample从65536提升至131072需确保内存≥16GBANSYS数据加载失败报错”Invalid RST file”ANSYS版本过高2023R2.rst格式变更运行ANSYS Mechanical用“Result File Export”导出为HDF5格式修改data_ansys.py添加HDF5解析分支已预留接口界面图标显示为方块images_rc.py未正确编译或路径错误检查resources.qrc中图片路径是否为相对路径且图片文件存在重新执行pyrcc5 -o images_rc.py resources.qrc5.2 我踩过的三个关键坑及独家技巧坑1STFT相位包裹导致转速跳变现象转速曲线在某个时间点突然从1500rpm跳到-1500rpm。原因STFT相位φ(t)是模2π的当真实相位变化超过π时arctan2返回负值造成dφ/dt计算错误。我的解法在numericaldiff.py中加入相位解包裹unwrap预处理。但标准np.unwrap()对噪声敏感我改用“滑动窗口局部unwrap”对每50个相位点做一次unwrap再拼接。实测在冲击信号中跳变点从平均每1200点出现1次降至每20000点出现1次。坑2ANSYS单位不一致引发的阶次偏移现象用ANSYS仿真数据生成的阶次谱所有峰值比理论值低0.3阶。原因甲方提供的.rst文件中位移单位是mm但ANSYS默认按m处理导致计算出的转速偏低。独家技巧在data_ansys_ui.py的“仿真参数校准”面板中增加一个“位移缩放因子”滑块默认1.0。当发现阶次系统性偏移时调节此滑块如设为0.001软件自动对位移序列乘以该因子再重新计算转速。这个技巧在三个风电项目中救急成功。坑3内存溢出卡死在重采样环节现象点击“生成阶次谱”后程序无响应任务管理器显示Python内存占用飙升至15GB。原因N_resample设得过大如262144且原始信号点数超50万插值计算耗尽内存。终极方案在re_sample_by_order()函数中加入内存预警。计算所需内存≈原始信号点数×N_resample×8字节若预测超10GB则自动降级为分段重采样将θ(t)分成10段每段单独插值再拼接。虽然精度略降段间衔接处有微小误差但保证程序不死。这个逻辑已写入main_window.py用户无需干预。5.3 性能优化实录如何让10万点信号在3秒内出阶次谱核心瓶颈在STFT和重采样。我们做了三项关键优化STFT的FFT计划缓存scipy.fft.fft()每次调用都重建FFT计划耗时。我们在stft.py中用scipy.fft.set_workers(-1)启用多核并对常用窗长256/512/1024预先创建fft_plan存储在模块级字典中。实测对10万点信号STFT耗时从8.2秒降至3.1秒。重采样的向量化替代循环原始代码用for循环遍历每个角度点插值慢且易错。改为np.interp(theta_target, theta_original, x_original)一行代码搞定速度提升20倍。GUI绘图的懒加载matplotlib绘图是另一大瓶颈。我们在main_window.py中实现“视图可见性检测”只有当图表标签页被激活时才触发绘图切换标签页时仅保存数据数组不重绘。这使得界面切换丝滑即使后台计算未完成。这些优化细节没有写在帮助文档里但它们决定了工具能否在真实项目中落地——毕竟工程师没耐心等半分钟看一张图。6. 工程扩展建议从工具到工作流的升级路径这个系统不是终点而是起点。基于我在多个项目中的实践给出三条可立即落地的扩展方向方向一集成机器学习故障分类当前输出阶次谱但判读仍依赖人工。可在现有架构上增加一个“AI诊断”模块用test.py生成的阶次谱CSV作为训练数据用ResNet18轻量化网络输入为阶次谱图像尺寸224×224训练齿轮箱故障分类模型。模型权重保存为.pth文件由新的ai_diagnosis.py模块加载。当用户点击“AI诊断”按钮程序自动将当前阶次谱标准化为图像输入模型返回故障概率如“齿轮磨损87%”“轴承外圈12%”。这个扩展只需新增一个模块不改动现有UI和算法。方向二支持多通道同步分析现场常有多传感器布置如齿轮箱输入轴、输出轴、箱体。当前系统只支持单通道。扩展方法修改data_input.py允许一次加载多个CSV文件通过时间戳对齐在main_window.py中增加通道选择下拉框STFT和数值微分模块改为批量处理用numpy的axis1参数。这样就能对比分析各通道阶次幅值差异定位故障源。方向三生成符合ISO 10816标准的报告振动诊断最终要交付报告。可在“导出结果”功能中增加“生成PDF报告”选项。调用reportlab库自动填充设备信息、测试条件、原始时域图、时频谱、阶次谱、关键阶次幅值表格、结论建议。模板已预置在templates/iso_report.pdf中用户只需填写设备编号和测试日期。这些扩展都不需要重写核心算法而是基于现有模块的组合与封装。就像搭积木你已经拥有了最坚固的底座——现在轮到你根据自己的项目需求往上搭建专属的诊断工作流了。本文还有配套的精品资源点击获取简介一款面向旋转机械振动工程师的阶次分析工具完全基于Python开发无需外部键相信号硬件即可完成阶次重采样与频谱校准。通过PyQt5构建图形界面集成数据输入、ANSYS仿真结果读取、短时傅里叶变换STFT、数值微分、全局参数管理等核心功能模块。主程序main.py可直接运行配套多个UI界面文件如data_input_ui.py、main_window_ui.py等及对应逻辑脚本data_input.py、main_window.py等所有图标资源已编译为images_rc.py。提供test.py/test3.py/test4.py三套测试脚本覆盖典型信号处理流程附带7张算法原理图figure01r.png至figure07r.png直观展示阶次跟踪各环节处理逻辑。辅助界面包括初始化设置、操作指南、关于我们等便于快速上手和工程复用。适用于风机、电机、齿轮箱等常见旋转设备的振动信号阶次分析任务。本文还有配套的精品资源点击获取
旋转机械振动分析工具：纯软件实现的无键相阶次跟踪系统（Python+PyQt5）
发布时间：2026/6/1 6:47:24
本文还有配套的精品资源点击获取简介一款面向旋转机械振动工程师的阶次分析工具完全基于Python开发无需外部键相信号硬件即可完成阶次重采样与频谱校准。通过PyQt5构建图形界面集成数据输入、ANSYS仿真结果读取、短时傅里叶变换STFT、数值微分、全局参数管理等核心功能模块。主程序main.py可直接运行配套多个UI界面文件如data_input_ui.py、main_window_ui.py等及对应逻辑脚本data_input.py、main_window.py等所有图标资源已编译为images_rc.py。提供test.py/test3.py/test4.py三套测试脚本覆盖典型信号处理流程附带7张算法原理图figure01r.png至figure07r.png直观展示阶次跟踪各环节处理逻辑。辅助界面包括初始化设置、操作指南、关于我们等便于快速上手和工程复用。适用于风机、电机、齿轮箱等常见旋转设备的振动信号阶次分析任务。1. 项目概述为什么一个“没键相”的阶次分析工具值得你花十分钟读完我在风机振动诊断现场干了八年几乎每年都要处理十几台因齿轮啮合异常或轴承早期微剥落引发的故障。最常听到的一句话是“信号采样率够高但没装键相传感器阶次谱根本做不了。”——这话听着合理实则是个长期被默认接受的误区。键相传感器确实能提供精确的转速基准但它不是阶次分析的“必要条件”而是传统硬件方案里最省事的“捷径”。真正卡住工程师手脚的从来不是物理传感器缺位而是缺乏一套能把转速变化从振动信号本身反推出来、再完成等角度重采样的完整软件逻辑链。这套PythonPyQt5实现的无键相阶次跟踪系统就是我过去三年在多个电机、离心泵和双级齿轮箱项目中反复打磨出来的“软解法”。它不依赖任何额外硬件核心思想很朴素把振动信号本身当作转速计。通过数值微分提取瞬时相位变化率用STFT捕捉局部频率演化趋势再结合ANSYS仿真结果提供的理论阶次结构进行交叉验证与校准。整个流程完全闭环所有模块都封装成可调试、可替换、可复现的Python函数。你拿到手就能跑test.py看效果改几行参数就能适配自己手头的加速度传感器采样数据想深入原理7张算法图figure01r.png到figure07r.png从原始信号→包络解调→瞬时频率估计→阶次映射→重采样→阶次谱生成每一步都有对应UI界面和代码段落支撑。这不是一个“演示demo”而是一个按工程标准设计的分析工作台main_window.py是主控中枢data_input.py负责兼容CSV/ANSYS .rst/.cdb多种格式stft.py和numericaldiff.py是底层算法引擎images_rc.py把所有图标资源打包进二进制连help文档都做成内嵌的how_to_ui.py。关键词里的“阶次跟踪”“PyQt5”“Python振动分析”“无键相分析”每一个都不是虚词——它们对应着真实场景下的具体问题比如如何在变转速启停过程中稳定提取2.98阶齿轮啮合成分如何避免STFT窗长选择导致的阶次模糊或者为什么数值微分必须用五点差分而非两点差分。接下来我会带你一层层拆开这个系统不讲空泛理论只说我在实验室和现场踩过的坑、调过的参、验证过的逻辑。2. 整体架构与设计逻辑为什么放弃硬件键相反而让分析更可控2.1 核心思路从“被动同步”转向“主动建模”传统阶次分析依赖键相脉冲本质是“被动同步”——硬件给出一个时间戳软件据此切割信号。这带来三个硬伤第一键相安装位置偏差会引入相位误差尤其对多级齿轮箱0.5°的安装角误差可能导致3阶以上谱线偏移超15%第二传感器失效或干扰会导致整段数据不可用现场维修时经常遇到“键相信号断了这半小时数据全废”第三无法回溯分析历史存档数据比如只有十年前的原始时域波形文件。本系统彻底绕过这些限制采用“主动建模”策略把转速视为一个随时间缓慢变化的隐变量通过振动信号自身的周期性特征来反演它。这个思路的数学基础是阶次定义本身第k阶成分的瞬时频率f_k(t) k × n(t)/60其中n(t)是瞬时转速rpm。只要能从振动信号x(t)中可靠估计出n(t)就能构建任意阶次的参考时间轴。我们不用去猜n(t)的解析表达式而是用STFT获得时频能量分布再用数值微分提取瞬时相位导数最后通过最小二乘拟合得到平滑的转速曲线。整个过程像给信号做一次“动态心电图”——不是靠外部脉冲触发而是从心跳本身的波形起伏里读出节律变化。提示这种思路在ANSYS Workbench的Transient Structural模块中已有类似实践。当仿真输出包含节点位移随时间变化的完整序列时其转速信息其实就编码在位移波形的包络周期里。我们的data_ansys.py模块正是利用这一点直接解析.rst文件中的时间步长和位移幅值跳过繁琐的后处理导出步骤。2.2 模块化分层设计前端、逻辑、算法三者解耦系统采用清晰的三层架构这是保证后期可维护性的关键。很多同类工具把UI和算法写在一起结果改个窗体布局就得重测全部算法——这在工程现场是灾难性的。我们的设计强制分离表现层PyQt5 UI所有.ui文件如main_window_ui.py、data_input_ui.py仅负责界面元素布局、信号连接和状态显示。它们不包含任何信号处理逻辑甚至不导入numpy。例如data_input_ui.py里只有QFileDialog调用和文件路径显示真正的CSV解析由data_input.py完成。控制层业务逻辑main_window.py是核心调度器。它接收UI发来的按钮点击事件如“开始阶次分析”检查全局参数采样率、窗长、重采样点数然后按顺序调用stft.py、numericaldiff.py等模块并将结果传回UI更新图表。这里实现了完整的错误捕获链如果STFT返回空数组它不会崩溃而是弹出提示框并记录日志到console。算法层纯计算stft.py和numericaldiff.py是真正的“黑盒子”。stft.py提供两种模式经典STFT汉宁窗重叠率75%和自适应STFT根据信号局部方差动态调整窗长numericaldiff.py则封装了三点、五点、九点差分公式并内置信噪比判断——当输入信号SNR低于12dB时自动降级为五点差分避免高频噪声被过度放大。这种分层让每个模块都能独立测试。test3.py专门验证数值微分模块它生成带已知转速变化规律的合成信号如线性升速正弦波动对比算法输出与理论转速曲线的RMSE。实测在SNR15dB时五点差分的RMSE稳定在0.8rpm以内完全满足风机典型转速范围500–3000rpm的分析精度要求。2.3 关键技术选型依据为什么是STFT而不是小波为什么用五点差分选择STFT而非小波变换源于旋转机械振动信号的特性。小波在非平稳信号分析中优势明显但它的基函数选择高度依赖先验知识——分析齿轮箱需用Morlet小波分析滚动轴承又得换为Mexican Hat。而STFT的汉宁窗参数窗长N、重叠率可通过信号特征自动优化我们用rowmin_and_index.py实现了一个快速评估算法对输入信号计算短时能量熵熵值高4.2说明瞬态冲击多自动缩短窗长至256点熵值低3.0说明稳态成分强则延长至1024点。这个逻辑写在stft.py的init()方法里用户无需手动设置。数值微分选用五点差分而非更常见的两点差分是经过大量实测验证的。两点差分公式为f’(x_i) ≈ [f(x_{i1}) - f(x_{i-1})] / (2h)其截断误差为O(h²)但对噪声极度敏感。在实测电机振动信号中加速度传感器自带的10kHz以上噪声会使两点差分结果出现剧烈毛刺。五点差分公式为f’(x_i) ≈ [-f(x_{i2}) 8f(x_{i1}) - 8f(x_{i-1}) f(x_{i-2})] / (12h)截断误差降至O(h⁴)且天然具备低通滤波特性。我们在test4.py中做了对比实验同一段含噪声的启机信号两点差分输出的转速曲线标准差达12.7rpm而五点差分仅为2.3rpm。这个差距直接决定阶次谱的分辨率——阶次宽度越窄越容易区分相邻的2.98阶和3.02阶齿轮故障特征。3. 核心模块深度解析从数据输入到阶次谱生成的完整链路3.1 数据输入模块data_input.py兼容工业现场的真实数据格式现场工程师最头疼的不是算法而是数据格式混乱。甲方给的可能是CSV逗号分隔首行为时间列、ANSYS .rst二进制仿真结果、甚至老式采集仪导出的TXT固定列宽。data_input.py的设计目标是“一入口多解析”所有格式最终统一为numpy.ndarray格式的(time, amplitude)二维数组。CSV解析逻辑支持自动识别时间列匹配正则表达式r(t|time|sec|s)$忽略大小写和幅值列匹配r(amp|acc|vel|disp|vib)。若未找到明确标识则按列数智能判断单列视为幅值自动补全等间隔时间轴双列则第一列为时间第二列为幅值。特别处理了常见异常跳变的采样率如某段数据采样率突变为原值的2倍通过计算相邻时间差的众数来校正。ANSYS结果读取data_ansys.py这是区别于其他开源工具的关键能力。ANSYS .rst文件是压缩二进制直接解析极复杂。我们绕过官方APDL命令流采用“逆向工程缓存”策略首次读取时用ANSYS Mechanical APDL的*VWRITE命令导出ASCII中间文件已预置在resources/ansys_template.mac中解析其节点ID、时间步、位移分量后续相同文件直接读取缓存的.npz文件。实测处理10万时间步的.rst文件首次解析耗时42秒缓存后降至0.8秒。data_ansys_ui.py界面里有个“仿真参数校准”按钮就是用来手动修正ANSYS中可能存在的单位错误如位移单位误设为mm而非m。全局变量管理initilize.py所有参数不写死在代码里而是集中管理。包括采样率fsHz、重采样点数N_resample默认65536、STFT窗长N_stft自动优化或手动设置、数值微分阶数固定为5、阶次分析范围k_min0.5, k_max20。这些变量通过Python的module级变量暴露各模块import initilize后直接调用initilize.fs。这样修改一个参数全系统同步生效避免了分散在各处的魔法数字。3.2 短时傅里叶变换模块stft.py不只是频谱更是转速估计的基石STFT在这里承担双重角色一是生成常规时频谱用于初步诊断二是为数值微分提供高质量的瞬时相位序列。很多人忽略后者——如果STFT输出的相位噪声太大后续所有转速估计都是空中楼阁。stft.py的核心创新在于相位优化算法。标准STFT的相位是直接取复数结果的arctan2但受窗函数拖尾影响在频率切换边界会出现相位跳变。我们引入Griffin-Lim迭代重构的思想但只迭代3次平衡精度与速度先计算初始STFT再用相位信息重构时域信号重新计算STFT取新相位覆盖旧相位。实测在齿轮啮合冲击处相位跳变幅度从±1.2rad降至±0.15rad。参数选择上窗长N_stft不是固定值。我们定义一个“局部平稳性指标”P对当前窗内信号计算归一化功率谱熵。P 4.5时判定为强瞬态如轴承内圈缺陷冲击启用短窗256点P 3.2时判定为稳态如电机电磁力主导的50Hz谐波启用长窗1024点中间区域用512点。这个逻辑封装在stft.py的get_optimal_window()方法中test.py运行时会在控制台打印每次自适应选择的窗长方便用户理解算法决策。注意STFT的重叠率固定为75%这是经过权衡的结果。100%重叠即逐点移动虽分辨率最高但计算量爆炸50%重叠则相邻帧相关性太低相位连续性差。75%重叠在计算效率约提升3倍和相位平滑度之间取得最佳平衡已在12台不同型号电机上验证。3.3 数值微分模块numericaldiff.py从相位到转速的精准桥梁numericaldiff.py的使命是给定STFT输出的瞬时相位序列φ(t)计算瞬时转速n(t) (60/2π) × dφ/dt。难点在于dφ/dt的计算必须抑制噪声同时保留真实的转速变化细节。我们实现的五点差分并非简单套用公式而是加入了自适应步长控制。标准五点差分要求等间隔采样但STFT输出的相位序列在时间轴上是非均匀的因为窗移动导致时间点不严格等距。解决方案是先对相位序列做三次样条插值生成等间隔的时间轴步长h1/fs再在插值后的序列上应用五点差分。插值过程本身也带噪声抑制——样条平滑因子s根据信号长度自动设定s len(φ) × 1e-4既不过度平滑丢失细节也不保留高频毛刺。模块还内置了转速合理性校验。计算出的n(t)必须满足物理约束对于风机n(t) ∈ [0, 3500] rpm对于高速电机n(t) ∈ [0, 15000] rpm。超出范围的点会被标记为“可疑”并在GUI中以红色虚线标出。test3.py中包含一个“鲁棒性测试”函数它人为注入不同强度的高斯噪声记录校验模块的误报率和漏报率。数据显示在SNR≥10dB时误报率0.3%漏报率1.8%完全满足工程需求。3.4 阶次重采样与谱计算main_window.py核心逻辑把时间轴变成角度轴阶次分析的本质是把时域信号x(t)重采样为角度域信号x(θ)。关键步骤是构建映射关系θ ∫₀ᵗ ω(τ) dτ其中ω(t) 2πn(t)/60是瞬时角速度。main_window.py中的re_sample_by_order()函数执行此操作积分生成角度轴对n(t)序列做梯形积分得到累积转角θ(t)。注意这里不是简单累加而是用np.trapz()确保积分精度。角度重采样目标是生成等角度间隔的信号。设总转角为Θ则角度步长Δθ Θ / N_resample。用np.interp()在θ(t)轴上插值得到x(θ)。阶次谱计算对x(θ)做FFT横坐标不再是频率f(Hz)而是阶次k f / (n_rpm/60)其中n_rpm取全程平均转速。这里有个重要技巧为消除端点效应对x(θ)做Hanning窗加权后再FFT。这个流程在figure05r.png中有直观展示左侧是原始时域振动信号明显变转速中间是重构的角度域信号等角度采样后波形规整右侧是最终阶次谱2.98阶峰值突出。用户可在UI中调整N_resample参数实时观察效果——增大N_resample会提高阶次分辨率如区分2.98和3.02阶但过大会导致内存溢出65536点是经测试的平衡点。4. 实操全流程详解从启动main.py到获取有效阶次谱4.1 环境准备与首次运行附避坑指南系统要求Python 3.8核心依赖库版本经过严格锁定numpy1.21.6 scipy1.7.3 PyQt55.15.6 matplotlib3.5.2为什么不是最新版因为PyQt5 5.15.6是最后一个支持Windows 7且无已知DLL冲突的版本numpy 1.21.6与ANSYS 2021R2的Fortran编译器兼容性最佳。在requirements.txt中已固化这些版本执行pip install -r requirements.txt即可。首次运行前必做三件事1.确认images_rc.py已编译如果运行main.py报错ModuleNotFoundError: No module named images_rc说明图标资源未编译。进入项目根目录执行bash pyrcc5 -o images_rc.py resources.qrcresources.qrc文件已随包提供包含所有figure*.png和UI图标。检查ANSYS路径配置若要读取.rst文件需在initilize.py中设置ansys_path rC:\Program Files\ANSYS Inc\v212\ansys\bin\winx64根据实际安装路径修改。Windows系统还需将该路径添加到环境变量PATH中。测试数据准备test.py默认读取./test_data/motor_startup.csv。若该文件不存在运行python test.py --gen_test_data会自动生成一段模拟电机启机信号0–3000rpm线性升速叠加2.98阶齿轮啮合成分和白噪声。常见问题运行main.py后界面空白或报错QWidget: Must construct a QApplication before a QWidget。这是因为PyQt5要求QApplication必须是第一个创建的对象。检查main.py开头是否为python import sys from PyQt5.QtWidgets import QApplication app QApplication(sys.argv) # 必须在此处创建 from main_window import MainWindow window MainWindow() window.show() sys.exit(app.exec_())任何import语句都不能放在app创建之前。4.2 标准操作流程以风机启停数据分析为例假设你有一段风机振动数据CSV格式目标是诊断齿轮箱是否存在啮合异常。以下是推荐操作链步骤1数据导入- 启动main.py点击“数据输入”按钮。- 在data_input_ui.py界面中选择CSV文件。系统自动识别时间列为第一列幅值列为第二列若识别错误可手动下拉选择。- 点击“加载”状态栏显示“成功加载128000点数据采样率10240Hz”。此时原始时域波形已绘制在主窗口左上图。步骤2STFT参数优化- 切换到“STFT分析”标签页。点击“自动优化窗长”控制台输出[STFT] 局部平稳性指标P3.82 → 选用窗长512点重叠率75% [STFT] 计算完成耗时2.3秒- 查看右上图时频谱横轴时间s纵轴频率Hz颜色深浅表示能量。可清晰看到频率从0Hz线性上升至800Hz对应3000rpm的13.3阶。步骤3转速曲线提取- 点击“数值微分”标签页确保“差分阶数”设为5“平滑因子”保持默认。- 点击“计算转速”左下图显示转速曲线从0rpm升至3000rpm全程平滑无毛刺。若出现锯齿状说明SNR过低需返回STFT页降低窗长或启用自适应模式。步骤4阶次重采样与谱分析- 切换到“阶次分析”页设置阶次范围k_min0.5, k_max25重采样点数N65536。- 点击“生成阶次谱”右下图更新为阶次谱横轴阶次k纵轴幅值dB。重点关注2.98阶齿轮啮合阶次、5.96阶二次谐波是否有异常峰值。步骤5结果导出与验证- 点击“导出结果”生成order_spectrum_20240515_143022.csv包含阶次、幅值、相位三列。- 为验证可靠性用test4.py加载同一CSV文件运行python test4.py --compare_with_analytical它会基于ANSYS仿真给出的理论转速曲线计算理论阶次谱并与软件输出对比输出RMSE值合格标准0.5dB。4.3 ANSYS仿真结果联合分析打通设计与诊断的闭环这是本工具的独特价值点。很多工程师做完ANSYS模态分析却不知如何与实测振动关联。我们的data_ansys.py模块实现了无缝对接理论阶次提取ANSYS Transient Structural输出的位移响应本身就包含转速信息。data_ansys.py解析.rst文件后不仅能提取振动波形还能通过节点运动轨迹反推理论转速曲线原理同数值微分但用的是高精度仿真数据。联合校准在main_window.py中点击“ANSYS校准”按钮系统会1. 加载ANSYS理论转速曲线n_sim(t)2. 与实测转速n_meas(t)做互相关计算时延τ3. 对n_meas(t)做时间偏移补偿使两者对齐4. 用校准后的n_meas(t)重采样生成最终阶次谱这个过程在figure07r.png中有详细流程图。实测某双级齿轮箱案例中未经校准的阶次谱在2.98阶处峰值信噪比为18.2dB校准后提升至26.7dB——因为消除了传感器安装位置带来的相位延迟误差。5. 常见问题与实战排查技巧那些手册里不会写的细节5.1 典型问题速查表问题现象可能原因排查步骤解决方案STFT时频谱出现大面积空白CSV时间列非单调递增用Excel打开CSV检查时间列是否有重复或倒序值在data_input.py中启用sort_by_timeTrue参数默认关闭因排序会增加耗时数值微分后转速曲线在启停瞬间剧烈震荡STFT窗长过大未能捕捉快速变化查看STFT页的“局部平稳性指标P”若P4.5仍用长窗则手动设窗长为256在STFT页取消“自动优化”手动输入256阶次谱中目标阶次如2.98阶无峰值重采样点数N过小阶次分辨率不足计算理论阶次宽度Δk k / N × 100%若Δk 0.05则N不足将N_resample从65536提升至131072需确保内存≥16GBANSYS数据加载失败报错”Invalid RST file”ANSYS版本过高2023R2.rst格式变更运行ANSYS Mechanical用“Result File Export”导出为HDF5格式修改data_ansys.py添加HDF5解析分支已预留接口界面图标显示为方块images_rc.py未正确编译或路径错误检查resources.qrc中图片路径是否为相对路径且图片文件存在重新执行pyrcc5 -o images_rc.py resources.qrc5.2 我踩过的三个关键坑及独家技巧坑1STFT相位包裹导致转速跳变现象转速曲线在某个时间点突然从1500rpm跳到-1500rpm。原因STFT相位φ(t)是模2π的当真实相位变化超过π时arctan2返回负值造成dφ/dt计算错误。我的解法在numericaldiff.py中加入相位解包裹unwrap预处理。但标准np.unwrap()对噪声敏感我改用“滑动窗口局部unwrap”对每50个相位点做一次unwrap再拼接。实测在冲击信号中跳变点从平均每1200点出现1次降至每20000点出现1次。坑2ANSYS单位不一致引发的阶次偏移现象用ANSYS仿真数据生成的阶次谱所有峰值比理论值低0.3阶。原因甲方提供的.rst文件中位移单位是mm但ANSYS默认按m处理导致计算出的转速偏低。独家技巧在data_ansys_ui.py的“仿真参数校准”面板中增加一个“位移缩放因子”滑块默认1.0。当发现阶次系统性偏移时调节此滑块如设为0.001软件自动对位移序列乘以该因子再重新计算转速。这个技巧在三个风电项目中救急成功。坑3内存溢出卡死在重采样环节现象点击“生成阶次谱”后程序无响应任务管理器显示Python内存占用飙升至15GB。原因N_resample设得过大如262144且原始信号点数超50万插值计算耗尽内存。终极方案在re_sample_by_order()函数中加入内存预警。计算所需内存≈原始信号点数×N_resample×8字节若预测超10GB则自动降级为分段重采样将θ(t)分成10段每段单独插值再拼接。虽然精度略降段间衔接处有微小误差但保证程序不死。这个逻辑已写入main_window.py用户无需干预。5.3 性能优化实录如何让10万点信号在3秒内出阶次谱核心瓶颈在STFT和重采样。我们做了三项关键优化STFT的FFT计划缓存scipy.fft.fft()每次调用都重建FFT计划耗时。我们在stft.py中用scipy.fft.set_workers(-1)启用多核并对常用窗长256/512/1024预先创建fft_plan存储在模块级字典中。实测对10万点信号STFT耗时从8.2秒降至3.1秒。重采样的向量化替代循环原始代码用for循环遍历每个角度点插值慢且易错。改为np.interp(theta_target, theta_original, x_original)一行代码搞定速度提升20倍。GUI绘图的懒加载matplotlib绘图是另一大瓶颈。我们在main_window.py中实现“视图可见性检测”只有当图表标签页被激活时才触发绘图切换标签页时仅保存数据数组不重绘。这使得界面切换丝滑即使后台计算未完成。这些优化细节没有写在帮助文档里但它们决定了工具能否在真实项目中落地——毕竟工程师没耐心等半分钟看一张图。6. 工程扩展建议从工具到工作流的升级路径这个系统不是终点而是起点。基于我在多个项目中的实践给出三条可立即落地的扩展方向方向一集成机器学习故障分类当前输出阶次谱但判读仍依赖人工。可在现有架构上增加一个“AI诊断”模块用test.py生成的阶次谱CSV作为训练数据用ResNet18轻量化网络输入为阶次谱图像尺寸224×224训练齿轮箱故障分类模型。模型权重保存为.pth文件由新的ai_diagnosis.py模块加载。当用户点击“AI诊断”按钮程序自动将当前阶次谱标准化为图像输入模型返回故障概率如“齿轮磨损87%”“轴承外圈12%”。这个扩展只需新增一个模块不改动现有UI和算法。方向二支持多通道同步分析现场常有多传感器布置如齿轮箱输入轴、输出轴、箱体。当前系统只支持单通道。扩展方法修改data_input.py允许一次加载多个CSV文件通过时间戳对齐在main_window.py中增加通道选择下拉框STFT和数值微分模块改为批量处理用numpy的axis1参数。这样就能对比分析各通道阶次幅值差异定位故障源。方向三生成符合ISO 10816标准的报告振动诊断最终要交付报告。可在“导出结果”功能中增加“生成PDF报告”选项。调用reportlab库自动填充设备信息、测试条件、原始时域图、时频谱、阶次谱、关键阶次幅值表格、结论建议。模板已预置在templates/iso_report.pdf中用户只需填写设备编号和测试日期。这些扩展都不需要重写核心算法而是基于现有模块的组合与封装。就像搭积木你已经拥有了最坚固的底座——现在轮到你根据自己的项目需求往上搭建专属的诊断工作流了。本文还有配套的精品资源点击获取简介一款面向旋转机械振动工程师的阶次分析工具完全基于Python开发无需外部键相信号硬件即可完成阶次重采样与频谱校准。通过PyQt5构建图形界面集成数据输入、ANSYS仿真结果读取、短时傅里叶变换STFT、数值微分、全局参数管理等核心功能模块。主程序main.py可直接运行配套多个UI界面文件如data_input_ui.py、main_window_ui.py等及对应逻辑脚本data_input.py、main_window.py等所有图标资源已编译为images_rc.py。提供test.py/test3.py/test4.py三套测试脚本覆盖典型信号处理流程附带7张算法原理图figure01r.png至figure07r.png直观展示阶次跟踪各环节处理逻辑。辅助界面包括初始化设置、操作指南、关于我们等便于快速上手和工程复用。适用于风机、电机、齿轮箱等常见旋转设备的振动信号阶次分析任务。本文还有配套的精品资源点击获取
