信号分析方法总结.doc

信号分析方法总结 随机信号：不能用明确的数学表达式来表示，它反映的通常是一个随机过程，只能用概率和统计的方法来描述。 随机现象的单个时间历程称为样本函数。随机现象可能产生的全部样本函数的集合，称为随机过程 振动信号的时域分析方法 时间历程 描述信号随着时间的变化情况。 平均值 均方值用来描述信号的平均能量或平均功率 均方根值（RMS）为均方值的正平方根。是信号幅度最恰当的量度 方差表示信号偏离其均值的程度，是描述数据的动态分量 斜度反映随机信号的幅值概率密度函数对于纵坐标的不对称性 峭度对大幅值非常敏感。当其概率增加时，值将迅速增大，有利于探测奇异振动信号 信号的预处理： 预滤波 零均值化：消除数据中的直流分量 。 错点剔除：以标准差为基础的野点剔除法 消除趋势项 相关分析 1 自相关分析a=xcorr(x) 自相关函数描述一个时刻的信号与另一时刻信号之间的相互关系 工程上利用自相关函数检查混杂在随机噪声中有无周期性信号 2 互相关函数a=xcorr(x,y) 利用互相关函数所提供的延迟信号，可以研究信号传递通道和振源情况，也可以检测隐藏在外界噪声中的信号 振动信号的频域分析方法 1 自功率谱密度函数（自谱） 自功率谱描述了信号的频率结构，反映了振动能量在各个频率上的分布情况，因此在工程上应用十分广泛 2 互功率谱密度函数（互谱） 互谱不像自谱那样具有比较明显的物理意义，但它在频率域描述两个随机过程的相关性是有意义的。 3 频响函数 它是被测系统的动力特性在频域内的表现形式 4 相干函数 表示整个频段内响应和激励之间的相关性=0表示不相干，=1完全相干，即响应完全由激励引起，干扰为零。相干函数可以用来检验频响函数和互谱的测量精度和置信水平，也可以用来识别噪声的声源和非线性程度。一般认为相干值大于0.8时，频响函数的估计结果比较准确可靠。 5 倒频谱分析 z=rceps(y) 倒频谱变换是频域信号的傅里叶积分变换再变换。时域信号经过傅里叶变换可转换为频率函数或功率谱密度函数，如果频谱图上呈现出复杂的周期结构而难以分辨时，对功率谱密度取对数后，再进行一次傅里叶积分变换，可以使周期结构呈便于识别的谱线形式。 6 细化分析 czt 细化也称为带选傅里叶分析。其基本原理是对所需细化频段的信号进行频移，滤波，重采样处理，使该频段内的谱线变密 7 三分之一倍频程谱 将全频域按几何等比级数的间隔划分，使得中心频率fc取做带宽上、下限f1、f2的几何平均值，且带宽h＝f2－f1 总是和中心频率fc保持一常数关系，h＝v×fc。如果v等于根号二的倒数（0.707)，那么f2＝2f1，则定义这样的频率带宽叫倍频程带宽；如果v等于三倍根号二的倒数（0.236），那么h＝0.236fc，则定义这样的频率带宽为1/3倍频程带宽。 (9) (10) 式中：P是Cauchy主值；式（9）是Hilbert正变换；式（10）是Hilbert反变换。（ft）和y（t）可以组成一个共轭复数对，于是得到对应于实信号（ft）一个复解析信号z（t）： (11) (12) (13) 幅度函数a（t）和相位函数兹（t）都是时间的实函数，称之为Hilbert变换的瞬时幅度和瞬时相位，它们能很好的描述一个信号的局部特性，瞬时相位对时间的导数，可以定义为瞬时频率： (14) 对采样信号进行周期拓延，可以为了有效的抑制进行HHT时产生的端点效应，对其做自相关处理，可以克服噪声的干扰、凸现特征信号。由于信号经过EMD分解后会产生一些虚假的IMF分量，尤其在低频部分，对IMF分量进行相关系数判断，以达到去除伪分量的目的。 构建仿真信号如下： y=sin(10*pi*t)+sin(20*pi*t)+rand(1,length(t)) t=0:0.01:1; 先进行周期拓延 图2（a）周期拓延后的时间历程 自相关函数 图2（b）自相关函数时间历程 EMD分解 图2（c）IMF分量时间历程 利用相关系数除去虚伪分量 emd分量后产生了5个IMF分量，计算各个IMF分量和自相关时间历程的相关系数，设定阈值为0.1，小于0.1的即认为是伪分量。结果如下表 IMF分量 IMF1 IMF2 IMF3 IMF4 IMF5 相关系数 0.7052 0.5912 0.1824 -0.1263 0.0911 所以认为IMF4，IMF5为虚假分量，计算IMF1，IMF2，IMF3的瞬时频率，并计算边际谱，如图2（d），2（e）所示。 图2（d）自相关去除伪分量后的瞬时频率 图2（e）自相关去除伪分量后的边际谱 从图2（d），2（e）中可以看出周