©2020-2024 ioDraw All rights reserved,
Privacy Policy
频域分析是按照频率观察信号特征。在一般情况下，我们分析信号习惯从时域方向开始，因为时域的分析更加直观
，但频域的表示更加简洁，从这方面去分析对信号了解更加深刻。通过分析振动信号的频域特征准确地表征信号频谱信息，然后获悉在不同工况下部件运行时的健康状态。目前常用的频域特征参数包括
重心频率、平均频率、均方根频率以及频率标准差。进行频域分析通常利用傅里叶变换开始。
首先来介绍一下计算频域特征的一个重要参量——功率谱，由于功率谱对功率信号还有其他随机信号的普遍适用性，故不采用简单频谱作为参考依据。
但对于普通随机信号是可以直接采用频谱的。
功率谱定义：功率谱是原信号傅立叶变换的平方并除以采样点数N，称功率谱密度函数，被定义为单位频带内的信号功率，即表示了信号功率随着频率的变化情况。
而维纳-辛钦定理也指出：一个信号的功率谱密度就是该信号自相关函数的傅里叶变换。
功率谱单位为W/Hz。
import numpy as np def get_fft_power_spectrum(y_values, N, f_s, f): f_values =
np.linspace(0.0, f_s/f, N/f) fft_values_ = np.abs(fft(y_values)) fft_values =
2.0/N * (fft_values_[0:N/2]) # 频率真实幅值分布，单边频谱图，再把所有点频率大小表示出来*2 # power spectrum
直接周期法 ps_values = fft_values**2 / N # 自相关傅里叶变换法 cor_x = np.correlate(y_values,
y_values, 'same') # 自相关 cor_X = fft(cor_x, N) ps_cor = np.abs(cor_X)
ps_cor_values = 10*np.log10(ps_cor[0:N/2] / np.max(ps_cor)) return f_values,
fft_values, ps_values, ps_cor_values
上述式中返回值，f_values设置的范围，fft_values为所有信号点的傅里叶变换值，ps_values是直接周期法功率,
ps_cor_values是自相关下的对数功率。
1.
重心频率：用来描述信号在频谱中分量较大的信号成分的频率，反映信号功率谱的分布情况。即对于给定的频带范围，低于重心频率的频率范围内包含的能量是信号总能量的一半。
其中P(k)为对应功率谱值，fk为对应点的频率幅值大小。低频幅值较大时，重心距离原点较近
x = np.loadtxt(./.txt) N = len(x) f_s = 12000 f_values, fft_values, ps_values,
ps_cor_values = get_fft_power_spectrum(x, N, f_s, 2) # 直接取周期法功率 P = ps_values f
= fft_values S = [] for i in range(N//2): P1 = P[i] f1 = fft_values[i] s1 =
P1*f1 S.append(s1) # 求取重心频率 S1 = np.sum(S)/np.sum(P)
2. 平均频率：功率谱值平均值。
S2 = np.sum(P)/N #这个N是P的个数，并不是采样点数
3.频率标准差：重心频率为中心的惯性半径。我的理解是信号频率分布越离散，这个均方根频率越大。
其中S1为重心频率。
S = [] for i in range(N//2): P1 = P[i] f1 = fft_values[i] s2 = P1*((f1-S1)**2)
S.append(s2) S3 = np.sqrt(np.sum(S) / np.sum(P))
4. 均方根频率：均方频率的算数平方根。均方根频率可以看做惯性半径，可以反馈出信号的频率分布。
公式：
S = [] for i in range(N//2): P1 = P[i] f1 = fft_values[i] s2 = P1*(f1**2)
S.append(s2) S4 = np.sqrt(np.sum(S) / np.sum(P))
以上便是几种常用的频域特征及其python实现，希望多交流学习。