白银时代的博客

——致敬王济老师《matlab在振动信号处理中的应用》  自2013年“工业4.0”概念提出后，工业大数据分析与应用领域的发展可谓日新月异，不断为社会贡献各种可能。作为振动噪声领域的从业者，不禁要思考，振动噪声数据作为工业大数据的重要分支，其蕴含的信息量是巨大的，为什么没有被重点关注？我们又该如何挖掘其价值呢？  针对第一个问题，笔者认为振动信号之所以没有被重点关注，是因为其知识门槛较高，比如对工业中常用的水泵的健康管理来说，什么信息最有用？流量、压力啊！一旦水泵有了故障，流量、压力肯定上不去了。对于.

文章目录一、概述二、最小二乘法去除趋势项原理三、python模块介绍3.1 scikitlearn简介（1）转化器(Transformer)（2）估计器(Estimator)3.2 线性回归LinearRegression3.3 多项式PolynomialFeatures3.4 工作流Pipeline四、python代码实现4.1 构造模拟信号4.2 编写去除趋势项主代码4.3 展示算法效果五、TIPS一、概述  在振动测试过程中，传感器或采集设备由于自身性能问题或受环境干扰（如温度、供电等影响），容易

文章目录一、概述二、算法原理三、python代码实现3.1 构造模拟信号3.2 编写平滑处理代码3.3 展示算法效果一、概述  通过采集仪和传感器采样得到的振动信号数据往往叠加有噪声信号。噪声信号除了有50Hz的工频干扰及其倍频程等周期性的干扰信号外，还有不规则的随机干扰信号。由于随机干扰信号的频带较宽，有时高频部分所占比例较大，是的采集得到的振动曲线呈现较多毛刺。为了削弱干扰信号的影响，提高曲线光滑度，常常需要对采样数据进行平滑处理。  此外，数据平滑还有一个特殊用途，即消除信号的不规则趋势项。在振

文章目录一、概述二、算法原理三、SciPy以及scipy.fftpack介绍3.1 SciPy介绍3.2 scipy.fftpack介绍四、python代码实现4.1 构造模拟信号4.2 编写频域滤波方法3.3 展示算法效果四、TIPS一、概述  在振动信号分析中，数字滤波是通过数学运算的方法从采集信号中选取人们感兴趣的一部分信号的处理方法。数字滤波的主要作用有滤除测试信号中的噪声或虚假成分、提高信噪比、平滑分析数据、抑制干扰信号、分离频率分量等。用软件实现数字滤波的优点是系统函数具有可变性，仅依赖于算

文章目录一、概述二、算法原理2.1 数字滤波的时域方法简介2.1.1 时域滤波器的设计步骤2.1.2 IIR滤波器和FIR滤波器设计原理2.1.3 滤波器原型产生函数一、概述  在振动信号分析中，数字滤波是通过数学运算的方法从采集信号中选取人们感兴趣的一部分信号的处理方法。数字滤波的主要作用有滤除测试信号中的噪声或虚假成分、提高信噪比、平滑分析数据、抑制干扰信号、分离频率分量等。用软件实现数字滤波的优点是系统函数具有可变性，仅依赖于算法结构，并易于获得比较理想的滤波性能。所以软件滤波在滤波器的使用中起到

文章目录一、概述二、算法原理2.1 时域积分2.1 频域处理三、Python在中相关函数3.1 scipy.interger介绍3.2 scipy.fftpack介绍四、python代码实现4.1 时域积分3.2 频域处理四、TIPS一、概述  有实际测试经验的工程人员都知道，在很多情况下振动位移的测试是非常麻烦的，甚至有的情况下振动位移都无法直接进行测试。例如，在振动台上进行高层楼房模型试验时，要测试模型上的测点相对振动台台面的振动位移就十分困难，即使是测试绝对位移，也需要在振动台四周搭建传感器安装

文章目录一、概述二、算法原理2.1 概率分布函数和概率密度函数2.1.1 概率分布函数2.1.1 概率密度函数2.2 均值、均方根值及方差2.3 相关函数2.3.1 自相关函数2.3.2 互相关函数四、python代码实现四、TIPS一、概述  在振动信号大数据应用过程中，通常需要提取信息的特征数据。对于振动信号来说通常我们采用信号处理方法来得出相关振动信号的特征，用于进行大数据分析计算。  振动信号常用的时域信号特征包括：概率分布函数、均值、均方根值、方差、自相关函数和互相关函数等，本章将分别讲解这

文章目录一、概述二、算法原理2.1 平均周期图法2.2 自功率谱密度函数2.3 互功率谱密度函数2.4 频率响应函数2.5 相干函数三、Python中相关函数3.1 signal.welch3.2 signal.csd3.3 signal.coherence四、python代码实现4.1 构造模拟信号4.2 计算自功率谱密度4.3 计算互功率谱密度4.4 计算频率响应函数4.5 计算相干函数五、TIPS一、概述  在进行结构的动力特性测试中，结构上测得的振动响应信号中包含着大量的随机成分，特别是

文章目录一、概述二、各类窗函数的特点及在python中的实现2.1 矩形窗2.2 三角窗2.3 汉宁窗2.4 海明窗2.5 指数窗五、TIPS一、概述  通常意义下的傅里叶变换是针对无限长时间，但实际不可能进行无限长时间的信号采集，只能采集有限长时间的数据，这相当于用一个矩形时间窗函数对无限长时间的信号进行了截断。这种时域上的截断导致本来集中于某一频率下的能量，部分被分散到该频率附近的频域，造成频域分析出现误差，这种现象称为泄露。 减少信号截断造成的泄露有两种方法，一种是加大傅里叶变换的数据长度，另一

文章目录一、概述二、算法原理三、Python中算法实现四、TIPS一、概述  ZOOM-FFT称为细化的快速傅立叶变换，又称为选带快速傅立叶变换，是对信号的频率进行局部细化放大，使感兴趣的频带获得较高的频率分辨率。它的优点是：提高频域分辨率的同时，不增加算法的复杂度。二、算法原理  FFT虽然能够迅速方便地实现了数字频谱分析的功能，但是对于希望在某些感兴趣的频率范围内以较高的分辨率进行频域分析，传统的 FFT 就做不到了。因为普通 FFT在频域的分辨率是有一定限度的，其分析频率范围总是从0Hz 开始

三分之一倍频程谱是一种频率分析方法，它具有谱线少频带宽的特点。倍频程实际上是频域分析中频率的一种相对尺度。倍频程谱是由一系列频率点以及对应这些频率点附近的频带内信号的平均幅值（有效值）所构成。这些频率点称为中心频率fc，中心频率附近的频带出于下限频率fl和上限频率fu之间。三分之一倍频程谱是按逐级式频率进行分析的，它是由多个带通滤波器并联组成，为的是使这些带通滤波器的带宽覆盖整个分析频带。根据国籍电工委员会（IEC）的推荐，三分之一倍频程的中心频率为：fc = 1000*10^(3n/30)Hz (n

文章目录一、概述二、算法原理一、概述  倒频谱（Cepstrum）也叫倒谱、二次谱和对数功率谱等。倒频谱的工程型定义是：信号功率谱求对数后，进行傅立叶逆变换的结果。（信号→求功率谱→求对数→求傅里叶逆变换）。  该分析方法方便提取、分析原频谱图上肉眼难以识别的周期性信号，能将原来频谱图上成族的边频带谱线简化为单根谱线，受传感器的测点位置及传输途径的影响小。本文将介绍倒频谱在pyhon中的实现。二、算法原理  为什么翻译作倒频谱呢？我个人的理解是，频谱（功率谱）反应的频率特征点横坐标是频率f（Hz）

文章目录一、概述二、算法原理三、python中具体实现3.1 构造模拟频响函数3.2 寻找共振频率3.3 截取共振频率附近圆弧计算待定系数3.4 计算阻尼比及振型数据3.5 展示计算结果四、TIPS一、概述  导纳圆拟合法是一种模态参数识别的曲线拟合法， 其基本思想是根据实测频响函数数据， 用理想的圆去拟合实测的导纳圆， 并按最小二乘原理使其误差平方和为最小的原则进行拟合。本章在python中实现了该算法，并构造了相关模拟信号进行了验证，效果较好，欢迎参考。二、算法原理  通过对测试得到的

在振动信号分析中，我们常常需要对信号进行延时处理，对于单周期性信号的延时处理较为方便，通过简单计算就可实现，而对于我们实际应用中的复杂宽频信号需要怎样实现呢？本章将带领大家感受一下信号处理的魅力。