matlab 功率谱密度 汉宁窗_信号系统的一些基本概念

泄露

截断会使谱分析精度受到影响。如果时域信号是周期性的,而截断又按整周期取数,信号截断不会产生问题,因为每周期信号都能代表整个周期信号变化情况。若不是整周期截取数据,则截断将使信号波形两端产生突变,所截取的一段信号与原信号有很大不同,对这个被截断的时域信号进行谱分析时,本来集中的线谱将分散在该线谱临近的频带内,产生原信号中不存在的新的频率成分,在频谱分析技术上称这种效应为泄露。意思是原先集中的频率信息泄露到旁边频段去了,影响谱分析的精度,并干扰对频谱的识别。如果时域信号是随机信号,截断的结果在原先连续谱上将出现皱纹,即皱波效应,同样会影响频谱图的识别。信号截断产生泄露的原因是信号失真。因为截断相当于用一矩形窗函数和信号相乘,根据卷积定理,其频谱为两个时间函数谱的卷积,即在相应频率处进行频谱相乘,由于矩形函数的频谱是一个带旁瓣的无限带宽的频谱(与基频对应的图形称为主瓣,与谐波频率对应的称旁瓣),所以其中的谱线便被扩展成矩形信号谱窗(sin(wt)形函数)的形状。为了减少泄露误差,除采用整周期截断外,主要是加窗的办法。

加窗

加窗的主导想法是用比较光滑的窗函数代替截取信号样本的矩形窗函数,也就是对截断的时序信号进行特定的不等加权,使被截断的波形两端突变变得平滑些,以此压低谱窗的旁瓣。因为旁瓣泄露量最大,旁瓣小了泄露也相应减少了。用于信号处理的窗函数很多,工程上常用的是矩形窗、汉宁窗、汉明窗、余弦窗等,各种窗的特点如下说明:

l 矩形窗的特点是容易获得主瓣窄,但旁瓣大,尤其第一旁瓣太高,为主瓣的21%,所以泄露很大。

l 汉宁窗(Hanning),旁瓣很小,且衰减很快,主瓣比矩形窗的主瓣宽,泄露比矩形窗小很多。

l 汉明窗(Hamming),它由矩形窗和汉宁窗拼接而成,第一旁瓣很小,其它旁瓣衰减比汗宁窗慢,主瓣宽介于矩形窗和汉宁窗之间。

l 高斯钟形窗只有主瓣没有旁瓣,主瓣宽太大,其形状可调,为减少泄露,应使高斯窗变瘦。

l 余弦窗主瓣成三角形,旁瓣很小。

关于窗函数的选择,应考虑被分析信号的性质与处理要求。如果仅要求精度读出主瓣频率,而不考虑幅值精度,则可选用主瓣宽度比较窄而便于分辨的矩形窗,例如测量物体的自振频率等;如果分析窄带信号,且有较强的干扰噪声,则应选用旁瓣幅度小的窗函数,例如汉宁窗、三角窗。

采样方式:采样方式有等时间间隔△t和等角位移△φ两种方式。一般情况下均采用等间隔采样方式,即固定采样频率采样。这种方式很容易实现无须键相位信号配合,对转速稳定的信号而言,这种方式可获得相当好的信号。但对机组转速波动信号的采集(如升降速信号)则不够好,一是有可能因设定的采样频率fs跟不上转速的变化而无法满足采样定理的要求,造成信号失真;二是由于转速变化,信号不再是周期性的,频谱变成连续谱,离散的谱线变成了谱带或者说谱线变胖,尤其高阶谐波,带宽按阶次比例改变,谱带更宽,谱图变得模糊不好分辨。这种模糊的谱线成分由于信号功率分散在一串谱线上,除使幅值有较大误差外,有时还会淹没旁瓣结构的细节,这对机组故障分析是不利的,如能改变采样的频率使其与转速的改变同步起来,则在谱图上显示的转速频率及其各次谐波就会明确地保持其确定的相互关系,谱线模糊的现象就可以消除。采用等角度触发同步采样,保证每周采样点数相同,便相当于信号的周期性质,从而可获得清晰的阶次谱图。

误报警:误报警的原因很多,一是传感器长期在苛刻的环境中运行造成传感器失灵,二是传感器安装不当或长期运行后松动、损伤,三是传感器本身被磁化,高频信号电缆绝缘下降,二次仪表导线松动或接地等也是误报警的原因。

信噪比:在采得的信号中,总是混有干扰成分的,此即所谓噪声,噪声过大,有用信号不突出,便难以做出准确的故障诊断。在技术上用信噪比来衡量信号与噪声的比例关系,用符号S/N表示。在做信号分析前,设法减少噪声干扰的影响,提高S/N是信号欲处理的一项主要内容。

提高信噪比:提高S/N的途径主要是时域平均和滤波两种方法。

滤波

滤波的主要目的是设法使噪声与有用信号分离,并予以抑制和消除,滤波有模拟滤波和数字滤波两种方式,共有低通、高通、带通和带阻等四种基本类型。各种滤波器的作用见下表:

模拟滤波:由模拟电路实现的滤波方法,在采样前先用模拟滤波器进行滤波,可以改善信号质量,减少后续数据处理的工作量和困难,如信号调节器DAS100中的抗混滤波器。

数字滤波:数字滤波的实质是对采集到的离散数据进行运算,增强或提升所需要的信号,压低或滤掉干扰成分,数字滤波有线性滤波和非线性滤波,线性滤波适用于有用信号和噪声呈线性叠加的情况,而非线性滤波则适用于两者为相乘(如幅值调制)和卷积(如冲击引发的传递响应)情况。卷积可通过傅立叶变换成乘积关系,而相乘可通过取对数变成相加关系,所以非线性滤波最终可化成线性滤波处理。

幅域处理

振动幅值作为振动强弱的一种度量,是设备故障诊断最基础的数据。

位移峰-峰值xp-p,反应振动位移双振幅的大小,主要用来判断振动大小和配合间隙之间的关系。

振动速度有效值VRMS,用以反映振动能量的大小,是判断振动烈度的参数。

简单幅值参数只是设备实际振动的量度,其数值既和故障有关又和工况(负荷、转速、仪表的灵敏度等)有关,实际上不能从其量值发现故障的发展,因此简单幅域参数只可供振动评价参考,对故障反映是不敏感的。

无量纲幅域参数:

波形指标(Shape Factor) Sf=XRMS/abs(X)

峰值指标(Crest Factor) Sf=Xmax/XRMS

脉冲指标(Impulse Factor) If=Xmax/abs(X)

裕度指标(Clearance Factor) CLf=Xmax/Xr

峭度指标(Kurtosis Value)Kv=beta/Xrms

以上各式中,XRMS 、abs(X)、Xmax、Xr、beta分别为振动有效值、绝对平均值、最大值、方根幅值、峭度。

以上参数的分子都是振动最大值或振动的高次方,突出了大振幅的作用,实质上是对大振幅的提升。同时通过选用与机组运行工况基本适应的比较稳定的振值作为基准值,以此来消除工况振动对参数的影响,提高故障的灵敏度。在这些参数中,峭度指标、裕度指标和脉冲指标对于冲击类故障比较敏感,特别是当故障早期发生时,它们有明显增加;但上升到一定程度后,随故障的逐渐发展,反而会下降,表明它们对早期故障有较高的敏感性,但稳定性不好。一般说,均方根值的稳定性较好,但对早期故障信号不敏感。所以,为了取得较好的效果,长将它们同时应用,以兼顾敏感性和稳定性。

时域变换

根据数据时间先后顺序进行变换。有两种情况,一是自相关函数变换,二是互相关函数变换。

自相关函数:自相关函数变换的目的是了解某时刻振动和先前另一时刻振动之间的依赖关系或相似情况,它用两时刻振动之积的平均值来表示。即

利用自相关函数可检验数据是否相关,其次可用于检验混于随机噪声中的周期信号。正常的机器,没有故障存在,振动是随机的,所以自相关函数是一窄脉冲。出现故障时,特别是有了周期性的冲击时,在时延为周期的整数倍数处,自相关函数就会出现较大的峰值。

互相关函数:与自相关函数相似互相关函数用以表示两组数据之间在时间顺序上的依赖关系,也用两个不同时刻振值乘积的平均值来表示,只有乘积的值来自两组不同数据。互相关函数可确定信号源所在位置,因信号在信道中传输的时延,可用互相关函数峰值的时延确定,另外自相关函数可检验出受通道噪声干扰的周期信号。

频域变换

将复杂的时间信号变换成以频率成分表示的结构形式就是频域变换。频域变换是机械设备故障诊断中使用的最为广泛的处理方法,因为故障发生,发展时往往会引起信号频率结构的变化,而通过频率信息的分析,可对许多故障原因作出解释和阐述。

谱图:频域变换以直角坐标形式表示得到的图形就是常说的谱图。频谱是总称,视频率成分的具体内容还有幅值谱、相位谱、功率谱、能量谱、倒频谱等类型。实现频谱变换的数学原理是傅立叶变换。对于周期信号,可通过傅立叶级数实现这种改照,得到离散的幅值谱,对于瞬态信号,可以通过傅立叶积分得到连续的频谱,与离散频谱对应,连续谱的谱值改用谱密度的概念。

功率谱密度函数:经过时间平均的信号平方的傅立叶变换得到的谱图。它表示振动功率随频率的分布情况。

倒频谱:倒频谱是近代信号处理技术中的一项新技术,可以分析复杂频谱图上的周期结构,分离和提取在密集调频信号中的周期成分。对于具有同族谐频或异族谐频和多成分边频等复杂信号的分析甚为有效。倒频谱变换是频域信号的傅立叶积分变换的再变换。时域信号x(t)经过傅立叶积分变换可转换为频率频率函数x(t)或功率谱密度函数Gx(f),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再进行一次傅立叶积分变换,可以使周期结构集中在成便于识别的谱线形式。第二次傅立叶变换的平方就是x(t)的倒功率谱Cp(q),其表达式为:

Cp(q)=abs{F[logGx(f)]}2

用文字表达就是倒功率谱是“对数功率谱的功率谱”

倒功率谱的开方即:

Cc(q)=sqrt[Cp(q)]=abs{F[logGx(f)]}

称幅值倒频谱,简称倒频谱,式中自变量 称倒频谱,其量纲为时间,一般以ms为单位q。q值大者称为低倒频率,表示谱图上的快速波动和密集的谐波频率;反之,q值小者称为低倒频率,表示谱图上的较慢波动和离散的谐波频率。

傅立

短时傅立叶变换

短时傅立叶变换(STFT)又称加窗傅立叶变换,它是将信号乘以一个滑动的窗函数然后对窗内信号h(t-tao)进行傅立叶变换,其定义为

STFTf(w,tao)=f(t)h*(t-tao)e-jwtdt在正负无穷之间的积分

式中,*表示复共轭,h(t)可采用Hamming,Hanning,Gabor等窗函数,随着τ的移动,得到一组原信号的“局部”频谱,从而能够反映非平稳信号的时-频分布特征。由式中可以看出STFT具有时域局部化功能,h(t-tao)在时域中是滑动窗,在频域中相当于带通滤波器;STFT可以分析非平稳动态信号,由于其基础是傅立叶变换,所以更适合分析准平稳信号;在STFT计算中,当选定h(t),则时频分辨率保持不变;但同样可以看出,STFT缺乏细化能力,反映强烈瞬变信号的非平稳性功能不足。STFT提供了同时在时域和频域内观察信号的方法,然而由于滑动窗口的长度对所有频率成分是固定的,因此STFT只能保证有限的精度,它对于剧烈变化的瞬变信号分析仍存在较大误差。

叶分析

傅立叶分析是将原始信号分解成不同频率的成分的正弦波,或者说是将时域信号转变为频域信号的一种数学方法。但是FFT分析有比较严重的缺陷

首先,时域信号变换为频域信号时丢失了时间信息,这样我们在观察频域图时就不能看到事件是在什么时间发生的。

另外,FFT是建立在信号的平稳假设基础上的,所以严格的说,FFT只适应于对平稳信号的分析。

其次,FFT分析其实质是一种线性变换方法,在大型旋转机械故障情况下会表现出较强的非线性,这时采用FFT分析对它们进行处理。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/559708.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

拟真机器人拯救者怎么来_笔点聊科技 篇九:3499起、卷土重来?理性聊聊刚发布的联想拯救者手机Pro...

笔点聊科技 篇九:3499起、卷土重来?理性聊聊刚发布的联想拯救者手机Pro2020-07-23 10:44:270点赞0收藏0评论创作立场声明:想让消费者接受品牌,真金白银买回家还感觉良好,继而产生源源不断的品牌口碑,在强者…

重定向地址_JavaWeb - Servlet:重定向和转发,状态管理

Servlet JDBC 应用在 Servlet 中可以使用 JDBC 技术访问数据库,常见功能如下:查询 DB 数据,然后生成显示页面,例如:列表显示功能。接收请求参数,然后对 DB 操作,例如:注册、登录、修…

华为双前置摄像头_国产手机集体爱上“双打孔屏”,前置双摄像头将成2020年标配?...

今年2月21日,三星S10采用了前置双摄像头的配置,而且是打孔屏,两颗摄像头分别是1000万像素的双核对焦主摄,以及800万像素的景深副摄,不俗的硬件辅以算法虚化,在当时拿下了Dxomark前摄第一的宝座。即便是10个…

python对文件的_python 对文件操作

#!/usr/bin/env python#-*- coding:utf-8 -*-defFind(class_name):class_list[]tagFalsewith open(‘data‘, ‘r‘, encoding‘utf8‘) as f:for line inf:if line.strip() ‘班级:{0}班‘.format(class_name.strip()):class_list.append(line)tagTruecontinueif …

摸底谷歌Gemini:CMU全面测评,Gemini Pro不敌GPT 3.5 Turbo

谷歌的 Gemini 到底几斤几两?和 OpenAI 的 GPT 模型相比表现如何?CMU 这篇论文测明白了。 前段时间,谷歌发布了对标 OpenAI GPT 模型的竞品 ——Gemini。这个大模型共有三个版本 ——Ultra(能力最强)、Pro 和 Nano。研…

python3 collections模块 tree_第30天: Python collections 模块

by 豆豆1.简介collections 是 python 的内置模块,提供了很多方便且高性能的关于集合的操作,掌握这些知识有助于提高代码的性能和可读性。2.常用功能2.1 namedtuple 功能详解namedtuple() 返回一个新的元组子类,且规定了元组的元素的个数&…

ddns 被解析为127.0.0.1_我为北京冬奥加油,2020.2.1-2.10冬奥知识分享

2020.02.01中国冬梦,世界飞跃,我是果雪儿小小志愿者仇懿琛,我为北京冬奥加油,今天冬奥知识分享——冬奥会历史上那些非凡而又卓越的运动员(十一)明星运动员:米特迈尔第十二届冬季奥运会时间:1976.02.04-02.…

乱码 转ios_王者荣耀:转区数量提升25倍,教你解决检测异常,IOS也有艾琳了

王者峡谷近期最火的一个功能便是转区服务开放限量测试,由于申请的人数非常多,官方决定从今日起将测试资格由最初的2000个提升至每日开放50000个,同时由每日二次开放调整为每日一次,虽说测试资格数量提升了25倍,但依旧有…

冰豹lua驱动设置_卡宴?卡宴!——冰豹ROCCAT Kain 120 AIMO开箱

前言原本一直在用罗技的G700s,但是鉴于众所周知的“电老虎”原因,再加上重量的问题,一直想换一个鼠标试试,虽然不太玩游戏,但是平时使用也喜欢高DPI的设置、另外还稍许有点汗手的问题,所以对鼠标长时间时候…

vue内检测是否有swiper_vue.js怎么用swiper

vue.js中使用swiper的方法:首先下载【swiper.js】;然后在【main.js】中全局引入【swiper.js】;最后在模板中配置相关内容即可。【相关文章推荐:vue.js】vue.js中使用swiper的方法:1、下载swiper.jsnpm install vue-awe…

mysql创建个自增id的表_MySQL数据库--怎样创建一张用户表,ID设置为自动增长列(新手必会)...

-- phpMyAdmin SQL Dump-- version 3.3.8.1-- http://www.phpmyadmin.net---- 主机: w.rdc.sae.sina.com.cn:3307-- 生成日期: 2011 年 08 月 19 日 16:18-- 服务器版本: 5.1.47-- PHP 版本: 5.2.9---- 数据库: app_tushow---- ----------------------------------------------…

从sqlite 迁移 mysql_将 Ghost 从 SQLite3 数据库迁移到 MySQL 数据库

下面我们就来说说如何从 SQLite 迁移到 MySQL 。准备首先你要已经安装好 MySQL 数据库。如果你用的是 Ubuntu 系统,请参考这篇文章。其他系统请参考各自对应的文档。导出当前数据点击蓝色的 EXPORT 按钮将当前数据库中的所有数据导出并下载到本地,默认文…

易语言mysql验证_易语言MySql注册登录

用到的主要易语言命令:连接MySql (, , , , )执行SQL语句 (, )取记录集 ()读字段值 (, , )释放记录集 ()断开MySql ()命令介绍:①、连接MySql (, , , , ):顾名思义,这条命令是用来连接你的MySql数据库的,返回一个MySql句…

mysql 数据库设置mysql注入_MYSQL数据库浅析MySQL的注入安全问题

《MYSQL数据库浅析MySQL的注入安全问题》要点:本文介绍了MYSQL数据库浅析MySQL的注入安全问题,希望对您有用。如果有疑问,可以联系我们。如果把用户输入到一个网页,将其插入到MySQL数据库,有机会离开了发生安全问题被称为SQL注入敞开.这一课将…

php链接mysql编码错误_php 操作 mysql 数据库 编码 错误

有两行相同的代码,来自不同的 php 文件,在对 MySql 数据库(UTF-8格式)操作时,一行代码正常,一行代码异常代码1,异常update ordersystem.product Set PName333汽车 Where BianhaoX…

mysql 数据记录导出_mysql如何导出600万条记录的数据表?

目前我这么写:/*** Created by IntelliJ IDEA.* User: felix* Date: 2019-03-01* Time: 18:49*/set_time_limit(0);$servername localhost;$username ;$password ;$dbname ;$i 57007;$bingTime microtime(true);echo bing . $bingTime . s . PHP_EOL;while …

mysql sql使用序列_SQL 使用序列

SQL 使用序列序列是根据需要产生的一组有序整数:1, 2, 3 ... 序列在数据库中经常用到,因为许多应用要求数据表中的的每一行都有一个唯一的值,序列为此提供了一种简单的方法。本节阐述在 MySQL 中如何使用序列。使用 AUTO_INCREMENT 列&#x…

jmeter mysql查询结果提取_Jmeter-从数据库中获取数据并作为变量使用

一、导入数据库驱动包;(1)、在网上搜索下载数据库驱动包(MySQL的地址https://dev.mysql.com/downloads/file/?id480090)(2)、解压,获取到jar包,并将其复制到Jmeter的安装路径下的\lib文件夹下面;重启Jmeter就已经成功导入了&…

java 如何跟多个字符串比较_Stack Overflow上370万浏览量的一个问题:如何比较Java的字符串...

在逛 Stack Overflow 的时候,发现了一些访问量像喜马拉雅山一样高的问题,比如说这个:如何比较 Java 的字符串?访问量足足有 370万,这不得了啊!说明有很多很多的程序员被这个问题困扰过。截止到目前为止&…

个人对于MySQL的理解_MySQL锁的理解

一、事务四要素:ACID原子性(Atomicity):要么做完,要么啥都不做,没有中间状态一致性(Consistency):这个是个比较有争议的概念,个人理解是通过AID来保证数据正确性,保证从一个状态到下一个状态是正…