背景

振动信号是指物体在某一参考点附近运动时产生的信号，通常由一个或多个周期性变化的物理量（如位移、速度、加速度等）组成。这些物理量随时间的变化呈现出规律性的重复模式，形成了振动信号的特征

特点

  1. 周期性：振动信号具有明确的周期性，即信号会规律性地重复。

  2. 频率：振动信号的频率指每秒钟发生的周期数，频率越高，变化速度越快。

  3. 幅值：振动信号的幅值表示信号在一个周期内的最大偏离程度，用来表示振动信号的强度。

  4. 波形：描述了信号随时间的变化规律，常见的波形包括正弦波、方波、锯齿波等。

傅里叶变换

简介

傅里叶变换（Fourier Transform）是一种将时间或空间上的信号转换为频率域上的表示的数学方法。它允许我们分析信号的频率成分。傅里叶变换基于傅里叶级数，可以表示为连续信号的傅里叶变换或离散信号的离散傅里叶变换（DFT）。

1.jpg

优点

  1. 频域分析：能够清晰地展示信号的频率成分。

  2. 去噪：可以去除特定频率的噪声。

  3. 信号压缩：在频域内可以进行信号压缩。

  4. 数学性质：具有丰富的数学性质，便于进行数学处理。

缺点

  1. 时频分辨率：时间分辨率和频率分辨率不能同时很高。

  2. 非局部化：无法提供信号的局部信息。

  3. 对突变信号敏感：对于突变或不连续的信号，傅里叶变换的效果不佳。

应用特点

  • 音频分析：分析音频信号的频率成分。

  • 图像处理：用于图像的频率分析和图像压缩。

  • 振动分析：用于机械振动的频率分析。

Python代码实现

import numpy as np
import matplotlib.pyplot as plt
​
# 创建一个示例信号，例如一个正弦波
fs = 1000  # 采样频率（Hz）
T = 1  # 信号的周期（秒）
N = 1000  # 采样点数
t = np.linspace(0, N-1, N, endpoint=False) / fs  # 时间向量
​
# 创建一个频率为5Hz的正弦波
freq = 5  # 信号频率（Hz）
signal = np.sin(2 * np.pi * freq * t)
​
# 计算快速傅里叶变换
fft_result = np.fft.fft(signal)
​
# 获取频率域的频率值
freqs = np.fft.fftfreq(N, 1/fs)
​
# 绘制原始信号
plt.figure(figsize=(12, 6))
plt.subplot(2, 1, 1)
plt.plot(t, signal)
plt.title('Original Signal')
plt.xlabel('Time [s]')
plt.ylabel('Amplitude')
​
# 绘制频谱图
plt.subplot(2, 1, 2)
plt.stem(freqs, np.abs(fft_result), 'b', markerfmt=" ", basefmt="-b")
plt.title('Spectrum')
plt.xlabel('Frequency [Hz]')
plt.ylabel('Amplitude')
plt.xlim([0, fs/2])  # 限制x轴显示到Nyquist频率
​
plt.tight_layout()
plt.show()

小波变换

简介

小波变换（Wavelet Transform）是一种时频分析方法，通过将信号投影到一系列称为小波的基函数上，能够同时在时间和频率上提供信号的信息。小波变换特别适合分析非平稳信号，即信号的统计特性随时间变化。

2-JXnX.png

优点

  1. 时频局部化：能够提供信号的时频局部化信息。

  2. 多尺度分析：通过不同尺度的小波分析信号。

  3. 适应性：小波基可以根据信号的特性进行选择或设计。

缺点

  1. 计算复杂度：比傅里叶变换的计算复杂度更高。

  2. 选择适当的小波基：需要根据具体应用选择合适的小波基。

应用特点

  • 图像去噪：有效去除图像噪声。

  • 特征提取：用于模式识别和机器学习中的特征提取。

  • 数据压缩：用于信号和图像的压缩。

Python代码实现

pip install PyWavelets

import pywt
import numpy as np
​
# 创建一个示例信号，例如一个正弦波加上一些噪音
duration = 1.0
sampling_rate = 400
t = np.linspace(0, duration, int(sampling_rate*duration), endpoint=False)
frequency = 5
signal = np.sin(2 * np.pi * frequency * t)
​
# 添加随机噪音
noise = np.random.randn(len(signal)) * 0.5
noisy_signal = signal + noise
​
# 选择一个小波基，例如'db1'（Daubechies小波）
wavelet = 'db1'
level = 4  # 小波分解的层数
​
# 进行小波分解
coeffs = pywt.wavedec(noisy_signal, wavelet, level=level)
​
# 重构信号
reconstructed_signal = pywt.waverec(coeffs, wavelet)
​
# 计算小波变换的系数
cA, cD = pywt.dwt(signal, wavelet)

小波包变换

简介

小波包变换（Wavelet Packet Transform）是小波变换的扩展，它不仅将信号分解到不同频率，还对频率分量进行进一步的分解。小波包变换提供了更灵活的信号分析方式，能够适应各种信号的特性。

3.jpeg

优点

  1. 更高的灵活性：可以对信号的任意频率成分进行分解。

  2. 信号分析：能够提供更细致的信号分析。

  3. 适应性强：可以根据信号的特性选择最合适的分解方式。

缺点

  1. 计算量：比小波变换有更大的计算量。

  2. 数据量：分解后的数据量较大，可能导致存储和处理的困难。

应用特点

  • 信号处理：用于复杂信号的分析和处理。

  • 图像分析：用于图像的多尺度分析和特征提取。

  • 数据压缩：用于高效的数据压缩和传输。

Python代码实现

pip install PyWavelets

import pywt
import numpy as np
​
# 创建一个示例信号
t = np.linspace(0, 1, num=512)
signal = np.sin(2 * np.pi * 10 * t) + np.sin(2 * np.pi * 20 * t)
​
# 选择一个小波基，例如'db1'（Daubechies小波）
wavelet = 'db1'
maxlevel = 3  # 最大分解层数
​
# 创建小波包对象
wp = pywt.WaveletPacket(data=signal, wavelet=wavelet, mode='symmetric', maxlevel=maxlevel)
​
# 进行小波包分解
wp_max = wp.get_level(maxlevel, 'freq')
​
# 提取特定节点的数据
node = wp.get_node('aad')
coeffs = node.data
​
# 从小波包树重构信号
reconstructed_signal = wp.reconstruct(update=True)
​
# 绘制原始信号和重构信号
import matplotlib.pyplot as plt
plt.figure(figsize=(12, 6))
plt.plot(t, signal, label='Original Signal')
plt.plot(t, reconstructed_signal, label='Reconstructed Signal', linestyle='--')
plt.legend()
plt.show()

总结

傅里叶变换、小波变换和小波包变换都是信号处理中的重要工具，它们各自有独特的优势和应用场景。傅里叶变换适用于频域分析，小波变换适合时频局部化分析，而小波包变换提供了更高的灵活性和适应性。在实际应用中，选择哪种变换方法取决于信号的特性和分析的需求。