matlab 功率谱密度 汉宁窗_[振动与测试 2] 什么是PSD(功率谱密度)
上接前章(数字信号处理的基本概念),今天给大家介绍下振动测试中最常见的一个概念PSD,即所谓的功率谱密度(Power Spectral Density),以及其与Autopower(自功率谱)的区别。自功率谱现在可以先理解为信号经FFT变换后的幅值。
PSD的定义
PSD——Power Spectral Density 是表征信号的功率能量与频率的关系的物理量。PSD经常用来研究随机振动信号。PSD通常根据频率分辨率做归一化。
对于振动数据,PSD的单位通常是g^2/Hz。这个单位看起来不很直观,但它有助于确保随机数据可以独立于数据的频率分辨率进行比较。后文将详细介绍这是如何实现的。
理解PSD有助于理解在不同频率分辨率条件下数据处理时自功率谱函数(autopower function)的限制。
实例
比如,存在三组在不同时间采集的同一信号生成的数据,三组数据只有频率分辨率是不同的(假设没有其他扰动)。频率分辨率分别是1Hz4Hz8Hz。如下图所示:
上图的纵坐标是g。可以看出,分辨率不同的条件下,三组数据有不同的幅值。这会让人很困惑,不利于工程上直接比较。
随着分辨率的不断提高(从8Hz到1Hz),采集到了更多的数据点,相同的信号被分成了更多、更小的片段,而总和是保持不变的,如下图RMS值都是0.45。
甚至截取其中任意频率段,其总和也是一样的。如下图2000-4000Hz的RMS值都是0.35g.
解释
理解这个问题的关键在于“Spectral Lines”这个概念(某段频域内所有数据点的个数,详见上篇文章)。
Spectral lines就是频率段内用于离散化波谱的离散点。以1Hz为分辨率,6000Hz的频率段将有6000个数据点。
我们截取一小段频域,不同分辨率的区别看的更清晰(如上图)。蓝色线的数据点明显比红色的少很多。
这种方式依然不够明显的说明问题。事实上,对于快速傅里叶变换(FFT)读取的数据,不是用直线连接起来的,而是如下图这种块状图:
用这种块状图表达就很明显了。8Hz分辨率的蓝色线,SP的数值很高,但数量点较少;同理,1Hz分辨率的红色线,SP的数值低,但数量较多。
再举个形象的例子,如上图,大水杯里装的水是一样的,也就是我们测得相同时间段的信号具有的能量是一样的。杯子的数量代表了频率分辨率,杯子越多,每个杯子分到的水就越少。
PSD处理
PSD的意义就在于将不同频率分辨率下的数据归一化,排除了分辨率的影响,得到的PSD曲线趋势是一致的,如下图:
正弦信号
但是,上面说的一切都是针对随机信号而言。对于正弦信号而言恰恰相反。比如,一个200Hz的正弦波,频率分辨率分别是1Hz4Hz8Hz,经过傅里叶变换后,都只有一个200Hz对应的数据点(1、4、8正好都能被200整除)。所以,得到下面的图:
还拿杯子盛水举例子,正弦信号经过傅里叶变换后,就好比大杯子里的水全倒在一个杯子里(200Hz对应的杯子),无论你准备了几个杯子。
而如果用PSD来处理,就会出现下面的情况,将会让人很困惑,不利于工程应用。
总结
实践中,我们工程上一般这么应用:
1、PSD用于随机振动的数据处理
2、AutoPower用于正弦数据的处理,比如:发动机谐波,齿轮振动等。
matlab 功率谱密度 汉宁窗_[振动与测试 2] 什么是PSD(功率谱密度)相关推荐
- matlab 功率谱密度 汉宁窗_信号处理的基本概念
传感器类型: 根据传感器各构成部分工作方式的不同,可将传感器分成不同的类型:依据接收方式不同,有相对式和绝对式(惯性式)之分:依据机电转换输出量的不同又有发电机型和参数型两种类型.测量电路可输出不同的 ...
- 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, ...
- matlab 功率谱密度 汉宁窗_功率谱密度相关方法的MATLAB实现
1.基本方法 周期图法是直接将信号的采样数据x(n)进行Fourier变换求取功率谱密度估计的方法.假定有限长随机信号序列为x(n).它的Fourier变换和功率谱密度估计存在下面的关系: 式中,N为 ...
- matlab 功率谱密度 汉宁窗_如何理解随机振动的功率谱密度?
一.随机信号和正太分布有什么关系? 二.时域.频域之间功率守恒? 三.自相关又是个什么玩意? 作为一个工程师,很多人对随机振动看着熟悉,却又实际陌生.熟悉是因为几乎每个产品在出厂时都要求要做随机振动试 ...
- matlab 功率谱密度 汉宁窗_【转】功率谱密度相关方法的MATLAB实现
1.基本方法 周期图法是直接将信号的采样数据x(n)进行Fourier变换求取功率谱密度估计的方法.假定有限长随机信号序列为x(n).它的Fourier变换和功率谱密度估计存在下面的关系: 式中,N为 ...
- 信号归一化功率_[振动与测试 3] 自功率谱Autopower及幅值显示形式
本篇给大家介绍自功率谱Autopower的含义.幅值的显示形式.最好结合上篇PSD的介绍对比来看. LMS Test.Lab 我们拿熟悉的LMS Test.lab软件中的设置参数举例,对于Autopo ...
- java 实现fft加汉宁窗_传统FFT跟用汉宁窗插值的FFT算法程序求助
该楼层疑似违规已被系统折叠 隐藏此楼查看此楼 50块钱写完,这程序是很简单的,还有找了部分程序就是不知道怎么弄出结果 %% Hanning FFT hw=hann(N,'periodic');Xh=f ...
- matlab画图指南_充满图窗_去除两边间隔/空白/留白_放大坐标轴至充满图形
matlab画图指南_充满图窗_去除两边间隔/空白/留白_放大坐标轴至充满图形 matlab 汉化版本中的选项 放大坐标轴至充满图形 非常有用, 再插入论文中的时候可以免得裁剪大小, 减少空间的占用. ...
- FIR带通滤波器汉宁窗设计法matlab仿真
任务要求:用汉宁窗函数法设计一个FIR数字带通滤波器,要求通带边界频率为400Hz,500Hz,阻带边界频率为350Hz,550Hz,通带最大衰减1dB,阻带最小衰减40dB,抽样频率为2kHz,用M ...
最新文章
- python使用matplotlib可视化subplots子图、为subplots添加主标题(main title)、为subplots的每一个子图添加子图标题(subplots title)
- git commit如何修改默认编辑器为vim
- 外部方法调用内部_私有属性和私有方法
- DEBUG日记:同样的代码在不同的环境却得出不同的结果。
- WPF 控件库——仿制Windows10的进度条
- caffe安装 cuda安装 opencv安装 cudnn安装 python相关依赖库安装
- 【thinkphp】ThinkPHP各个低版本(=3.2)完全配置参考手册
- KubeEdge led部署
- 抖音回应视频泄露:草稿不会上传后台;苹果开卖5000元印度版iPhone XR;Jboot 2.2.5发布|极客头条...
- CSS BACKGROUND汇总
- win10下Redis安装教程(新手)
- 飞行控制PID算法——无人机飞控
- Java 求解买卖股票的xx时机含手续费
- C#多线程之三:解决多线程编程中大并发数等待唤醒的问题
- BF算法及KMP算法
- javascript方法和技巧大全1 (轉)
- 2022年,全网最真实的软件测试面试题
- Swift基础(六)解包
- c++ 堆优化版dijkstra 代码实现
- 最新高频Java面试题目分享,分布式ID(数据库多主模式
热门文章
- 颠覆与重构——戴尔助力徐工集团等行业客户实现业务转型
- 32位单精度浮点乘法器的FPGA实现
- oracle 游标(学校)
- ajax预加载html seo,前端性能优化 — JS预加载和懒加载
- 实现连麦_微信重磅更新,视频号直播连麦打赏美颜上线,新增巨大流量入口
- Java LinkedHashMap values()方法与示例
- 给定数字的b+树创建_在C ++中找到给定数字中的两个的下一个和上一个幂
- path r'c test.html',robot framework - robot命令参数解析
- oracle扩容日志文件,ORACLE 加大日志文件
- python程序需要编译么_python需要编译么