COLA信號的希爾伯特變換

2022-01-24 聲振之家

來源:聲振測試微信公眾號,作者:於長帥。

正弦掃描振動響應數據的分析處理,一直以來都依賴于振動控制儀和有COLA (Constant Output Level Adaptor) 通道的數據採集系統。對于振動控制儀來說,所發送實時頻率及輸出點數是已知的,可進行理想的實時跟蹤濾波分析,帶有COLA 通道的數據採集系統可根據振動控制儀輸出的等幅COLA信號,實時辨識跟蹤頻率並獲取信號幅值。

而目前國內振動控制儀主要依賴進口且價格昂貴,一般的單位(尤其航天單位)為了關注產品的動力學特性,有大量的響應點要求,因此需要大量的控制儀通道,這樣會造成成本過高。因此,對於響應點信號利用常規的數據採集系統進行的數據採集,然後進行編程後處理得到相應的試驗曲線,常規的數據採集系統的成本要比振動控制儀低得多,這種離線採集和處理的方法對於節約成本具有重要的意義。

該方法的難點在於數據的後處理方法,如何準確和迅速的得到試驗曲線是研究的重點,而本文COLA信號的希爾伯特變換是研究這種方法的一個基礎。

式中,* 表示卷積運算。與卷積的概念進行對比,可以發現,上面的Hilbert 變換的表達式實際上就是將原始信號和一個信號做卷積的結果。這個用來卷積的信號就是

因此,Hilbert 變換可以看成是將原始信號通過一個濾波器,或者一個系統,這個系統的衝擊響應為h(t )。

對h(t ) 做傅立葉變換,可以得到:

或者寫成:

sgn() 是符號函數。從頻譜上來看,這個濾波器將我們的原始信號的正頻率部分乘以-j,也就是說,保持幅度不變的條件下,將相位移動了-pi/2;而對於負頻率成分,移動了pi/2。Hilbert 本質上也是轉向器,對應頻域變換為:即餘弦信號的Hilbert 變換時正弦信號,又有:即信號兩次Hilbert 變換後是其自身相反數,因此正弦信號的Hilbert是負的餘弦。

在工程中常可碰到如下一種窄帶信號:

a(t ) 是描述振蕩振幅變化的,當a(t ) 變化緩慢時,a(t ) 起到快速振蕩函數cos(2πf0t+φ(t )) 的包絡作用,因此,a(t ) 稱為窄帶信號的包絡。

在餘弦振蕩函數cos(2πf0t+φ(t )) 中,我們令

由於θ(t ) 反映了瞬時變化的相位特點,因此,我們稱θ(t ) 為窄帶信號x(t ) 的瞬時相位,當φ(t ) 變化緩慢或為常數時,μ(t )=2πf0,這表明,μ(t ) 反映了信號的頻率特點,因此我們稱μ(t ) 為窄帶信號x(t ) 的瞬時頻率。

根據上文,對窄帶信號x(t ) 做希爾伯特變換,如下式

由窄帶信號公式和上式,知

由上可知,窄帶信號的包絡、瞬時相位和瞬時頻率,可以通過窄帶信號的希爾伯特變換表示出來。

Hilbert 變換可用於分析瞬時頻率,但此方法非常依賴於信號品質,當信號有一定幹擾時,瞬時頻率的分析精度較差,而正弦掃描振動響應信號中,恰恰包含了眾多幹擾信號,直接對響應信號做Hilbert 變換求瞬時頻率是不適合的。振動控制儀輸出的驅動信號,其信噪比高,幹擾極少,非常適合進行瞬時頻率分析。

振動臺進行4-100Hz正弦掃頻試驗,下圖1為振動控制儀輸出的幅值為1V的cola信號。

圖1 COLA信號時域信號

 

現對該COLA信號進行希爾伯特變換,COLA信號信噪比好,在每個時刻頻率成分較單一,使用Hilbert 變換可求得精確的瞬時頻率和包絡(幅值)。COLA信號時間歷程及其包絡、時間-頻率曲線和頻譜曲線如圖2所示。

圖2 COLA信號Hilbert變換

響應信號包含頻率成分豐富,其包絡信號較複雜,無法真實反映正弦掃描試驗實際驅動頻率下的幅值。且瞬時頻率誤差較大,僅僅趨勢項能反映頻率變化趨勢,無法得出頻譜曲線,下圖3為某響應點時域曲線,圖4為對時域信號的Hilbert 變換曲線。

圖3 響應點信號時域信號

圖4 響應點信號Hilbert變換


聲明:本微信轉載文章出於非商業性的教育和科研目的,並不意味著支持其觀點或證實其內容的真實性。版權歸原作者所有,如轉載稿涉及版權等問題,請立即聯繫我們,我們會予以更改或刪除相關文章,保證您的權利!

相關焦點

  • Hilbert 變換提取信號特徵的 Python 實現
    希爾伯特變換(hilbert transform) 一個連續時間信號s(t
  • 《雷達信號處理基礎》之雷達信號分析基礎
    為了使雷達信號只具有正頻譜,必須用復解析的表示,這種表示方法在使用時要計算希爾伯特變化,而雷達信號採用實窄信號,用復指數表示法完全可達到復解析表示的目的,因此雷達信號的複數表示均採用復指數表示,這樣可免去計算希爾伯特變化的麻煩
  • 如何用matlab對信號進行傅立葉變換
    傅氏變換分析是信號分析中很重要的方法,藉助matlab可以很方便的對各類信號進行傅氏頻域分析。
  • 傅立葉變換、拉氏變換、z變換的含義
    答:fourier變換是將連續的時間域信號轉變到頻率域;它可以說是laplace變換的特例,laplace變換是fourier變換的推廣,存在條件比fourier變換要寬,是將連續的時間域信號變換到復頻率域(整個複平面,而fourier變換此時可看成僅在jΩ軸);z變換則是連續信號經過理想採樣之後的離散信號的laplace變換,再令z=e^sT時的變換結果(T為採樣周期),
  • 傅立葉變換與短時傅立葉變換
    :短時傅立葉變Gabor變換時頻分析小波變換Randon-Wiger 變換分數階傅立葉變換線調頻小波變換循環統計理論和調幅-調頻信號分析‥‥‥舉例1 有一信號主要頻率成分是50Hz和300Hz的正弦信號,該信號被一白噪聲汙染,現對該信號進行採樣
  • MATLAB信號處理仿真-短時傅立葉變換,時、頻分辨力的蹺蹺板
    本次,我們將展示另外一個信號分析的有力工具,短時傅立葉變換。
  • Matlab利用離散傅立葉變換DFT (快速傅立葉變換FFT)進行頻譜分析
    信號在頻域能夠呈現出時域不易發現的性質和規律,傅立葉變換是將信號從時域變換到頻域,便於在頻域對信號的特性進行分析。
  • 小波變換MATLAB圖像融合
    而小波變換具有的正交性、非冗餘性以及完善的重構能力,有效彌補金字塔方法分解時的信息冗餘性以及重構過程中的不穩定性。小波變換的基本原理是繼承和發展了短時傅立葉變換局部化的思想,同時又克服了窗口大小不隨頻率變化等缺點,能夠提供一個隨頻率改變的「時間-頻率」窗口,是進行信號時頻分析和處理的理想工具。
  • 在MATLAB中如何實現快速傅立葉變換
    將時域的信號變換到頻域的正弦信號,正弦比原信號更簡單,且正弦函數很早就被充分地研究,處理正弦信號比處理原信號更簡單。正弦信號的頻率保持性:輸入為正弦信號,輸出仍是正弦信號,幅度和相位可能發生變化,但頻率與原信號保持一致,只有正弦信號才擁有這樣的性質。
  • 視頻基本原理 -視頻壓縮之小波變換基礎
    它是繼傅立葉變換之後數學上的一項重大突破,它繼承和發展了短時傅立葉變換局部化的思想,同時又克服了窗口大小不隨頻率變化等缺點,能夠提供一個隨頻率改變的「時間-頻率」窗口,是進行信號時頻分析和處理的理想工具。雖然小波變換和傅立葉變換都是線性變換,但是由於小波變換具有時域和頻域的雙重局域性的特性,使得小波變換比傅立葉變換更靈活,更有利於信號的時頻分析。
  • 完美通俗解讀小波變換:深入小波背後的一些原理
    看到這裡,你應該會感覺很熟悉,因為這裡的平移和變換本質和剛才對scaling function的平移變換是一模一樣的。 這樣,我們就有了針對此信號space的哈爾小波basis組合:話說在數學定義中,有一種空間叫Lebesgue空間,對於信號處理非常重要,可以用L^p(R)表示,指的是由p次可積函數所組成的函數空間。我們在小波變換中要研究的信號都是屬於L^2(R)空間的,這個空間是R上的所有處處平方可積的可測函數的集合,這樣就等於對信號提出了一個限制,就是信號能量必須是有限的,否則它就不可積了。
  • 振動傳感器的機電變換原理?主要的分類有哪些?
    一般來說,振動傳感器在機械接收原理方面,只有相對式、慣性式兩種,但在機電變換方面,由於變換方法和性質不同,其種類繁多,應用範圍也極其廣泛。 在現代振動測量中所用的傳感器,已不是傳統概念上獨立的機械測量裝置,它僅是整個測量系統中的一個環節,且與後續的電子線路緊密相關。
  • 第十五課 快速傅立葉變換及利用其進行簡單濾波
    FFT是離散傅立葉變換的快速算法,可以將一個信號變換到頻域。那其在實際應用中,有哪些用途呢?1.有些信號在時域上是很難看出什麼特徵的,但是如果變換到頻域之後,就很容易看出特徵(頻率,幅值,初相位);2.FFT可以將一個信號的頻譜提取出來,進行頻譜分析,為後續濾波準備;3.通過對一個系統的輸入信號和輸出信號進行快速傅立葉變換後,兩者進行對比,對系統可以有一個初步認識。  假設採樣頻率Fs,信號頻率F,信號長度L,採樣點數N。
  • 【opencv實踐】仿射變換和透視變換
    這種變換常常用到透視變換,但我們今天在講解透視變換時,需要普及一下其他的變換,包括平移,旋轉,錯切,放縮,以及仿射變換。,那仿射變換是什麼呢?在書上往往將仿射變換和透視變換放一起講,這兩者各是什麼呢?在剛學仿射變換和透視變換時,我是有些分不清的。印象最深刻的就是下圖:可以看到,仿射變換(下)是將矩形變換成平行四邊形(即變換後各邊依舊平行),而透視變換(上)可以變換成任意不規則四邊形。
  • Python 圖像處理實戰 | 圖像的灰度非線性變換之對數變換、伽馬變換
    本篇文章主要講解非線性變換,使用自定義方法對圖像進行灰度化處理,包括對數變換和伽馬變換。本文主要講解灰度線性變換,基礎性知識希望對你有所幫助。1.圖像灰度非線性變換:DB=DA×DA/2552.圖像灰度對數變換3.圖像灰度伽瑪變換
  • 淺談隨機振動試驗3 頻譜分析和傅立葉變換概念
    頻譜分析和傅立葉變換理解上有一定的難度,可以用自然界的白色光來加以理解。  將三稜鏡更換為傅立葉變換,便可很好的理解隨機振動的頻譜分析。通過傅立葉變換即可得到隨機振動波形中各個頻率對應的幅值和相位,反過來就是逆傅立葉變換。