数字信号处理（一）：时频域信号转换与时域滤波

时频域信号转换与时域滤波

现在有这样一个项目需求：在传感器端只能获取到时域信号相关振动数据（速度、加速度等），要针对振动信号进行故障分析，而要实现它，第一步就是要实现时频域信号间的互相转换，并叠加时域滤波。

FFT快速傅里叶变换

了解FFT相关基础可以参考以下知乎大佬的文章：

FFT基础指路☞傅里叶分析之掐死教程

要实现时频域信号间的高效转换，就要用到FFT快速傅里叶变换，通过python的第三方scipy库中的fft函数就能快速实现需求。

scipy中有两个模块scipy.fft和scipy.fftpack都可以实现FFT，这两个模块非常相似，但scipy.fft模块较新，应优先于scipy.fftpack使用。

import numpy as np
import matplotlib.pyplot as plt
from scipy import fft, signal

时域图像展示

利用with open() as f方法导入时域信号数据后，可以利用以下代码展示时域图像：

def timeWave(SAMPLE_RATE, DURATION, Slist):
    # 计算采样的点数
    N = int(SAMPLE_RATE * DURATION)
    t = np.linspace(0, DURATION, N, endpoint=False)
    plt.plot(t, Slist)
    plt.xlabel('时间（s）')
    plt.ylabel('振动幅值')
    plt.title('时域波形图')
    plt.show()

其中涉及到一个公式采样点数=采样频率*采样时间

这是我生成的图像：

转化为频域信号

通过scipy.fft转化为频域信号

# 对数组数据进行傅里叶变换
    yf = fft.fft(Slist)
    # 计算频率的中心,用来绘制x轴的数值
    xf = fft.fftfreq(N, 1 / SAMPLE_RATE)
    yf = np.abs(yf)
    # 归一化
    yf1 = yf / len(yf)

时域滤波

利用巴特沃斯滤波器进行时域滤波

def butter_filter(s1, s2, SAMPLE_RATE, Slist):
    # 构造巴特沃斯滤波器
    # 我们假设采样频率为12800hz,信号本身最大的频率为6400hz，要滤除100hz以上频率成分，即截至频率为100hz，则wn=2*100/12800=0.2
    s1 = 4 * s1 / SAMPLE_RATE
    s2 = 4 * s2 / SAMPLE_RATE
    b, a = butter(N = 7, Wn = [s1, s2], btype = 'bandpass')  # 带通滤波：配置滤波器N表示滤波器的阶数
    # 使用滤波函数进行滤波操作
    filtedData = signal.filtfilt(b, a, Slist)  # 要过滤的信号
    return filtedData