1.1随机信号
对于平稳随机信号x(t),其幅值呈正态分布,平均值即数学期望u=0,方差σ等于均方值 (平均功率)是固定的。
从量纲来看,ψ2代表平均功率的概念。
决定正态分布的俩个参数,平均值 基本为0,唯一能表征随机信号的就剩均方值 ,也就是平均功率。具体来说,对于平稳随机信号,在时域描述 x(t)是没有意义的,描述平均功率才有意义。
1.2 转到频域-描述平均功率
<时域上杂乱无章的随机信号,转换到频域上,可以得到随机信号的能量在频域上的分布—功率谱密度,以此来描述随机信号的平均功率>
“帕斯瓦定理”:将频谱分析和平稳随机信号联系起来 — 时域、频域之间功率守恒。
既然平均功率在时域和频域是守恒的,而在时域x(t)是随机的,不可描述,那我们可以换到频域
其中Sx(f) 表示了信号的平均功率(能量)在频域上的分布,即单位频带的功率随频率变化的情况,故称之为信号的自功率谱密度函数。
Sx(f) 与f轴包围的面积等于信号 x(t) 的平均功率,即 x(t) 的幅值分布的方差或均方值。同时可以看出,当 x(t) 表示加速度时(单位为g),Sx(f) 的单位就变成了g2/Hz。
按上述,将时域信号x(t) 傅里叶变换,得到频域分布 F(w) ,然后平方积分就可以得到功率谱密度。但实际上,经典傅里叶变换存在的前提是:信号 x(t) 绝对值可积,而平稳随机变量是不满足的。为了解决随机信号的傅里叶变换问题,引入一个概念:自相关。
自相关,反映了随机信号本身在不同时刻的相互关系。对于随机信号时移τ=0 ,自相关最大,等于均方值,也就是平均功率。当时移τ较大时,相关性低,当 τ->∞相关值为0。
总结起来,平稳随机信号的自相关函数,将信号的平均功率向 τ=0这一点集中,τ≠0时自相关函数快速衰减为零。
维纳-辛钦定理:信号的自相关函数与功率谱密度是一对傅里叶变换对。
也就是说,一个信号的功率谱密度,就是其自相关函数的傅里叶变换。
1.3 总结
随机信号x(t) ,时域信息是杂乱无章的,唯一的确定性信息是在统计意义下得到的。即,幅值呈正态分布,均方值(平均功率)是固定的。
又根据帕斯瓦定理,信号的平均功率在时域和频域中守恒。即,欲求信号的平均功率,先对x(t) 傅里叶变换再取平方即可,但随机信号不满足傅里叶变换绝对值可积的条件。
于是,有维纳-辛钦定理:信号的功率谱密度就是其自相关函数的傅里叶变换。
最终的到了描述随机信号的—功率谱密度。其表示了,随机信号在不同频率点的功率分布。
2 总均方根加速度
Grms值与正弦振动的g值有类似的作用,它与设备的最大推力有关
加速度均方根值:它是表征随机振动总能量的统计参数
工程中常用的功率谱密度曲线如下图所示,假设W1=0.04g2/Hz。
计算各段的方根加速度,加和后取平方根,得到总均方根加速度。