Python在振动信号处理中的应用（七）：振动信号频域处理方法（Welch方法）

一、概述

  在进行结构的动力特性测试中，结构上测得的振动响应信号中包含着大量的随机成分，特别是对振动强度较低的测试，也就是相应信号的信噪比较低。因此动力特性测试的频域处理一般都是按照随机振动信号频域处理的方法进行的。
  随机振动频域特性的主要统计参量是功率谱密度函数以及由此派生出来的频响函数和相干函数 ，本章将重点介绍这几个函数的原理及实现。

二、算法原理

2.1 平均周期图法

  由于在属于进行相关函数求取时，需要通过卷积计算来完成，计算量较大且复杂。实现随机振动信号的功率谱密度函数估计的一种简单方法是先对振动信号进行傅里叶变换，然后取变换结果幅值的平方，并除以该信号数据的长度作为功率谱密度函数的一个估计。 这种方法就是建立在傅里叶变换能量定理上的经典的周期图方法。但是，基本的周期图估计方法效果并不好，它的估计方差很大，而且方差不会随着数据长度的增加而减少。 对于周期图法的改进，采用的是平均法来降低功率谱密度函数估计的方差。该方法是将随机振动信号的数据分成若干段，并允许每段有部分重叠，分别求出每段数据的功率谱，然后加以平均么这就是Welch方法，也成为了平均周期图方法。 Welch方法在处理过程中采用的是快速达傅里叶变换，因此其计算速度非常快，是目前应用最广泛的功率谱密度函数以及频响函数和相干函数估计的计算方法。