弱信号的采样与频谱分析(修订中...)

1.频谱混叠效应 - 波形数据抽样

这是一组经过抽样的数据的频谱，红圈圈出的两条谱线，是我们需要关注的特征谱线。这个信号与右侧的临近信号比较，求频率比值，比值恒定与理论推导相符。再5取1降低采样率后，大致相同的频率区域：（采样率现在降至3500点）

我们看到了什么？100Hz,150Hz外侧的那个非常明显的特征谱线，消失了。。。

为什么会这样？大概率它是一种因为非整周期采样，引入的一种频谱混叠效应。真正的特征谱线位置大概率应该是这一组：

有一篇介绍采样率和频谱混叠的文章：

振动采样相关，内容不仅限于振动分析https://zhuanlan.zhihu.com/p/542945909

2.频谱分析利器-高存储深度的数字示波器

力科的老总，今年五月间刚去世。他在接触到数字照相机后，发觉这个技术可以用在他的本行，示波器上，然后，据说第一台数字存储式示波器是在力科做出来的。这家公司，基本上搭上了美国基础物理研究的快车，同步推出适宜的波形测量设备。在技术条件达不到的情况下，他们甚至用调节信号排线长度的方法，测得了纳秒级分辨率的信号（在50~60年代）。

数字存储示波器的优势，用一句话概括，就是它可以在高采样时长的情况下，保持足够高的采样率。现代的5000元级别的国产示波器，采样率可以做到在总采样时长1s这样的级别，记录到百万甚至千万个点。在这样密集的分辨率下，对于高频延展至5KHz以内的电机电流、震动波形而言，波形的特征可以纤毫毕现。还是上面那笔数据，全点数的FFT是这样的（同频域）：

直观的体验是频谱信噪比明显提升，对吧？三幅图，出现了不同的谱线，哪一个才是真的。是最后一幅图，高点数下的频谱才是信号真实的特征吗？不一定。。。

3.提升信噪比的最简方法

这种方法是今年八月间做实验的时候偶然间遇到的：请看：

2000Hz以内的谱线特征不明显：

 为什么不明显？因为采样率是4096点，12500的采样率，采完一轮大约是300ms在这段时间内，在3Hz处，如果有谱线，它只会叠加一次。对于2000Hz处的信号，他会叠加：2000/3 = 700次。如果你需要观察的谱线在250Hz以内，那么这个事件只会发生最多50次。我们尝试降低采样率，点数不变，延长采样时间：

注意到125~150Hz的部分，清晰吗？如果他真的是非混叠信号，那么造成它的信噪比超高的原因是：相关的事件已经发生了非常多次。相当于FFT为你在这个频率附近求平均。

3.1 如何判断当前的信号是有效信号，还是噪声？

这个在统计学里有一个指标，叫峭度。峭度是衡量一个信号是否符合正态分布的数字化参数，它的正常取值范围大概在[-5,+5]，一旦数据的峭度指标远远高于这个值，那么必定意味着有效信号已经到来，这个值可以作为某种门限值，或者一种有效信号和背景噪声的识别阀来使用。

python里面，很容易计算峭度。推荐使用python的scipy模块，他可以对一组数据计算峭度。

额外的一些时域分析工具可以参考这里：

信号时域分析方法的理解（峰值因子、脉冲因子、裕度因子、峭度因子、波形因子和偏度等） - 知乎

3.2混叠信号怎么滤除？

同事提到，频谱覆盖度不足，而高频干扰又确实存在的情况下，高频信号会如同镜像或者折射一样，折到低频频段，就像24帧电影里的电风扇或者螺旋桨的视觉慢速转动。这个弯折点，与高频信号本身的频点有关，与当前的采样率也有关系。3.0节，那个最高峰，大概率是2500频点的翻折。

简单计算一下：《待续...》

3.3 采样时长不足时的临近信号分离所可能的手段

FFT这是时域分析的一种，理论上这类与时域正交的函数域可以有无穷多种，所以这里有一些类似这样的尝试：

如何快速地将信号中两个频率很接近的信号成分识别出来？ - 知乎

附录A 如何验证算法，如何找到算法工具箱？

算法工具箱，推荐的来源是：SciPy

很奇怪，python取代了C甚至是更老的Fortran，成了目前事实上的科研分析和计算的主流工具。

然后验证算法时，你需要尽可能找到特定行业的数据集。就是具有明确含义的采样数据和标记。很类似Image.NET。我最近找到10多个数据集。打算处理一个行业的某个具体的技术问题时，优先搜索特定领域的公开数据集。你会由此找到很多同行和分析文章。