时频分析的应用—外部信号的显影和定点清除

1.时频分析的一个典型应用场景

上面的图样是一张时频图，横坐标是时间，纵坐标是频率，可见的横向波形纹路，不同的颜色标志着主要的干扰源，它们是50Hz工频谐波。

这类信号在数据分析领域往往是需要过滤掉的杂波。因为这类信号足够强，所以他会在频域弥漫为一组同样特征的谐波信号，比如450HZ的是9倍频，而下移7.5hz的同样振幅的信号，显然是另一种谐振波形。

这类信号，可以通过信号的自相关特性几乎完全消除掉：

 这个一个典型应用，记录在这篇文章中：

你能想到它的可能应用场景吗？

比如，对于超强的电力线干扰信号，其实可以作为基础电压和电流的一种度量方式——在某些应用场景中，电气设备的供电波动可能很大，对强电直接采集电压又有安全隐患。

还比如，振动分析领域，振动体的振动度量是要去除外部振动信号影响的：

在这种场景，刚好可以采用这种自适应滤波算法把外部振动消除掉。

时频分析，依据部署的点位特征和大致的频率范围，利用自相关加顶多五到十组数据互相关时频图，就能看出这种明显的外部信号，并将其消除掉。而且，对于一些产品特征隐藏，内部频点不可知的黑匣子系统，也能通过这类时频图找到特定的频点。并且不依赖转速测量设备，找到关键的转速参数。

时频图，是振动分析的钥匙。然后，时频分析，不仅仅可以获得某个信号的趋势数据，还可以作为信号实时分析的一部分来对信号本身进行去噪处理。这类应用，你想到了吗？

从这个视角出发，大概率，下面这篇分析变速箱振动的文章中：

观测到的F点轴心振动轨迹的问题，并不是齿轮箱自身的振动，而是驱动滚筒的一个外部冲击振动信号，从信号本身的时域间隔，就能看出，它是不是源自外齿轮啮合产生的冲击性振动。将对称的D端与F端做差分处理，也能看到那个外部振动信号。驱动端振动不够强，从动端振动反而更强。这也不大不符合逻辑。你觉得呢？

F,D振动的相位偏移也在标志着这个外部振动的传导过程。B点的振动偏心度在进一步降低，表征这个振动并非减速箱引入。

F测点的点位：

这种方法在应用落地时，仍然有一些具体的问题需要克服，比如振动信号往往也符合谐波丰富的特征。但是这些问题终究可以通过一些基础的信号的物理特征来加以分辨。

然后，有一个显然的结论，将信号转变为那类类似照片的灰度或者伪彩图像后，相应的振动特征极容易被机器学习方法处理，人工的信号分析已经可以退后，人眼能看出的信号特征，机器能识别的更有效。

这是一种精细的数学操作，下图中左侧是采样信号，右侧是经过处理后的信号，高斯噪声依然保留，甚至强干扰频点的有效信号，仍然会被保留：

2.CLR方法的基本实施步骤（概要）

1. 数据频谱分析

   • 对原始时域数据进行傅里叶变换，生成频域功率谱。通过峰值检测算法识别出显著的相干线（如单频或窄带信号），这些谱线通常表现为异常高幅值且频率稳定的成分。

2. 噪声模板构建

   • 对检测到的相干线进行参数化建模。例如，对于单一频率的噪声，可用正弦函数描述其幅度、频率和相位；对于调制信号（如搜索结果7中提到的激光二极管高频调制），则需结合载波频率和调制参数构建更复杂的模板。

3. 模板匹配与自适应滤波

   • 通过最小二乘法或最大似然估计，将噪声模板与原始数据在时域或频域进行匹配。调整模板参数（如相位延迟）以最大化相关性，从而精确捕获噪声成分的结构。

4. 噪声成分的减法操作

   • 从原始数据中减去匹配后的噪声模板，保留剩余的非相干信号。此步骤需注意避免过度拟合，通常通过迭代优化或引入正则化约束来平衡噪声抑制与信号保留。

5. 结果验证与迭代优化

   • 对处理后的数据重新进行频谱分析，验证相干线是否被有效抑制。若残留噪声仍显著，则调整检测阈值或模板复杂度并重复上述步骤（如搜索结果12中提到的局部与全局优化结合策略）。