振动信号的处理与分析（积分变换）

1. 信号的分类

信号基本上可以归为以下几类：

• 平稳信号指的是其统计特性不随时间发生变化的信号，每一次取样都可以代表信号本身，确定性信号与随机信号都属于这类信号。
• 确定性信号对于任意一个时间，信号的值都是可以得知的，随机信号则无法在某一时间确定信号的值，随机信号只是在统计意义上不随时间发生改变，由此可知，随机信号的每一次取样都不一样，它只是在统计意义上确定。
• 准周期信号指的是其不同频率成分之间存在不和谐的关系，例如，在这些频率当中，至少存在两个信号的频率比为$\sqrt{2}$这样的无理数。

2. 傅里叶变换

信号的处理与分析的目的在于从测量信号中尽可能的提取出有用的信息。

2.1 傅里叶级数

傅里叶级数是一种用来分析信号频率成分的方法，或者可以把满足条件的周期信号通过三角函数项进行近似。
假设周期信号为：
$$x(t)=x(t+nT)$$
其傅里叶级数的表达形式为：
$$x(t)=a_0+\sum _{k=1}^{\infty }\left(a_k\cos {\omega }_{k}t+b_k\sin {\omega }_{k}t\right)$$
其中
$$\begin{array}{l}{a}_0=\frac{1}{T}{\int }_{-T/2}^{T/2}x(t)\mathrm{d}t\\ a_k=\frac{2}{T}{\int }_{-T/2}^{T/2}x(t)\cos {\omega }_{k}t\mathrm{d}t\\ b_k=\frac{2}{T}{\int }_{-T/2}^{T/2}x(t)\sin {\omega }_{k}t\mathrm{d}t\\ {\omega }_k=k\frac{2\pi }{T}=k{\omega }_0\end{array}$$
或者可以将其表达为指数形式
$$\begin{array}{rl}x(t)& =\sum _{k=-\infty }^{\infty }{c}_k{\mathrm{e}}^{\mathrm{j}k{\omega }_{0}t}\\ c_k& =\frac{1}{T}{\int }_{-\frac{T}{2}}^{\frac{T}{2}}x(t){\mathrm{e}}^{-\mathrm{j}k{\omega }_{0}t}\mathrm{d}t,k=0,\pm 1,\cdots \end{array}$$

2.2 傅里叶积分变换

傅里叶积分变换是傅里叶级数的推广情况，适用于周期为无限长的情况。

• 傅里叶正变换：
  $$X(\omega )={\int }_{-\infty }^{+\infty }x(t){\mathrm{e}}^{-\mathrm{j}\omega t}\mathrm{d}t$$
• 傅里叶逆变换：
  $$x(t)=\frac{1}{2\pi }{\int }_{-\infty }^{+\infty }X(\omega ){\mathrm{e}}^{\mathrm{j}\omega t}\mathrm{d}\omega$$
  周期函数的傅里叶变换是离散的频率谱，非周期函数的傅里叶变换是连续的频率谱。频谱图可以看做是信号的幅值在频率上的分布情况。

2.3 傅里叶变换的性质

设$\mathcal{F}[f(t)]=F(\omega ),\mathcal{F}[g(t)]=G(\omega )$，则傅里叶变换则有以下性质

• 线性叠加性质
  $$\begin{array}{c}\mathcal{F}[\alpha f(t)+\beta g(t)]=\alpha F(\omega )+\beta G(\omega )\\ {\mathcal{F}}^{-1}[\alpha F(\omega )+\beta G(\omega )]=\alpha f(t)+\beta g(t)\end{array}$$

• 位移性
  $$\begin{array}{c}\mathcal{F}\left[f\left(t-t_0\right)\right]=e^{-i\omega t_0}F(\omega )\\ {\mathcal{F}}^{-1}\left[F\left(\omega -{\omega }_0\right)\right]=e^{i{\omega }_{0}t}f(t)\end{array}$$

• 相似性
  $$\mathcal{F}[f(at)]=\frac{1}{|a|}F\left(\frac{\omega }{a}\right)$$

• 对称性
  $$\mathcal{F}[F(t)]=2\pi f(-\omega )$$
  其中，$F(t)$为信号$f(t)$的傅里叶变换$F(\omega )$在$\omega =t$时的表现形式，即$F(t)={F(\omega )|}_{t=\omega }$。从该性质中可以看出，当$f(t)$为偶函数时，F(t)的傅里叶变换依然与$f(t)$的函数相似，只是幅值需要乘以$2\pi$。
  
  利用该性质，我们可以求取一些复杂信号的傅里叶变换。

• 微分关系
  $$\begin{array}{c}\mathcal{F}\left[\frac{d^{n}f(t)}{d{t}^n}\right]=(i\omega {)}^{n}F(\omega )\\ {\mathcal{F}}^{-1}\left[\frac{d^{n}F(\omega )}{d{\omega }^n}\right]=(-it{)}^{n}f(t)\end{array}$$

• 积分关系
  $$\mathcal{F}[{\int }_{-\infty }^{\mathrm{t}}\mathrm{x}(t)dt]=\frac{1}{\mathrm{j}\omega }\mathrm{X}(\omega )$$

• 时域卷积定理
  $$\mathcal{F}[f(t)\ast g(t)]=F(\omega )G(\omega )$$

• 频域卷积定理
  $$\mathcal{F}[f(t)g(t)]=\frac{1}{2\pi }F(\omega )\ast G(\omega )$$

• 帕萨瓦尔定理
  设$X_1(f)$，$X_2(f)$分别为$x_1(t)$，$x_2(t)$的傅里叶变换，则帕萨瓦尔定理为
  $${\int }_{-\infty }^{\infty }{x}_1(t)x_2(t)\mathrm{d}t={\int }_{-\infty }^{\infty }{X}_1(\omega )X_2^{\ast }(\omega )\mathrm{d}\omega ={\int }_{-\infty }^{\infty }{X}_1^{\ast }(\omega )X_2(\omega )\mathrm{d}\omega$$
  帕萨瓦尔定理表明：信号的能量在时域和频域上是相等的。

2.4 狄拉克函数及其性质

脉冲单位函数为：
$$\delta (t)=\{\begin{array}{ll}\infty ,& t=0\\ 0,& t\ne 0\end{array}$$
并有${\int }_{-\infty }^{\infty }\delta (t)\mathrm{d}t=1$

• 狄拉克函数的在$t_0$时刻的抽样特性为：
  $$\begin{gathered} {\int }_{-\infty }^{\infty }\delta \left(t-t_0\right)\mathrm{d}t=1 \\ {\int }_{-\infty }^{\infty }\delta \left(t-t_0\right)f(t)\mathrm{d}t=f\left(t_0\right) \end{gathered}$$
• 狄拉克函数的移位特性为：
  $$\begin{gathered} x(t)\ast \delta (t)={\int }_{-\infty }^{\infty }x(\tau )\delta (t-\tau )\mathrm{d}\tau ={\int }_{-\infty }^{\infty }x(\tau )\delta (\tau -t)\mathrm{d}\tau =x(t) \\ x(t)\ast \delta (t+T)={\int }_{-\infty }^{\infty }x(\tau )\delta (t+T-\tau )\mathrm{d}\tau =x(t+T) \end{gathered}$$

2.5 若干典型函数的傅里叶变换

• 狄拉克函数
  $$\begin{array}{l}\delta (t)\iff 1,1\iff \delta (f)\\ \delta \left(t-t_0\right)\iff {\mathrm{e}}^{-\mathrm{j}2\pi f{t}_0},{\mathrm{e}}^{\mathrm{j}2\pi f_{0}t}\iff \delta \left(f+f_0\right)\end{array}\}$$
• $x(t)=A{\mathrm{e}}^{\mathrm{j}2\pi f_{0}t}$指数函数
  $$A{\mathrm{e}}^{\mathrm{j}2\pi f_{0}t}\iff A\delta \left(f-f_0\right)$$
• $x(t)=A\cos 2\pi f_{0}t$及$x(t)=A\sin 2\pi f_{0}t$三角函数
  $$\begin{array}{l}A\cos 2\pi f_{0}t\iff \frac{A}{2}\left[\delta \left(f+f_0\right)+\delta \left(f-f_0\right)\right]\\ A\sin 2\pi f_{0}t\iff \mathrm{j}\frac{A}{2}\left[\delta \left(f+f_0\right)-\delta \left(f-f_0\right)\right]\end{array}\}$$
• 矩形窗
  $$\begin{array}{l}w(t)=\{\begin{array}{ll}1,& |t|<\frac{\tau }{2}\\ 0,& |t|>\frac{\tau }{2}\end{array}\\ W(f)={\int }_{-\infty }^{+\infty }w(t){\mathrm{e}}^{-\mathrm{j}2\pi /t}\mathrm{d}t={\int }_{-\tau /2}^{\tau /2}{\mathrm{e}}^{-\mathrm{j}2\pi /t}\mathrm{d}t\\ =\frac{-1}{\mathrm{j}2\pi f}\left({\mathrm{e}}^{-\mathrm{j}\pi f\tau }-{\mathrm{e}}^{\mathrm{j}\pi /\tau }\right)=\tau \frac{\sin \pi f_{\tau }}{\pi f\tau }\\ =\tau \sin c\left(\pi f_{\tau }\right)\end{array}$$
  
• 周期单位脉冲函数的傅里叶变换
  单位脉冲周期函数的表达式为：
  $$g(t)=\sum _{k=-\infty }^{\infty }\delta \left(t-k{T}_{\mathrm{s}}\right)$$
  其傅里叶变换为：
  $$G(f)=\frac{1}{T_{\mathrm{s}}}\sum _{k=-\infty }^{\infty }\delta \left(f-k{f}_s\right)=\frac{1}{T_{\mathrm{s}}}\sum _{k=-\infty }^{\infty }\delta \left(f-\frac{k}{T_{\mathrm{s}}}\right)$$
  同样，在频域内的单位脉冲周期函数
  $$G(f)=\sum _{k=-\infty }\delta \left(f-k{f}_{\mathrm{s}}\right)$$
  其傅里叶变换为：
  $$g(t)=F^{-1}[G(f)]=\frac{1}{f_{\mathrm{s}}}\sum _{k=-\infty }^{\infty }\delta \left(t-k{T}_{\mathrm{s}}\right)$$
  其中，$T_s=1/f_s$。

3. 抽样信号的傅里叶变换

时域信号经过抽样、量化和编码的过程，才能使之成为便于计算机处理的离散数字信号，其离散化的过程如下图所示：

其中，抽样脉冲函数的表达式为：
$$s(t)=\sum _{k=-\infty }^{\infty }\delta \left(t-k{T}_{\mathrm{s}}\right)$$
所谓时域抽样信号，指的是时域连续信号$x(t)$与抽样脉冲序列$s(t)$相乘，即：
$$x_{\mathrm{s}}(t)=x(t)s(t)$$
其傅里叶变换为：
$$X_s(f)=F[x_s(t)]=X(f)\ast S(f)=\frac{1}{T_{\mathrm{s}}}\sum _{n=-\infty }^{\infty }X\left(f-n{f}_{\mathrm{s}}\right)$$

对比原信号与抽样信号的频谱图，可以发现抽样信号仍然可以很好地保留原信号的频谱特征。
同样，为了便于计算机处理频域信号，我们也需要对频域信号进行离散化。所谓的频域抽样信号，就是频域连续信号$X(f)$与频域抽样脉冲序列$S(f)$相乘，所得的信号就是频域抽样信号，即：
$$\begin{gathered} S(f)=\sum _{k=-\infty }^{\infty }\delta \left(f-k{f}_{\mathrm{s}}\right) \\ {X}_{\mathrm{s}}(f)=X(f)S(f) \end{gathered}$$
该信号的傅里叶逆变换为：
$$x_{\mathrm{s}}(t)=F^{-1}\left[X_{\mathrm{s}}(f)\right]=x(t)\ast s(t)=\frac{1}{f_{\mathrm{s}}}\sum _{n=-\infty }^{\infty }x\left(t-n{T}_{\mathrm{s}}\right)$$

对比频域信号与频域抽样信号的时域图，可以发现，频域信号在抽样之后，仍然可以很好的保留原信号的时域特性。

4. 离散傅里叶变换

4.1 香农采样定律

前面已经写出了周期函数展开成傅里叶级数的复指数形式，这个式子主要还是从连续的角度出发，对周期函数进行频域分析。事实上，我们也可以在函数的一个周期内将函数划分为多份，在这个基础上求得傅里叶级数的$c_k$。能得到多少$c_k$，取决于一个周期内划分了多少段。假如划分了$N$段，则一共可以得到$N/2$个互不相关的$c_k$。如果说原函数的最高次谐波频率不高于$f_{N/2}$，则离散傅里叶之后的频率普与原信号的频率谱相等，否则，高阶信号未被考虑进来，离散傅里叶后得到的频谱发生失真，此时将会发生混频。如要求不发生混频，采样频率必须大于最高次谐波频率的两倍，这就是香农采样定律。
$$f_{\mathrm{s}}>2f_{\mathrm{m}}$$

4.2 非周期函数的离散傅里叶变换

在对非周期信号进行傅里叶变换时，我们要截断某一部分进行处理，而截断将会带来误差。非周期函数的离散傅里叶分析的基本思路是：对非周期函数的某一部分进行截断，将截断保留下来的信号做周期重复拓广，使之成为周期函数，然后在这个函数的基础上进行离散傅里叶分析。如果要求截断后的信号不发生失真，同样要求采样频率至少为最高次谐波频率的两倍。采样时间$T$，采样间隔$\Delta t$，采样量$N$，采样频率$f_s$，频率分辨率$\Delta f$之间的关系为：
$$f_{\mathrm{s}}=\frac{1}{\Delta t},\Delta f=\frac{1}{T},T=N\Delta t=\frac{N}{f_{\mathrm{s}}}$$
当$N$和$f_{max}$确定之后，采样时间也就随之确定
$$T⩾\frac{N}{2f_{\max }}$$
为了不使系统产生混频而提高采样频率$f_s$，会导致采样时间增大，从而导致采样分辨率降低，这时我们需要先使信号通过一个低通滤波器，截断高次谐波频率信号即可，这样就可以认为的降低信号中最高次谐波的频率。

4.3 信号的泄露与畸变

信号泄露的原因是窗函数的频谱是一个连续谱，它包括一个主瓣和无数的旁瓣，使得本应该集中在主瓣的能量都集中在旁瓣上了。避免泄露的办法是保证窗长$\tau$等于被截取函数的周期$T$的整数倍。
对于非周期函数，可以采用特定的窗函数，以达到抑制旁瓣的效果，从而减少在远邻频带上的泄露。

5. 功率谱与功率谱密度分析

功率谱与功率谱密度是从能量的角度来对信号的频域进行分析的。
周期函数的傅里叶级数的复指数形式可以写成以下形式：
$$x(t)=\frac{1}{2}\sum _{k=1}^{\infty }\left(C_k{\mathrm{e}}^{\mathrm{j}k{\omega }_{0}t}+C_k^{\ast }{\mathrm{e}}^{-\mathrm{j}k{\omega }_{0}t}\right)=\mathrm{Re}\left(\sum _{k=1}^{\infty }{C}_k{\mathrm{e}}^{\mathrm{j}k{\omega }_{0}t}\right)$$
而信号的均方值为：
$$\overline{x^2}==\sum _{k=1}^{\infty }\frac{1}{2}{C}_k{C}_k^{\ast }=\sum _{k=1}^{\infty }\frac{1}{2}{\left|C_k\right|}^2=\sum _{k=1}^{\infty }{\left(\frac{1}{\sqrt{2}}\left|C_k\right|\right)}^2$$
其中，$\frac{1}{2}{C}_k{C}_k^{\ast }$的物理含义是总功率中属于以$f_k$为中心频率，以$\Delta f$为间距的那部分频段的功率，用符号$W\left(f_k\right)$来表示，即：
$$W\left(f_k\right)=\frac{1}{2}{C}_k{C}_k^{\ast }$$
功率谱除以频率间隔，定义为功率谱密度，即：
$$G\left(f_k\right)=W\left(f_k\right)/\Delta f=C_k{C}_k^{\ast }/(2\Delta f)$$
根据功率谱密度的定义，信号的均方值也可以写成：
$$\overline{x^2}={\int }_0^{\infty }G(f)\mathrm{d}f$$
根据功率谱密度的定义，功率谱密度反映的是信号的能量在频域上分布的密集程度。