震动信号频域特征提取

为了提取震动信号的频域特征，可以使用傅里叶变换（FFT）将时域信号转换为频域信号。然后，可以使用功率谱密度（PSD）来计算信号的能量分布。常用的PSD估计方法包括Welch方法和Bartlett方法。此外，还可以使用自相关函数和互相关函数来计算信号的周期性和相关性。最后，可以使用倒谱分析来提取信号的周期性和谐波信息。

以下是一个使用Python进行频域特征提取的例子：

import numpy as np
from scipy import signal

# 生成示例信号
fs = 1000  # 采样率
t = np.arange(0, 1, 1/fs)  # 时间向量
f1 = 10  # 信号频率
f2 = 100  # 噪声频率
x = np.sin(2*np.pi*f1*t) + 0.1*np.sin(2*np.pi*f2*t)  # 信号

# 计算功率谱密度
f, Pxx = signal.welch(x, fs, nperseg=1024)
# 或者使用Bartlett方法
# f, Pxx = signal.csd(x, x, fs, nperseg=1024)

# 计算自相关函数
acf = np.correlate(x, x, mode='full')

# 计算倒谱
c = np.fft.fft(acf)
cepstrum = np.fft.ifft(np.log(np.abs(c)))

# 显示结果
import matplotlib.pyplot as plt
fig, axs = plt.subplots(3, 1, figsize=(6, 6))
axs[0].plot(t, x)
axs[0].set_xlabel('Time [s]')
axs[0].set_ylabel('Amplitude')
axs[1].semilogy(f, Pxx)
axs[1].set_xlabel('Frequency [Hz]')
axs[1].set_ylabel('PSD [V**2/Hz]')
axs[2].plot(cepstrum)
axs[2].set_xlabel('Quefrency')
axs[2].set_ylabel('Cepstrum')
plt.show()