族蚂建站郴州网站建设费用价格

上面的图样是一张时频图，横坐标是时间，纵坐标是频率，颜色标志着主要的干扰源。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：

 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，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？

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：