Filter Learning Record

1.常见滤波算法

1.1. 限幅滤波法(又称程序判断滤波法)

  A方法: 根据经验判断,确定两次采样允许的最大偏差值(设为A),每次检测到新值时判断: 如果本次值与上次值之差<=A,则本次值有效,如果本次值与上次值之差>A,则本次值无效,放弃本次值,用上次值代替本次值。

  B优点: 能有效克服因偶然因素引起的脉冲干扰。

  C缺点: 无法抑制那种周期性的干扰,平滑度差。

1.2. 中位值滤波法

  A方法: 连续采样N次(N取奇数),把N次采样值按大小排列,取中间值为本次有效值。

  B优点: 能有效克服因偶然因素引起的波动干扰,对温度、液位的变化缓慢的被测参数有良好的滤波效果

  C缺点: 对流量、速度等快速变化的参数不宜。

1.3. 算术平均滤波法

  A方法: 连续取N个采样值进行算术平均运算,N值较大时:信号平滑度较高,但灵敏度较低;N值较小时:信号平滑度较低,但灵敏度较高。N值的选取:一般流量,N=12;压力:N=4。

  B优点: 适用于对一般具有随机干扰的信号进行滤波,这样信号的特点是有一个平均值,信号在某一数值范围附近上下波动。

  C缺点: 对于测量速度较慢或要求数据计算速度较快的实时控制不适用,比较浪费RAM 。

1.4. 递推平均滤波法(又称滑动平均滤波法)

  A方法: 把连续取N个采样值看成一个队列,队列的长度固定为N,每次采样到一个新数据放入队尾,并扔掉原来队首的一次数据(先进先出原则) 。把队列中的N个数据进行算术平均运算,就可获得新的滤波结果。N值的选取:流量,N=12;压力:N=4;液面,N=4~12;温度,N=1~4。

  B优点: 对周期性干扰有良好的抑制作用,平滑度高,适用于高频振荡的系统。

  C缺点: 灵敏度低,对偶然出现的脉冲性干扰的抑制作用较差,不易消除由于脉冲干扰所引起的采样值偏差,不适用于脉冲干扰比较严重的场合,比较浪费RAM。

class MovAvg(object):
    def __init__(self, window_size=7):
        self.window_size = window_size
        self.data_queue = []
        self.sum=0

    def update(self, data):
        if len(self.data_queue) == self.window_size:
            self.sum=self.sum-self.data_queue[0]
            del self.data_queue[0]
        self.data_queue.append(data)
        self.sum=self.sum+data
        return self.sum/len(self.data_queue)

1.5. 中位值平均滤波法(又称防脉冲干扰平均滤波法)

  A方法: 相当于“中位值滤波法”+“算术平均滤波法”,连续采样N个数据,去掉一个最大值和一个最小值,然后计算N-2个数据的算术平均值。N值的选取:3~14。

  B优点: 融合了两种滤波法的优点,对于偶然出现的脉冲性干扰,可消除由于脉冲干扰所引起的采样值偏差。

  C缺点: 测量速度较慢,和算术平均滤波法一样,比较浪费RAM。

1.6. 限幅平均滤波法

  A方法: 相当于“限幅滤波法”+“递推平均滤波法”,每次采样到的新数据先进行限幅处理,再送入队列进行递推平均滤波处理。

  B优点: 融合了两种滤波法的优点,对于偶然出现的脉冲性干扰,可消除由于脉冲干扰所引起的采样值偏差。

  C缺点: 比较浪费RAM 。

1.7. 加权递推平均滤波法

  A方法: 是对递推平均滤波法的改进,即不同时刻的数据加以不同的权,通常是,越接近现时刻的资料,权取得越大,给予新采样值的权系数越大,则灵敏度越高,但信号平滑度越低。

  B优点: 适用于有较大纯滞后时间常数的对象和采样周期较短的系统。

  C缺点: 对于纯滞后时间常数较小,采样周期较长,变化缓慢的信号,不能迅速反应系统当前所受干扰的严重程度,滤波效果差。

1.8. 消抖滤波法

  A方法: 设置一个滤波计数器,将每次采样值与当前有效值比较: 如果采样值=当前有效值,则计数器清零。如果采样值<>当前有效值,则计数器+1,并判断计数器是否>=上限N(溢出),如果计数器溢出,则将本次值替换当前有效值,并清计数器。

  B优点: 对于变化缓慢的被测参数有较好的滤波效果,可避免在临界值附近控制器的反复开/关跳动或显示器上数值抖动。

  C缺点: 对于快速变化的参数不宜,如果在计数器溢出的那一次采样到的值恰好是干扰值,则会将干扰值当作有效值导入系统。

1.9. 高低通滤波

scipy.signal.filtfilt(b, a, x, axis=-1, padtype=‘odd’, padlen=None, method=‘pad’, irlen=None)

输入参数:

b: 滤波器的分子系数向量

a: 滤波器的分母系数向量

x: 要过滤的数据数组。(array型)

axis: 指定要过滤的数据数组x的轴

padtype: 必须是“奇数”、“偶数”、“常数”或“无”。这决定了用于过滤器应用的填充信号的扩展类型。{‘odd’, ‘even’, ‘constant’, None}

padlen:在应用滤波器之前在轴两端延伸X的元素数目。此值必须小于要滤波元素个数- 1。(int型或None)

method:确定处理信号边缘的方法。当method为“pad”时,填充信号;填充类型padtype和padlen决定,irlen被忽略。当method为“gust”时,使用古斯塔夫森方法,而忽略padtype和padlen。{“pad” ,“gust”}

irlen:当method为“gust”时,irlen指定滤波器的脉冲响应的长度。如果irlen是None,则脉冲响应的任何部分都被忽略。对于长信号,指定irlen可以显著改善滤波器的性能。(int型或None)

scipy.signal.butter(N, Wn, btype=‘low’, analog=False, output=‘ba’)

输入参数:

N:滤波器的阶数

Wn:归一化截止频率。计算公式Wn=2*截止频率/采样频率。(注意:根据采样定理,采样频率要大于两倍的信号本身最大的频率,才能还原信号。截止频率一定小于信号本身最大的频率,所以Wn一定在0和1之间)。当构造带通滤波器或者带阻滤波器时,Wn为长度为2的列表。

btype : 滤波器类型{‘lowpass’, ‘highpass’, ‘bandpass’, ‘bandstop’},

output : 输出类型{‘ba’, ‘zpk’, ‘sos’},

输出参数:

b,a: IIR滤波器的分子(b)和分母(a)多项式系数向量。output=‘ba’

z,p,k: IIR滤波器传递函数的零点、极点和系统增益. output= ‘zpk’

sos: IIR滤波器的二阶截面表示。output= ‘sos’

  • 高通滤波
#这里假设采样频率为1000hz,信号本身最大的频率为500hz,要滤除10hz以下频率成分,即截至频率为10hz,则wn=2*10/1000=0.02
from scipy import signal
b, a = signal.butter(8, 0.02, 'highpass')
filtedData = signal.filtfilt(b, a, data)#data为要过滤的信号
  • 低通滤波
#这里假设采样频率为1000hz,信号本身最大的频率为500hz,要滤除10hz以上频率成分,即截至频率为10hz,则wn=2*10/1000=0.02
from scipy import signal
b, a = signal.butter(8, 0.02, 'lowpass') 
filtedData = signal.filtfilt(b, a, data)    #data为要过滤的信号
  • 带通滤波
#这里假设采样频率为1000hz,信号本身最大的频率为500hz,要滤除10hz以下和400hz以上频率成分,即截至频率为10hz和400hz,则wn1=2*10/1000=0.02,wn2=2*400/1000=0.8。Wn=[0.02,0.8]
from scipy import signal
b, a = signal.butter(8, [0.02,0.8], 'bandpass')
filtedData = signal.filtfilt(b, a, data)  #data为要过滤的信号
>>> b, a = signal.ellip(4, 0.01, 120, 0.125)  # Filter to be applied.
>>> np.random.seed(123456)
>>> n = 60
>>> sig = np.random.randn(n)**3 + 3*np.random.randn(n).cumsum()
>>> fgust = signal.filtfilt(b, a, sig, method="gust")
>>> fpad = signal.filtfilt(b, a, sig, padlen=50)
>>> plt.plot(sig, 'k-', label='input')
>>> plt.plot(fgust, 'b-', linewidth=4, label='gust')
>>> plt.plot(fpad, 'c-', linewidth=1.5, label='pad')
>>> plt.legend(loc='best')
>>> plt.show()

https://lddpicture.oss-cn-beijing.aliyuncs.com/picture/image-20210411214829941.png

2. 频谱\功率谱\倒频谱

时间作为参照来观察动态世界的方法我们称其为时域分析,如果另一种方法来观察世界的话,你会发现世界是永恒不变的。(假定是周期的)

https://lddpicture.oss-cn-beijing.aliyuncs.com/picture/image-20200610225217869.png

https://lddpicture.oss-cn-beijing.aliyuncs.com/picture/image-20200610225327148.png

通常一个信号波形变换到频域后,有的看到有的频率式连续分布在频率轴上的(频率连续的),有的是在频率轴上只出现个别的的频率点(频率离散的);频率若是离散的则时域是周期的(有规律的波形);若频域是连续的则时域是非周期的(无规律的波形);剩下的时域连续和离散只是信号从模拟信号(连续的)采样量化到被计算机处理(离散的)的过程,可以从自己具体的信号来源去选择。

2.1. 能量谱

能量谱也叫能量谱密度,能量谱密度描述了信号或时间序列的能量如何随频率分布。能量谱是原信号傅立叶变换的平方。

能量信号与功率信号:对于信号 $f(t)$, 其能量: $$ E=lim_{T->\infty}\int_{-T}^{T}|f(t)|^2dt $$ 其功率为: $$ P=lim_{T->\infty}1/{2T}\int_{-T}^T|f(t)|^2dt $$ 对于电阻R, 施加电压$f(t)$, 在区间$(-\infty,+\infty)$,其能量为: $$ E=1/R\int_{-\infty}^{\infty}|f(t)|^2dt $$ https://lddpicture.oss-cn-beijing.aliyuncs.com/picture/image-20200611083833017.png

2.2. 倒频谱

“该分析方法方便提取、分析原频谱图上肉眼难以识别的周期性信号,能将原来频谱图上成族的边频带谱线简化为单根谱线,受传感器的测点位置及传输途径的影响小。”

倒频谱能较好地检测出功率谱上的周期成分,通常在功率谱上无法对边频的总体水平作出定量估计,而倒频谱对边频成分具有“概括”能力,能较明显地显示出功率谱上的周期成分,将原来谱上成族的边频带谱线简化为单根谱线,便于观察,而齿轮发生故障时的振动频谱具有的边频带一般都具有等间隔(故障频率)的结构,利用倒频谱这个优点,可以检测出功率谱中难以辨识的周期性信号。

调制:分为幅值调制和频率调制。下面以齿轮的幅值调制为例进行说明:齿轮的振动信号主要包括两部分,分别是齿轮啮合振动信号(高频)和齿轮轴的转频振动信号(低频),时域和频域曲线分别如下图所示:

高频信号和低频信号时域波形

高频信号和低频信号的频域波形

调制就是高低频率信号的混合。**幅值调制从数学上看,相当于两个信号在时域上相乘;而在频域上,相当于两个信号的卷积。**调制后的信号在时域和频域上分别变为:

调制后的时域信号

调制后的频域信号

调制后的信号中,除原来的啮合频率分量外,增加了一对分量,它们是以高频信号特征频率为中心,对称分布于两侧,所以称为边频带

边缘带形成

傅里叶变换处理非平稳信号有天生缺陷。它只能获取一段信号总体上包含哪些频率的成分,但是对各成分出现的时刻并无所知。因此时域相差很大的两个信号,可能频谱图一样。

2.3. 小波分析

小波直接把傅里叶变换的基给换了——将无限长的三角函数基换成了有限长的会衰减的小波基。这样不仅能够获取频率,还可以定位到时间了。

https://lddpicture.oss-cn-beijing.aliyuncs.com/picture/image-20200611090331061.png

对于频率随着时间变化的非平稳信号:这三个时域上有巨大差异的信号,频谱(幅值谱)却非常一致

https://lddpicture.oss-cn-beijing.aliyuncs.com/picture/image-20200611090529855.png

对于这样的非平稳信号,只知道包含哪些频率成分是不够的,我们还想知道各个成分出现的时间。知道信号频率随时间变化的情况,各个时刻的瞬时频率及其幅值——这也就是时频分析。

短时傅里叶变换(Short-time Fourier Transform, STFT)

把整个时域过程分解成无数个等长的小过程,每个小过程近似平稳,再傅里叶变换,就知道在哪个时间点上出现了什么频率了。STFT存在一个问题,我们应该用多宽的窗函数?框窄:频率分辨率差, 宽了:时间分辨率差。

https://lddpicture.oss-cn-beijing.aliyuncs.com/picture/image-20200611090938200.png

https://lddpicture.oss-cn-beijing.aliyuncs.com/picture/image-20200611090949400.png

https://lddpicture.oss-cn-beijing.aliyuncs.com/picture/image-20200611091502463.png

不同于傅里叶变换,变量只有频率ω,小波变换有两个变量:尺度a(scale)和平移量τ(translation)。尺度a控制小波函数的伸缩平移量 τ控制小波函数的平移尺度就对应于频率(反比),平移量 τ就对应于时间

3. 学习链接

0%