三种信号处理方法的对比分析

王鹏

フ 要：随着科技的发展，可以检测到的信号形式越来越多，因此信号处理的方法也越来越多。在对信号进行处理时就要求对不同的信号选用不同的处理方法，才能达到理想的处理效果。通过对于每种信号处理方法的研究，了解了每种信号处理方法最适合使用的情况，才能通过对信号的分析，而对设备的运行状况做出准确的判断。通过峭度指标，小波分析，倒频谱技术分析，表明各种信号处理方法各有不同的优点。

ス丶词：信号处理；峭度；小波；倒频谱

ブ型挤掷嗪牛篢H17

Abstract：With the development of science and technology，more and more signals can be detected，so there are more and more signal processing methods.When processing the signal，different processing methods are required for different signals so as to achieve the desired effect.Through the study of each signal processing method，we know that each signal processing method is most suitable for use in order to make an accurate judgment on the operation status of the equipment through the analysis of the signal.Through kurtosis index，wavelet analysis and cepstrum technology analysis，it shows that all kinds of signal processing methods have different advantages.

Key words：signal processing；kurtosis；wavelet；cepstrum

信号处理是根据各种期望的目的和要求处理各种类型的电信号的通用术语。所谓的“信号处理”就是处理包含在某些载体上的信号以提取有用信息的过程。信号处理有一些通用术语，例如提取，转换，分析和合成。在进行信号处理时，经常遇到的是电信信号。例如通过各种传感器来对设备进行测量，从传感器获得微弱的电信号，在这些微弱信号中就包含有各种信息。通过放大和滤除弱电信号，就可以获得信号处理所需的信号。在进行处理时我们可以选用不同的方法，但是每种方法都有最适合使用的情况。

1 峭度指标

デ投榷韧ǔＳ糜谠缙诠收系恼锒稀Ｇ投仁欠从乘婊变量分布特征的数值统计量，是4阶累积量。振动信号的振幅分布接近正态分布，峭度指标值用K表示，在K=3左右呈正太分布。随着故障的产生和发展，振动信号中大振幅的概率密度增大，振幅的分布也随之增大。信号偏离正态分布，正常曲线随着故障的发生和发展而变为倾斜或分散，因此峭度值也增加。峭度指数的绝对值越大，轴承偏离其正常状态就越严重，故障也就越严重。

デ投榷猿寤餍藕鸥敏感。在设备的早期故障中，峭度指标将明显增加。在故障后期，随着设备故障的加深，峭度指标会降低，因此通常采用峭度指标来检测设备的早期故障。对于后期，峭度指标的效果将大大降低。峭度指标判断方法具有一定的实用性，但作为时域分析方法，它基本上只适用于某类或几类情况，一般不能综合判断所有故障，不能进一步定位和分析故障的位置和性质。

2 最小熵

レ厥潜碚鳠崃ρе形镏首刺的参数之一，用符号S表示。它的物理意义是系统中混乱程度的度量。直到1948年，香农才提出了“信息熵”的概念来解决信息量化测量的问题。术语熵来自香农的热力学。热力学中的热熵是指分子状态中混沌程度的物理量。香农使用信息熵的概念来描述源的不确定性。本质上，信息熵是信息输出的不确定性和事件随机性的度量。它代表了平均意义上的源的整体信息。如果信息分布越集中，则反映的故障特征越明显，信号中包含的信息越少，熵越小。类似地，如果信息的分布越混乱，则信息越不规则，信号中包含的信息越多，熵越大。香农对此做出了杰出贡献。他把信息定义为“熵的减少”，即“系统或事物不确定性的减少”。也就是说熵最小就是确定程度越高，可靠性越高。熵实际上是一个随机变量的不确定性，熵最大的时候，说明随机变量最不确定。在信源中，考虑的不是某一单个符号发生的不确定性，而是要考虑这个信息源所有可能发生情况的平均不确定性。若信源符号有n种取值：U1…Ui…Un，对应概率为：P1…Pi…Pn，且各种符号的出现彼此独立。这时，信息源的平均不确定性应当为单个符号不确定性-log Pi的统计平均值（E），可称为信息熵用H（U）表示，即:

お獺(U)=E［-玪og玴i］=-∑ni=1玪og玴i

ナ街卸允一般取2为底，单位为比特。

3 倒频谱技术

サ蛊灯准际踔饕用于语音信号的声源特征和频率特征的分析，按照语音分析的需要，将语音频率的高阶和低阶分开。该技术是在传统频谱分析的基础上发展起来的，是一种非线性信号处理技术。它可用于分析频谱图上的周期性结构，并分离和提取密集频率信号中的周期性分量。

ピ诘蛊灯字校功率谱的逆变换通过傅立叶逆变换得到，复数卷积关系变为简单的线性叠加。因此，可以在其倒谱上容易地识别信号的频率分量，并且容易提取相关的频率分量以更准确地反映故障特征。这种分析方法受传感器测量点的位置和传输方式的影响较小。它可以将原始光谱图的原始光谱线简化为单个光谱线，从而提取和分析原始光谱中肉眼难以识别的周期信号。近年来，倒频谱技术在噪声和振动源识别，地震回波分析和故障诊断等领域得到越来越多的应用。

4 结语

バ藕糯理方法有很多种，例如有均值，均方值，方差，自相关函数，互相关函数。其他常用的方法还有支持向量机，人工神经网络等方法。通过以上的分析可以发现，峭度指标用于故障的早期诊断效果较好，小波分析在故障诊断中用的较多，倒频谱多用于语音的识别，现在在故障诊断领域也得到了越来越多的应用。可以清楚的发现不同的方法都有不同优点，结合信号的具体情况选用合适的方法，达到最好的效果。