ABB机器人配件服务中心    

信号处理方法的关注很有价值，这是工业控制、数据采集等领域的核心技术，能直接影响设备运行精度和数据可靠性。常见的信号处理方法主要围绕 “降噪、滤波、转换、分析” 四大目标，可按处理域分为时域、频域和时频域三大类，以下是具体分类及典型方法：

一、时域信号处理（直接对时间维度的信号操作）

时域处理是最基础的方法，直接针对信号随时间变化的波形进行操作，适合处理直流、低频或周期性信号。

1. 信号放大与衰减

• 核心作用：将微弱信号（如传感器输出的 mV 级信号）放大到可采集范围（如 4-20mA），或对过强信号衰减，避免设备过载。

• 典型应用：工业用运算放大器（OP AMP）搭建放大电路，如传感器信号经放大后送入 PLC 模拟量模块。

• 关键参数：放大倍数（增益）需匹配输入输出范围，同时控制噪声放大（选择低噪声运放）。

2. 滤波处理（时域滤波）

• 核心作用：去除时域信号中的干扰噪声（如工频 50Hz 干扰、随机噪声），保留有用信号。

• 常见类型：

• 低通滤波（LPF）：保留低频信号，滤除高频噪声（如温度传感器信号中的高频波动）。

• 高通滤波（HPF）：保留高频信号，滤除低频漂移（如振动传感器中的静态偏移）。

• 带通滤波（BPF）：仅保留特定频率范围的信号（如声音信号中提取特定频段的语音）。

• 带阻滤波（BEF）：抑制特定频率的干扰（如针对性滤除 50Hz 工频干扰）。

• 实现方式：通过 RC 电路、有源滤波器（运放 + RC）或 PLC/FPGA 中的数字滤波算法（如滑动平均滤波）实现。

3. 信号校准与补偿

• 核心作用：修正信号的系统误差（如传感器零点漂移、线性误差），提高准确性。

• 典型方法：

• 零点校准：定期将传感器置于无输入状态，修正输出零点（如压力传感器在大气压下校准零点）。

• 线性补偿：通过多项式拟合（如 y = ax + b）修正传感器的非线性输出（如热电偶的温度 - 电压非线性补偿）。

• 应用场景：工业称重传感器、温度传感器的信号预处理。

二、频域信号处理（将信号转换到频率维度分析）

当信号的频率特征更关键时（如振动、声音、电磁干扰），需通过傅里叶变换将时域信号转换为频域，分析不同频率成分的占比。

1. 傅里叶变换（FT）与离散傅里叶变换（DFT）

• 核心作用：将时域的连续 / 离散信号分解为不同频率的正弦波叠加，得到 “频率 - 幅值” 谱图，直观展示信号的频率分布。

• 区别：

• 傅里叶变换（FT）：针对连续时间信号（如理论分析）；

• 离散傅里叶变换（DFT）：针对离散时间信号（如数字采集的传感器数据），是数字信号处理的基础。

• 典型应用：振动检测中，通过 DFT 分析设备振动的频率峰值，判断是否存在共振（如电机轴承故障的特征频率识别）。

2. 快速傅里叶变换（FFT）

• 核心作用：DFT 的高效计算算法，将计算复杂度从 O (N²) 降低到 O (NlogN)，实现实时频域分析。

• 应用场景：工业设备故障诊断（如通过 FFT 分析水泵振动的频率成分，定位叶轮不平衡问题）、音频信号处理（如频谱分析仪）。

3. 频域滤波

• 核心作用：在频域中直接抑制特定频率的噪声，比时域滤波更精准（尤其针对复杂频率干扰）。

• 实现步骤：

1. 时域信号经 FFT 转换为频域；

2. 对频域中噪声对应的频率成分进行衰减（如将 50Hz 干扰的幅值设为 0）；

3. 经逆 FFT（IFFT）转换回时域，得到滤波后的信号。

• 优势：可针对性滤除多个离散频率的干扰（如同时滤除 50Hz 和 150Hz 的谐波干扰）。

三、时频域信号处理（结合时域与频域特征）

对于非平稳信号（如突发故障信号、冲击信号），时域或频域单独处理无法完整反映信号特征，需时频域联合分析。

1. 短时傅里叶变换（STFT）

• 核心原理：将时域信号分割为多个短时间段（加窗函数，如汉宁窗），对每个时间段单独做 FFT，得到 “时间 - 频率 - 幅值” 的三维谱图（时频图）。

• 优势：可观察信号频率随时间的变化（如设备启动过程中，振动频率从低到高的变化）。

• 局限性：时间分辨率与频率分辨率不可兼得（窗宽越窄，时间分辨率越高，但频率分辨率越低）。

2. 小波变换（WT）

• 核心原理：用 “小波基函数”（可伸缩、可平移的函数，如 Haar 小波、db 小波）替代 STFT 的固定窗函数，实现不同频率的自适应分辨率分析。

• 优势：

• 高频信号：用窄窗分析，时间分辨率高（适合捕捉突发信号，如电机断轴的冲击信号）；

• 低频信号：用宽窗分析，频率分辨率高（适合分析缓慢变化的信号，如温度漂移）。

• 典型应用：电力系统的暂态信号分析（如雷击导致的电压突变）、工业图像降噪（保留图像细节的同时去除噪声）。

四、数字信号处理中的常用补充方法

在工业控制中，采集的信号多为数字信号（经 ADC 转换后），需结合以下方法进一步优化：

1. 采样与量化优化

• 采样定理（奈奎斯特准则）：采样频率需大于信号最高频率的 2 倍，避免频率混叠（如采集 100Hz 的信号，采样频率需≥200Hz）。

• 量化误差控制：选择更高位数的 ADC（如 16 位 ADC 比 12 位 ADC 的量化误差更小），减少数字信号与原始模拟信号的偏差。

2. 数字滤波算法

• 滑动平均滤波：取最近 N 次采样值的平均值作为当前输出，抑制随机噪声（如液位传感器的波动信号平滑）。

• 卡尔曼滤波（KF）：通过 “预测 - 更新” 迭代，结合信号模型和测量噪声，实现动态信号的最优估计（如 AGV 小车的位置跟踪、无人机姿态控制）。

• 中值滤波：取最近 N 次采样值的中值作为输出，有效抑制脉冲噪声（如传感器偶尔出现的尖峰干扰）。

总结：不同场景的方法选择建议