有效振动分析的信号处理
振动测试与数据处理总结
振动数据的分析需要专业的知识和技能，同 时数据处理过程较为复杂，需要耗费大量时 间和人力。
未来的发展趋势和展望
智能化数据处理技术
随着人工智能和机器学习技术的发展，未来振动测试与数 据处理将更加智能化，数据处理速度和精度将得到进一步 提升。
多源信息融合技术
通过融合多源信息，如温度、压力等，可以更全面地评估 设备状态，提高故障诊断的准确性和可靠性。
桥梁在车辆、风、地震等外部激励下会产生振动，长期的振动会导致结构的疲劳和损伤。通过在桥梁上安装振动 传感器，可以实时监测桥梁的振动情况，并将数据传输到数据处理中心进行分析。数据处理包括信号处理、特征 提取和模式识别等步骤，以识别出桥梁的损伤位置和程度，为维修和加固提供依据。
案例二：机械设备的振动测试与数据处理
要点一
总结词
要点二
详细描述
机械设备的振动测试与数据处理是预防性维护的重要手段 ，通过对机械设备运行过程中的振动数据进行采集、分析 和处理，可以预测和诊断设备的故障。
机械设备在运行过程中会产生振动，不同部位和不同类型 的振动可以反映设备的运行状态。通过在关键部位安装振 动传感器，可以实时监测设备的振动情况，并将数据传输 到数据处理中心进行分析。数据处理包括信号处理、频谱 分析和模式识别等步骤，以识别出设备的故障模式和程度 ，为维修和更换提供依据。
数据处理方法
利用数学和统计方法对数据进 行处理，提取有用的信息。
数据解释
根据处理后的数据结果，结合 专业知识进行解释和推断。
数据处理方法
滤波处理
去除噪声和干扰，提高数据质量。
频谱分析
将时域信号转换为频域信号，分析信号的频 率成分。
统计分析
振动分析原理
振动分析原理振动是物体在受到外力作用或者自身受到激励时产生的周期性变化。
振动分析原理是研究物体振动特性的一种方法，通过对振动信号的采集、分析和处理，可以获取物体的振动特征参数，进而对物体的结构和性能进行评估和分析。
振动分析原理在工程领域有着广泛的应用，可以用于机械设备的故障诊断、结构的健康监测、产品的设计优化等方面。
本文将介绍振动分析的基本原理及其在工程实践中的应用。
振动分析的基本原理包括振动信号采集、信号分析和信号处理三个方面。
首先，振动信号的采集是通过传感器将物体振动产生的信号转换成电信号，并进行采样和量化。
常用的传感器包括加速度传感器、速度传感器和位移传感器，它们可以分别测量物体在加速度、速度和位移方面的振动信号。
其次，采集到的振动信号需要进行分析，通过对信号的频域分析、时域分析和轨迹分析，可以获取物体的振动频率、幅值和相位等特征参数。
最后，对振动信号进行处理，可以采用滤波、降噪、特征提取等方法，提高信号的质量和可靠性。
振动分析在工程实践中有着广泛的应用。
首先，它可以用于机械设备的故障诊断。
通过对机械设备振动信号的监测和分析，可以及时发现设备的故障和异常振动，为设备的维护和修理提供依据。
其次，振动分析可以用于结构的健康监测。
对建筑结构、桥梁、飞机等物体进行振动监测，可以了解结构的动态响应和疲劳破坏情况，为结构的安全评估和维护提供支持。
此外，振动分析还可以用于产品的设计优化。
通过对产品振动特性的分析，可以优化产品的结构设计，提高产品的性能和可靠性。
总之，振动分析原理是研究物体振动特性的一种重要方法，它在工程领域有着广泛的应用。
通过对振动信号的采集、分析和处理，可以获取物体的振动特征参数，为设备的故障诊断、结构的健康监测和产品的设计优化提供支持。
振动分析的发展将进一步推动工程技术的进步，为工程实践提供更多的可能性和机遇。
随机振动信号分析与处理方法研究
随机振动信号分析与处理方法研究随机振动信号是在时间和频率上都呈现随机性的信号。
在工程领域中，随机振动信号广泛应用于结构健康监测、故障诊断、噪声控制等领域。
因此，研究随机振动信号的分析与处理方法对于工程实践具有重要意义。
本文将介绍一些常用的随机振动信号分析与处理方法，包括功率谱密度分析、自相关函数分析、非平稳随机振动信号分析以及小波分析方法。
首先，功率谱密度分析是最常见的随机振动信号分析方法之一。
它可以将信号的能量分布在频率域上进行表示。
通过计算信号在不同频率上的功率谱密度，可以了解信号的频率特性和能量分布情况。
常用的功率谱密度估计方法有周期图法、Welch方法和平均快速傅里叶变换等。
这些方法的基本原理都是先将信号分段，然后对每个段进行傅里叶变换，最后对所有段的幅度平方进行平均得到功率谱密度估计值。
其次，自相关函数分析是评估信号与自身延迟版本之间的关联性的一种方法。
自相关函数可以描述信号的周期性和相关性。
对于随机振动信号，自相关函数可以帮助我们了解信号的周期性和相关程度。
自相关函数的计算公式为R(t) = E[X(t)X(t+τ)]，其中X(t)是原始信号，τ为延迟时间。
自相关函数的峰值位置和宽度可以提供有关信号的共振频率和频带宽度的信息。
非平稳随机振动信号的分析与处理是工程领域中的一个挑战。
在实际应用中，随机振动信号的特性经常随时间变化。
为了解决这个问题，一种常见的方法是采用短时傅里叶变换（STFT）来分析非平稳随机振动信号。
STFT通过将信号分成多个窗口，并对每个窗口进行傅里叶变换来获取信号在时间和频率上的变化。
它可以展示信号随时间变化的频率成分，并提供非平稳信号的局部特性。
最后，小波分析是一种适用于非平稳信号的分析方法。
小波分析通过将信号与一组基函数进行卷积来获得信号在时间和频率上的信息。
与STFT相比，小波分析可以提供更好的时频局部性，在处理非平稳信号时更为有效。
小波变换可以将原始信号分解成不同尺度和频率范围的小波系数，这些系数反映了信号的特定时频特性。
机械系统的振动信号处理与分析
机械系统的振动信号处理与分析振动是机械系统中常见的现象之一，它反映了系统内部的运动和变化。
因此，对机械系统的振动信号进行处理和分析，可以帮助我们了解系统的运行状态、故障原因以及优化设计。
一、振动信号的获取与处理要进行振动信号的处理与分析，首先需要获取振动信号。
常见的获取方式有加速度传感器、振弦传感器、振动接头等。
这些传感器可以将机械系统的振动转化为电信号，并输出到数据采集设备中。
在进行振动信号处理之前，我们需要进行预处理。
预处理包括滤波、抽取等操作，旨在去除噪声、减小数据量，提高信号的质量。
常见的滤波方法有低通滤波、带通滤波等，可以根据实际需要选择合适的滤波器和参数。
二、振动信号的特征提取与分析在获得干净的振动信号后，我们需要对其进行特征提取与分析。
振动信号的特征包括幅值、频率、相位等，通过分析这些特征可以了解振动信号的性质与变化规律。
幅值是振动信号的大小，可以反映系统的振动强度。
通过计算振动信号的均方根值、峰值等指标，可以获得信号的幅值特征。
频率是振动信号的变化速度，可以反映系统的运行状态。
通过傅里叶变换、小波变换等方法，可以将振动信号从时域转换到频域，进而得到信号的频率特征。
相位表示振动信号的相对位置关系，可以通过相关分析等方法得到。
三、振动信号的故障诊断与预测振动信号处理与分析可以用于机械系统的故障诊断与预测。
通过对振动信号的特征进行分析，我们可以识别出常见的故障模式，如轴承故障、齿轮故障等。
不同的故障模式在振动信号上表现出不同的特征，通过比较故障信号与正常信号的差异，可以判断系统是否存在故障。
此外，振动信号处理与分析还可以用于故障预测。
通过对机械系统的振动信号进行长期监测，可以建立故障预测模型，并预测系统的寿命和故障发生的时间。
这对于制定维护计划和提前采取措施具有重要意义，可以减少故障带来的停机时间和维修成本。
四、振动信号处理与分析的应用领域振动信号处理与分析广泛应用于工业领域。
在制造业中，通过对机械设备的振动信号进行监测与分析，可以实现设备状态的实时监控与故障预测，提高设备的稳定性和可靠性。
物理实验技术中的振动信号处理方法与技巧
物理实验技术中的振动信号处理方法与技巧振动信号是物理实验中常见的一种信号，它包含了丰富的物理信息。
在物理实验中，如何正确有效地处理振动信号，对于研究现象、分析数据以及获得准确结果至关重要。
本文将介绍几种常用的振动信号处理方法与技巧，帮助实验人员充分利用振动信号的信息。
一、去噪方法与技巧在实验中，振动信号常常受到各种干扰，如电磁干扰、机械噪声等，这些干扰会降低信号的质量。
为了保证振动信号的准确性，必须对其进行去噪处理。
1.数字滤波器数字滤波器是一种常用的去噪方法。
常见的数字滤波器有低通滤波器、高通滤波器和带通滤波器等。
低通滤波器可以过滤高频噪声，而高通滤波器则可以过滤低频噪声。
根据实验需求选择合适的滤波器，可以有效去除噪声。
2.小波变换小波变换是一种时频分析方法，可以将信号分解为不同频率的小波子信号。
通过选择合适的小波基函数和尺度，可以将噪声与信号有效分离，从而去除噪声。
小波变换在去噪中具有一定的优势，尤其适用于非平稳信号。
二、频域分析方法与技巧频域分析是振动信号处理中的一个重要步骤，它可以将时域信号转换为频域信号，进一步分析信号的频率成分、幅度、相位等信息。
1.傅里叶变换傅里叶变换是频域分析的基础方法之一，它可以将信号在时域和频域之间进行转换。
实验人员可以通过傅里叶变换得到信号的频谱图，进而分析信号的频率成分。
傅里叶变换的优点是简单易懂，但在处理非平稳信号时存在一定局限性。
2.短时傅里叶变换短时傅里叶变换是一种改进的傅里叶变换方法，可以处理非平稳信号。
它将信号分成若干小段，在每一段上进行傅里叶变换，然后通过描绘频率随时间变化的谱图来揭示信号的时频特性。
短时傅里叶变换在振动信号分析中应用广泛。
三、谐波分析方法与技巧谐波分析是对振动信号进行频域分析的一种方法，它可以分析信号中不同频率的谐波成分，揭示信号的特征和规律。
1.快速傅里叶变换快速傅里叶变换是一种高效的频域分析方法，可以快速计算信号的频谱。
通过快速傅里叶变换，可以快速得到信号中各个频率的幅度和相位信息，进而分析信号中的谐波成分。
机械振动响应的信号处理与分析方法研究
机械振动响应的信号处理与分析方法研究近年来，机械振动信号处理与分析方法的研究日趋重要。
机械振动作为一种常见的信号现象，广泛存在于各个领域，如机械工程、汽车工程、航空航天等。
有效的信号处理与分析方法能够帮助我们深入理解机械振动的本质，并为问题的解决提供依据。
首先，我们来探讨机械振动信号处理中的时域与频域分析方法。
时域分析方法主要通过对振动信号的时序性进行分析，常用的方法包括时域波形分析、自相关函数和互相关函数分析等。
时域波形分析能够直观地反映振动信号的幅值和频率特征，自相关函数则可以描述振动信号之间的相关性。
而频域分析方法则通过将时域信号转化为频域信号，以获得振动信号的频率分布情况。
其中，傅里叶变换是最常用的频域分析方法之一，能够将信号从时域转化为频域，并提供频率分量的振幅和相位信息。
除了时域与频域分析方法外，小波变换也被广泛应用于机械振动信号处理与分析中。
小波变换具有时频分析的特性，能够同时提供时域和频域信息，并能较好地揭示出信号的瞬态特征。
与傅里叶变换相比，小波变换具有局部性的特点，能够更好地适应振动信号的非平稳性。
在机械振动信号处理的实际应用中，模态分析是一个重要的研究内容。
模态分析旨在通过振动信号的特征参数提取，分析机械系统的模态特性，包括自然频率、阻尼比和模态形态。
常用的模态分析方法包括阶次分析法、模态参数识别法和模态拟合法等。
阶次分析法主要用于分析旋转机械系统的振动特性，并能够识别出非线性特征。
模态参数识别法则通过信号的频域分析，提取振动信号的模态参数。
而模态拟合法则利用信号的时域和频域信息，以拟合曲线的方式获得振动信号的模态参数。
此外，机械振动信号处理与分析方法还包括基于机器学习的振动故障诊断与预测。
机器学习算法能够通过学习大量振动数据，从中提取有效的特征参数，并建立故障识别与预测模型。
常用的机器学习算法包括支持向量机、神经网络和随机森林等，这些算法在机械振动信号处理领域已经得到广泛应用。
机械振动分析中信号处理方法的改进和应用
机械振动分析中信号处理方法的改进和应用机械振动分析是工程领域中非常重要的一个研究方向，它对于确保机械系统的稳定性和性能提升具有重要意义。
信号处理方法在机械振动分析中扮演着至关重要的角色，它能够从复杂的振动信号中提取出有用的信息，为故障诊断和健康监测提供支持。
然而，传统的信号处理方法在某些情况下面临一些困难和挑战，因此需要不断改进和应用新的方法。
一种常用的信号处理方法是傅里叶变换，它能够将时域信号转换为频域信号，从而分析信号的频谱特性。
但是，傅里叶变换要求信号是周期的，而实际工程中的振动信号往往是非周期的，因此傅里叶变换不适用于非周期信号的分析。
为了克服这一问题，改进的信号处理方法被提出。
一种改进的方法是小波变换，它具有时频域分辨率高、适用于非周期信号和非平稳信号等优点。
小波变换将信号分解为若干个不同频率范围的小波系数，从而可以更好地分析信号的瞬时特性和频谱特性。
此外，小波包变换和小波包能量谱分析方法也可以用于机械振动分析。
这些方法能够提供更丰富的频域和时域信息，对振动信号的故障特征提取和故障诊断具有更高的精度和准确度。
另一个改进的方法是经验模态分解（EMD），它是一种自适应的信号分解方法。
EMD将非线性和非平稳信号分解为一系列固有模态函数（IMF），每一个IMF代表了数据中的一个不同的尺度或频率成分。
EMD方法适用于具有多尺度和非线性特征的振动信号，可以更好地描述信号的振动特性。
除了改进的信号处理方法，还有一些新的方法被应用于机械振动分析。
一种新的方法是时频分析方法，包括短时傅里叶变换（STFT）、连续小波变换（CWT）和时频分析等。
这些方法能够提供更精确的时频特性分析，对非平稳信号的特征提取具有重要意义。
另一种新的方法是基于机器学习的信号处理方法，包括支持向量机（SVM）、神经网络和深度学习等。
这些方法通过训练大量的振动数据，可以实现对振动信号的模式识别和故障诊断。
他们能够识别出各种机械故障的振动特征，并提供预测和预警，大大提高了机械系统的可靠性和安全性。
第9章 振动信号的处理和分析(22页)
第9章振动信号的处理和分析飞行器的振动现象，表现为结构振动量的时间和空间的函数。
人们希望通过对飞行器结构振动信号的测量和分析，来了解飞行器结构本身的物理特性，建立适宜的数学模型，从而预测飞行器在工作条件或所处环境中的运行行为及其对结构的强度、刚度，以及运行安全乃至相关人员的舒适性的影响。
简言之，飞行器结构的振动特性是通过振动信号的测量、处理和分析确定的。
在确定结构动特性时，数据采集应归于测量，而出于分析的需要，将信号进行数据离散（变换）、截断（加窗）、滤波等则可狭义地归为处理。
传统地看法将变换视为分析，其实这也是一种处理。
但广义地说，处理也是一种分析手段。
因此，本章内容在阐述时并不严格地区分哪些是处理，哪些是分析，而是把处于处理和分析的每一个环节都作为一种方法来阐述。
§9.1 振动信号的分类不同类型的信号将有不同的分析方法和选定不同的分析参数，按照信号本身的特性，最基本的分类可概括为稳态信号和非稳态信号两类，如图9.1.1所示。
图 9.1.1 振动信号的类型稳态信号是其统计特性不随时间而变化的信号，它可以分为稳态确定性信号和稳态随机信号。
其中稳态随机信号可认为是一种其平均特性不随时间变化，因而可以用任意一条样本记录来决定的随机信号。
这也是所谓稳态的一般含义，无论对于确定性信号或是对于随机性信号皆是如此。
但对于随机信号来说，稳态不是理解为从不同的记录样本所得到的结果都必须完全一样，而只意味着它们是等价的。
稳态确定性信号对于任意稳定的时刻，其信号值是可以预知的。
而对于稳态随机信号，只能确知其统计特性，如平均值、方差等。
非稳态信号可粗略地分为连续性非稳态信号和瞬态信号，语言信号是典型的连续性非稳态信号。
两者最基本的区别是，瞬态信号可以作整体处理，而连续非稳态信号一般可分成若干短时信号段来处理，每一段常常可以看成是拟稳态的。
稳态确定性信号是完全由具有离散频率成分的正弦信号组成的信号，又可分为周期性信号和拟周期性信号。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
有效振动分析的信号处理摘要有效的振动分析首先始于从工业标准的振动传感器，如加速度传感器获得一个准确的时域变化的信号。
一个手持式数字仪器一般接入原始的模拟信号，并为用户的多种要求进行处理。
根据用户对分析的要求和原始信号的最初单位，信号可被直接处理或经由数学积分器变换成振动测量的其他单位。
根据感兴趣的频率，信号可能要经过一系列高通滤波器和低通滤波器的调理。
根据期望得到的结果，信号可能被多次采样和平均。
如果在数字仪器中需进行时间波形分析，那么确定采样点数和采样速率是必要的。
观察的时间长度等于采样周期乘以采样点数。
大部分手持式仪器也具有FFT(快速傅里叶变换)处理方法，把全局时变输入信号采样分解为其单独的频率分量。
在老式模拟仪器中，这个分析功能是由扫频滤波器来实现的。
定义FFT处理时要考虑很多设置参数：（1）分辨率线数；（2）最大频率；（3）平均类型；（4）平均次数，和（5）窗类型。
这些参数互相作用影响得到的结果，并且需要在信息质量和完成数据采集所耗时间之间进行折中考虑。
预知维修的成功依赖于数据采集和变换过程中的几个要素：（1）总振动水平的趋势；（2）复合振动信号各个频率分量的幅值和频率；（3）在相同运行条件下，机器某一部分的振动信号相对于机器上另一个测量的相位关系。
本文将带领读者从振动传感器的输出，经过典型的现代数字技术振动测量仪器所完成的信号处理流程的各个阶段。
并且，本文重点介绍了预知维修领域为完成准确分析而进行的快速有效的振动数据采集中所需的多个数据采集设置参数和折中考虑。
关乎振动分析成功的几项内容，将给予详细论述：模拟信号采样和调理；抗混淆测量；噪声滤波器技术；频带-低通，高通，带通；数据平均方法；和FFT频率转换。
1.讨论振动分析始于传感器输出的时变物理信号。
从此信号的输入到振动测量仪器，有很多可能的选择去分析信号。
本文的目的是关注内部信号处理路径，以及它和原始振动问题的最终根源分析之间的关系。
首先，我们看如图1所示的仪器中典型信号路径的框图。
2.时间波形图2.所示是一个典型的来自加速度传感器的模拟时间波形信号。
图1. 典型信号路径图2. 典型时域波形在数字仪器中几乎看到同样的信号。
然而，在数字仪器中为了精确的重建绘图，必须规定一些参数。
告诉仪器使用什么采样速率，和进行多少次采样是重要的。
为此需确定：a) 观察的时间长度。
它等于采样周期乘以采样点数。
可选择的最高采样频率是仪器的特性，单位为Hz 或CPM(1Hz=60CPM)。
现代仪器中高达150K Hz 采样速率也是常见的。
b) 可见的最高频率。
它总是小于采样频率的一半。
选择的采样点数是像1024的数字(即102，为后面FFT 的计算提供方便)。
所生成的时间波形需要一个有辨识能力的人员去评价，但在工业过程中作为一个分析工具是很受欢迎的。
重要的是注意在此数据中通常可见到短暂的瞬变是，但是进一步的信号处理可能掩盖这些瞬变。
在数字信号处理过程中，有一些限制需要考虑： z 低通滤波器 -- 消除任何高频率 z 高通滤波器 -- 消除直流和低频噪声 z 传感器特性 -- 一个因素，通常限定最低和最高有效频率，还有一个固有共振频率，传感器在此频率处放大信号。
另外，信号的积分 -- 从加速度传感器产生速度或位移信号或者从速度传感器产生位移信号 -- 往往会丢失低频信息并引入噪声。
因为数字积分受A/D 转换过程的动态范围的限制，输入信号的积分最好由模拟线路实现。
数字线路往往引入更多的误差，而且如果在低频处存在干扰，积分会将此干扰放大。
这些是数字信号和分析的原始因素。
在讨论的限制和进一步的处理中，对设备状况进行非常精确的诊断是十分可能的。
3. FFT进一步信号处理的常见形式是FFT，即快速傅里叶变换。
此方法采集时变物理信号，并将它分解为各分量，各个分量具有振幅、相位和频率。
将频率与机器特性相联系，并参看振幅，可以很准确的定位机器问题。
在模拟仪器中，相同的信息由扫频滤波器提供，被称为固定Q （或定 % 带宽）滤波器，此处用一个低通/高通滤波器结合的等 % 带宽例如2.5% 实时扫频一个信号去产生振幅对频率绘图。
这使得在较低频率具有好的分辨率(如600 CPM 的2.5% 是15 CPM 分辨率)，在高频处的分辨率较低(120000 CPM 的2.5% 是3000 CPM)。
因此，频率轴通常为对数标尺，如图3.所示。
图3. 振动速度-对数频率调谐技术比FFT慢得多，尤其是低频时。
因为只在某个瞬时查看每个频率，它也可能丢失信息。
然而扫频滤波器仍不失为一个强大的分析工具，尤其对于恒稳态振动。
现代仪器中，FFT更常被用来提供频域信息。
正如傅立叶理论所述：所有的波形，不论多复杂，都可以表述成具有不同振幅，相位和频率的正弦波的和。
机器振动的情况下，这是十分正确的。
一个机器的时间波形主要是由很多具有不同振幅和频率的正弦波的和。
问题是将复杂的时域波形分解为组成它的各个分量。
图 4 给出了一个例子。
图4.复杂时域波形分量所示有三个波形，绘制成时间，频率和振幅的3-D网格图。
如果我们将波形叠加在一起，会看到如图 5 所示的复合时域波形；如果我们去掉时间轴，将会得到频率和振幅的图形，如图 6 所示，也就是FFT。
图5. 组合时域波形图6. 频率分量和幅值当在一个仪器中设定 FFT 测量时，需要选择一些选项，如图 7 所示。
图7. FFT设置参数重要参数如下： ·Fmax ·平均次数 ·谱线数 ·平均类型 ·重叠百分比 ·低频截至 ·窗类型每项将在后面详细讨论。
4. 分辨率线数FFT 分辨率描述出 FFT 绘图中信息的线的数目，如图 8 所示，典型值为100，200，400，800，1600，3200，6400和12800。
每条线将覆盖一个频率范围，每条线的分辨率简单计算为 Fmax/线的数目。
例如，Fmax为120000CPM，400线，分辨率为300CPM每条线。
图8. FFT分辨率5. Fmax这是仪器可以获得和显示的最高频率。
当选择Fmax 时，我们也设置了其它的参数，其中之一就是抗混淆滤波器。
因为用来产生 FFT 的操作是数字的，并且我们采用数字化的时域波形产生 FFT，在时域波形图上我们实际上看到一系列点，如图 9 所示。
图9. 数字采集和混淆现象6. 混淆现象为了保证从这些点产生正弦波，我们需要以远高于我们关心的最高频率的采样速率去采样。
根据仙农和奈奎斯特定律，最低采样速率至少是Fmax的两倍。
也就是说，为了定义一个纯正弦波，必须要以至少两倍于它的基本频率去采样。
由于抗混叠滤波器的复制，超过最高频率含量的两倍是必须的。
2.5倍就足够了，但是为了和计算机世界一致，通常使用2.56。
如果应用了较低的采样速率，原始时变信号可能无法重建，并可能发生“混淆”现象。
出现这个现象时，一个高频率成分倾向于看上去像一个较低的频率，如图 9 所示。
图 10 表示在混淆现象时，滤波器复制和折叠频率现象。
图10.混淆的折叠现象两个信号的频率差落在感兴趣的频率范围内时，这两个信号就会发生混叠。
这个频率差在采样过程中是总会产生的。
为了保证在信号内不含任何高频组分（高于所选的 Fmax 值），我们使用抗混叠滤波器来抑制高于 Fmax 的原始信号。
这个技术的引入节省了处理时间，保证所选频率范围内信息是准确的。
7. 数据采集时间当参数 Fmax 和分辨率线数选定后，采集有效FFT 数据的总体采样时间就确定了。
对于 400 线的 FFT，由于涉及的计算，我们需要波形上的 1024 个点。
点数( N=2.56 * 线数 )由下面的计算得到：带宽(BW)= Fmax/线数)(obs T = 1/BW = 线数/ Fmax)(obs T = N * )(sample T = N * (1/(2.56* Fmax))N = 2.56 * 线数 其中，线数 = FFT分辨率的总线数Fmax = 最高分析频率 N = 采样点数)(sample T = 采样周期(sec.) )(obs T = 观察时间长度图 11 是一个采样的例子。
图11. 采样和观察时间假设我们要 Fmax 为 120000 CPM 和 400 线的分辨率，我们就可以确定采样的时域波形的长度。
z 避免混叠，选择一个120000 CPM 的低通滤波器 z 避免混叠，我们以 307200 CPM (= 2.56*120000)采样z 采样 1024 点来产生 400 线的分辨率这部分观察的时域波形将是 1024 个采样，一共0.2s，这样，我们需要一个至少5KHz采样率的仪器(0.2 秒内 1024 采样 = 5120 采样/秒)。
另外一个例子，400 线 FFT，Fmax 为 6000CPM 要求一个观测时域波形的计算如下：)(obs T = N * )(sample T = N * (1/(2.56* Fmax))= 1024 *( 1/(2.56* 100Hz)) = 1024 * (1/256) = 4 s虽然较低的 Fmax 提供了改进的显示频率分辨率，但并不是免费得到的。
数据收集时间会显著增长。
(当测量时选择低频截止点也会发生同样的事情)为了解释所要观测的时域波形长度和达到的分辨率之间的关系，考虑你需要如何检测一个由频率相近的两个波形组成的信号。
如果两个波形从开始同相位，那两者充分分开去显示它们的不同频率，需要很长的时间。
例如，当两个机器以近似相同的速度运行时，可以听到“节拍”的声音。
总之：为了达到频域的高分辨率，要求较长的采样时间。
8.平均次数仪器利用数字化时域波形并执行数学运算来产生 FFT，然而，只观察时域波形的一部分可能排包含了一些由随机振动影响引起的峰值，为了减小这个值，通常观察时域波形的几个部分，计算几个FFT 并显示一个平均的结果。
通常采用四次平均。
在大部分 FFT 分析仪中都提供平均来辅助解释数据。
平均为数据采集提供可重复的结果，有利于机器劣化的早期报警。
平均也能帮助解释复杂的噪声丰富的信号。
平均的类型包括：线性，指数，峰值保持，和同步时间平均。
每种类型具有特殊的特性，使其适用于特定的应用，简述如下。
线性平均线性平均中，每个瞬时频谱都累加到下一个频谱，结果被总的频谱数除。
这个方法适用于为故障趋势获得重复性数据，如大部分预知维修程序中所应用的。
此方法也适用于对平均消除随机的背景振动。
峰值保持平均峰值保持不是一个真正的平均方法。
在采样时间中，获取和显示每个分析单元中寄存的峰值。
这个方法非常适于观测瞬变或应力分析。
指数平均这个方法使用最新采集的频谱并将其权重大于以前数据。
它适用于观测相对于采样时间缓慢变化的变化的状态，例如一个稳态过程。