4. 误差信号分析：频域分析方法
各位工程师朋友，咱们今天聊聊频域分析。说实话，时域看误差就像看心电图——能看出有没有毛病，但说不清毛病从哪来。频域就不一样了，它能把误差信号拆开，告诉你哪个频率在捣乱。
我个人习惯，拿到一个系统的误差数据，先做频域分析。为什么？因为很多干扰源都有固定的频率特征。比如50Hz的工频干扰，比如机械共振的几百赫兹。时域里它们混在一起，频域里一目了然。
4.1 功率谱密度（PSD）
功率谱密度，说白了就是看误差信号的能量分布在哪些频率上。你想想看，一个稳定的系统，误差功率应该集中在低频段。如果高频段也有明显的功率峰，那说明有东西在振动或者有噪声进来了。
我记得有一次调试伺服系统，位置误差总是忽大忽小。时域波形看着像随机噪声，但一做功率谱分析，发现200Hz处有个明显的尖峰。后来一查，是编码器的安装支架刚度不够，产生了共振。换个支架，问题就解决了。
计算功率谱密度，常用的方法有：
- 周期图法：直接对误差信号做FFT，取模的平方。简单粗暴，但方差大。
- Welch法：把信号分段，每段加窗，然后平均。我一般用这个，稳定可靠。
- 自相关法：先算自相关函数，再做傅里叶变换。适合数据量小的情况。
下面是一个用Python做功率谱分析的例子：
import numpy as np
import matplotlib.pyplot as plt
from scipy import signal
# 模拟误差信号：低频漂移 + 高频噪声
fs = 1000 # 采样频率
t = np.arange(0, 10, 1/fs)
error = 0.5*np.sin(2*np.pi*0.5*t) + 0.2*np.sin(2*np.pi*50*t) + 0.1*np.random.randn(len(t))
# Welch法计算功率谱密度
f, Pxx = signal.welch(error, fs, nperseg=1024)
plt.semilogy(f, Pxx)
plt.xlabel('频率 (Hz)')
plt.ylabel('功率谱密度')
plt.grid(True)
plt.show()关键点：功率谱密度曲线上的每一个峰，都对应一个误差源。低频峰通常是跟踪误差或漂移，高频峰往往是噪声或共振。
4.2 误差带宽
误差带宽这个概念，我刚开始接触时也觉得有点绕。其实很简单——它指的是误差信号中，包含主要能量的频率范围。比如一个系统的误差带宽是10Hz，那就意味着10Hz以上的误差分量可以忽略不计。
为什么要关心误差带宽？因为它直接决定了你的控制器需要多快的响应速度。误差带宽越宽，控制器就需要越高的带宽来抑制这些误差。我在做高精度运动控制时，经常用误差带宽来指导参数整定。
计算误差带宽的步骤：
- 先算出误差信号的功率谱密度
- 从0Hz开始累积功率，直到累积功率达到总功率的90%
- 这个频率点就是误差带宽
举个例子：
# 计算误差带宽
cumsum = np.cumsum(Pxx) / np.sum(Pxx)
bandwidth_idx = np.where(cumsum >= 0.9)[0][0]
bandwidth = f[bandwidth_idx]
print(f'误差带宽: {bandwidth:.2f} Hz')实用技巧：如果误差带宽远低于控制器的带宽，说明控制器有足够的余量。如果两者接近，那就要小心了——控制器可能无法有效抑制误差。
4.3 频域分析的工程应用
在实际项目中，我一般这样用频域分析：
- 故障诊断：功率谱上的异常峰，往往对应机械共振、电气干扰或传感器噪声。我曾经遇到一个案例，功率谱上出现了一个奇怪的15Hz峰，查了半天发现是旁边一台空调压缩机的振动传过来了。
- 参数整定：根据误差带宽调整控制器的截止频率。误差带宽宽，控制器带宽也要宽；误差带宽窄，控制器可以保守一些。
- 性能评估：对比不同控制参数下的功率谱密度，看哪个参数能把高频误差压得更低。
注意：频域分析对数据长度有要求。数据太短，频率分辨率不够；数据太长，可能包含非平稳成分。我一般取10-20秒的数据，采样频率至少是感兴趣最高频率的5倍。
4.4 知识体系总览
下面这张图，是我自己总结的频域分析知识框架。你可以把它当作一个检查清单，看看自己掌握了哪些：
嗯，频域分析就讲到这里。说白了，它就是一把手术刀，能把误差信号解剖得清清楚楚。下次遇到系统抖动、跟踪不准的问题，别急着调参数，先做个功率谱看看——说不定问题根本不在控制器上。