如何在Python中实现Matlab的tsaregular函数？求技术解析

一、核心原理拆解 #

时间同步平均（TSA）是通过将旋转/往复机械的振动信号按周期分割、对齐后平均，来消除非周期噪声的方法。但实际场景中，转速波动、传感器误差等因素会导致分割出的每个周期在长度、相位上存在偏差，最终TSA结果的波形边缘不平整、特征模糊。

tsaregular的核心作用就是修正这些周期偏差，将所有周期波形对齐到统一的标准时间/相位轴上，输出特征更清晰的规整信号。本质是通过插值重采样，把每个周期的信号映射到同一个基准周期维度上，再重新生成平均信号或保留规整后的单周期序列。

二、关键实现步骤（Python） #

假设你已经完成了TSA的周期分割，得到了二维数组cycle_signals（形状为[周期数, 单周期采样点数]），以下是具体实现思路：

步骤1：确定标准周期参数 #

• 计算所有周期的平均长度avg_cycle_len，作为规整后单周期的采样点数；也可以直接指定一个固定的目标长度（比如业务需求的标准采样数）
• 生成归一化的标准时间轴：standard_time = np.linspace(0, 1, avg_cycle_len)（0到1代表一个完整周期的相位区间）

步骤2：单周期信号对齐重采样 #

对每个原始周期信号执行插值映射：

from scipy.interpolate import interp1d
import numpy as np

aligned_cycles = []
for cycle in cycle_signals:
    # 生成当前周期的原始归一化时间轴
    original_time = np.linspace(0, 1, len(cycle))
    # 用三次样条插值将原始信号映射到标准时间轴（平滑性优于线性插值）
    interpolator = interp1d(original_time, cycle, kind='cubic', fill_value="extrapolate")
    aligned_cycle = interpolator(standard_time)
    aligned_cycles.append(aligned_cycle)
aligned_cycles = np.array(aligned_cycles)

步骤3：生成最终规整信号 #

• 若需要输出平均后的规整TSA信号：regularized_tsa = np.mean(aligned_cycles, axis=0)
• 若需要保留所有规整后的单周期信号：直接返回aligned_cycles

三、进阶优化（适配转速波动场景） #

如果原始信号存在明显转速波动（周期长度变化大），需要基于相位同步而非时间同步来对齐：

1. 从键相信号中提取每个周期的角度相位数据（比如0-360度的角度序列）
2. 生成标准角度轴（如standard_angle = np.linspace(0, 360, target_len)）
3. 将每个周期的信号按角度轴插值到标准角度轴上，实现完全的相位对齐

四、完整示例函数 #

import numpy as np
from scipy.interpolate import interp1d

def tsaregular(cycle_signals, target_len=None):
    """
    模拟Matlab tsaregular功能，规整时间同步平均的周期信号
    :param cycle_signals: 二维数组，shape=(n_cycles, original_cycle_len)，输入分割后的周期信号
    :param target_len: 规整后单周期的采样点数，默认用所有周期的平均长度
    :return: 规整后的周期信号数组、平均后的规整TSA信号
    """
    n_cycles = len(cycle_signals)
    if target_len is None:
        target_len = int(np.mean([len(cycle) for cycle in cycle_signals]))
    
    standard_t = np.linspace(0, 1, target_len)
    aligned_cycles = []
    
    for cycle in cycle_signals:
        original_t = np.linspace(0, 1, len(cycle))
        # 边界外采用外插，避免边缘数据缺失
        interp_func = interp1d(original_t, cycle, kind='cubic', bounds_error=False, fill_value="extrapolate")
        aligned_cycles.append(interp_func(standard_t))
    
    aligned_cycles = np.array(aligned_cycles)
    regularized_avg = np.mean(aligned_cycles, axis=0)
    
    return aligned_cycles, regularized_avg

五、注意事项 #

• 插值方法选择：平滑振动信号优先用三次样条插值；信号存在突变时，线性插值更稳健
• 周期分割质量：规整效果完全依赖前期TSA的周期分割准确性，若原始分割错误，规整结果也会失真
• 非均匀采样处理：若原始信号是非均匀采样，需先将每个周期转成均匀采样序列，再执行规整操作

内容的提问来源于stack exchange，提问作者Jilong Yin