使用SciPy的cumtrapz积分位移曲线异常问题求助

核心问题定位 #

你遇到的位移曲线波动问题，本质是数值积分的误差累积：第一次积分加速度到速度时的微小误差，在第二次积分到位移时会被放大，尤其是当速度曲线本身存在高频噪声（或采样离散误差）时，累积效应会更明显。cumtrapz采用的梯形法属于低阶积分，对离散点的噪声敏感度高，拐点附近的斜率突变也会让梯形法的近似误差被进一步放大。

可行解决方法 #

1. 先对速度曲线做平滑预处理 #

在积分位移前，过滤速度数据中的高频噪声，可使用SciPy的滤波函数：

from scipy.signal import savgol_filter
# 平滑速度曲线，window_length和polyorder需根据数据调整，示例为51点窗口+3阶多项式拟合
velocity_smoothed = savgol_filter(velocity_int, window_length=51, polyorder=3)
# 基于平滑后的速度积分得到位移
displacement_int = sp.integrate.cumtrapz(velocity_smoothed, x=time, initial=0)

注意调整窗口大小，平衡噪声去除与真实趋势保留的需求。

2. 切换至高阶数值积分方法 #

替换低阶的梯形法，使用更高精度的积分方案：

• 辛普森法（二阶精度）：

# 用simpson法直接积分速度得到位移
displacement_int = sp.integrate.simpson(velocity_int, x=time, even='avg')

• 自适应积分（逐段计算累积位移）：

import numpy as np
# 逐段用自适应积分计算位移并累积
displacement = [0]
for i in range(1, len(time)):
    seg_displ, _ = sp.integrate.quad(lambda t: np.interp(t, time, velocity_int), time[i-1], time[i])
    displacement.append(displacement[-1] + seg_displ)
displacement = np.array(displacement)

辛普森法对平滑曲线的积分精度远高于梯形法，自适应积分则能更好处理拐点附近的斜率突变。

3. 直接从加速度二次积分到位移 #

跳过单独计算速度的环节，减少一次误差传递：

# 先用高阶积分得到速度，再积分得位移
velocity_int = sp.integrate.simpson(acceleration, x=time, initial=0)
displacement_int = sp.integrate.simpson(velocity_int, x=time, initial=0)

额外验证建议 #

• 检查时间序列采样是否均匀：若采样间隔不均，梯形法误差会显著增大，此时高阶自适应积分的优化效果更明显。
• 若有理论位移曲线，可对比调整平滑或积分参数，找到误差最小的组合。

内容的提问来源于stack exchange，提问作者s6292_1997