如何用Python去除输出信号中相位一致的周期性噪声

实现步骤与代码 #

核心问题修复 #

你之前的方案存在3个关键问题导致效果不符合预期：

1. 重采样后未做缺失值插值，产生数据缺口
2. 未对噪声信号做振幅增益与直流偏移校准，直接相减会残留振荡甚至放大波动
3. 未匹配两个信号的微小相位差，导致振荡抵消不完全

完整实现代码 #

接你已经读取完time_list_thick、thick、time_list_temp_qcm、temp_qcm变量后的代码：

import numpy as np
import pandas as pd
from scipy.optimize import minimize

# 1. 构建统一时间网格的重采样信号，插值补全缺失值
# 转换为时间索引Series
signal_series = pd.Series(thick, index=pd.to_timedelta(time_list_thick, unit='s'))
noise_series = pd.Series(temp_qcm, index=pd.to_timedelta(time_list_temp_qcm, unit='s'))

# 取两个信号的时间重叠区间作为统一时间范围
start_time = max(signal_series.index.min(), noise_series.index.min())
end_time = min(signal_series.index.max(), noise_series.index.max())
# 重采样到0.1秒粒度（比原来的采样率更高，减少信息损失），线性插值补全
resample_freq = '100L' # 100毫秒，可根据你的采样间隔调整
signal_resampled = signal_series.resample(resample_freq).mean().interpolate(method='linear')[start_time:end_time]
noise_resampled = noise_series.resample(resample_freq).mean().interpolate(method='linear')[start_time:end_time]

# 2. 最小二乘拟合噪声的最优增益与偏移量
# 目标函数：最小化 signal - (a*noise + b) 的方差
def loss_func(params):
    a, b = params
    return np.sum((signal_resampled.values - (a * noise_resampled.values + b))**2)

# 初始参数猜测：a默认1，b默认两个信号均值差
init_params = [1, np.mean(signal_resampled) - np.mean(noise_resampled)]
opt_params = minimize(loss_func, init_params).x
a_opt, b_opt = opt_params

# 3. 计算去噪后的真实平稳信号
denoised_signal = signal_resampled - (a_opt * noise_resampled + b_opt)
# 可选：加一个小窗口的移动平均进一步平滑残留小波动
# denoised_signal = denoised_signal.rolling(window=10, center=True).mean().dropna()

# 4. 结果绘图验证
import matplotlib.pyplot as plt
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 10))
# 原始信号
ax1.plot(signal_resampled.index.total_seconds(), signal_resampled.values, label='原始输出信号', c='blue')
ax1.plot(noise_resampled.index.total_seconds(), a_opt*noise_resampled.values + b_opt, label='校准后噪声', c='green')
ax1.legend()
ax1.set_ylabel('振幅')
ax1.set_title('原始信号与校准后噪声')
# 去噪后信号
ax2.plot(denoised_signal.index.total_seconds(), denoised_signal.values, label='去噪后信号', c='red')
ax2.legend()
ax2.set_xlabel('时间(s)')
ax2.set_ylabel('振幅')
ax2.set_title('去噪后平稳信号')
plt.tight_layout()
plt.show()

可选优化 #

如果两个信号存在微小相位差导致振荡抵消不完全，可以先通过互相关计算最优相位偏移量，将噪声信号平移对应时间后再做拟合，进一步提升抵消效果：

from scipy.signal import correlate
# 计算互相关找最优偏移
corr = correlate(signal_resampled.values, noise_resampled.values, mode='same')
opt_shift = np.argmax(corr) - len(corr)//2
# 噪声平移后再做后续校准
noise_shifted = noise_resampled.shift(opt_shift).dropna()
# 对齐平移后的信号长度
signal_aligned = signal_resampled.loc[noise_shifted.index]

内容的提问来源于stack exchange，提问作者tjsmert44