Experimentelle Methoden der

Aerodynamik

3. Signalanalyse

1
 Einführung

 Ausgangspannung eines Hitzdrahtanemometers in einem

turbulenten Jet:

2
 Gliederung

 Statistische Analyse

 Fourier Reihe – DFT

 Leistungsdichtespektrum

3
 Stochastisches Signal
 Aerodynamische Strömungen sind in der Regel turbulent und daher
sind gemesse Signale für gewöhnlich stochastisch.
 Deterministisches Signal:

 Stochastisches Signal:

4
 Stochastisches Signal
 Ein stochastisches Signal ist eine Realisierung eines stochastischen
Prozesses.

s1(t)
Kollektivmittelwert:

1 N

s2(t) s  t   lim 

N  N

i 1
s t  

Funktion von t !!
s3(t)

5
 Ergodisches Signal
 Die stochastischen Prozesse die man in der Aerodynamik misst sind
(glücklicherweise) für gewöhnlich stationär und ergodisch.
 Ein Prozess ist stationär wenn der Kollektivmittelwert keine
Funktion der Zeit ist:
s  t   s  const
 Ein Prozess ist ergodisch wenn alle statistischen Parameter des
Prozesses nur von einer Realisierung berechnet werden können.
1T 
Zum Beispiel: s  lim   s(t )dt   f (t )
T  T
 0 

6
 Statistische Parameter
N
1
 Mittelwert: s  s 
N
 s t 
i 1
i

  s t   s 
1 2
 Varianz: var   
2
s i
N i 1

  s t   s 
1 2
 Standardabweichung: s  i
N i 1

s

7
Beispiel: Turbulent Ablöseblase
Signal 1 (1.60m) Signal 2 (2.35m)

Sensor: MEGGITT 8405-C1

DAQ: NI PXIe 20 bits

8
 Beispiel: Turbulent Ablöseblase
Signal 1 (1.60m) Signal 2 (2.35m)

ATTACHED FLOW REATTACHED

FLOW

9
 Beispiel: Turbulente Ablöseblase

1. Plot Pnn_160 and Pnn_235

2. Compute variances and standard deviations
3. Investigate convergence

10
 Gliederung

 Statistische Analyse

 Fourier Reihe – DFT

 Leistungsdichtespektrum

11
 Fourier Reihe
 Fourier Satz: Jede periodische Schwingung lässt sich als Summe von
Cosinus- und Sinusschwingungen beschreiben. Die Frequenzen dieser
einzelnen Cosinus- + Sinusschwingungen sind ganzzahlige Vielfache von
der niedrigsten Frequenz, der Grundfrequenz.
1
s(t) T0 F 0 
T0

 Joseph Fourier in 1796

s  t     an cos  2 nF0t   bn sin  2 nF0t   (Wikipedia)
n 1

T0 T0 T
1
 s   d  s
2
 s   cos  2 nF   d
a0  2 0
an  0 bn   s   sin  2 nF0  d
T0 0 T0 0 T0 0

12
 Beispiel
 Turbulenzgrad in einem Windkanal:
 HWA liefert:
Warum dieser Unterschied?

13
 Fourier Reihe – Komplexe Formulierung
 Die Fourier Reihe wird üblicherweise nur mit einem (komplexen)
Koeffizient dargestellt:
 j2 =-1
s t   
n 
 Sn e j 2 nF0t 
e j  cos   j sin 
T
Mit: 1 0
S n   s ( )e  j 2 nF0 d Sn 
T0 0
 Beide Darstellungen sind äquivalent, da:
1 1
Sn   an  jbn  S n   an  jbn 
2 2
 Vorteil: nur ein Sn
 Nachteile: Sn ist komplex, Frequenzen sind negativ !

14
 Fourier Spektrum
 Das Fourier Spektrum ist eine Graphik von Sn als Funktion von nF0:

Re  Sn  Im  Sn 

-nF0 -2F0 -F0

-nF0 -2F0 -F0 0 F0 2F0 nF0 0 F0 2F0 nF0
bn
Im  Sn      Im  S n 
a
Re  Sn   n  Re  S n 
2 2

j n
 Amplitude und Phase: Sn  Sn e
1 2
Sn  an  bn2  n  arctan( bn / an )
2

15
 Beispiel
 Berechnen Sie das Fourier Spektrum von dem Signal:
E (V)
1

0 2 t (s)
-1
2
 Lösung: a0  0 bn  1  cos(n ) 
n
bn
4
 4
3 4
5

F0 3F0 5F0 f

16
 DFT – Discrete Fourier Transform
 In der Praxis haben alle gemessene Signale eine finite Länge und können
als eine Periode eines periodisches Signal interpretiert werden.
 Da die meisten Signale digital sind, ist die Periode T0=NDt, mit N der
Anzahl von Punkten und Dt der Abtastperiode.
 Die Fourier Reihe wird dann mit dem DFT Algorithmus berechnet:

N 1 2 j
kn  1 DFT 
S DFT
n   sk e N  n

S 
N
 Sn 

k 0
s(t) S(f)
sk Sn
sk+1 Sn+1
DFT
tk tk+1 tN-1 t fn fn+1 fN-1 f
0 0
Dt Df=1/T0
tN-1 = NDt = T0 fN-1 = NDf = 1/Dt = fs
17
 Beispiel: Turbulente Ablöseblase

3. Compute DFT

18
 Eigenschaften der DFT
 Frequenzauflösung: Df = 1/T0 = 1/(NDt)
 Die DFT liefert N komplexe Fourier Koeffizienten von f0=0 bis fN-1~fs, wobei die
letzten Werte (SN/2+1, SN/2+2,…SN-1) den negativen Frequenzen entsprechen.
 Die Frequenz fN/2 = fs/2 nennt man die Nyquist Frequenz. Das ist die maximale
Frequenz im Spektrum
 Wenn N = 2x benutzt man den FFT Algorithmus (Fast Fourier Transform →
schneller) statt den DFT Algorithmus.

S0 S
S1 SN-1 SN-1 0 S1
SN/2+1 SN-2 SN-2 S2
S2 SN/2+1
SN/2 SN/2

0 f1 f 2 fN/2 fN/2-1 f-2 f-1 0 f1 f2 fN/2

f f
fN/2+1 N-2 N-1

Nyquist

19
 Beispiel

 Signal eines Hitzdrahtanemometers, gemessen während einer

Minute mit 2 kHz Abtastfrequenz.

 Frequenzauflösung?
 Maximale Frequenz im Spektrum?

20
 Gliederung

 Statistische Analyse

 Fourier Reihe – DFT

 Leistungsdichtespektrum

21
 Leistungsdichtespektrum
 Die mittlere Leistung eines Signals definiert man mit:
T0 N 1
1 1
p  s(t ) dt   s(ti )  s  0  p  var 
2 2

T0 0
N i 0

 Das Leistungsdichtespektrum (PSD: Power Spectral Density) wird so

definiert:
2 DFT 2
für f > 0
Gss ( f )  Sn
N  fs

 Satz von Parseval: p  G
0
ss ( f )df Leistung pro Frequenzeinheit
→ Leistungsdichte (V2/Hz)

22
 Beispiel
 Turbulenzgrad in einem Windkanal:

23
 Beispiel

 Was kann man aus diesem Signal und PSD schließen?

50 Hz

24
 Mittelung vom PSD
 Für ein stochastisches Signal liefert die DFT eine inkonsistente
Abschätzung der Fourier Reihe (Bendat & Piersol, 2010). Um nutzbare
Ergebnisse zu bekommen muss man das Zeitsignal abschneiden und die
jeweilige DFTs mitteln.
 Oft wird auch eine spezielle Fensterfunktion benutzt (typ. Hamming) um
den Effekt des Abschneidens zu verringern.
 Das ist die Basis von der sog. Methode von Welch (Matlab: pwelch)
 Was passiert mit der Frequenzauflösung?

25
 Beispiel: Turbulent Ablöseblase

4. Compute PSD (try different windows)

5. Verify Parseval‘s theorem

[Gxx,F] = pwelch(X,WINDOW,NOVERLAP,NFFT,Fs)
% X = signal
% WINDOW = length of block (with Hamming window) or window
% NOVERLAP = number of overlapping samples between blocks
% NFFT = number of point used to compute FFT. Should be
equal to length(WINDOW) for most cases!
% Fs = physical frequency
% F = Frequency vector for PSD
% Gxx = One-sided PSD estimate

26
 Aliasing
 Fourier Reihe eines digitalen Signals ist periodisch mit Periode fs:
Analoges Signal Digitales Signal
S(f) S(f)

-fmax fmax f -fs fs f

 Wenn fmax > fs/2 (Nyquist Frequenz) gibt es einen „Aliasing“ Fehler.
Gss(f)
gemessen  Um diesen Fehler zu vermeiden
benutz man einen sog. „anti-
aliasing“ Tiefpass Filter vor der
original
fs
A/D Wandler Karte.
fs/2

27
 Zusammenfassung

 Mittelwert und Varianz sind die meist benutzen statistischen

Parameter für Zeitsignale.
 Meiste gemessene Signale können als stationär und periodisch
interpretiert werden. Daher werden ihre zeitabhängigen
Eigenschaften durch eine Fourier Reihe dargestellt.
 In der Praxis wird das Leistungsdichtespektrum (PSD) oft
berechnet, um eine Frequenzanalyse durchzuführen. Dabei soll für
gewöhnlich die Methode von Welch benutz werden.

 Nächste Vorlesung: Statische Druckmessungen

28
 Hauptreferenzen

 Bendat, J and Piersol, A: „Random Data: Analysis and Measurement

Procedures“, Wiley

29