一、功率谱密度的本质：随机信号的功率频率分布统计量
功率谱密度（PSD, Power Spectral Density）是描述随机信号功率在频率域上分布特征的统计量，核心目标是解决“随机信号时域无限、无法直接傅里叶变换”的问题。对于确定性信号（如单一正弦波），我们可通过傅里叶变换得到频谱（幅度-频率曲线）直接分析频率分量；但随机信号（如白噪声、结构随机振动）是“无规则、不可重复”的，时域上无限延伸，不满足傅里叶变换的“绝对可积”条件——此时需用统计平均的方式，将信号的“功率”（而非能量）按频率分解，得到“每赫兹频率带宽内的平均功率”，这就是功率谱密度。
二、与功率的核心关联：单位频率内的平均功率
功率谱密度的物理意义可简化为“每1Hz频率带宽内的平均功率”。具体逻辑如下：
- 随机信号的平均功率（单位时间内的能量）等于其均方值（若均值为零，均方值直接对应功率；若均值非零，需减去均值平方得到波动部分的功率）；
- 功率谱密度曲线（纵轴为PSD值，横轴为频率）与频率轴围成的面积，严格等于信号的总平均功率（或方差，对应波动功率）。
例如，白噪声的功率谱密度是一条平行于频率轴的直线——这意味着从0到∞的所有频率，每个1Hz带宽内贡献的功率完全相同，因此总功率是“直线高度×频率范围”（理论上白噪声总功率无穷大，但实际信号频率范围有限）。
三、单位的推导：物理量纲与频率的结合
1.加速度功率谱密度：加速度单位为$\text{m/s}^2$，因此原始单位是$(\text{m/s}^2)^2/\text{Hz}$；由于$\text{Hz}=1/\text{s}$（每秒周期数），代入后化简为$(\text{m}^2/\text{s}^4)/(1/\text{s}) = \text{m}^2/\text{s}^3$；
2.速度功率谱密度：速度单位为$\text{m/s}$，原始单位是$(\text{m/s})^2/\text{Hz} = \text{m}^2/\text{s}^2 / (1/\text{s}) = \text{m}^2/\text{s}$；
3.位移功率谱密度：位移单位为$\text{m}$，原始单位是$\text{m}^2/\text{Hz} = \text{m}^2·\text{s}$（因为$1/\text{Hz}=\text{s}$）；
4.通用功率单位：若信号直接对应物理功率（如电信号的功率$\text{W}$），则PSD单位为$\text{W/Hz}$（瓦特每赫兹），这是最本质的功率谱密度单位。
所有单位的共性是：将信号的“强度平方”（对应功率）分配到每1Hz的频率带宽中，因此必须包含“物理量平方”和“频率的倒数”。
四、与频谱的关键区别：统计平均vs.确定性变换
功率谱密度与“频谱”（Signal Spectrum）是完全不同的概念，核心差异在于信号类型和信息保留：
1.适用信号：频谱针对确定性信号（如正弦波、方波），是信号傅里叶变换的结果，包含幅度和相位信息（比如正弦波的频谱是两个$\delta$函数，对应正负频率的幅度和相位）；功率谱密度针对随机信号（如噪声、随机振动），是统计平均的结果，仅保留功率信息（幅度平方），完全丢弃相位——因此，两个相位不同但幅度相同的正弦信号，频谱不同，但PSD完全一致。
2.确定性：对于广义平稳随机过程（均值恒定、自相关函数仅与时差$\tau$有关），PSD是确定的函数（不随时间变化）；而频谱是随机信号“单个样本”的傅里叶变换，是随机变量（不同样本的频谱不同）。
五、平稳随机过程的前提：维纳-辛钦定理的核心作用
功率谱密度的严格定义仅适用于广义平稳随机过程，原因有二：
- 非平稳过程的均值或自相关函数随时间变化，无法得到稳定的频率分布；
- 维纳-辛钦定理（Wiener-Khinchin Theorem）为平稳过程的PSD提供了数学基础：平稳随机信号的自相关函数与功率谱密度互为傅里叶变换对。
具体来说：
1. 自相关函数$R(\tau)$：描述信号在“时间差$\tau$”处的相关性（$\tau=0$时，$R(0)$是信号的均方值，对应总平均功率）；
2. 功率谱密度$S(f)$：$S(f) = \int_{-\infty}^{\infty} R(\tau) e^{-j2\pi f\tau} d\tau$（傅里叶变换），$R(\tau) = \int_{-\infty}^{\infty} S(f) e^{j2\pi f\tau} df$（逆变换）。
这个定理的意义在于：将无法直接计算的随机信号PSD，转化为可计算的自相关函数的傅里叶变换，规避了随机信号“不可积”的问题。
六、计算方法：间接法与直接法的差异
工程中计算功率谱密度主要有两种思路，各有优劣：
1.间接法（维纳-辛钦法）：
- 步骤：时域信号→计算自相关函数→对自相关函数做FFT→得到PSD；
- 优势：自相关函数本身是时域统计平均，能抑制随机噪声，结果更平滑、信噪比更高；
- 适用场景：需要稳定、低噪声的PSD估计（如结构振动分析）。
2.直接法（FFT幅度平方）：
- 步骤：时域信号→做FFT得到频谱→取幅度平方→除以频率分辨率→得到PSD；
- 劣势：未经过统计平均，结果波动大（受样本随机性影响）；
- 适用场景：分析噪声本身的频率分布（如白噪声验证），或需要极高频率分辨率的情况。
工程中常用Welch法（分段加窗平均）改进直接法：将长时域信号分成多个短段，每段加窗（如汉宁窗）后做FFT，再对各段的幅度平方取平均——既保留频率分辨率，又降低结果波动。
七、功率谱密度的工程价值
功率谱密度是随机信号分析的“核心工具”，其价值在于：
- 将“不可直接傅里叶变换的随机信号”转化为“可量化的频率分布统计量”；
- 直接反映信号功率在频率域的集中程度（比如振动信号中某频率段的PSD峰值，对应结构的共振频率）；
- 与自相关函数的对偶关系（维纳-辛钦定理），为工程计算提供了便捷路径。
简言之，功率谱密度是连接随机信号“时域随机性”与“频域规律性”的桥梁，是振动分析、噪声控制、通信工程等领域的基础工具。
Parseval定理：时域与频域的能量守恒
Parseval定理是傅里叶分析中能量守恒的核心表达，它建立了信号在“时域幅度”与“频域谱密度”之间的定量等价关系。对于连续时间能量信号（总能量有限，如单个脉冲、衰减振荡），时域总能量定义为信号幅度平方的积分：
$$E = \int_{-\infty}^{\infty} |x(t)|^2 dt$$
而频域中，能量谱密度（即傅里叶变换的模平方$|X(\omega)|^2$）描述了能量在不同频率$\omega$（角频率，单位rad/s）上的分布。Parseval定理指出：时域总能量等于频域能量谱密度曲线下的面积除以$2\pi$（角频率与频率的换算系数）：
$$\int_{-\infty}^{\infty} |x(t)|^2 dt = \frac{1}{2\pi} \int_{-\infty}^{\infty} |X(\omega)|^2 d\omega$$
对于离散时间信号（如数字采样信号），Parseval定理同样成立。若$x[n]$是长度为$N$的离散信号，其离散傅里叶变换（DFT）为$X[k]$，则时域总能量为各采样点幅度平方之和，频域总能量为各频率点谱密度之和乘以频率分辨率（$1/N$）：
$$\sum_{n=0}^{N-1} |x[n]|^2 = \frac{1}{N} \sum_{k=0}^{N-1} |X[k]|^2$$
本质上，Parseval定理告诉我们：信号的能量不会因域变换（时域→频域）而改变——时域中“所有时刻的幅度贡献”与频域中“所有频率的谱密度贡献”完全等价。
功率谱密度：随机信号的“频率功率分布”
能量谱密度适用于能量信号（总能量有限），但工程中更常见的是功率信号（总能量无限但平均功率有限，如周期信号、随机振动响应）。对于这类信号，我们用功率谱密度（PSD，Power Spectral Density）描述其频率域的功率分布。
定义：自相关函数的傅里叶变换
功率谱密度的严格定义基于广义平稳随机过程：若$x(t)$是零均值、广义平稳的随机过程（均值恒定、自相关函数仅与时间差$\tau$有关），其自相关函数为：
$$R_x(\tau) = \mathbb{E}[x(t)x(t+\tau)]$$
（$\mathbb{E}[\cdot]$表示期望，即统计平均）
功率谱密度$S_x(\omega)$是自相关函数的傅里叶变换：
$$S_x(\omega) = \int_{-\infty}^{\infty} R_x(\tau) e^{-j\omega\tau} d\tau$$
对于零均值随机过程（$\mathbb{E}[x(t)] = 0$），当时间差$\tau \to \infty$时，$x(t)$与$x(t+\tau)$的相关性消失，自相关函数$R_x(\tau) \to 0$——这对应“逐渐趋近于零的自相关函数”的物理意义：随机信号在长时间间隔后无记忆性。
物理意义：单位频带内的平均功率
功率谱密度的核心含义是：单位频带宽度内的平均功率。其单位由信号类型决定：
- 位移PSD：单位为$\text{m}^2/\text{Hz}$（位移均方值$\text{m}^2$除以频带宽度$\text{Hz}$）；
- 速度PSD：单位为$\text{m}^2/\text{s}^2/\text{Hz}$（速度均方值$\text{m}^2/\text{s}^2$除以$\text{Hz}$）；
- 加速度PSD：单位为$\text{m}^2/\text{s}^3$（加速度均方值$\text{m}^2/\text{s}^4$除以$\text{Hz}$，因$\text{Hz} = 1/\text{s}$）；
- 力PSD：单位为$\text{N}^2/\text{Hz}$（力均方值$\text{N}^2$除以$\text{Hz}$）。
例如，加速度PSD曲线中，某频率点$\omega_0$的$S_a(\omega_0) = 10 \text{ m}^2/\text{s}^3$，表示在$\omega_0$附近每1 Hz频带内，加速度的平均功率（均方值）为$10 \text{ m}^2/\text{s}^4$。
功率谱密度的工程价值：随机振动的“统计分析工具”
随机振动（如汽车行驶振动、风致结构振动、地震响应）是非确定性信号——无法用精确的函数描述，只能用统计量（如均方值、方差）表征。功率谱密度的核心价值在于：将随机信号的“时间域统计”转化为“频率域分布”，从而定位关键频率成分的贡献。
1. 随机信号的统计描述
随机振动的响应（如加速度$a(t)$）无法预测某一时刻的具体值，但可以用PSD曲线描述其频率特性：
- 若低频段（如0~10 Hz）PSD值高，说明低频振动是主要贡献者（如汽车底盘的低频晃动）；
- 若高频段（如100~500 Hz）PSD值高，说明高频振动占主导（如发动机的高频噪声）。
2. 不同形式的PSD：对应不同工程需求
位移PSD：用于分析结构的变形（如桥梁的挠度），单位$\text{m}^2/\text{Hz}$；
速度PSD：用于分析振动的动能（如旋转机械的动平衡），单位$\text{m}^2/\text{s}^2/\text{Hz}$；
加速度PSD：最常用的形式（如汽车NVH、航天结构振动），单位$\text{m}^2/\text{s}^3$，直接关联振动的“激烈程度”；
力PSD：用于分析载荷的频率分布（如路面不平度的激励力），单位$\text{N}^2/\text{Hz}$。
功率谱密度的核心性质：曲线下面积=均方值/方差
功率谱密度的关键应用是计算随机信号的均方值（或方差）——PSD曲线下的面积等于随机过程的均方值（平均功率）。
对于广义平稳随机过程，自相关函数在$\tau = 0$时的值等于均方值：
$$R_x(0) = \mathbb{E}[x^2(t)]$$
结合功率谱密度的逆傅里叶变换（自相关函数是PSD的逆变换）：
$$R_x(0) = \frac{1}{2\pi} \int_{-\infty}^{\infty} S_x(\omega) d\omega$$
因此，均方值等于PSD曲线下的面积除以$2\pi$（连续时间）；若用频率$f$（单位Hz，$\omega = 2\pi f$）表示，则：
$$\mathbb{E}[x^2(t)] = \int_{0}^{\infty} G_x(f) df$$
（$G_x(f) = 2S_x(2\pi f)$，是单边PSD，工程中常用，因负频率无物理意义）
对于零均值随机过程（$\mathbb{E}[x(t)] = 0$），均方值等于方差（$\sigma^2 = \mathbb{E}[x^2(t)]$）——此时PSD曲线下的面积直接等于方差（单边PSD）。
例如，某加速度PSD曲线在0~100 Hz内的面积为$10 \text{ m}^2/\text{s}^4$，则加速度的方差为$10 \text{ m}^2/\text{s}^4$，标准差（均方根加速度）为$\sqrt{10} \approx 3.16 \text{ m/s}^2$——这直接量化了振动的“统计分散程度”，是评估结构可靠性（如疲劳寿命）的关键指标。
Parseval定理与功率谱密度的联系
Parseval定理是能量守恒的数学表达，适用于能量信号；功率谱密度是功率守恒的扩展，适用于功率信号（随机信号）。两者的本质都是：将时域的“幅度/功率统计”转化为频域的“谱密度分布”，从而揭示信号的频率特性——这是傅里叶分析在工程中最核心的应用之一。
对于随机振动分析而言，功率谱密度是“翻译器”：它将无法直接观察的随机信号，转化为可量化、可分析的频率功率曲线，帮助工程师定位振动源、优化结构设计（如增加阻尼降低共振频率的PSD）、评估可靠性（如疲劳寿命预测）。