第一讲：课程导论——FFT频谱分析基础、CNN分类原理与项目概览

各位同学好，我是你们这门课的主讲。在信号处理这个行当摸爬滚打了十几年，我越来越觉得——频谱分析 + 深度学习，这组合简直是工业界的黄金搭档。

今天这第一讲，咱们不急着写代码。先聊聊为什么要学这门课，以及你将会做出什么东西。

1.1 为什么是FFT？为什么是CNN？

先问大家一个问题：
你拿到一段振动信号，怎么判断机器有没有故障？
你拿到一段语音，怎么识别是谁在说话？

传统做法是：
先做FFT，把时域信号变成频域。然后人工提取特征——峰值频率、能量分布、谐波结构……最后扔给SVM或者随机森林去分类。

但这里有个坑。
人工特征提取，太依赖经验了。
我记得刚入行那会儿，为了区分两种轴承故障，我花了整整两周调特征参数。结果换个工况，全废了。

后来我尝试用CNN直接对频谱图做分类。
效果出奇的好。
说白了，CNN擅长从图像里自动学特征。你把FFT结果当成一张“频谱图”喂给它，它自己就能找到那些你肉眼看不出来的模式。

1.2 FFT频谱分析基础——你得知道这些

FFT不是魔法，它只是DFT的快速算法。
但很多初学者容易忽略几个关键点。

第一，采样率决定一切。
根据奈奎斯特定理，你的采样率必须大于信号最高频率的两倍。
我见过一个项目，有人用100Hz采样率去分析50Hz的信号，结果频谱混叠得一塌糊涂。嗯，那是个惨痛的教训。

第二，频谱分辨率取决于采样时长。
分辨率 = 采样率 / FFT点数。
你想分辨两个靠得很近的频率？那就得采足够长的时间。

第三，加窗很重要。
直接对截断信号做FFT，会产生频谱泄漏。
我个人习惯用汉宁窗，大部分场景下表现均衡。

1.3 CNN分类原理——别被“深度学习”吓到

CNN说白了就是：
用一堆卷积核在图像上滑动，提取局部特征。

它的核心组件就这几个：

组件	作用	我的经验
卷积层	提取边缘、纹理等局部模式	核大小3×3最常用，5×5也行
池化层	降维，保留主要特征	最大池化比平均池化更鲁棒
全连接层	综合全局特征做分类	别太多层，容易过拟合
激活函数	引入非线性	ReLU是默认选择

你可能会问：
“为什么CNN能用在频谱图上？”

原因很简单。
频谱图本质上是一张二维图像——横轴是频率，纵轴是时间（或者幅值），颜色深浅代表能量大小。
CNN在图像分类上的能力，直接迁移过来就行。

1.4 课程目标——学完你能做什么？

这门课不是纯理论课。
我的目标是：学完30讲，你能独立完成一个完整的FFT频谱特征CNN分类项目。

具体来说：

1. 掌握FFT频谱分析的核心技能——采样、加窗、分辨率、频谱图绘制
2. 理解CNN分类的基本原理——卷积、池化、全连接、训练流程
3. 能搭建完整的分类流水线——从信号采集到模型部署
4. 学会调优和避坑——过拟合、数据不平衡、模型轻量化

1.5 项目概览——我们要做什么？

整个课程围绕一个实战项目展开：
基于FFT频谱特征的滚动轴承故障分类

数据集是公开的CWRU轴承数据。
包含四种状态：

• 正常
• 内圈故障
• 外圈故障
• 滚动体故障

我们的流程是这样的：

原始振动信号 → 分段 → FFT → 频谱图 → CNN模型 → 分类结果

每一步我都会带着你手写代码。
从数据加载、预处理，到模型搭建、训练、评估，最后部署成可用的工具。

我记得第一次跑通这个流程时，准确率到了98%以上。
那种感觉，怎么说呢——
就像你亲手造了一台“信号听诊器”，机器哪里坏了，一听就知道。

1.6 你需要准备什么？

技术栈很简单：

工具	版本建议	用途
Python	3.8+	主编程语言
NumPy	1.21+	数值计算
SciPy	1.7+	FFT和信号处理
Matplotlib	3.4+	频谱图可视化
PyTorch	1.10+	深度学习框架

硬件方面，有GPU最好，没有也能跑。
我早期做实验时就用CPU，一个模型训练十几分钟，喝杯咖啡的功夫。

1.7 写在最后

这门课不会让你成为理论大师。
但会让你成为一个能动手解决问题的工程师。

我见过太多人，理论背得滚瓜烂熟，一上手就懵。
也见过一些人，代码写得飞起，但连频谱泄漏是什么都不知道。

我希望你学完这门课后，
既能讲清楚原理，也能写出能用的代码。
这才是真正的“实战”。

好，第一讲就到这里。
下一讲，我们开始动手——用Python做FFT频谱分析。

---

公众号:蓝海资料掘金营，微信deep3321