4. 频域预处理：FFT频谱分析、功率谱密度估计、频谱泄露与窗函数

聊到IMU数据预处理，时域滤波是基本功。但说实话，有些噪声在时域里根本看不清楚。比如一个微弱的周期性振动，你盯着波形图看半天，可能只觉得「有点抖」，但具体抖在哪个频率上？说不准。

这时候就得请出频域分析这个大杀器了。我个人习惯，拿到一批IMU数据，先做一遍FFT看看频谱。这就像给信号做一次「体检」，哪里有问题一目了然。

4.1 FFT频谱分析——把时间信号拆成频率分量

FFT（快速傅里叶变换）说白了，就是把一段时域信号拆解成不同频率的正弦波组合。你想想看，任何一个复杂的波形，都可以看成是多个不同频率、不同幅值、不同相位的正弦波叠加而成。FFT就是帮我们找到这些「成分」的。

对于IMU数据，我们通常对加速度计和陀螺仪的每个轴分别做FFT。比如采样率是100Hz，采集了10秒数据，那就是1000个采样点。FFT之后，我们能得到从0Hz到50Hz（奈奎斯特频率）的频谱信息。

X[k] = Σ(n=0 to N-1) x[n] * e^(-j*2π*k*n/N)

我在项目中遇到过一件事：某款无人机悬停时高度总在漂移。时域上看加速度计Z轴数据，噪声水平正常。但一做FFT，发现0.8Hz附近有个明显的尖峰。后来排查发现是螺旋桨的振动通过机架传导到了IMU。这个频率正好和高度控制环的带宽接近，导致控制器一直在「误判」。

4.2 功率谱密度估计——噪声的能量分布

FFT给出的是频谱幅值，但有时候我们更关心「能量」在各个频率上的分布。这就是功率谱密度（PSD）的用武之地。

PSD的单位通常是 (m/s²)²/Hz 或者 (°/s)²/Hz。它告诉我们：在某个频率附近，每赫兹带宽内包含了多少「功率」。对于IMU选型或者噪声建模，PSD是绕不开的工具。

常用的估计方法有两种：

• 周期图法：直接对信号做FFT，取幅值的平方再除以N。简单粗暴，但方差大。
• Welch法：把信号分段，每段加窗，分别做FFT再平均。方差小，谱线更平滑。我个人更推荐这个方法。

from scipy import signal
import numpy as np

# 假设acc_z是加速度计Z轴数据，fs=100Hz
f, Pxx = signal.welch(
    acc_z, 
    fs=100, 
    window='hann', 
    nperseg=256, 
    noverlap=128
)

# 绘制PSD曲线
plt.semilogy(f, Pxx)
plt.xlabel('频率 (Hz)')
plt.ylabel('功率谱密度 ((m/s²)²/Hz)')
plt.grid(True)

嗯，这里要注意：PSD曲线上的「噪声底噪」水平，直接决定了IMU的精度上限。比如加速度计的白噪声底噪在10⁻⁴量级，那你的系统就很难分辨低于这个水平的加速度变化。

4.3 频谱泄露——一个容易被忽视的坑

做FFT时，我们默认信号是「周期延拓」的。但实际采集的信号往往不是整周期截断。这就导致在边界处出现不连续，反映在频谱上就是能量「泄露」到了相邻的频率点上。

举个例子：你采集了一个50.3Hz的正弦波，采样率100Hz，采集1秒。理论上频谱应该在50.3Hz处有一个尖峰。但实际做FFT后你会发现，50Hz和51Hz附近都有能量分布，而且幅值还比真实值小了不少。

频谱泄露的危害在于：

• 弱信号可能被强信号的泄露「淹没」
• 频率定位精度下降
• 幅值估计偏小

4.4 窗函数——对抗频谱泄露的利器

解决频谱泄露的办法，就是在做FFT之前给信号加一个窗函数。窗函数的作用是让信号在两端平滑地衰减到0，从而减少边界不连续带来的影响。

常用的窗函数有这些：

我个人习惯，处理IMU数据时首选汉宁窗。它能在频率分辨率和泄露抑制之间取得不错的平衡。如果你需要检测两个频率非常接近的信号，可以考虑矩形窗，但要接受泄露带来的误差。

# 汉宁窗的幅值补偿系数
coherent_gain = np.mean(np.hanning(N))
corrected_amplitude = fft_amplitude / coherent_gain

4.5 本章知识体系

下面这张图总结了频域预处理的完整流程和关键要点：

频域预处理不是孤立的一步。它和时域滤波是互补的——时域滤波处理「已知频率」的噪声，频域分析帮我们发现「未知频率」的问题。做IMU数据处理，两手都要硬。