第4章信号处理基础

4. 信号处理基础：傅里叶变换（FFT）原理，时域与频域分析，采样定理与混叠效应，窗函数的选择

各位同行，大家好。我是老张，干结构健康监测这行有十几年了。今天咱们聊聊信号处理里最基础、也最绕不开的一块——傅里叶变换。说白了，你采集回来的振动信号，就是一堆随时间变化的数字。可裂纹的特征，往往藏在频率里。怎么把时间信号变成频率信号？这就是FFT要干的事。

核心观点：时域信号是“表象”，频域信号是“本质”。裂纹早期，时域波形可能看不出啥，但频域里某个频率的幅值或相位已经悄悄变了。

傅里叶变换，数学上就是把一个时域信号分解成不同频率的正弦波之和。你想想看，任何一个复杂的振动，都可以看成是无数个简单振动的叠加。FFT就是快速计算这个分解过程的算法。

我个人习惯，不跟学生讲太多数学推导，而是让他们记住一个公式的物理意义：

X(f) = ∫ x(t) · e^(-j2πft) dt

这个公式在说：信号x(t)在频率f处的能量，等于信号与一个频率为f的复指数信号相乘后积分。说白了，就是“匹配滤波”——看看信号里有多少这个频率的成分。

我在项目中遇到过一件事：某风机叶片，时域波形看着挺正常，但做FFT后发现，在23.5Hz处有一个微小的峰值。后来一查，是叶片根部出现了2mm的裂纹。这就是FFT的威力——把肉眼看不到的特征放大给你看。

我的经验：做FFT前，一定要先去除信号的直流分量（均值）。否则0Hz处会有一个大尖峰，把其他频率都压下去了。我刚开始干这行时就吃过这个亏。

时域分析，看的是信号随时间的变化。比如峰值、均方根值、峭度等。频域分析，看的是信号在不同频率上的能量分布。两者是同一个信号的两个视角，缺一不可。

我一般这样跟新人讲：

举个例子，一个健康的叶片，其振动频谱通常比较干净，主要在转频及其倍频处有能量。一旦出现裂纹，频谱中会出现边频带，或者某个固有频率发生偏移。我记得有一次，一个风电场的叶片频频报警，时域指标都正常，我坚持做了频谱分析，发现2倍转频处出现了调制边带，最终确认是叶片内部脱粘。

重要提醒：不要只看频谱的幅值，相位信息同样重要。裂纹会导致结构刚度变化，进而影响相位响应。我习惯把幅值谱和相位谱一起看。

采样定理，也叫奈奎斯特定理。它说：采样频率必须大于信号最高频率的两倍，否则会发生混叠。混叠是什么？就是高频信号伪装成低频信号，混进你的分析结果里。

为什么会这样？你想想看，如果你采样太慢，两个周期之间的信息就丢了。比如一个100Hz的信号，你用150Hz采样，那它看起来就像一个50Hz的信号。这就是混叠。

我曾经犯过一个错：现场采集振动数据，采样频率设了1000Hz，觉得够了。结果分析时发现一个奇怪的20Hz峰值，排查了半天，最后发现是现场有个500Hz的电磁干扰，混叠成了20Hz。从那以后，我每次做测试前，都会先确认采样频率是否满足要求，并且加装抗混叠滤波器。

避坑指南：采样频率不是越高越好。太高了数据量大，存储和计算都费劲。一般取信号最高频率的2.56倍到4倍就够用了。我常用的经验值是2.56倍。

采样定理的数学表达很简单：

fs ≥ 2 * fmax

其中fs是采样频率，fmax是信号中的最高频率成分。注意，这里的fmax不是你关心的频率，而是信号中实际存在的最高频率。所以，加抗混叠滤波器是必须的——把高于fs/2的频率成分滤掉。

做FFT时，我们只能对有限长度的信号进行分析。这就好比从一段无限长的信号中，截取了一段。截取这个动作，本身就会引入误差，叫“频谱泄漏”。窗函数就是用来减小这个误差的。

窗函数有很多种，常用的有：

我个人习惯，做叶片裂纹监测时，首选汉宁窗。为什么呢？因为叶片振动信号通常是连续的、平稳的，汉宁窗能很好地平衡频率分辨率和幅值精度。如果信号中有明显的冲击成分（比如叶片打叶），我会改用矩形窗，因为它对瞬态信号的保真度更高。

一个小技巧：如果你不确定该用哪种窗，先试试汉宁窗。它是最通用的选择。我曾经对比过多种窗函数对裂纹特征提取的影响，汉宁窗在大多数情况下表现最稳定。

窗函数的选择，本质上是在“频率分辨率”和“幅值精度”之间做权衡。主瓣越窄，频率分辨率越高，但旁瓣泄漏也越严重。反之亦然。没有完美的窗函数，只有最适合你应用场景的窗函数。

下面这张图，是我自己画的信号处理知识框架。它把今天讲的内容串起来了：

嗯，今天的内容就到这里。信号处理是裂纹识别的地基，地基不牢，后面再高级的算法也是白搭。我建议你回去后，找一段实测的叶片振动数据，自己动手做一遍FFT，看看频谱里能发现什么。实践出真知，这话一点不假。