第2章信号处理基础

第1章：信号处理基础——时域与频域、采样定理、傅里叶变换

各位同学，大家好。我是你们这门课的老朋友。说实话，搞齿轮箱故障诊断这么多年，我最大的体会就是：信号处理不是万能的，但不懂信号处理是万万不能的。今天咱们就从最基础的东西聊起。

你想想看，一个齿轮箱转起来，振动信号里藏着多少秘密？轴转一圈、齿轮啮合一次、轴承滚珠过一遍——这些信息全混在一起。怎么把它们拆开？这就是信号处理要干的事。

1.1 时域信号 vs 频域信号——两种看问题的角度

先问大家一个问题：你拿到一段振动波形，第一眼会看什么？

大多数人会看幅值大小、有没有冲击。这就是时域分析——信号随时间怎么变化。横轴是时间，纵轴是幅值。我刚开始做现场诊断时，就靠看时域波形判断齿轮有没有断齿。但说实话，光看时域，很多信息是藏着的。

举个例子。一个50Hz的正弦波，和一个100Hz的正弦波叠加在一起。时域上看，就是一条弯弯曲曲的线。你能一眼看出它包含两个频率吗？很难。但如果你把它变到频域里，横轴变成频率，纵轴变成幅值——好家伙，两个尖峰清清楚楚地立在那里。

我个人习惯把时域比作「听一首歌的旋律」，频域比作「看这首歌的乐谱」。旋律能听出情绪，但乐谱才能告诉你每个音符是什么、有多高。

核心要点：

时域信号：直观，适合看冲击、幅值变化、周期性
频域信号：精准，适合识别频率成分、分离信号源
两者是同一信号的不同表达，缺一不可

我在项目中遇到过一件事：一台减速机振动偏大，时域波形看着挺正常，就是幅值稍微高了点。结果一做频谱，发现啮合频率的边频带异常丰富——典型的齿轮磨损特征。要是只看时域，这问题就漏过去了。

1.2 采样定理——别让你的数据「说谎」

好，现在问题来了：我们拿到的振动数据，是连续信号吗？

不是。计算机只能处理离散的点。把连续信号变成离散点的过程，叫采样。采样频率多高才够？这就是奈奎斯特采样定理要回答的问题。

定理很简单：采样频率必须大于信号最高频率的两倍。否则，高频信号会伪装成低频信号混进来——这叫混叠。

我给大家画个图就明白了。

你看，红色虚线是真实的高频信号。如果我们采样太稀疏（绿色点），把这些点连起来，得到的是蓝色实线——一个低频信号。这就是混叠。你明明测的是高频振动，结果频谱上却出现了一个低频尖峰。诊断方向全偏了。

⚠️ 避坑指南：

我曾经吃过这个亏。现场测齿轮箱振动，采样频率设了2000 Hz，觉得够用了。结果频谱上莫名其妙出现一个200 Hz的尖峰，查了半天没找到振源。后来才发现，齿轮啮合频率是1200 Hz，混叠成了200 Hz。从那以后，我每次采样前都会先估算一下信号的可能最高频率。

💡 实用建议：

工程上一般取采样频率为最高频率的2.56倍或3倍。别卡着2倍，留点余量。另外，采样前一定要加抗混叠滤波器，把高于采样频率一半的成分滤掉。这是标准操作，别省。

1.3 傅里叶变换（FFT）——从时域到频域的「翻译器」

好了，现在我们知道了：时域信号不够用，频域信号更清晰。那怎么把时域变到频域？

答案就是傅里叶变换。说白了，它就是一个数学工具，能把任意信号拆解成一系列正弦波的和。每个正弦波有自己的频率、幅值和相位。

公式长这样：

X(f) = ∫ x(t) · e^(-j2πft) dt

别被公式吓到。你只需要记住：傅里叶变换把时间函数变成频率函数。计算机里用的是快速傅里叶变换（FFT），就是傅里叶变换的高效算法版本。

我给大家看一段Python代码，演示怎么对一个简单的振动信号做FFT：

import numpy as np
import matplotlib.pyplot as plt

# 生成一个模拟振动信号：50Hz + 120Hz 叠加
fs = 1000           # 采样频率 1000 Hz
t = np.arange(0, 1, 1/fs)  # 时间向量，1秒
f1, f2 = 50, 120
x = 0.6 * np.sin(2*np.pi*f1*t) + 0.4 * np.sin(2*np.pi*f2*t)

# 做FFT
N = len(x)
X = np.fft.fft(x) / N          # 归一化
freq = np.fft.fftfreq(N, 1/fs) # 频率轴

# 只取正频率部分
half_N = N // 2
X_mag = np.abs(X[:half_N])     # 幅值
freq_pos = freq[:half_N]

# 打印结果
print("前5个频率点的幅值：")
for i in range(5):
    print(f"  {freq_pos[i]:.1f} Hz → {X_mag[i]:.4f}")

# 找到两个主峰
peaks = np.argsort(X_mag)[-2:][::-1]
print(f"\n主频率成分：{freq_pos[peaks[0]]:.1f} Hz, {freq_pos[peaks[1]]:.1f} Hz")

运行这段代码，你会看到两个尖峰：一个在50 Hz，一个在120 Hz。幅值分别是0.6和0.4——和咱们生成信号时设的参数完全一致。这就是FFT的威力：把混在一起的信号拆得清清楚楚。

关于FFT的几个关键点：

频率分辨率 = 采样频率 / FFT点数。点数越多，频率分得越细。但点数多意味着数据长，计算慢。要权衡。
频谱泄漏：如果信号周期不是采样时长的整数倍，能量会「漏」到相邻频率上。解决办法是加窗函数（汉宁窗、海明窗等）。
幅值精度：FFT给出的幅值受窗函数影响。不加窗时，单频信号的幅值最准；加窗后幅值会偏低，需要修正。

我记得有一次做齿轮箱跑合试验，需要监测某个啮合频率的幅值变化。一开始直接用FFT，发现幅值忽大忽小，不稳定。后来才意识到是转速波动导致信号不是整周期截断，频谱泄漏严重。加了汉宁窗之后，数据就稳了。嗯，这些小细节，现场碰一次就记住了。

1.4 本章知识体系总览

最后，我把这一章的核心逻辑画成一张图，方便大家整体把握：

这张图把咱们这一章的核心串起来了。你从齿轮箱上采集振动信号，首先要保证采样正确（采样定理），然后从时域和频域两个角度去看（时域vs频域），最后用FFT把时域变到频域，找到故障特征频率。

说白了，信号处理就是给振动信号「做CT」——一层一层把信息剥出来。后面几章我们会深入讲怎么用这些工具做真正的故障诊断。但今天这些基础，是后面所有内容的地基。地基不牢，楼盖不高。

好，这一章就到这儿。大家回去可以拿一段真实的振动数据试试FFT，看看能不能找到主要的频率成分。动手做一遍，比看十遍都管用。