傅里叶变换（FFT）基础：从时域到频域的“翻译官”
各位同学，咱们今天聊点硬核的。傅里叶变换，尤其是它的快速实现FFT，可以说是故障诊断里最核心的工具之一。说白了，它就像一台“翻译机”，能把传感器采集到的、随时间变化的振动信号（时域），翻译成我们更容易理解的、按频率分布的频谱图（频域）。
我刚开始做故障诊断那会儿，看着时域波形图，除了能看出振幅大小，根本不知道里面藏着什么猫腻。直到我学会了看频谱，才恍然大悟——原来一个看似杂乱的振动信号，其实是多个不同频率、不同幅值的正弦波叠加在一起的。嗯，这就是FFT的物理意义。
核心思想：任何复杂的周期信号，都可以分解为一系列不同频率、不同幅值、不同相位的正弦波之和。FFT就是帮我们快速算出这些正弦波成分的算法。
1. 采样定理（Nyquist）：别让你的数据“说谎”
做FFT之前，有个坎儿必须迈过去——采样定理。我记得刚入行时，有次去现场测一台离心泵的振动，随手设了个1000 Hz的采样率，觉得挺高了。结果回来一分析，频谱图上在400 Hz附近出现了一个明显的峰值，我以为是轴承故障频率。后来老工程师一看，说：“你被‘混叠’骗了。”
为什么会这样？
采样定理告诉我们：要正确还原一个信号，采样频率必须大于信号最高频率的两倍。这个“两倍”的临界值，就叫奈奎斯特频率。
- 采样频率 fs：你每秒采集多少个数据点
- 奈奎斯特频率 fn = fs / 2：你能分析到的最高频率
- 如果信号中有高于 fn 的成分，它们会“伪装”成低于 fn 的频率出现在频谱上——这就是频率混叠
避坑指南：我曾经因为采样率设置不当，把齿轮的啮合频率（高频）误判成了转频（低频），差点让人家换了一整套轴承。记住：采样率至少设为目标分析频率的2.56倍（工程上常用2.56倍留余量）。
| 信号最高频率 | 理论最小采样率 | 工程推荐采样率 |
|---|---|---|
| 100 Hz | 200 Hz | 256 Hz |
| 1000 Hz | 2000 Hz | 2560 Hz |
| 10 kHz | 20 kHz | 25.6 kHz |
2. 频率分辨率：你能看清多细的“谱”
采样率搞定了，下一个问题来了：频谱上相邻两根谱线之间隔多远？这就是频率分辨率 Δf。
公式很简单：Δf = fs / N
其中 N 是FFT的点数（也就是你截取了多少个数据点来做FFT）。
你想想看，如果采样率 fs = 2560 Hz，你取 N = 1024 点做FFT，那么 Δf = 2560 / 1024 = 2.5 Hz。这意味着，如果两个故障频率只差1 Hz，你在频谱上是分不开的，它们会“糊”在一起。
我的经验：做滚动轴承故障诊断时，保持架故障频率往往和转频非常接近，有时就差零点几赫兹。这时候我会尽量增加采样点数 N（比如取4096点甚至8192点），把频率分辨率做到0.5 Hz以下，才能把这两个频率“掰开”。
但注意，增加 N 意味着你需要采集更长时间的数据。这是个权衡：
- 想要高频率分辨率 → 采集更长时间 → 数据量大
- 想要快速诊断 → 采集短时间 → 频率分辨率低
3. 频谱泄露：FFT的“副作用”
好，现在你有了数据，设好了参数，跑FFT。结果一看频谱，咦？明明是一个单一频率的正弦波，怎么在它旁边还出现了几个小“鼓包”？
这就是频谱泄露。说白了，FFT假设你截取的这段信号是周期性重复的。但如果你的截取长度不是信号周期的整数倍，首尾就不连续，FFT就会“强行”用一堆额外的频率成分去拟合这个不连续点。
我举个例子：你录了一段完美的50 Hz正弦波，但只截取了0.1秒（5个周期），首尾刚好衔接，没问题。但如果你截取了0.12秒（6个周期又多了点），首尾对不上，频谱上就会出现一堆不该有的频率分量。
解决办法：加窗函数。常用的有汉宁窗（Hanning）、海明窗（Hamming）、布莱克曼窗（Blackman）等。加窗的本质是让截取信号的首尾逐渐衰减到零，减少不连续性。
我个人习惯，做一般的振动分析用汉宁窗就够了。如果是分析两个频率非常接近的信号，我会用布莱克曼窗，它的旁瓣衰减更大，但主瓣会宽一点（频率分辨率会稍微变差）。
注意：加窗不是万能的。它只是“减轻”泄露，不能“消除”泄露。而且加窗后，信号的幅值会被压低，需要做幅值修正。嗯，这个细节很多新手会忽略。
知识体系总览
下面这张图，是我自己总结的FFT基础三要素的关系，你一看就明白：
实战中的小建议
最后，分享几个我这些年总结出来的实用技巧：
- 先看时域，再看频域。别一上来就做FFT。先看看时域波形有没有明显的冲击、调制、削波，这些特征能帮你预判故障类型。
- 采样时间要够长。至少采集10个以上的旋转周期，才能保证频率分辨率够用。我一般会采集30秒以上的数据。
- 多做几次平均。单次FFT的结果可能受随机噪声影响。做4~8次线性平均，能有效抑制噪声，让故障频率更清晰。
- 别迷信高采样率。采样率不是越高越好。过高的采样率会带来巨大的数据量，而且如果信号本身没有高频成分，纯属浪费。
一个小练习：找一段已知转速的电机振动数据，分别用256 Hz、1024 Hz、4096 Hz的采样率做FFT，对比频谱图。你会发现，采样率太低时，高频故障频率根本看不到；采样率合适时，频谱清晰干净。这就是理论落地的感觉。
好了，这一章的内容就到这里。FFT的基础打牢了，后面讲故障特征频率提取、边频带分析、包络谱这些，你才能听得明白。记住我今天说的三个关键词：采样定理、频率分辨率、频谱泄露。它们是所有频谱分析的基石。