做信号分析这些年我越来越发现一个尴尬的事实很多同行手里攒了一堆所谓的“频谱画图程序”真到用的时候要么幅值对不上要么频率轴乱七八糟要么换了一组数据就出各种诡异现象。网上搜到的代码基本都是零碎片段这个缺去直流、那个忘了乘2抄过来根本没法直接用。所以我把平时自己一直在用的这套MATLAB频谱功率谱画图程序整理出来把每一步的原理、参数怎么定、哪些地方容易踩坑一次性说清楚让你拿到一段时域数据就能画出可以放进报告、可以拿去跟同行讨论的频谱图和功率谱图。这套程序适用面很广振动分析、声学测试、语音信号处理、电力谐波分析、生物医学信号处理都能用。无论你是刚接触FFT的本科生还是已经做了好几年测试的工程师只要按着这篇文章的思路走一遍就能彻底搞明白频谱图背后那些参数到底是怎么来的、图上的数值到底该怎么读。1. 频谱与功率谱是怎么回事1.1 时域看不出名堂频域一眼看透很多人第一次接触频谱分析时都有个疑问我明明采集到的是随时间变化的波形为什么非要变换到频域去看举个最直观的例子。你测一台齿轮箱的振动时域波形看起来就是一团乱糟糟的振荡峰峰值大概多少能看出来但完全看不出这振动是来自轴的转频、齿轮的啮合频率还是轴承的故障特征频率。等你把这段信号做FFT变成频谱图事情就清楚了某条谱线落在50Hz某条落在120Hz某条在230Hz附近有一小撮能量聚集。哪条谱线对应哪个物理部件一目了然。这就是频域分析不可替代的价值——它把一堆混叠在一起的信息按频率“摆开”让你能逐个检查。这里面的数学基础是傅里叶变换核心思想非常朴素任何一个满足条件的时域信号都可以看作若干不同频率、不同幅值、不同初始相位的正弦波的叠加。FFT只是DFT的一种快速算法DFT又是连续傅里叶变换在计算机上的离散近似。说穿了计算机做的事情就是把你的采样序列跟一组不同频率的复指数逐一做内积看“像不像”像的程度就是该频率分量的幅值。用生活里的事情打比方频谱分析就像你把一整个交响乐团的混音拆成各个声部单独听小提琴手拉得多响、小号吹得多亮、鼓点节奏如何都清清楚楚。时域波形是所有人同时演奏的结果频域谱是每个乐器的分轨。1.2 频谱、功率谱、功率谱密度别混在一起我见过不少人在报告里把“频谱图”“功率谱图”“功率谱密度图”混着叫实际上这三样东西侧重点完全不同。先上对比表名称纵轴含义常用单位典型用途幅值谱每个频率分量的振幅峰值与信号一致V、m/s²、Pa等看特征频率的幅值大小、谐波构成功率谱幅值平方反映该频率点的能量信号单位的平方V²等比较不同频率分量的能量占比功率谱密度PSD单位频率带宽内的功率V²/Hz常用dB/Hz显示分析噪声底、宽带信号、随机振动为什么会有这几种不同的谱因为应用场景不同。做故障诊断、找特征频率时幅值谱最直观谱线高度直接对应振动幅度。做随机振动分析时随机信号的能量分散在整个频带内单独看某一条谱线没有意义必须看单位频带内的能量密度这就是PSD存在的意义。功率谱和PSD的换算关系也容易把人绕晕。严格说功率谱是总功率在频率上的分布PSD是功率除以频率分辨率。如果你的频率分辨率是1Hz那功率谱和PSD数值上是相等的如果频率分辨率不是1Hz直接对比就会出错。这也是很多人在不同参数下得到的谱图数值对不上的根本原因。1.3 手推一次DFT看清计算机到底在算什么有个快速理解频域计算的方法不要直接背公式而是手算一个极简单的例子。假设采样率fs1000Hz采样点数N1000信号是一个1V峰值、50Hz的正弦波。DFT计算后你会在第k50个频点附近看到一个很大的值。这里的关键是频率轴的计算方式频率分辨率Δf fs/N 1Hz第k个频点对应的频率为k×Δf 50Hz正好跟信号频率一致。此时FFT结果的幅值是多少如果信号是x sin(2π×50×t)那么做FFT后第50个频点的模值约为N/2 500。所以要还原真实的峰值幅值1V必须除以N/2也就是乘2除以N。这就是所有频谱画图程序里那个“魔法数字2”的来源。等到你实际用MATLAB时会发现fft函数返回的是一个复数数组取绝对值后还要经过一系列处理才能变成物理意义明确的幅值谱。整个过程如果只是机械地背代码一旦参数变了就说不清楚为什么图上的峰变高或变矮。所以花半小时把这个推导过程看懂比复制一百段代码都值。2. 写程序前的关键参数设计2.1 采样率、采样点数、频率分辨率一组互相牵制的参数动笔写程序之前有几组参数必须先想清楚否则后面画图全是白费功夫。第一是采样率fs。根据奈奎斯特采样定理fs至少要大于信号最高频率的两倍工程上一般取最高关心频率的2.56倍或5倍以上。比如你关心10kHz以内的振动特征采样率最低也要25.6kHz保险起见直接50kHz。采样率不够高频成分会折叠到低频区域在频谱图上形成假谱线这是最隐蔽也最危险的坑。第二是采样点数N。FFT要求点数可以是任意值但为了让计算效率和频率分辨率可控一般取2的整数次幂比如1024、2048、4096。N决定了频率分辨率Δf fs/N。注意Δf决定了你能分辨多近的两个频率峰。如果两个特征频率只差0.5Hz而你的Δf是1Hz那这两个峰在频谱图上会融为一体根本分不开。提高频率分辨率的唯一正道是增加采样时长增加N而不是在数据后面补零。补零能“平滑”谱线但不能提高真实分辨率这个问题后面还会细说。第三是你关心的频段。频谱图不需要从0显示到fs/2那么宽根据实际物理含义裁剪显示范围既省版面又突出重点。比如电机振动分析重点看转频的1倍、2倍频那显示范围设到10倍转频以内就够了。2.2 窗函数加不加什么时候必须加很多新手第一次看频谱图时都会遇到一个现象明明信号是标准的50Hz正弦波频谱图上50Hz那条线旁边却多出一串衰减的“裙边”峰值附近的谱线也低了一截。这就是频谱泄漏。为什么会泄漏因为DFT处理的是无限长信号截取出来的有限长片段。这种截断相当于在时域上乘了一个矩形窗。矩形窗在频域是sinc函数形状旁瓣很高主瓣之外的频率成分会“漏”到其他频点上去。解决办法就是加窗。加窗的本质是让数据两端平滑地衰减到0附近从而抑制截断边缘造成的跳变。常用窗函数对比窗函数第一旁瓣高度主瓣宽度适用场景矩形窗不加窗-13dB窄整周期采样、瞬态信号汉宁窗-31dB中大多数连续振动、声学信号汉明窗-43dB中语音信号处理布莱克曼窗-58dB较宽需要极低旁瓣的场合平顶窗-93dB左右宽幅值精度要求极高、需要精确读幅值日常做振动和声学分析汉宁窗是默认首选。旁瓣抑制足够、主瓣宽度可接受对幅值的影响可以用修正系数补偿。如果你的信号本身是瞬态冲击类型的锤击法模态测试就是典型那就不能用汉宁窗而要用矩形窗或指数窗因为加窗会把冲击信号本身的特征也抹掉。2.3 幅值修正的几个细节这里必须多说几句因为80%的频谱图画不对都出在幅值修正上。第一单边谱要乘2。FFT输出的频率范围是0到fs总共N个频点对应的频谱双边对称。物理上我们只看正频率所以取前半段然后除直流分量k0和奈奎斯特频率分量kN/2当N为偶数时以外所有幅值都要乘2。如果不乘2你会看到50Hz正弦波的幅值谱峰值是0.5V而不是实际的1V。第二加窗后要做增益修正。任何非矩形窗都会降低信号的总能量。以汉宁窗为例时域上每个点都乘了一个0到1之间的系数等效增益约为0.5。如果不修正加窗后幅值谱峰值会变为原来的一半。修正方法很简单FFT之前记录窗函数的平均增益mean(w)最后画图时把幅值除以这个值。第三注意区分峰值幅值和RMS幅值。很多人分析振动时习惯用RMS值有效值因为振动标准一般都以RMS给出。频谱上的谱线高度对应的是峰值幅值要转成RMS就再除以√2。这一步虽然简单但漏掉的人非常多。3. 完整版MATLAB程序从测试信号到最终出图3.1 程序整体框架这套程序我按“参数设置→数据准备→时域观察→频域计算→出图”的顺序组织。完整代码放在下面几个小节里每一段都会讲清楚为什么这么写。先用一个合成信号来演示信号包含50Hz的1V正弦、120Hz的0.8V正弦以及一点随机噪声。实际应用时把生成信号的几行替换成你的实测数据读取代码就行。%% 完整版频谱功率谱画图程序 % 适用场景振动、声学、生物医学等连续信号分析 % 功能绘制时域波形、单边幅值谱、功率谱、功率谱密度(PSD) clear; close all; clc; %% 1. 参数设置 fs 1000; % 采样率单位Hz T 1; % 信号时长单位s N fs * T; % 采样点数 1000 f1 50; % 第一个信号频率 f2 120; % 第二个信号频率 A1 1.0; % 第一个信号幅值(V) A2 0.8; % 第二个信号幅值(V) SNR 20; % 信噪比(dB)数值越大噪声越少这里的采样率1000Hz意味着奈奎斯特频率是500Hz。信号最高频率120Hz距500Hz还很远不会发生混叠。采样时长1秒频率分辨率就是1Hz50Hz和120Hz相差70Hz完全能分开。信噪比20dB对应约0.1V的噪声标准差能模拟真实测试中“能看清峰值但不至于太干净”的情况。3.2 数据准备与加窗处理%% 2. 生成测试信号实际应用中此处替换为读取实测数据 t (0:N-1) / fs; x A1 * sin(2*pi*f1*t) A2 * sin(2*pi*f2*t) ... A1 / 10^(SNR/20) * randn(1, N); %% 3. 去除直流分量 x x - mean(x);去除直流分量是很多人忽略的一步。传感器零漂、采集系统的偏置电压都会给信号叠加上一个直流偏置。这个偏置在FFT结果里表现为0Hz处一个巨大的谱线如果不处理不仅0Hz处能量异常还可能因为动态范围问题让其他小信号在频谱图上“看不清”。做FFT前先减去均值是一个成本极低但收益很大的习惯。接下来是加窗和FFT计算%% 4. 加窗处理默认使用汉宁窗 win hann(N, periodic); % 周期性汉宁窗转成行向量 xw x .* win; winGain mean(win); % 窗函数的相干增益约0.5这里注意两个细节。第一hann(N, periodic)和hann(N)的区别在于前者生成的是周期对称窗更适合与FFT配合使用能避免一些边界效应对频谱的微小扰动。第二我在加了窗之后立刻记录了mean(win)这就是后面幅值修正要用的增益因子。如果不记录后面修正时还得回来重新算一遍很麻烦。3.3 FFT计算与频率轴构造%% 5. FFT计算 X fft(xw); X_mag abs(X); %% 6. 单边化处理并获得幅值谱 f (0:N-1) * fs / N; % 完整的频率轴 halfN floor(N/2) 1; % 单边谱的频点数 X_one X_mag(1:halfN); f_one f(1:halfN); % 排除直流分量和奈奎斯特频率分量后乘2 X_one(2:end-1) 2 * X_one(2:end-1); % 幅值修正除以N恢复真实幅值除以窗增益补偿加窗损失 amp X_one / N / winGain;这里有个细节必须讲清楚为什么乘2的时候用2:end-1而不是所有点都乘2因为索引1对应0Hz直流分量DFT结果中这个点本身没有镜像不能用双边谱乘2最后一个点对应奈奎斯特频率fs/2在N为偶数时它也没有镜像同样不能乘2。虽然这两个点一般不作为分析重点但严谨起见还是要区分。幅值修正的逻辑是fft结果的模值除以N得到的是单频正弦在当前参数下的“原始”幅值前面说过约为峰值的一半因为能量被分到了正负频率两个方向乘2还原单边再除以窗增益补偿加窗损失。三步一个都不能少。3.4 功率谱、功率谱密度计算与出图%% 7. 功率谱与功率谱密度 % 周期图法功率谱幅值谱的平方 power amp.^2; % 功率谱密度功率谱除以频率分辨率 psd power / (fs / N); psd_dB 10 * log10(psd); %% 8. 绘图输出 figure(Color, w, Position, [100, 100, 1200, 800]); % 第一幅时域波形 subplot(3, 2, 1); plot(t, x, b); xlabel(时间 (s)); ylabel(幅值 (V)); title(原始信号时域波形); xlim([0, T]); grid on; % 第二幅单边幅值谱 subplot(3, 2, 2); plot(f_one, amp, r); xlabel(频率 (Hz)); ylabel(幅值 (V)); title(单边幅值谱); xlim([0, fs/2]); grid on; % 第三幅功率谱线性坐标 subplot(3, 2, 3); plot(f_one, power, b); xlabel(频率 (Hz)); ylabel(功率 (V^2)); title(功率谱周期图法); xlim([0, fs/2]); grid on; % 第四幅功率谱密度dB坐标 subplot(3, 2, 4); plot(f_one, psd_dB, k); xlabel(频率 (Hz)); ylabel(PSD (dB/Hz)); title(功率谱密度 PSD); xlim([0, fs/2]); grid on; % 第五幅加窗后的时域波形辅助观察加窗效果 subplot(3, 2, 5); plot(t, xw, g); xlabel(时间 (s)); ylabel(幅值 (V)); title(加窗后时域波形); xlim([0, T]); grid on; % 第六幅对数坐标下的幅值谱方便观察低幅值成分 subplot(3, 2, 6); semilogy(f_one, amp, m); xlabel(频率 (Hz)); ylabel(幅值 (V)); title(单边幅值谱对数纵轴); xlim([0, fs/2]); grid on;画完这个图你就能在同一张画布上看到时域、幅值谱、功率谱、PSD以及加窗后的波形。50Hz和120Hz处会看到清晰的两根谱线幅值分别为1V和0.8V。噪声在频谱上表现为一条低矮的“底”在dB坐标下尤其明显。关于PSD为什么要除以频率分辨率因为频率分辨率是1Hz时功率谱和PSD数值相等很多人就不理解为什么有时除以有时不除。实际上功率谱的单位是V²它告诉你总功率在某个频率上集中了多少PSD的单位是V²/Hz它告诉你单位频带宽度内有多少功率。当你需要跟不同频率分辨率的测试数据做对比时只能比PSD不能比功率谱。随机振动测试标准里给的谱型限制比如ASD、PSD要求都是基于这个逻辑。3.5 出图后第一时间检查什么每次画完图我不会急着保存而是先做三件事第一看频率轴最大值是否超过奈奎斯特频率。如果频谱图上出现了fs/2以上的谱线说明FFT结果可能被错误地全段显示或者数据有问题。第二看主峰的幅值是否在自己预期范围内。用已知幅值的正弦信号做测试时50Hz处应接近1V。如果差得远优先检查乘2和窗增益修正有没有漏。第三看噪声底是否平坦。如果噪声底出现明显的斜率或鼓包说明信号里有周期性干扰或者记录设备有问题。一个干净的随机噪声在幅值谱上应当是近似水平的基线。4. 真实数据里的坑问题排查与经验实录4.1 频谱泄漏窗函数解决到哪里算够用前面说过频谱泄漏的根源是截断。但加窗不是万能的它只能把泄漏的旁瓣压低不能消除泄漏本身。实际处理中泄漏对测量的影响到底有多大取决于你的信号频率跟FFT栅格是否对齐。我做一个实验说明。同样fs1000Hz、N1000把信号频率从50Hz改成50.5Hz也就是处在一个频点正中间。不加窗时你会看到50Hz和51Hz两个频点都有较高的幅值看起来像是两个峰其实是一个50.5Hz的信号泄漏出来的。加汉宁窗后旁瓣显著降低但主瓣变胖50.5Hz左右的峰依然是几个频点共同抬起来的峰值幅值也偏低一点。所以如果你的测量目标是准确读取某条谱线的幅值比如振动测试中读取1倍转频的振动幅值那么最好的办法不是单纯加窗而是通过转速跟踪的方法让采样与转频同步让特征频率正好落在FFT栅格上。如果做不到同步那就接受加窗后的近似值并在报告中注明读数误差来源。另外一个常见的误解是认为补零能提高频率分辨率。实际上补零只是“插值”了频谱曲线让峰看起来更平滑但两条靠得很近的真实频率分量依然分辨不了。提高分辨率的唯一方法是延长实际采样时间。记住这句话能帮你省下很多折腾时间。4.2 幅值对不上、坐标看不懂问题出在这几个地方我自己和身边同事踩过的坑集中在这几类第一类是幅值整体偏小一半。几乎都是忘了乘2。频谱图画出来是单边的但fft算出来是双边结果不乘2就是一半。第二类是加窗后幅值偏低。这个我之前吃过亏用汉宁窗时幅值从1V掉到0.5V当时以为是信号源的问题排查半天才发现是没有除以窗增益。第三类是纵轴单位和读数习惯的问题。功率谱图上很多标准里给的是dB参考值比如PSD单位是dB re 1 V²/Hz这时应该用10log10。如果是电压类幅值谱工程上常习惯用20log10得到的是dBV。这两种对数差了一倍换算时要格外小心。确认了单位之后纵轴标注一定要写明“dB re 1 V²/Hz”或者“dBV”否则别人读你的图根本不知道基准是什么。4.3 噪声底和谱线抬高的判读还有一类容易混淆的情况当你在频谱图上看到某个频段整个抬起来而不是某个单频点上出现一根尖峰这说明该频段内存在宽带能量成分。典型例子是轴承早期故障故障特征频率的边带会以“小山坡”的形式出现在频谱上而刚性转子不平衡则表现为转频处的单根尖峰。这类判读经验需要在实践中积累但从程序的角度你可以做一件事把幅值谱用对数纵轴画一遍再和线性纵轴对比。对数纵轴下宽带噪声底和窄带尖峰的形态差异会被放大更容易看出连续谱和离散谱的边界。这也是上面程序里我坚持放一个semilogy子图的原因。4.4 常见问题速查表现象可能原因解决办法频谱图峰值幅值只有预期值的一半忘了单边化乘2X_one(2:end-1) 2*X_one(2:end-1)加窗后幅值明显偏低未补偿窗函数增益除以mean(win)0Hz处异常巨大的谱峰信号含直流偏置先执行 x x - mean(x)谱峰周围有一串衰减“裙边”频率未落在FFT栅格上加汉宁窗抑制旁瓣频率轴最高点与预期不符频率轴构造公式错误f (0:N-1)*fs/N两条近频峰无法分开采样时长太短导致分辨率不足延长采样时长而非补零高频端出现折叠假峰采样率低于奈奎斯特要求提高fs或加抗混叠滤波器噪声底不平有明显倾斜数据包含趋势项或传感器漂移先做趋势消除或高通滤波PSD数值与预期差异大未除以频率分辨率power / (fs/N)这张表看起来简单但每一条都是我在实际项目里真金白银换来的教训。建议把表抄在笔记本上调试频谱问题时对照排查。5. 扩展玩法把程序做成随手可用的工具5.1 封装成函数告别复制粘贴实际做项目时每次重新复制一大段脚本很烦而且改了参数容易漏改。我更推荐把核心流程封装成一个函数输入信号和采样率就能输出频谱图和关键数据。下面这个函数的骨架你可以按自己的需求扩展。function [f, amp, power, psd] myFFTPlot(x, fs, varargin) % myFFTPlot 一键绘制幅值谱、功率谱和PSD % 输入 % x - 时域信号行向量 % fs - 采样率 % varargin - 可选的窗函数、是否去除直流、绘图标题等 % 输出 % f, amp, power, psd - 频率轴和三种频谱数据 N length(x); x x(:); % 去除直流可选通过参数控制 x x - mean(x); % 默认使用汉宁窗 win hann(N, periodic); winGain mean(win); xw x .* win; % FFT与单边化 X fft(xw); X_mag abs(X); halfN floor(N/2) 1; f (0:halfN-1) * fs / N; X_one X_mag(1:halfN); X_one(2:end-1) 2 * X_one(2:end-1); % 幅值谱、功率谱、PSD amp X_one / N / winGain; power amp.^2; psd power / (fs / N); % 绘图此处仅示意基础绘图 figure(Color, w); plot(f, amp); xlabel(Frequency (Hz)); ylabel(Amplitude); grid on; end函数的好处是调用简单参数集中管理。你可以在函数内部增加参数解析比如通过名称-值对控制窗类型、显示范围、单位选择这样日常处理不同项目时只需要改调用参数不用动核心计算逻辑。我自己的模板里就加了“是否显示dB坐标”“是否保存图片”“是否叠加峰值标注”这几个开关用起来非常顺手。5.2 Welch方法更适合现场实测数据前面介绍的周期图法虽然代码直观、原理清晰但有一个天生缺陷对噪声的估计方差大谱线毛糙。同样是含噪信号你用不同长度的数据段去算谱峰附近的波动会很厉害。Welch方法的思路是把长数据分成若干段允许相邻分段重叠常用50%到75%重叠每段分别加窗做FFT然后把所有段的功率谱做平均。平均化降低了随机噪声造成的方差谱图更平滑。频率分辨率取决于分段长度而不是整个数据长度——所以Welch方法的分辨率比直接用整段数据做周期图法要差一些这是为了平滑付出的代价。在MATLAB里pwelch函数已经实现了这个方法调用非常方便%% 使用Welch方法计算PSD segment 512; % 每段长度 overlap segment * 0.75; % 75%重叠 nfft segment; % FFT点数 [pxx_welch, f_welch] pwelch(x, hann(segment), overlap, nfft, fs); figure(Color, w); plot(f_welch, 10*log10(pxx_welch)); xlabel(频率 (Hz)); ylabel(PSD (dB/Hz)); title(Welch法功率谱密度); grid on;这里段长取512意味着分辨率从整段数据的1Hz变成约2Hz。如果你需要更高的分辨率就把segment调到1000或2000但平滑效果会变差。实操中需要在平滑度和分辨率之间找平衡先取总数据长度的一半作为段长试试看谱线是否还能接受再调重叠率。5.3 批量处理多通道数据的一键出图实际测试场景中很少只测一路信号。一个四通道数据采集仪可能同时记录了三向振动加一个转速脉冲。这时候逐个通道手动跑脚本不现实。我的做法是写一个批量脚本把通道名称和数据矩阵整理好循环调用封装的函数每个通道自动出图、自动保存文件名用通道名加时间戳。批量处理最关键的一点是统一坐标范围。如果每个通道的幅值差异很大自动出图时每个子图会各自缩放对比起来非常困难。所以在循环前先计算所有通道的全局最大值绘图时统一用这个值作为纵轴上限。这样四张频谱图放在一起幅值高低一眼就能对比出来方便发现哪个通道的振动水平异常。还有个容易忽略的地方批量处理一定要在函数内部把参数字段显式打印出来。比如在命令行窗口输出当前处理的是哪个文件、用了什么窗函数、频率分辨率是多少。这样一旦结果有问题回看日志就能定位是哪一步的参数不对劲。5.4 与数据采集设备的配合先定频率分辨率再定采集时长写程序时经常被问到一个问题采集时长设多少合适很多人上来就说“采10秒吧”理由说不出个所以然。我的建议是倒着推。先确定你需要多高的频率分辨率Δf然后采样时长T≥1/Δf。例如你想分辨5Hz的间隔那Δf取2.5HzT至少0.4秒留点余量取0.5秒。再根据最高关心频率确定采样率两者相乘得到采样点数再凑到2的整数次幂。这个流程看起来简单但实践中特别管用。因为采集时长决定了测试成本特别是现场测试每多采一秒都可能面对工况变化、干扰叠加的风险而频率分辨率又直接决定了你能不能分清楚相邻的特征频率。先把这两个参数定了再去现场操作心里就有底。写在最后几个我至今受用的习惯程序写到这里功能上已经完整了但我还想啰嗦几句这些年攒下的习惯。第一凡是重要的频谱图我一定会把参数记在图注里。采样率、采样点数、频率分辨率、窗函数、修正方式这五项缺一不可。半年后回头翻报告时没有这些记录就相当于没有那张图。第二每次分析新数据前先跑一遍自检信号。我会把程序里生成测试信号的那段代码保留着随时可以替换成一组已知参数的正弦波信号来验证程序的正确性。如果自检信号输出都对再上真实数据出了问题就只可能是数据源的问题不至于怀疑自己的信号链。第三学会用对数纵轴。线性幅值谱适合看主要谱线的幅值差异但很多微弱但关键的特征比如边带、谐波、噪声杂散在线性坐标下根本看不见。做故障诊断的同行应该都有这种经验一堆谱线挤在坐标底部切换成对数纵轴后隐藏的细节全冒出来了。最后再说个小技巧处理实测数据时如果频谱图上有些谱线怎么找都对应不上任何物理特征频率先别急着怀疑算法。把时域波形拉出来重新看一眼看看有没有明显的冲击、削波或丢失数据段。很多时候频谱图上的诡异线条不是信号处理造成的而是数据采集阶段就已经埋下的问题。信号处理能做的只是“如实呈现”至于数据本身干不干净得靠前面的采集环节去保证。把这套流程走顺了频谱分析就不再是玄学而是真正能帮你解决问题的工具。
做信号分析这些年我越来越发现一个尴尬的事实很多同行手里攒了一堆所谓的“频谱画图程序”真到用的时候要么幅值对不上要么频率轴乱七八糟要么换了一组数据就出各种诡异现象。网上搜到的代码基本都是零碎片段这个缺去直流、那个忘了乘2抄过来根本没法直接用。所以我把平时自己一直在用的这套MATLAB频谱功率谱画图程序整理出来把每一步的原理、参数怎么定、哪些地方容易踩坑一次性说清楚让你拿到一段时域数据就能画出可以放进报告、可以拿去跟同行讨论的频谱图和功率谱图。这套程序适用面很广振动分析、声学测试、语音信号处理、电力谐波分析、生物医学信号处理都能用。无论你是刚接触FFT的本科生还是已经做了好几年测试的工程师只要按着这篇文章的思路走一遍就能彻底搞明白频谱图背后那些参数到底是怎么来的、图上的数值到底该怎么读。1. 频谱与功率谱是怎么回事1.1 时域看不出名堂频域一眼看透很多人第一次接触频谱分析时都有个疑问我明明采集到的是随时间变化的波形为什么非要变换到频域去看举个最直观的例子。你测一台齿轮箱的振动时域波形看起来就是一团乱糟糟的振荡峰峰值大概多少能看出来但完全看不出这振动是来自轴的转频、齿轮的啮合频率还是轴承的故障特征频率。等你把这段信号做FFT变成频谱图事情就清楚了某条谱线落在50Hz某条落在120Hz某条在230Hz附近有一小撮能量聚集。哪条谱线对应哪个物理部件一目了然。这就是频域分析不可替代的价值——它把一堆混叠在一起的信息按频率“摆开”让你能逐个检查。这里面的数学基础是傅里叶变换核心思想非常朴素任何一个满足条件的时域信号都可以看作若干不同频率、不同幅值、不同初始相位的正弦波的叠加。FFT只是DFT的一种快速算法DFT又是连续傅里叶变换在计算机上的离散近似。说穿了计算机做的事情就是把你的采样序列跟一组不同频率的复指数逐一做内积看“像不像”像的程度就是该频率分量的幅值。用生活里的事情打比方频谱分析就像你把一整个交响乐团的混音拆成各个声部单独听小提琴手拉得多响、小号吹得多亮、鼓点节奏如何都清清楚楚。时域波形是所有人同时演奏的结果频域谱是每个乐器的分轨。1.2 频谱、功率谱、功率谱密度别混在一起我见过不少人在报告里把“频谱图”“功率谱图”“功率谱密度图”混着叫实际上这三样东西侧重点完全不同。先上对比表名称纵轴含义常用单位典型用途幅值谱每个频率分量的振幅峰值与信号一致V、m/s²、Pa等看特征频率的幅值大小、谐波构成功率谱幅值平方反映该频率点的能量信号单位的平方V²等比较不同频率分量的能量占比功率谱密度PSD单位频率带宽内的功率V²/Hz常用dB/Hz显示分析噪声底、宽带信号、随机振动为什么会有这几种不同的谱因为应用场景不同。做故障诊断、找特征频率时幅值谱最直观谱线高度直接对应振动幅度。做随机振动分析时随机信号的能量分散在整个频带内单独看某一条谱线没有意义必须看单位频带内的能量密度这就是PSD存在的意义。功率谱和PSD的换算关系也容易把人绕晕。严格说功率谱是总功率在频率上的分布PSD是功率除以频率分辨率。如果你的频率分辨率是1Hz那功率谱和PSD数值上是相等的如果频率分辨率不是1Hz直接对比就会出错。这也是很多人在不同参数下得到的谱图数值对不上的根本原因。1.3 手推一次DFT看清计算机到底在算什么有个快速理解频域计算的方法不要直接背公式而是手算一个极简单的例子。假设采样率fs1000Hz采样点数N1000信号是一个1V峰值、50Hz的正弦波。DFT计算后你会在第k50个频点附近看到一个很大的值。这里的关键是频率轴的计算方式频率分辨率Δf fs/N 1Hz第k个频点对应的频率为k×Δf 50Hz正好跟信号频率一致。此时FFT结果的幅值是多少如果信号是x sin(2π×50×t)那么做FFT后第50个频点的模值约为N/2 500。所以要还原真实的峰值幅值1V必须除以N/2也就是乘2除以N。这就是所有频谱画图程序里那个“魔法数字2”的来源。等到你实际用MATLAB时会发现fft函数返回的是一个复数数组取绝对值后还要经过一系列处理才能变成物理意义明确的幅值谱。整个过程如果只是机械地背代码一旦参数变了就说不清楚为什么图上的峰变高或变矮。所以花半小时把这个推导过程看懂比复制一百段代码都值。2. 写程序前的关键参数设计2.1 采样率、采样点数、频率分辨率一组互相牵制的参数动笔写程序之前有几组参数必须先想清楚否则后面画图全是白费功夫。第一是采样率fs。根据奈奎斯特采样定理fs至少要大于信号最高频率的两倍工程上一般取最高关心频率的2.56倍或5倍以上。比如你关心10kHz以内的振动特征采样率最低也要25.6kHz保险起见直接50kHz。采样率不够高频成分会折叠到低频区域在频谱图上形成假谱线这是最隐蔽也最危险的坑。第二是采样点数N。FFT要求点数可以是任意值但为了让计算效率和频率分辨率可控一般取2的整数次幂比如1024、2048、4096。N决定了频率分辨率Δf fs/N。注意Δf决定了你能分辨多近的两个频率峰。如果两个特征频率只差0.5Hz而你的Δf是1Hz那这两个峰在频谱图上会融为一体根本分不开。提高频率分辨率的唯一正道是增加采样时长增加N而不是在数据后面补零。补零能“平滑”谱线但不能提高真实分辨率这个问题后面还会细说。第三是你关心的频段。频谱图不需要从0显示到fs/2那么宽根据实际物理含义裁剪显示范围既省版面又突出重点。比如电机振动分析重点看转频的1倍、2倍频那显示范围设到10倍转频以内就够了。2.2 窗函数加不加什么时候必须加很多新手第一次看频谱图时都会遇到一个现象明明信号是标准的50Hz正弦波频谱图上50Hz那条线旁边却多出一串衰减的“裙边”峰值附近的谱线也低了一截。这就是频谱泄漏。为什么会泄漏因为DFT处理的是无限长信号截取出来的有限长片段。这种截断相当于在时域上乘了一个矩形窗。矩形窗在频域是sinc函数形状旁瓣很高主瓣之外的频率成分会“漏”到其他频点上去。解决办法就是加窗。加窗的本质是让数据两端平滑地衰减到0附近从而抑制截断边缘造成的跳变。常用窗函数对比窗函数第一旁瓣高度主瓣宽度适用场景矩形窗不加窗-13dB窄整周期采样、瞬态信号汉宁窗-31dB中大多数连续振动、声学信号汉明窗-43dB中语音信号处理布莱克曼窗-58dB较宽需要极低旁瓣的场合平顶窗-93dB左右宽幅值精度要求极高、需要精确读幅值日常做振动和声学分析汉宁窗是默认首选。旁瓣抑制足够、主瓣宽度可接受对幅值的影响可以用修正系数补偿。如果你的信号本身是瞬态冲击类型的锤击法模态测试就是典型那就不能用汉宁窗而要用矩形窗或指数窗因为加窗会把冲击信号本身的特征也抹掉。2.3 幅值修正的几个细节这里必须多说几句因为80%的频谱图画不对都出在幅值修正上。第一单边谱要乘2。FFT输出的频率范围是0到fs总共N个频点对应的频谱双边对称。物理上我们只看正频率所以取前半段然后除直流分量k0和奈奎斯特频率分量kN/2当N为偶数时以外所有幅值都要乘2。如果不乘2你会看到50Hz正弦波的幅值谱峰值是0.5V而不是实际的1V。第二加窗后要做增益修正。任何非矩形窗都会降低信号的总能量。以汉宁窗为例时域上每个点都乘了一个0到1之间的系数等效增益约为0.5。如果不修正加窗后幅值谱峰值会变为原来的一半。修正方法很简单FFT之前记录窗函数的平均增益mean(w)最后画图时把幅值除以这个值。第三注意区分峰值幅值和RMS幅值。很多人分析振动时习惯用RMS值有效值因为振动标准一般都以RMS给出。频谱上的谱线高度对应的是峰值幅值要转成RMS就再除以√2。这一步虽然简单但漏掉的人非常多。3. 完整版MATLAB程序从测试信号到最终出图3.1 程序整体框架这套程序我按“参数设置→数据准备→时域观察→频域计算→出图”的顺序组织。完整代码放在下面几个小节里每一段都会讲清楚为什么这么写。先用一个合成信号来演示信号包含50Hz的1V正弦、120Hz的0.8V正弦以及一点随机噪声。实际应用时把生成信号的几行替换成你的实测数据读取代码就行。%% 完整版频谱功率谱画图程序 % 适用场景振动、声学、生物医学等连续信号分析 % 功能绘制时域波形、单边幅值谱、功率谱、功率谱密度(PSD) clear; close all; clc; %% 1. 参数设置 fs 1000; % 采样率单位Hz T 1; % 信号时长单位s N fs * T; % 采样点数 1000 f1 50; % 第一个信号频率 f2 120; % 第二个信号频率 A1 1.0; % 第一个信号幅值(V) A2 0.8; % 第二个信号幅值(V) SNR 20; % 信噪比(dB)数值越大噪声越少这里的采样率1000Hz意味着奈奎斯特频率是500Hz。信号最高频率120Hz距500Hz还很远不会发生混叠。采样时长1秒频率分辨率就是1Hz50Hz和120Hz相差70Hz完全能分开。信噪比20dB对应约0.1V的噪声标准差能模拟真实测试中“能看清峰值但不至于太干净”的情况。3.2 数据准备与加窗处理%% 2. 生成测试信号实际应用中此处替换为读取实测数据 t (0:N-1) / fs; x A1 * sin(2*pi*f1*t) A2 * sin(2*pi*f2*t) ... A1 / 10^(SNR/20) * randn(1, N); %% 3. 去除直流分量 x x - mean(x);去除直流分量是很多人忽略的一步。传感器零漂、采集系统的偏置电压都会给信号叠加上一个直流偏置。这个偏置在FFT结果里表现为0Hz处一个巨大的谱线如果不处理不仅0Hz处能量异常还可能因为动态范围问题让其他小信号在频谱图上“看不清”。做FFT前先减去均值是一个成本极低但收益很大的习惯。接下来是加窗和FFT计算%% 4. 加窗处理默认使用汉宁窗 win hann(N, periodic); % 周期性汉宁窗转成行向量 xw x .* win; winGain mean(win); % 窗函数的相干增益约0.5这里注意两个细节。第一hann(N, periodic)和hann(N)的区别在于前者生成的是周期对称窗更适合与FFT配合使用能避免一些边界效应对频谱的微小扰动。第二我在加了窗之后立刻记录了mean(win)这就是后面幅值修正要用的增益因子。如果不记录后面修正时还得回来重新算一遍很麻烦。3.3 FFT计算与频率轴构造%% 5. FFT计算 X fft(xw); X_mag abs(X); %% 6. 单边化处理并获得幅值谱 f (0:N-1) * fs / N; % 完整的频率轴 halfN floor(N/2) 1; % 单边谱的频点数 X_one X_mag(1:halfN); f_one f(1:halfN); % 排除直流分量和奈奎斯特频率分量后乘2 X_one(2:end-1) 2 * X_one(2:end-1); % 幅值修正除以N恢复真实幅值除以窗增益补偿加窗损失 amp X_one / N / winGain;这里有个细节必须讲清楚为什么乘2的时候用2:end-1而不是所有点都乘2因为索引1对应0Hz直流分量DFT结果中这个点本身没有镜像不能用双边谱乘2最后一个点对应奈奎斯特频率fs/2在N为偶数时它也没有镜像同样不能乘2。虽然这两个点一般不作为分析重点但严谨起见还是要区分。幅值修正的逻辑是fft结果的模值除以N得到的是单频正弦在当前参数下的“原始”幅值前面说过约为峰值的一半因为能量被分到了正负频率两个方向乘2还原单边再除以窗增益补偿加窗损失。三步一个都不能少。3.4 功率谱、功率谱密度计算与出图%% 7. 功率谱与功率谱密度 % 周期图法功率谱幅值谱的平方 power amp.^2; % 功率谱密度功率谱除以频率分辨率 psd power / (fs / N); psd_dB 10 * log10(psd); %% 8. 绘图输出 figure(Color, w, Position, [100, 100, 1200, 800]); % 第一幅时域波形 subplot(3, 2, 1); plot(t, x, b); xlabel(时间 (s)); ylabel(幅值 (V)); title(原始信号时域波形); xlim([0, T]); grid on; % 第二幅单边幅值谱 subplot(3, 2, 2); plot(f_one, amp, r); xlabel(频率 (Hz)); ylabel(幅值 (V)); title(单边幅值谱); xlim([0, fs/2]); grid on; % 第三幅功率谱线性坐标 subplot(3, 2, 3); plot(f_one, power, b); xlabel(频率 (Hz)); ylabel(功率 (V^2)); title(功率谱周期图法); xlim([0, fs/2]); grid on; % 第四幅功率谱密度dB坐标 subplot(3, 2, 4); plot(f_one, psd_dB, k); xlabel(频率 (Hz)); ylabel(PSD (dB/Hz)); title(功率谱密度 PSD); xlim([0, fs/2]); grid on; % 第五幅加窗后的时域波形辅助观察加窗效果 subplot(3, 2, 5); plot(t, xw, g); xlabel(时间 (s)); ylabel(幅值 (V)); title(加窗后时域波形); xlim([0, T]); grid on; % 第六幅对数坐标下的幅值谱方便观察低幅值成分 subplot(3, 2, 6); semilogy(f_one, amp, m); xlabel(频率 (Hz)); ylabel(幅值 (V)); title(单边幅值谱对数纵轴); xlim([0, fs/2]); grid on;画完这个图你就能在同一张画布上看到时域、幅值谱、功率谱、PSD以及加窗后的波形。50Hz和120Hz处会看到清晰的两根谱线幅值分别为1V和0.8V。噪声在频谱上表现为一条低矮的“底”在dB坐标下尤其明显。关于PSD为什么要除以频率分辨率因为频率分辨率是1Hz时功率谱和PSD数值相等很多人就不理解为什么有时除以有时不除。实际上功率谱的单位是V²它告诉你总功率在某个频率上集中了多少PSD的单位是V²/Hz它告诉你单位频带宽度内有多少功率。当你需要跟不同频率分辨率的测试数据做对比时只能比PSD不能比功率谱。随机振动测试标准里给的谱型限制比如ASD、PSD要求都是基于这个逻辑。3.5 出图后第一时间检查什么每次画完图我不会急着保存而是先做三件事第一看频率轴最大值是否超过奈奎斯特频率。如果频谱图上出现了fs/2以上的谱线说明FFT结果可能被错误地全段显示或者数据有问题。第二看主峰的幅值是否在自己预期范围内。用已知幅值的正弦信号做测试时50Hz处应接近1V。如果差得远优先检查乘2和窗增益修正有没有漏。第三看噪声底是否平坦。如果噪声底出现明显的斜率或鼓包说明信号里有周期性干扰或者记录设备有问题。一个干净的随机噪声在幅值谱上应当是近似水平的基线。4. 真实数据里的坑问题排查与经验实录4.1 频谱泄漏窗函数解决到哪里算够用前面说过频谱泄漏的根源是截断。但加窗不是万能的它只能把泄漏的旁瓣压低不能消除泄漏本身。实际处理中泄漏对测量的影响到底有多大取决于你的信号频率跟FFT栅格是否对齐。我做一个实验说明。同样fs1000Hz、N1000把信号频率从50Hz改成50.5Hz也就是处在一个频点正中间。不加窗时你会看到50Hz和51Hz两个频点都有较高的幅值看起来像是两个峰其实是一个50.5Hz的信号泄漏出来的。加汉宁窗后旁瓣显著降低但主瓣变胖50.5Hz左右的峰依然是几个频点共同抬起来的峰值幅值也偏低一点。所以如果你的测量目标是准确读取某条谱线的幅值比如振动测试中读取1倍转频的振动幅值那么最好的办法不是单纯加窗而是通过转速跟踪的方法让采样与转频同步让特征频率正好落在FFT栅格上。如果做不到同步那就接受加窗后的近似值并在报告中注明读数误差来源。另外一个常见的误解是认为补零能提高频率分辨率。实际上补零只是“插值”了频谱曲线让峰看起来更平滑但两条靠得很近的真实频率分量依然分辨不了。提高分辨率的唯一方法是延长实际采样时间。记住这句话能帮你省下很多折腾时间。4.2 幅值对不上、坐标看不懂问题出在这几个地方我自己和身边同事踩过的坑集中在这几类第一类是幅值整体偏小一半。几乎都是忘了乘2。频谱图画出来是单边的但fft算出来是双边结果不乘2就是一半。第二类是加窗后幅值偏低。这个我之前吃过亏用汉宁窗时幅值从1V掉到0.5V当时以为是信号源的问题排查半天才发现是没有除以窗增益。第三类是纵轴单位和读数习惯的问题。功率谱图上很多标准里给的是dB参考值比如PSD单位是dB re 1 V²/Hz这时应该用10log10。如果是电压类幅值谱工程上常习惯用20log10得到的是dBV。这两种对数差了一倍换算时要格外小心。确认了单位之后纵轴标注一定要写明“dB re 1 V²/Hz”或者“dBV”否则别人读你的图根本不知道基准是什么。4.3 噪声底和谱线抬高的判读还有一类容易混淆的情况当你在频谱图上看到某个频段整个抬起来而不是某个单频点上出现一根尖峰这说明该频段内存在宽带能量成分。典型例子是轴承早期故障故障特征频率的边带会以“小山坡”的形式出现在频谱上而刚性转子不平衡则表现为转频处的单根尖峰。这类判读经验需要在实践中积累但从程序的角度你可以做一件事把幅值谱用对数纵轴画一遍再和线性纵轴对比。对数纵轴下宽带噪声底和窄带尖峰的形态差异会被放大更容易看出连续谱和离散谱的边界。这也是上面程序里我坚持放一个semilogy子图的原因。4.4 常见问题速查表现象可能原因解决办法频谱图峰值幅值只有预期值的一半忘了单边化乘2X_one(2:end-1) 2*X_one(2:end-1)加窗后幅值明显偏低未补偿窗函数增益除以mean(win)0Hz处异常巨大的谱峰信号含直流偏置先执行 x x - mean(x)谱峰周围有一串衰减“裙边”频率未落在FFT栅格上加汉宁窗抑制旁瓣频率轴最高点与预期不符频率轴构造公式错误f (0:N-1)*fs/N两条近频峰无法分开采样时长太短导致分辨率不足延长采样时长而非补零高频端出现折叠假峰采样率低于奈奎斯特要求提高fs或加抗混叠滤波器噪声底不平有明显倾斜数据包含趋势项或传感器漂移先做趋势消除或高通滤波PSD数值与预期差异大未除以频率分辨率power / (fs/N)这张表看起来简单但每一条都是我在实际项目里真金白银换来的教训。建议把表抄在笔记本上调试频谱问题时对照排查。5. 扩展玩法把程序做成随手可用的工具5.1 封装成函数告别复制粘贴实际做项目时每次重新复制一大段脚本很烦而且改了参数容易漏改。我更推荐把核心流程封装成一个函数输入信号和采样率就能输出频谱图和关键数据。下面这个函数的骨架你可以按自己的需求扩展。function [f, amp, power, psd] myFFTPlot(x, fs, varargin) % myFFTPlot 一键绘制幅值谱、功率谱和PSD % 输入 % x - 时域信号行向量 % fs - 采样率 % varargin - 可选的窗函数、是否去除直流、绘图标题等 % 输出 % f, amp, power, psd - 频率轴和三种频谱数据 N length(x); x x(:); % 去除直流可选通过参数控制 x x - mean(x); % 默认使用汉宁窗 win hann(N, periodic); winGain mean(win); xw x .* win; % FFT与单边化 X fft(xw); X_mag abs(X); halfN floor(N/2) 1; f (0:halfN-1) * fs / N; X_one X_mag(1:halfN); X_one(2:end-1) 2 * X_one(2:end-1); % 幅值谱、功率谱、PSD amp X_one / N / winGain; power amp.^2; psd power / (fs / N); % 绘图此处仅示意基础绘图 figure(Color, w); plot(f, amp); xlabel(Frequency (Hz)); ylabel(Amplitude); grid on; end函数的好处是调用简单参数集中管理。你可以在函数内部增加参数解析比如通过名称-值对控制窗类型、显示范围、单位选择这样日常处理不同项目时只需要改调用参数不用动核心计算逻辑。我自己的模板里就加了“是否显示dB坐标”“是否保存图片”“是否叠加峰值标注”这几个开关用起来非常顺手。5.2 Welch方法更适合现场实测数据前面介绍的周期图法虽然代码直观、原理清晰但有一个天生缺陷对噪声的估计方差大谱线毛糙。同样是含噪信号你用不同长度的数据段去算谱峰附近的波动会很厉害。Welch方法的思路是把长数据分成若干段允许相邻分段重叠常用50%到75%重叠每段分别加窗做FFT然后把所有段的功率谱做平均。平均化降低了随机噪声造成的方差谱图更平滑。频率分辨率取决于分段长度而不是整个数据长度——所以Welch方法的分辨率比直接用整段数据做周期图法要差一些这是为了平滑付出的代价。在MATLAB里pwelch函数已经实现了这个方法调用非常方便%% 使用Welch方法计算PSD segment 512; % 每段长度 overlap segment * 0.75; % 75%重叠 nfft segment; % FFT点数 [pxx_welch, f_welch] pwelch(x, hann(segment), overlap, nfft, fs); figure(Color, w); plot(f_welch, 10*log10(pxx_welch)); xlabel(频率 (Hz)); ylabel(PSD (dB/Hz)); title(Welch法功率谱密度); grid on;这里段长取512意味着分辨率从整段数据的1Hz变成约2Hz。如果你需要更高的分辨率就把segment调到1000或2000但平滑效果会变差。实操中需要在平滑度和分辨率之间找平衡先取总数据长度的一半作为段长试试看谱线是否还能接受再调重叠率。5.3 批量处理多通道数据的一键出图实际测试场景中很少只测一路信号。一个四通道数据采集仪可能同时记录了三向振动加一个转速脉冲。这时候逐个通道手动跑脚本不现实。我的做法是写一个批量脚本把通道名称和数据矩阵整理好循环调用封装的函数每个通道自动出图、自动保存文件名用通道名加时间戳。批量处理最关键的一点是统一坐标范围。如果每个通道的幅值差异很大自动出图时每个子图会各自缩放对比起来非常困难。所以在循环前先计算所有通道的全局最大值绘图时统一用这个值作为纵轴上限。这样四张频谱图放在一起幅值高低一眼就能对比出来方便发现哪个通道的振动水平异常。还有个容易忽略的地方批量处理一定要在函数内部把参数字段显式打印出来。比如在命令行窗口输出当前处理的是哪个文件、用了什么窗函数、频率分辨率是多少。这样一旦结果有问题回看日志就能定位是哪一步的参数不对劲。5.4 与数据采集设备的配合先定频率分辨率再定采集时长写程序时经常被问到一个问题采集时长设多少合适很多人上来就说“采10秒吧”理由说不出个所以然。我的建议是倒着推。先确定你需要多高的频率分辨率Δf然后采样时长T≥1/Δf。例如你想分辨5Hz的间隔那Δf取2.5HzT至少0.4秒留点余量取0.5秒。再根据最高关心频率确定采样率两者相乘得到采样点数再凑到2的整数次幂。这个流程看起来简单但实践中特别管用。因为采集时长决定了测试成本特别是现场测试每多采一秒都可能面对工况变化、干扰叠加的风险而频率分辨率又直接决定了你能不能分清楚相邻的特征频率。先把这两个参数定了再去现场操作心里就有底。写在最后几个我至今受用的习惯程序写到这里功能上已经完整了但我还想啰嗦几句这些年攒下的习惯。第一凡是重要的频谱图我一定会把参数记在图注里。采样率、采样点数、频率分辨率、窗函数、修正方式这五项缺一不可。半年后回头翻报告时没有这些记录就相当于没有那张图。第二每次分析新数据前先跑一遍自检信号。我会把程序里生成测试信号的那段代码保留着随时可以替换成一组已知参数的正弦波信号来验证程序的正确性。如果自检信号输出都对再上真实数据出了问题就只可能是数据源的问题不至于怀疑自己的信号链。第三学会用对数纵轴。线性幅值谱适合看主要谱线的幅值差异但很多微弱但关键的特征比如边带、谐波、噪声杂散在线性坐标下根本看不见。做故障诊断的同行应该都有这种经验一堆谱线挤在坐标底部切换成对数纵轴后隐藏的细节全冒出来了。最后再说个小技巧处理实测数据时如果频谱图上有些谱线怎么找都对应不上任何物理特征频率先别急着怀疑算法。把时域波形拉出来重新看一眼看看有没有明显的冲击、削波或丢失数据段。很多时候频谱图上的诡异线条不是信号处理造成的而是数据采集阶段就已经埋下的问题。信号处理能做的只是“如实呈现”至于数据本身干不干净得靠前面的采集环节去保证。把这套流程走顺了频谱分析就不再是玄学而是真正能帮你解决问题的工具。
![Puppeteer 中 Realm 的资源释放机制：深入解析 [disposeSymbol]() 方法](http://pic.xiahunao.cn/yaotu/Puppeteer 中 Realm 的资源释放机制：深入解析 [disposeSymbol]() 方法)
