从傅里叶到小波：信号处理中的频域与时频分析实战解析
1. 信号处理的两把钥匙：频域与时频分析
第一次接触信号处理时，我被各种变换公式绕得头晕眼花。直到有次用麦克风录下钢琴声，看着频谱图上跳动的音符频率，才突然明白：频域分析就像给声音拍X光片，能看清组成复杂波形的"骨骼结构"。而时频分析更像是高速摄像机，能捕捉每个音符何时响起、持续多久。
记得2015年做智能家居项目时，要识别不同家电的运行状态。电风扇的嗡嗡声是典型的稳态信号，用傅里叶变换就能准确提取50Hz工频及其谐波。但遇到洗衣机这种马达转速变化的设备，频谱图就变成了模糊一片——这时候就需要小波变换出场了，它能清晰显示水位检测阶段低频振动与脱水阶段高频振动的交替过程。
2. 傅里叶变换：频域分析的基石
2.1 从三角函数到频谱图
傅里叶变换的核心思想令人惊叹：任何周期信号都能分解为不同频率正弦波的叠加。这就像用红、绿、蓝三原色调配出千万种颜色。在Python中，用几行代码就能实现：
import numpy as np from scipy.fft import fft # 生成含50Hz和120Hz的信号 t = np.linspace(0, 1, 1000) signal = 0.7*np.sin(2*np.pi*50*t) + np.sin(2*np.pi*120*t) # 快速傅里叶变换 yf = fft(signal)但新手常踩的坑是忘记频谱泄露问题。有次我分析振动传感器数据，明明设备只运行在30Hz，频谱却显示多个旁瓣。后来发现是采样时长不是信号周期的整数倍，就像用不完整的拼图块强行拼图。解决方法很简单：加汉宁窗后再做FFT，或者确保采样时间包含完整周期。
2.2 功率谱密度的工程妙用
在工业设备故障诊断中，功率谱密度（PSD）是真正的"听诊器"。某次检测电机轴承时，常规频谱显示正常，但PSD在4kHz处有个微小凸起——这正是早期滚珠磨损的特征频率。用这个指标，我们比传统振动阈值检测提前3周预测了故障。
制作PSD时要注意：
- 分段数选择：通常8-16段能平衡分辨率和方差
- 重叠比例：50%-75%可减少段间突变影响
- 窗函数选择：汉明窗适合大多数场景
3. 短时傅里叶变换：时频分析的初探
3.1 窗口大小的艺术
STFT就像通过移动的"观察窗口"看信号，窗口大小决定时频分辨率。分析鸟类鸣叫时，我用256点窗口能清晰看到8kHz的颤音细节；而研究鲸鱼叫声则要用4096点窗口，才能捕捉到20Hz低频的缓慢变化。
Matlab的spectrogram函数隐藏着实用技巧：
[s,f,t] = spectrogram(x, hann(256), 128, 1024, fs); imagesc(t,f,10*log10(abs(s))) % 转换为dB显示 axis xy % 频率从低到高排列调整colorbar范围能突出关键频段，我常用[-40 -10]dB来弱化环境噪声。
3.2 实际应用中的陷阱
有次分析高铁轮轨噪声，STFT时频图出现奇怪的条纹。原来是因为列车匀速通过时，多普勒效应导致频率线性变化。这时候需要改用重分配方法将能量聚集到真实瞬时频率上。这个案例让我明白：没有放之四海皆准的窗口参数，必须根据信号特性动态调整。
4. 小波变换：多尺度分析的利器
4.1 小波基选择实战指南
常用的小波基就像不同放大镜：
- db4：通用性强，适合机械振动
- morlet：频率定位准，适合EEG分析
- haar：突变检测快，适合边缘识别
在ECG心电分析中，我用sym4小波能准确捕捉QRS波群。关键是要做小波熵分析，计算各尺度能量占比。正常心跳熵值在0.3-0.5间，而室颤时会飙升至0.8以上。
4.2 小波去噪的魔法
某次处理水下声呐数据时，传统滤波把目标信号和噪声一起滤除了。改用小波阈值去噪后：
- 5层分解选用coif3小波
- 对高频系数用软阈值处理
- 重构后信噪比提升12dB
特别要注意尺度选择，就像选择显微镜倍数——太大看不清细节，太小又丢失整体结构。我的经验是：分解层数≈log2(采样点数)-3。
5. 综合应用：从理论到实践
5.1 语音信号处理全流程
最近做的智能音箱项目完美结合了三种方法：
- 先用FFT做端点检测（静默段能量<40dB）
- STFT生成语谱图供神经网络识别
- 小波变换提取音素过渡特征
实测发现，元音段用汉宁窗+25ms帧长最佳，而爆破音需要10ms短窗才能捕捉瞬态特性。
5.2 工业振动诊断系统
为风机设计的监测系统包含：
- 常规FFT监测基频和谐波
- STFT跟踪启动/停机瞬态
- 小波包分解轴承特征频率
这套方案将误报率从15%降到3%，关键是在齿轮箱应用中发现：边频带的小波系数相位差能提前预警齿面磨损，比幅值变化敏感10倍。