2、时域与频域基础：信号表示、时域波形与频谱的关系，为什么需要频域分析

TinyML 设备（如振动传感器、麦克风、加速度计）采集到的原始信号，本质上是一串随时间变化的数值序列。绝大多数工程师的第一反应是直接查看这段波形——看幅值、看周期、看有没有“毛刺”。这种在时间轴上观察信号的方式称为时域分析，它直观、易于实现，但在处理故障特征时往往力不从心。一个微弱的轴承早期损伤信号，可能完全淹没在正常的振动背景中；两个频率接近的信号叠加后，时域波形看起来只是一个“变粗”的正弦波，肉眼无法分辨。要解决这类问题，必须将信号从时间轴转换到频率轴，即进行频域分析。本章将系统讲解信号在时域与频域中的表示方法、二者之间的数学关系，以及为什么频域分析是 TinyML 故障特征提取的基石。

上图展示了时域与频域对同一物理信号的不同观察方式。时域波形是信号最原始的存在形式，而频谱则揭示了信号内部的频率构成。对于 TinyML 故障诊断而言，频域分析的核心价值在于：故障往往对应特定的频率特征。例如，滚动轴承的内圈故障特征频率约为 3.5 倍转频，齿轮断齿的特征频率为啮合频率及其边带。这些频率成分在时域中可能被噪声掩盖，但在频谱中却清晰可辨。

2.1 信号表示：从连续时间到离散序列

在嵌入式系统中，传感器输出的物理量（振动加速度、声压、电流）首先经过采样保持电路，被转换为离散时间序列。设采样频率为 f_s，采样间隔 Δt = 1/f_s，则连续信号 x(t) 被表示为离散序列 x[n] = x(n·Δt)，其中 n = 0, 1, 2, ..., N-1。N 为采样点数，决定了频率分辨率 Δf = f_s/N。

这里有一个关键约束：奈奎斯特采样定理要求采样频率必须大于信号最高频率成分的两倍，否则会发生混叠（Aliasing），高频成分会“折叠”到低频区域，造成频谱失真。例如，若轴承故障特征频率为 2.5 kHz，采样频率至少应为 5 kHz，工程上通常取 5~10 倍以保证余量。

在 TinyML 场景中，采样点数和采样频率直接决定了内存占用和计算量。一个 1024 点的 FFT 需要约 4 KB 的浮点缓冲区（若用 int16 则为 2 KB），而 Cortex-M4 内核执行 1024 点 FFT 大约需要 1~3 ms（取决于时钟频率和优化程度）。因此，在算法设计之初就要根据 MCU 资源合理选择 N 和 f_s，而不是盲目追求高分辨率。

2.2 时域波形与频谱的数学关系：傅里叶变换

傅里叶变换是连接时域与频域的桥梁。对于离散序列 x[n]，其离散傅里叶变换（DFT）定义为：

X[k] = Σ_{n=0}^{N-1} x[n] · e^{-j·2π·k·n/N}，k = 0, 1, ..., N-1

其中 X[k] 是第 k 个频率分量的复数值，其模 |X[k]| 表示该频率成分的幅值，幅角表示相位。实际应用中，直接计算 DFT 的复杂度为 O(N²)，而快速傅里叶变换（FFT）利用旋转因子的对称性和周期性，将复杂度降至 O(N·log₂N)。以 1024 点 FFT 为例，DFT 需要约 100 万次复数乘法，而 FFT 仅需约 1 万次，计算量降低两个数量级。

理解频谱时需要注意以下几点：

• 频谱是离散的：由于采样序列是有限长的，频谱在频域上以 Δf 为间隔离散分布，每个频点 k 对应的实际频率为 f = k·Δf。
• 幅值修正：FFT 输出的幅值需要乘以 2/N（单边谱）才能得到真实幅值。直流分量（k=0）只需乘以 1/N。
• 窗函数的影响：直接对截断信号做 FFT 会产生频谱泄漏，旁瓣会掩盖邻近的微弱信号。加汉宁窗（Hann）可将旁瓣衰减约 31 dB，但主瓣宽度增加一倍，频率分辨率下降。

2.3 为什么需要频域分析：时域难以解决的四个问题

时域分析并非无用，它在检测冲击、削顶、间歇性异常时非常有效。但在以下四类场景中，频域分析具有不可替代的优势：

1. 微弱特征提取：轴承早期点蚀产生的冲击能量很小，时域波形中幅值变化可能只有正常水平的 1%~2%，肉眼无法分辨。但在频谱中，故障特征频率处的幅值会明显高于噪声基底，通过设定阈值即可识别。
2. 多频率成分分离：一台设备可能同时存在转子不平衡（1×转频）、不对中（2×转频）、齿轮啮合（齿数×转频）等多种振动源。时域波形是这些成分的叠加，无法区分；频谱则像“光谱仪”一样，将每种成分分离到独立的频点上。
3. 趋势监测与早期预警：通过跟踪特定频段的能量变化（如 1 kHz~3 kHz 的轴承高频段），可以建立设备劣化趋势曲线。当能量值超过基线 3 倍时，即使时域波形仍正常，系统也能提前报警。
4. 抗噪声干扰：时域信号的信噪比往往很低，但经过 FFT 后，随机噪声的功率被平均分配到所有频点，而确定性故障特征集中在少数频点。因此，频域分析等效于一种“窄带滤波”，能显著提高信噪比。

2.4 案例拆解：电机轴承故障的时域与频域对比

某工厂一台 4 极异步电机（额定转速 1470 rpm，转频 f_r = 24.5 Hz）驱动离心泵，振动传感器安装在电机驱动端轴承座上。设备运行半年后，巡检人员发现时域波形幅值略有增大（从 2.1 mm/s 升至 2.8 mm/s），但仍低于报警值 4.5 mm/s。时域波形看起来只是“噪声变大了一些”，无法判断是否存在故障。

采集 2048 点数据，采样频率 f_s = 12.8 kHz，频率分辨率 Δf = 6.25 Hz。对信号加汉宁窗后进行 FFT，得到频谱如下：

频点(k)  频率(Hz)   幅值(mm/s)
  4       25.0      1.82   ← 转频 1×fr
  8       50.0      0.45   ← 2×fr（轻微不对中）
  12      75.0      0.12   ← 3×fr
  35      218.8     0.08   ← 噪声基底
  36      225.0     0.31   ← 疑似故障特征频率
  37      231.3     0.09
  72      450.0     0.06   ← 2×故障特征频率

分析过程：

• 计算轴承外圈故障特征频率 BPFO = 0.4 × N_ball × f_r。该轴承有 9 个滚动体，BPFO = 0.4 × 9 × 24.5 ≈ 88.2 Hz。但频谱中 88 Hz 附近并无明显峰值。
• 再计算内圈故障特征频率 BPFI = 0.6 × 9 × 24.5 ≈ 132.3 Hz。频谱中 132 Hz 处幅值仅 0.05 mm/s，也不突出。
• 注意到 225 Hz 处有 0.31 mm/s 的峰值，且 450 Hz 处有 0.06 mm/s 的二次谐波。225 Hz 恰好等于 9 × 25 Hz（转频的 9 倍），这可能是保持架故障特征频率（FTF）的整数倍，也可能是滚动体通过频率。
• 进一步检查时域波形，发现每 0.04 s（对应 25 Hz）有一个微小的冲击脉冲，但幅值仅比噪声高 0.3 mm/s，肉眼几乎不可见。

最终诊断：保持架磨损导致滚动体间距不均匀，产生 225 Hz 的周期性冲击。由于时域幅值未超限，传统保护系统不会报警；但频域分析在故障早期就捕捉到了特征频率。随后安排停机检修，发现保持架确有裂纹，更换轴承后 225 Hz 峰值消失，振动幅值降至 1.9 mm/s。

2.5 常见误区与总结复盘

在 TinyML 频域特征提取的实践中，初学者常犯以下错误：

• 误区一：采样频率越高越好。高采样率导致数据量激增，MCU 内存和功耗压力增大。应根据最高故障特征频率选择采样率，通常取最高关注频率的 4~8 倍即可。
• 误区二：忽略窗函数。直接对原始信号做 FFT 会产生严重泄漏，导致相邻频点互相干扰。必须加窗，且窗函数的选择会影响幅值精度和频率分辨率。
• 误区三：只看幅值谱，忽略相位。虽然 TinyML 中通常只用幅值特征，但相位信息在识别特定故障（如不对中）时仍有价值。若 MCU 资源允许，可保留相位特征。
• 误区四：频率分辨率不足。若 Δf 大于故障特征频率的间隔，两个相邻频率成分会合并为一个峰。例如，转频 24.5 Hz 和 25 Hz 的区分需要 Δf < 0.5 Hz，即 N > 25.6k 点，这在 MCU 上不现实。此时应通过增加采样时长或使用 Zoom-FFT 技术。

总结复盘：时域与频域不是对立关系，而是互补关系。时域适合快速判断“有没有异常”，频域适合精确回答“是什么故障”。在 TinyML 系统中，建议按以下流程设计：

1. 确定目标故障类型及其特征频率范围，据此选择采样率和采样点数。
2. 实现加窗 + FFT + 幅值谱计算，提取 3~5 个关键频段的能量或峰值作为特征。
3. 将特征输入轻量级分类器（如决策树、1D-CNN），完成故障识别。
4. 在 MCU 上验证实时性和功耗，必要时降低 FFT 点数或采用分段处理。