第四节：数字信号处理基础——DFT、FFT与频谱分析实战
各位同学，今天咱们来聊聊数字信号处理里最核心的几个工具。说实话，我当年刚接触这块时，也被一堆公式搞得头晕。但后来发现，只要你理解了背后的物理意义，这些东西其实挺直观的。
4.1 从连续到离散：为什么要做DFT？
我们传感器采集到的信号，本质上都是连续的时间信号。但单片机、DSP这些数字芯片，只能处理离散的数值点。这就好比你想描述一段旋律，但只能每隔0.1秒记录一个音符——这就是离散化的过程。
离散傅里叶变换（DFT），说白了就是把一段离散的时间信号，拆解成不同频率的正弦波和余弦波的组合。我个人的理解是：它就像一台“频率分光镜”，把混合在一起的光（信号）分解成单色光（频率分量）。
DFT的数学表达式长这样：
X[k] = Σ(n=0 to N-1) x[n] · e^(-j·2π·k·n/N)别被这个公式吓到。你只需要记住：输入是N个时域点，输出是N个频域点。每个X[k]代表频率为k·fs/N的分量的幅度和相位。
关键点：DFT的计算量是O(N²)。当N=1024时，需要做约100万次复数乘法。这在实时系统中是灾难性的——我早期一个项目就因此吃了大亏。
4.2 FFT：让计算快起来的魔法
快速傅里叶变换（FFT）不是一种新的变换，而是DFT的快速算法。它利用了旋转因子的对称性和周期性，把计算量从O(N²)降到了O(N·log₂N)。
举个例子：N=1024时，DFT需要约100万次运算，而FFT只需要约1万次。快了100倍！
最常用的FFT算法是基2时间抽取法。它的核心思想是“分而治之”：
- 把N点序列分成奇偶两个子序列
- 分别对子序列做DFT
- 用蝶形运算合并结果
下面这张图展示了8点FFT的蝶形运算流程：
你看，每一级都是两两配对做蝶形运算。3级运算后，8个输入就变成了8个频域输出。这就是FFT的精髓——用结构换速度。
4.3 频谱分析实战：从传感器数据到频率信息
好了，理论讲完了，咱们来点实际的。假设你有一个加速度传感器，采样率fs=1000Hz，采集了1024个点。你想看看信号里有哪些频率成分。
这是我在一个振动监测项目中用过的代码片段：
#include <arm_math.h> // ARM CMSIS-DSP库
#define FFT_SIZE 1024
float32_t input[FFT_SIZE * 2]; // 实部+虚部交错存储
float32_t output[FFT_SIZE];
// 填充数据：假设adc_buffer[]存了传感器数据
for (int i = 0; i < FFT_SIZE; i++) {
input[2*i] = adc_buffer[i]; // 实部
input[2*i+1] = 0; // 虚部置0
}
// 执行FFT
arm_cfft_f32(&arm_cfft_sR_f32_len1024, input, 0, 1);
// 计算幅度谱
arm_cmplx_mag_f32(input, output, FFT_SIZE);
// 输出前10个频率点
for (int i = 0; i < 10; i++) {
float freq = (float)i * 1000.0f / FFT_SIZE;
printf("f=%.2f Hz, mag=%.2f\n", freq, output[i]);
}我的经验：实际项目中，我一般会先做加窗处理。直接对原始数据做FFT，频谱泄漏会让你怀疑人生。汉宁窗（Hanning）是最常用的，能有效抑制旁瓣。
4.4 避坑指南：频谱分析中的常见陷阱
做频谱分析时，有几个坑我当年都踩过，今天一并告诉你：
- 混叠问题：信号中如果有高于fs/2的频率成分，会被折叠到低频区。我曾经用100Hz采样率去分析一个50Hz的振动信号，结果频谱里出现了30Hz的假峰——后来才发现是工频干扰混叠了。
- 频率分辨率：Δf = fs / N。要分辨两个相近的频率，需要足够的采样点数。比如fs=1000Hz，N=256时，Δf≈3.9Hz。两个相差2Hz的信号是分不开的。
- 栅栏效应：FFT只能看到离散频率点上的值。如果信号频率正好在两个bin之间，幅度会被低估。加窗和插值可以缓解这个问题。
我曾经犯过的错：在一个电机故障诊断项目中，我直接用原始数据做FFT，结果频谱里全是噪声。后来发现是传感器电源纹波太大，50Hz的工频干扰淹没了故障特征频率。从那以后，我养成了先做直流分量去除和带通滤波的习惯。
4.5 实用技巧：如何选择FFT参数
在实际工程中，FFT参数的选择直接影响分析效果。我一般按这个思路来：
| 参数 | 选择原则 | 我的建议 |
|---|---|---|
| 采样率fs | ≥ 2倍最高信号频率 | 留20%裕量，比如最高频率100Hz，设fs=250Hz |
| FFT点数N | 2的幂次，越大分辨率越高 | 一般取1024或2048，兼顾速度和精度 |
| 窗函数 | 根据信号类型选择 | 宽带信号用汉宁窗，窄带信号用布莱克曼窗 |
| 重叠率 | 做平均时使用 | 50%~75%重叠，能有效降低方差 |
嗯，说到重叠率，我记得有一次做声学分析，用了75%的重叠率，结果频谱平滑得跟教科书一样漂亮。但代价是计算量大了4倍——这就是trade-off。
4.6 小结：DFT/FFT在传感器信号处理中的定位
说白了，DFT和FFT就是把时域信号搬到频域去看。在传感器信号处理中，它们主要用于：
- 特征提取：从振动信号中找出故障频率
- 噪声分析：识别干扰源的频率成分
- 系统辨识：通过扫频信号测量传感器频响
- 数据压缩：只保留主要频率分量，丢掉噪声
我个人觉得，掌握FFT的关键不在于背公式，而在于理解它的物理意义和工程约束。你想想看，一个1024点的FFT，在STM32F4上只需要不到1ms就能跑完——这就是现代嵌入式系统的能力。
好了，这一节的内容就到这里。记住：频谱分析不是万能的，但没有频谱分析是万万不能的。下次当你面对一堆传感器数据时，不妨先做个FFT看看——说不定会有意外发现。