3. 频域分析基础：傅里叶变换入门、频谱分析仪使用、功率谱密度(PSD)概念

做音频处理，时域波形你肯定天天看。但说实话，很多杂音在时域里就是一团乱麻，根本看不出门道。我刚开始处理一个电机噪声项目时，盯着波形看了三天，啥也没发现。后来把信号扔进频域一看，好家伙，几个特定频率的尖峰清清楚楚。

这就是频域分析的价值。它把信号从时间轴掰到频率轴，让你一眼看出“哪个频率在捣乱”。这一章，我们就来啃下这块硬骨头。

  核心观点： 频域分析不是魔法，它是把复杂信号拆解成不同频率成分的数学工具。你不需要精通所有公式推导，但必须理解它的物理意义和工程用法。

3.1 傅里叶变换：从时域到频域的桥梁

傅里叶变换，说白了就是一个数学变换。它告诉你：任何一个连续信号，都可以看作无数个正弦波和余弦波的叠加。每个正弦波都有自己的频率、幅度和相位。

公式长这样：

X(f) = ∫ x(t) · e^(-j2πft) dt

别被积分符号吓到。你只需要记住三件事：

输入： 时域信号 x(t)，比如你录的一段音频。
输出： 频域信号 X(f)，表示每个频率成分的强度和相位。
本质： 信号与不同频率的正弦波做“相关性计算”。匹配上了，输出值就大。

我在项目中遇到过一位同事，死活不理解傅里叶变换。我打了个比方：你面前有一碗汤，时域就是直接喝一口，知道味道。频域呢？是把汤里的盐、糖、辣椒分别挑出来，看看各放了多少。这个比喻他一下就懂了。

实用技巧： 实际工程中我们几乎不用连续傅里叶变换。数字信号处理用的是它的离散版本——离散傅里叶变换（DFT）。而快速傅里叶变换（FFT）是DFT的高效算法，所有频谱分析仪和软件都在用。

3.2 频谱分析仪：你的频域眼睛

频谱分析仪，就是把信号做FFT然后显示出来的工具。硬件的有，软件也有。我个人习惯用Python的matplotlib配合numpy做快速分析，调试时非常方便。

一个典型的频谱图，横轴是频率（Hz），纵轴是幅度（dB）。你会看到：

底噪： 一条平缓的曲线，代表系统本底噪声。
尖峰： 某个频率能量特别高，往往是干扰源。
谐波： 基频的整数倍，常见于电源噪声或机械振动。

下面是一个简单的Python代码，演示如何用FFT做频谱分析：

import numpy as np
import matplotlib.pyplot as plt

# 生成一个含噪声的1kHz正弦波
fs = 44100  # 采样率
t = np.arange(0, 1, 1/fs)
f0 = 1000
signal = np.sin(2 * np.pi * f0 * t) + 0.5 * np.random.randn(len(t))

# 做FFT
N = len(signal)
fft_vals = np.fft.fft(signal)
freqs = np.fft.fftfreq(N, 1/fs)

# 只取正频率部分
half_N = N // 2
fft_mag = np.abs(fft_vals[:half_N]) / N
fft_mag_db = 20 * np.log10(fft_mag + 1e-12)  # 转成dB

# 绘图
plt.figure(figsize=(10, 4))
plt.plot(freqs[:half_N], fft_mag_db)
plt.xlabel('频率 (Hz)')
plt.ylabel('幅度 (dB)')
plt.title('频谱分析示例')
plt.grid(True)
plt.show()

这段代码我用了无数次。注意那个+ 1e-12，防止log(0)报错。嗯，这里要注意，FFT的结果是复数，取绝对值才是幅度。

避坑指南： 我曾经因为忘记除以N，导致频谱幅度完全不对。FFT结果的幅度需要归一化，否则数值会随采样点数变化。另外，dB转换时基准要统一，否则不同设备的数据没法对比。

3.3 功率谱密度(PSD)：更科学的噪声度量

频谱分析仪显示的幅度谱，有个问题：它依赖于FFT的点数和分辨率带宽。你换个参数，尖峰高度就变了。这在实际工程中很麻烦。

功率谱密度（PSD）解决了这个问题。它表示“单位频率带宽内的功率”，单位是W/Hz或dBm/Hz。PSD不随FFT参数变化，是噪声分析的“标准尺”。

计算PSD有两种常用方法：

方法	原理	适用场景
周期图法	直接对信号做FFT，取幅度平方，再除以频率分辨率	信号平稳，数据量足够大
Welch法	将信号分段，每段加窗，做FFT后平均	噪声非平稳，需要降低方差

Welch法是我最常用的。它通过分段平均，让PSD曲线更平滑，不容易被偶然的噪声尖峰带偏。Python的scipy.signal.welch函数一行代码就能搞定：

from scipy import signal

f, Pxx = signal.welch(signal, fs, nperseg=1024)
plt.semilogy(f, Pxx)
plt.xlabel('频率 (Hz)')
plt.ylabel('PSD (V^2/Hz)')
plt.title('功率谱密度 (Welch法)')
plt.grid(True)
plt.show()

你想想看，为什么PSD在工程中这么重要？因为很多标准（比如汽车电子EMC测试）都是用PSD来定义噪声限值的。你测出来的PSD曲线，直接可以和标准对比，判断是否超标。

  关键区别： 幅度谱告诉你“哪个频率能量大”，PSD告诉你“单位频率内的功率密度”。对于宽带噪声（比如白噪声），PSD是平的，而幅度谱会随分辨率变化。做噪声分析，PSD才是正确选择。

3.4 知识体系总览

这一章的内容比较多，我画了一张图帮你理清关系。从时域信号出发，经过傅里叶变换进入频域，然后通过频谱分析仪或PSD计算来观察和分析。

从这张图你可以看到，傅里叶变换是核心枢纽。它把时域信号转换成频域信号，然后你可以选择用频谱分析仪看幅度，或者用PSD看功率密度。两者各有用途，但PSD在噪声分析中更权威。

我的建议： 刚开始学频域分析，先别纠结公式。拿一段你熟悉的音频，用Python或Audacity做FFT，看看频谱长什么样。把“尖峰对应频率”这个直觉建立起来，后面学PSD就顺了。

好了，这一章的内容就到这里。频域分析是杂音定位的起点，后面的章节我们会基于这些工具，一步步把各种杂音揪出来。

📚 课程目录

3. 频域分析基础：傅里叶变换入门、频谱分析仪使用、功率谱密度(PSD)概念

3.1 傅里叶变换：从时域到频域的桥梁

3.2 频谱分析仪：你的频域眼睛

3.3 功率谱密度(PSD)：更科学的噪声度量

3.4 知识体系总览