傅里叶变换介绍，特征提取故障诊断

介绍

傅里叶变换（Fourier Transform, FT）是数学和工程领域中一个极为重要的工具，它将信号从时域（时间域）转换到频域（频率域），揭示出信号的频率成分。傅里叶变换在信号处理、物理学、工程学和许多其他科学领域中有广泛的应用。

背景与历史

傅里叶变换得名于法国数学家和物理学家约瑟夫·傅里叶（Joseph Fourier），他在19世纪初的研究中发现，任何周期函数都可以表示为一系列正弦函数和余弦函数的叠加。傅里叶的这一发现为后来的信号处理理论奠定了基础。
傅里叶分析的基本思想是，将一个复杂的信号分解为若干个不同频率的正弦波和余弦波的叠加。通过这种方式，我们可以更直观地理解信号的频率特性，并进一步进行信号的处理、分析和设计。

傅里叶变换的定义

傅里叶变换是将一个连续信号从时域变换到频域的数学运算。假设我们有一个连续的时间函数 𝑓(𝑡)，其傅里叶变换 𝐹(𝜔)定义如下：
$F(\omega )={\int }_{-\infty }^{\infty }f(t)\cdot e^{-i\omega t}dt$

$F(\omega )$是频率域（或频域）中的函数，称为信号的频谱或频率成分。
$\omega$ 是频率变量，单位为弧度每秒（rad/s）。
$i$是虚数,$e^{-i\omega t}$ 代表一个复指数函数，它可以看作由一个正弦函数和余弦函数组成。

傅里叶逆变换

傅里叶变换是可逆的，即我们可以通过傅里叶逆变换从频域回到时域。傅里叶逆变换的定义如下：

$f(t)=\frac{1}{2\pi }{\int }_{-\infty }^{\infty }F(\omega )\cdot e^{i\omega t}dw$
通过傅里叶逆变换，频域中的信息可以重新构建出原始的时域信号。

傅里叶变换的直观理解

傅里叶变换可以被直观地理解为将复杂信号分解为一系列不同频率的正弦波和余弦波的叠加。正如光谱学将光分解为不同波长的组成部分一样，傅里叶变换则是将信号分解为不同频率的分量。每一个频率分量都有其对应的幅度和相位，傅里叶变换正是通过这些频率分量来描述信号的。

考虑一个简单的例子：假设我们有一个包含多个不同频率的正弦波信号的混合体。傅里叶变换可以帮助我们提取出每个正弦波的频率、幅度和相位信息，使我们能够理解该信号的频率组成。这种能力在信号处理、图像处理、音频分析等领域非常重要。例如，在音乐信号处理中，傅里叶变换能够帮助我们分析音频信号的频谱，以便识别不同的乐器或声音的特点。

离散傅里叶变换（DFT）

尽管傅里叶变换的理论是基于连续信号的，但在实际应用中，我们通常处理的是离散信号。例如，在数字信号处理（DSP）中，信号是以离散时间样本的形式表示的。因此，离散傅里叶变换（Discrete Fourier Transform, DFT）成为一个非常重要的工具。

DFT 将离散时间信号转换为离散频率信号。给定一个长度为
𝑁 的离散时间信号 𝑥[𝑛] ，其 DFT 定义为：
$$X[k]=\sum _{n=0}^{N-1}x[n]e^{-j\frac{2\pi }{N}kn}$$
其中：
𝑋[𝑘]是信号在频率域中的表示。
𝑥[𝑛]是时间域的离散信号。
𝑁 是信号的采样点数。
𝑘是频率指数，对应于不同的频率分量。
DFT的逆变换称为离散傅里叶逆变换（Inverse Discrete Fourier Transform, IDFT），其公式为：
$$X[n]=\frac{1}{N}\sum _{k=0}^{N-1}X[k]e^{j\frac{2\pi }{N}kn}$$
DFT 是傅里叶变换在计算机中的实现形式，因为计算机处理的信号都是离散的。DFT 的一个高效实现算法称为快速傅里叶变换（Fast Fourier Transform, FFT），它能够显著降低计算傅里叶变换的计算复杂度，从而大大加速信号处理的速度。

傅里叶变换的性质

傅里叶变换具有一系列重要的数学性质，这些性质在信号分析和处理过程中非常有用：

线性性（Linearity）

傅里叶变换是线性的，这意味着对于两个信号 𝑓(𝑡) 和 𝑔(𝑡)，以及常数 𝑎和 b有：
F { a f ( t ) + b g ( t ) } = a F ( ω ) + b G ( ω ) \mathcal{F}\{af(t) + bg(t)\} = a\mathcal{F}(\omega) + b\mathcal{G}(\omega) F{af(t)+bg(t)}=aF(ω)+bG(ω)
这里，$\mathcal{F}$表示傅里叶变换操作符。

时移性（Time Shifting）

如果信号 𝑓(𝑡)在时间上延迟 $t_0$，即 $f(t-t_0)$)，那么其傅里叶变换为：
F { f ( t − t 0 ) } = F ( ω ) e − j ω t 0 \mathcal{F}\{f(t - t_0)\} = \mathcal{F}(\omega) e^{-j\omega t_0} F{f(t−t0​)}=F(ω)e−jωt0​
这表明时间上的延迟对应于频率域中的相位偏移。

频移性（Frequency Shifting）

如果信号$f(t)$乘以一个指数函数$e^{j{w}_{0}t}$,即$f(t)e^{j{w}_{0}t}$，那么其傅里叶变换为:
F { f ( t ) e j w 0 t } = F ( ω − ω 0 ) \mathcal{F}\{f(t)e^{jw_0t}\}=F(\omega-\omega_0) F{f(t)ejw0​t}=F(ω−ω0​)
这表明在时间域中乘以指数函数，相当于在频率域中发生频率平移。

对称性（Symmetry）

对于实值信号$f(t)$,其傅里叶变换$f(\omega )$具有共轭对称性：
$$F(-\omega )=F^{\ast }(\omega )$$
其中，$F^{\ast }(\omega )$表示$F(\omega )$的共轭复数

卷积定理（Convolution Theorem）

傅里叶变换将卷积运算转换为频率域中的乘法运算。即如果 $f(t)$和$g(t)$的卷积为$h(t)=(f\ast g)(t)$,那么
$$H(\omega )=F(\omega )\cdot G(\omega )$$
反之亦然，频域中的卷积对应于时域中的乘法。

Parseval 定理

Parseval 定理表明信号的能量在时间域和频率域中的总和是相等的：
$${\int }_{-\infty }^{\infty }|f(t){|}^{2}dt=\frac{1}{2\pi }{\int }_{-\infty }^{\infty }|F(\omega ){|}^{2}d\omega$$
这对于信号能量分析非常重要。

傅里叶变换的应用

傅里叶变换在各个领域都有广泛的应用，其中包括但不限于：

信号处理

在信号处理领域，傅里叶变换用于分析信号的频谱，从而揭示信号的频率成分。这对于过滤、调制、解调、信号压缩等任务至关重要。例如，音频信号可以通过傅里叶变换分析其频谱，以便去除噪声或增强某些频率的音调。

图像处理

在图像处理领域，二维傅里叶变换（2D FT）用于分析图像的频率成分。它在图像压缩、边缘检测、去噪等方面起着重要作用。例如，JPEG图像压缩算法使用离散余弦变换（DCT，一种类似于傅里叶变换的变换）来压缩图像数据。

通信系统

在通信系统中，傅里叶变换用于调制和解调信号。例如，正交频分复用（OFDM）是一种使用傅里叶变换的多载波调制技术，它被广泛应用于无线通信（如Wi-Fi和4G/5G）中。

量子力学

傅里叶变换在量子力学中也具有重要地位。例如，量子力学中的波函数可以通过傅里叶变换从位置表征转化为动量表征，这种变换对于理解和计算量子态的演化是非常关键的。

生物医学工程

傅里叶变换在医学影像处理（如MRI）中也广泛应用，通过分析和处理频率数据来生成和优化图像。

快速傅里叶变换（FFT）

离散傅里叶变换（DFT）的直接计算复杂度是 $O(N^2)$，这在处理大规模数据时非常耗时。快速傅里叶变换（Fast Fourier Transform, FFT）是对DFT的一种高效算法，它将计算复杂度降低到了 𝑂(𝑁log⁡𝑁)
。FFT 是数字信号处理中的一项重要技术，因为它使得实时处理变得可行。

FFT 的实现基于将DFT计算过程分解为更小的部分，利用信号的对称性和周期性特征来减少计算量。经典的 Cooley-Tukey 算法是最常用的 FFT 实现之一。

傅里叶变换的局限性

虽然傅里叶变换在许多领域都非常有用，但它也有一些局限性。例如，它假设信号是周期性的，并且全局可观测。这在分析非平稳信号（信号的统计特性随时间变化）时可能不足。在这种情况下，短时傅里叶变换（STFT）或小波变换（Wavelet Transform）等方法可能更适合，因为它们能够提供时间-频率域的局部分析。

本文代码

我们将使用FFT基于特征提取来进行故障诊断

核心代码

% 复杂故障诊断使用傅里叶变换在MATLAB中实现
% 该脚本处理来自机械设备的振动信号，进行傅里叶变换，
% 提取频率特征，并进行故障诊断。

% 1. 加载并预处理振动信号
% 从文件中加载信号或直接定义信号（此处为模拟信号）
fs = 10000; % 采样频率（Hz）
t = 0:1/fs:1-1/fs; % 时间向量
f1 = 50; % 第一个正弦波的频率（Hz）
f2 = 120; % 第二个正弦波的频率（Hz）
f3 = 300; % 第三个正弦波的频率（Hz）
signal = sin(2*pi*f1*t) + 0.5*sin(2*pi*f2*t) + 0.2*sin(2*pi*f3*t) + 0.1*randn(size(t));

% 绘制原始信号
figure;
subplot(3,1,1);
plot(t, signal);
title('原始振动信号');
xlabel('时间 (秒)');
ylabel('幅值');

% 2. 信号预处理：使用低通滤波器进行去噪
fc = 500; % 截止频率（Hz）
[b, a] = butter(4, fc/(fs/2)); % 4阶巴特沃斯滤波器
signal_filtered = filtfilt(b, a, signal);

% 绘制滤波后的信号
subplot(3,1,2);
plot(t, signal_filtered);
title('滤波后的振动信号');
xlabel('时间 (秒)');
ylabel('幅值');

% 3. 应用窗函数（汉宁窗）
N = length(signal_filtered);
window = hann(N)'; % 汉宁窗
signal_windowed = signal_filtered .* window;

% 4. 傅里叶变换和频谱分析
Y = fft(signal_windowed);
P2 = abs(Y/N); % 双边谱
P1 = P2(1:N/2+1); % 单边谱
P1(2:end-1) = 2*P1(2:end-1);
f = fs*(0:(N/2))/N;

% 绘制频谱
subplot(3,1,3);
plot(f, P1);
title('单边幅值谱');
xlabel('频率 (Hz)');
ylabel('幅值');

% 5. 特征提取
% 提取频谱中的峰值作为特征
disp('提取的频率峰值 (Hz):');
disp(peak_freqs);

% 6. 基于提取特征的故障诊断
% 假设我们有特定机械设备的预定义故障频率


is_fault_detected = false;
for i = 1:length(fault_freqs)
    if any(abs(peak_freqs - fault_freqs(i)) < tolerance)
        disp(['检测到故障，频率为: ', num2str(fault_freqs(i)), ' Hz']);
        is_fault_detected = true;
    end
end

if ~is_fault_detected
    disp('根据提取的频率特征，未检测到故障。');
end

% 7. 高级分析：使用小波变换进行多分辨率分析
% 这一部分增加了深度，通过捕捉瞬态故障来进行分析
[wt, fwt] = cwt(signal, 'amor', fs); % 连续小波变换
figure;
surf(t, fwt, abs(wt), 'EdgeColor', 'none');
axis tight;
view(0, 90);
title('连续小波变换（CWT） - 时频表示');
xlabel('时间 (秒)');
ylabel('频率 (Hz)');
colorbar;

代码说明

加载并预处理振动信号：
该部分定义了一个模拟的振动信号，包括不同频率的正弦波和一定的噪声。采样频率设置为10,000 Hz。

信号预处理：
使用一个4阶巴特沃斯低通滤波器对信号进行去噪处理，截止频率为500 Hz。

应用窗函数：
使用汉宁窗对信号进行加窗处理，以减少频谱泄漏。

傅里叶变换和频谱分析：
对经过窗函数处理的信号进行快速傅里叶变换（FFT），并提取单边幅值谱。

特征提取：
使用findpeaks函数提取频谱中的显著频率峰值，这些峰值代表了信号中的主要频率成分。

故障诊断：
将提取的频率峰值与预定义的故障频率进行对比，根据设定的频率容差判断是否存在故障。

高级分析
使用连续小波变换（CWT）对信号进行时频分析，这种方法能够捕捉信号中的瞬态特征，提供更丰富的频谱信息。

效果

完整代码获取

关注下方卡片公众号，回复“傅里叶变换”获取完整代码