在声学与振动测试里，FFT 分析（Fast Fourier Transform，快速傅里叶变换）几乎是每位工程师都会打开的工具，做扬声器频响、耳机失真、NVH 诊断、结构共振排查、产线异常噪声定位……

很多工程问题其实都在问同一件事：能量主要集中在哪些频率？是一个主频还是一堆谐波？噪声底高不高？有没有共振峰？FFT 是回答这些问题的最通用入口。

本文帮助你从工程视角理清三件事：

• 什么是FFT分析
• FFT分析的工作原理
• 如何正确且高效地使用FFT

什么是 FFT？

在时间域里，一个信号就是一条随时间变化的波形——所有成分都“挤在一起”，看得见，却难以分辨里面到底有哪些频率。

FFT（Fast Fourier Transform，快速傅里叶变换）的作用，就是把时间信号分解成一系列不同频率的正弦波，在频率域里用“频率 + 幅值 + 相位”来描述原始信号。简单理解：

• 时间域：看到的是“这段时间里信号怎么跳来跳去”
• 频率域：看到的是“里面都有哪些频率成分、哪个最强、相互之间什么关系”

傅里叶最初（19 世纪初）提出的核心思想是：复杂的周期函数可以分解成一堆正弦/余弦的叠加。后来发展成连续时间的傅里叶变换，把信号映射到连续的频率轴。

计算机时代改变了一切：工程师拿到的是采样数据，而且只拿到有限长度 N 的一段。于是出现了 DFT（离散傅里叶变换）：把 N 个采样点变成 N 个离散频点的复数值。

而FFT（快速傅里叶变换）并不是“另一种变换”。它是一类算法家族，用更快的方式计算完全相同的 DFT 结果，也就是 “用巧妙的分治和对称性复用”，把同一个 DFT 的计算从 O(N²) 降到 O(N log N)；你得到的 X[k] 与直接算 DFT 完全相同，只是快得多。

FFT擅长什么？不擅长什么？

FFT 很擅长：

• 找确定性的窄带成分：主频、谐波、开关频率、啸叫点、机械转速相关峰
• 看宽带分布：噪声底、谱倾斜（1/f）、带内功率（band power）、SNR
• 做系统特性分析：传递函数、共振/反共振、相干函数、延迟估计
• 做时间-频率分析的基石：STFT/声谱图

FFT 不擅长（或不能单靠它解决）的典型场景：

• 强非平稳信号的“瞬时频率”问题：必须用 STFT/小波/时频方法，而不是指望单次 FFT
• 区分两个极近的正弦：如果它们间隔小于你的分辨率（由 N 决定），再聪明也分不开
• 把短记录“变成长记录”：零填充只能让曲线更平滑（插值），不会凭空增加信息

想把 FFT 用好，先搞清这些概念

采样率：你能看到多高的频率

在做任何 FFT 之前，你首先做了采样：从连续时间信号 x(t) 变成离散序列 x[n] = x(n/fs)。采样率 fs 决定了你能观察到的最高无混叠频率：Nyquist 频率 = fs/2。

如果模拟信号里存在高于 fs/2 的成分，它不会“消失”，而是折叠到低频，形成混叠（aliasing）。混叠一旦发生，后面再怎么 FFT 都救不回来。工程上必须在 ADC 前（或重采样前）用抗混叠滤波器把高频压下去。

DFT计算

给定 N 个采样点 x[0]..x[N-1]，DFT 定义为：

逆变换（IDFT）：

直觉理解：X[k] 可以看成 x[n] 与某个复指数 e^{j2πkn/N} 的相关程度；幅度告诉你“有多少”，相位告诉你“在时间上怎么对齐”。

画什么？幅度谱、幅值谱、功率谱、PSD

同样一段 FFT 输出 X[k]，你可以画出很多“看起来像频谱”的东西。问题在于：它们不是同一个量，单位也不同。很多跨工具对比失败，本质是“你画的不是同一种谱”。

量的名称	常用符号	单位示例（若 x 是电压 V）	最适合用来做什么
幅度谱（Magnitude spectrum）	|X[k]|	V·sample（取决于归一化）	找主频/谐波/尖峰位置
幅值谱（Amplitude spectrum）	A(f)	V（做了正确 scaling 后）	估计纯音幅值/校准幅度
功率谱（Power spectrum）	|X[k]|²	V²·sample²（仍依赖 scaling）	能量对比、谱形比较（需统一约定）
功率谱密度 PSD	Sxx(f)	V²/Hz	噪声分析、带内功率/带级、跨 N 可比

关键结论：如果你要比较不同 N、不同窗、不同工具下的噪声水平，优先用 PSD（x²/Hz）。原始 |X| 或 |X|² 往往不可直接比。

通过一个具体的例子看看：同一段信号，时域和PSD长什么样

下图中的例子包含了两个不同频率的正弦波信号。时域看起来像“抖动的波形”，频域分析后可以清楚看到两个窄峰。

下载OpenTest免费版体验FFT分析 ->

窗函数与谱泄漏：让谱线更“干净”

理想情况下，FFT 假设截取的是一个完整周期并周期延拓的信号。但实际测试中采样窗口往往只截到非整数个周期，拼接时在边界产生不连续，就会导致能量“洒”到邻近频点上，这就是谱泄漏（spectral leakage）。

为减小泄漏，通常需要在做 FFT 前对时间信号乘以窗函数。窗函数会同时改变三件事：

• 主瓣宽度：主峰变宽，近邻频率更难分开
• 旁瓣高度：旁瓣越低，强峰旁边越容易看到弱峰（动态范围更好）
• 幅度/能量标定：窗会改变纯音幅度与噪声底，需要对应校正

从经验上来看常见的窗选择方向：

• Rectangular：只在你能保证相干采样（整周期）且追求最窄主瓣时使用
• Hanning：最通用、最“少出错”的选择，适合 PSD/Welch、声学/振动一般分析
• Hamming：与 Hanning 类似，通信等场景常用，旁瓣/主瓣权衡略不同
• Blackman / Blackman-Harris：旁瓣更低，适合强峰旁边找弱峰，但主瓣更宽

下载OpenTest免费版体验FFT分析 ->

平均方式：让频谱更稳定

对噪声或非平稳信号，单次 FFT 谱往往波动很大。通过多次平均可以得到更平滑、可重复的频谱。常见方式包括：

• 线性平均：多次 FFT 结果直接算平均值
• 指数平均：给最近的数据更高权重，适合实时监控
• 能量平均：基于能量加权，保证功率相关量的一致性

合理的平均设置能在“平滑掉随机波动”和“保留真实变化”之间找到平衡。

FFT 可以用在什么测试场景里？

音频与声学

音频/声学里 FFT 常见用途：

• 找啸叫点、谐波失真、设备噪声底（PSD）
• 做频响（传递函数）、房间模态/共振分析
• 做声谱图：语音/音乐/设备噪声的时变特征

注意：声学报告里常用 dB SPL、A 计权、1/3 倍频程等。FFT 只是基础工具，输出口径（参考值、加权、带宽）一定要写清楚。

振动与旋转机械

• 找转速相关峰（1X、2X…）、齿轮啮合频率、结构共振。
• 轴承故障常需要包络分析/解调：先带通滤波再做 FFT（频域诊断链条更长）。

如果转速在变，直接 FFT 会把峰“抹开”。此时更适合做阶次分析（order tracking）或同步重采样，让频率轴变成“阶次轴”。

电力电子与电能质量

• 工频谐波（50/60 Hz 及其倍频）、THD、纹波与开关频率尖峰。
• EMI 预分析：看谱线、噪声底、带宽内能量（配合 RBW/平均）。

电力系统常见问题是“非相干采样”：记录长度不是整数个工频周期会造成泄漏，导致谐波测量偏差。工程上常用同步采样、整周期窗、或专门的谐波分析方法。

射频与通信（以基带视角）

• 看调制信号的功率谱/频谱掩模（spectral mask）。
• OFDM 等多载波信号：频域幅度统计、邻道泄漏、EVM 相关分析。

通信里更强调“单位一致、带宽一致、平均方式一致”。FFT 本身容易做，但把它变成“可比的功率谱测量”要严格定义窗、RBW、检测器与平均。

成像与 2D 滤波

图像的 2D FFT 是空间频率分析：边缘=高频，平滑=低频。

常见操作包括：频域低通/高通、去周期噪声（在频域抑制某些尖峰）、卷积加速。

注意边界：2D FFT 默认周期延拓，图像边缘不连续会引入很强的频域伪影。常用 padding、镜像边界或 2D 窗来缓解。

让 FFT 成为“顺手的工程工具”

从原理上看，FFT 涉及的数学不算轻松；但落到工程应用，目标其实很简单：

让你更快、更清楚地看懂信号里“藏着什么”。

把 FFT 从“数学概念”变成“日常顺手的工程工具”，帮助声学与振动工程师在研发、验证和生产的各个阶段，更高效地完成测试与分析工作。

OpenTest中的FFT分析现开放免费试用，立即下载使用-> 或填写下方表单 ↓ 预约演示体验。

访问OpenTest 网站 www.opentest.com 了解更多功能与应用案例。