振动FFT变换
看不懂 FFT，就无法理解振动的本质。很多初学者只会点击软件上的 "Calculate" 按钮，但作为 NVH 工程师，我们需要理解每一个参数背后的物理意义以及它对结果的扭曲。
下面将分三个层次为你拆解：核心逻辑、参数设置及其影响、以及结果解读。
第一层：核心逻辑——为什么要变换？
在振动试验（如台架测试或整车路试）中，传感器（加速度计）记录的是 时域信号（Time Domain）：也就是振动幅值随时间变化的曲线。
时域看到的是现象： “车在抖”、“声音很响”。
频域看到的是根源： “这是由 50Hz 的转子不平衡引起的”、“这是 1200Hz 的齿轮啮合音”。
FFT 的本质就是数学上的棱镜，它将混合在一起的复杂时域波形，拆解成一个个单一频率的正弦波分量。
第二层：关键参数设置及其影响（这是重难点）
在进行 FFT 分析时，无论是使用 Python、Matlab 还是专业的 NVH 软件（如 LMS Test.Lab, Brüel & Kjær, Dewesoft），你都需要配置以下几个核心参数。这几个参数之间存在着**“测不准原理”般的制约关系**。
1. 采样率 (F_s, Sampling Rate)
定义： 每秒钟记录多少个数据点。
NVH 铁律（奈奎斯特采样定理）： 采样率必须至少是你关注的最高频率（F_{max}）的 2 倍。
F_s > 2* F_{max}
设置建议： 为了保证波形还原度和防止混叠（Aliasing），工程上通常设置为关注频率的 2.56 倍或 5 倍以上。例如，关注 2000Hz 以内的振动，采样率至少设为 5120Hz 或更高。
2. 频率分辨率 (Δf, Frequency Resolution)
定义： 频谱图上两个相邻数据点之间的频率间隔。它是你能区分两个频率成分的最小能力。
公式：
Δf=1/T =F_s/N
（其中 T是采样时长，N 是采样点数/块大小）
参数影响（导师划重点）：
想要分得更细（Δf更小），就必须采样更长的时间 (T变大)。
例子： 如果你想区分 50.0Hz 和 50.5Hz 的振动，你的 Δf 必须小于 0.5Hz，这意味着你的采样时间块 T 必须大于 2 秒。
3. 窗函数 (Windowing)
为什么需要： FFT 假设信号是无限周期循环的。如果你截取的一段信号（Frame）的首尾不连续，变换后会产生频谱泄漏（Spectral Leakage），导致尖峰变胖，幅值不准，甚至掩盖微弱信号。
常用窗函数对比：
| 窗函数类型 | 特点 | 适用场景 | NVH 常用度 |
| Rectangular (矩形窗) | 其实就是不加窗，频率分辨率最高，但泄漏最严重。 | 用于瞬态信号（如锤击法测试，信号在采样时间内衰减为0）。 | ⭐⭐ |
| Hanning (汉宁窗) | 很好的通用性，抑制泄漏能力强，但会损失幅值（需修正）。 | 用于连续随机信号（如路噪、风噪、白噪声振动）。 | ⭐⭐⭐⭐⭐ |
| Flat Top (平顶窗) | 幅值精度最高，但频率分辨率最差（峰会变宽）。 | 用于校准或主要关注幅值精度的正弦振动。 | ⭐⭐⭐ |
4. 重叠率 (Overlap) 与 平均 (Averaging)
背景： 振动信号通常有随机性。为了让结果更稳定，我们通常对多帧数据的 FFT 结果取平均。
Overlap： 为了充分利用数据（特别是加了 Hanning 窗后，数据头尾被压低，信息丢失），我们会让处理块之间重叠（通常 50% 或 66%）。
平均方式：
线性平均 (Linear/Power Avg)： 消除随机噪声，突出周期性信号。
峰值保持 (Peak Hold)： 记录测试全过程中出现的每个频率的最大值（常用于寻找最坏工况）。
第三层：FFT 变换后能获取的振动信息
拿到频谱图后，NVH 工程师需要从中解读出什么？
1. 主要频率成分（Identify Dominant Frequencies）
旋转阶次 (Orders)： 如果振动频率随着转速变化（例如 $f = \frac{RPM}{60} \times k$），这是由旋转部件引起的（不平衡、不对中、叶片通过频率）。
固定频率 (Resonance)： 如果不管转速怎么变，某个频率的峰值一直存在且很高，这通常是结构的固有频率（共振）。
2. 幅值信息 (Amplitude)
峰值 (Peak)： 该频率下的最大振动量。
有效值 (RMS)： 这是一个能量概念，代表该频段内的总能量。在宽带随机振动测试中非常重要。
PSD (功率谱密度)： 当处理随机振动（如路谱模拟）时，单纯的 FFT 幅值会受 Δf影响而波动。必须转换为 PSD (g^2/Hz)，它是标准化的能量密度，与频率分辨率无关，便于不同测试标准间的对比。
3. 谐波失真 (Harmonics)
除了基频（比如电机转速频率），是否还有 2倍频、3倍频？丰富的谐波通常意味着机械系统中存在“非线性”，如间隙（Looseness）或摩擦。
第三部分：FFT 之后我们能获取什么信息？
拿到频谱图后，NVH 工程师主要看三点：
主要频率（Dominant Frequency）： 谁是罪魁祸首？
如果是转速的整数倍（1X, 2X, 3X...），通常与旋转部件有关（不平衡、不对中）。
如果是电源频率（50Hz/60Hz）及其倍频，可能是电气噪声或磁致伸缩。
如果是固定频率且不随转速变化，通常是结构的共振频率（Natural Frequency）。
幅值（Amplitude）： 问题有多严重？
对应各个频率点的振动能量大小。
边带与谐波（Sidebands & Harmonics）： 细节诊断。
例如齿轮箱故障，通常表现为啮合频率两侧出现很多小的边带。
第四部分：实际案例分析——电机异常振动诊断
背景： 某款电动汽车的空调压缩机在 3000 RPM (50 Hz) 运行时，车内感到明显抖动。
1. 时域数据观察：
数据看起来就是一团杂乱的波浪，幅值大约在 $\pm 2g$ 之间波动。肉眼看不出规律。
2. FFT 参数设置：
采样率 (F_s)： 5120 Hz (保证能看到 2500Hz 以内的信号)。
点数 (N)： 4096 点。
分辨率 (Δf)：5120 / 4096 = 1.25 Hz (足够区分主要频率)。
窗函数： Hanning。
3. 频谱分析结果：
现象 A： 在 50 Hz 处有一个高达 1.5g 的尖峰。
分析： 50 Hz 正好等于电机转速 (3000 RPM / 60)。
结论： 这是一阶（1st Order）振动，通常直接指向转子动不平衡（Unbalance）。
现象 B： 在 500 Hz 处有一簇较小的峰值，且伴有边带。
分析： 压缩机内部有 10 个叶片，50 * 10 = 500 Hz。
结论： 这是叶片通过频率（Blade Pass Frequency），属于流体脉动引起的振动，幅值较小，可忽略。
最终对策： 对压缩机转子进行动平衡校正，削减 50Hz 处的能量。
