FFT在信号处理中的应用与周期噪声滤除实践-代码聚汇网

FFT在信号处理中的应用与周期噪声滤除实践

飞翔的十号·2026-08-22·阅读 23 GEO检测（免费）

FFT信号处理周期噪声

|难度：普通|阅读约 9 分钟

1. 从信号处理的基本需求说起

作为一名电子工程师，我经常需要处理各种带有噪声的信号。记得第一次用示波器观察传感器信号时，那个完美的50Hz工频干扰让我头疼不已——它就像一层顽固的油污，把真正有用的信号完全掩盖了。这种周期性噪声在实际工程中无处不在：电源纹波、机械振动、交流电耦合...它们都有一个共同特点：在频域上有明显的尖峰。这正是FFT（快速傅里叶变换）大显身手的地方。

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 傅里叶变换的本质透视

2.1 时域与频域的 duality 关系

傅里叶变换就像给信号做"光谱分析"。当我们说"这个信号包含1kHz成分"时，实际是指该信号可以分解为若干特定频率的正弦波组合。数学上，连续傅里叶变换定义为：

math复制X(f) = \int_{-\infty}^{\infty} x(t)e^{-j2\pi ft}dt

这个公式揭示了一个深刻原理：任何时域信号都可以表示为不同频率复指数的加权和。权重系数X(f)就是该频率成分的"含量"。

2.2 离散傅里叶变换(DFT)的工程实现

在实际数字系统中，我们处理的是采样后的离散信号。DFT的公式为：

python复制import numpy as np

def DFT(x):
    N = len(x)
    n = np.arange(N)
    k = n.reshape((N,1))
    e = np.exp(-2j * np.pi * k * n / N)
    return np.dot(e, x)

这个O(N²)复杂度的算法经Cooley-Tukey优化后，成为我们熟知的FFT算法(O(NlogN))。在Python中，只需一行代码即可实现：

python复制fft_result = np.fft.fft(signal)

3. 周期噪声的频域特征

3.1 典型周期干扰案例分析

以常见的50Hz工频干扰为例，其理想时域表达式为：

math复制x(t) = A\sin(2\pi \times 50t + \phi)

在频域上，它表现为位于±50Hz的两个脉冲（考虑负频率）。实际测量中，由于电源谐波，还会出现100Hz、150Hz等成分。

3.2 频谱泄露与窗函数选择

实际应用中，有限采样会导致频谱泄露。我曾用矩形窗测量电机振动信号，结果50Hz的谐波污染了整个频段。改用汉宁窗后，频谱变得干净许多：

python复制window = np.hanning(len(signal))
fft_windowed = np.fft.fft(signal * window)

不同窗函数的对比：

窗类型	主瓣宽度	旁瓣衰减	适用场景
矩形窗	窄	-13dB	瞬态信号
汉宁窗	中等	-31dB	一般周期信号
平顶窗	宽	-70dB	幅值精确测量

4. FFT去周期背景的实操步骤

4.1 完整处理流程

采样参数设置：
- 采样率至少为最高频率的2.5倍（非严格2倍，考虑抗混叠滤波器滚降）
- 采样点数取2的整数幂（如1024），充分利用FFT效率
频域分析：

python复制fs = 1000  # 采样率1kHz
t = np.arange(0, 1, 1/fs)
freq = np.fft.fftfreq(len(t), 1/fs)

# 含噪声信号示例
signal = 0.5*np.sin(2*np.pi*10*t) + 0.1*np.sin(2*np.pi*50*t) 
fft_val = np.fft.fft(signal * np.hanning(len(signal)))

噪声识别与滤除：
在频谱图中定位干扰频率，设计陷波滤波器。例如要滤除50Hz：

python复制def notch_filter(freq, f0=50, Q=30):
    w0 = f0 / (fs/2)
    b, a = signal.iirnotch(w0, Q)
    return signal.filtfilt(b, a, freq)

4.2 相位保持的关键技巧

直接置零频点会导致相位跳变。更好的做法是：

对频谱做Hermitian对称处理
使用最小相位滤波器
采用时域卷积滤波（如FIR）

5. 实际工程中的挑战与对策

5.1 非平稳信号的应对

对于变频电机这类时变系统，我推荐短时傅里叶变换(STFT)：

python复制f, t, Zxx = signal.stft(signal, fs, nperseg=256)

5.2 频率分辨率与时间精度的权衡

根据海森堡不确定性原理，Δf·Δt≥1/4π。在振动监测中，我通常：

故障诊断：高频率分辨率（长时窗）
冲击检测：高时间分辨率（短时窗）

5.3 量化误差的影响

12位ADC引入的量化噪声约为：

math复制SNR = 6.02N + 1.76 = 74dB

这会导致频谱基底抬升。解决方案：

采用dithering技术
使用24位高精度ADC
多次平均降低白噪声

6. 进阶应用：多频点联合滤除

对于复杂噪声环境（如开关电源的高次谐波），可以：

自动峰值检测：

python复制peaks, _ = signal.find_peaks(np.abs(fft_val), height=0.1)

生成多陷波滤波器组
应用自适应滤波算法

7. 硬件实现考量

在嵌入式系统（如MSPM0G3507）中实现FFT时：

使用CMSIS-DSP库加速计算
定点数优化技巧：
- Q15格式表示（-1到1-2⁻¹⁵）
- 蝶形运算的移位优化
内存分配策略：
- 复用缓冲区
- 使用DMA传输数据

8. 验证与调试方法

我常用的验证流程：

注入已知测试信号（如5mVpp@1kHz）
检查频谱峰位置与幅度
测量无信号时的本底噪声
动态范围测试（同时注入大/小信号）

调试中发现的一个典型问题：某次测量中，60Hz干扰始终存在。最终发现是示波器接地环路导致，改用差分探头后解决。