信号处理 / 系统课时
从原始采样数据识别干扰频率
从原始采样数据识别干扰频率
识别干扰频率的核心链路是:先确认采样率,再选取稳定数据段,使用窗口抑制谱泄漏,最后用足够的 FFT 点数观察频谱峰值。本篇给出一个可运行实验,并说明怎样区分真实频率成分与 FFT 参数造成的假象。
学习目标
- 正确设置采样率、分析长度、窗口和 FFT 点数。
- 从单边幅度谱中找出主要频率峰值并估计干扰位置。
- 识别采样率错误、谱泄漏和频率分辨率不足造成的误判。
先固定采样率和分析长度
频率轴完全由采样率决定。若数据真实采样率是 8 kHz,却按 16 kHz 解释,那么所有识别出的频率都会翻倍。开始分析前应先从采集配置、文件元数据或设备文档确认 ,不要根据波形形状猜测。
取 个样本做 点 FFT 时,频率栅格间隔为 。例如 8 kHz 下使用 4096 点 FFT,频率间隔约为 1.953 Hz。增大 FFT 点数可以让频谱曲线更细,但若只是对同一段短数据补零,并不会凭空增加真实频率分辨能力。
窗口决定谱泄漏的形态
实际截取的数据段通常不是信号周期的整数倍,直接做 FFT 会让一个频率成分的能量扩散到相邻频点。Hann 窗会压低旁瓣,适合先看“有哪些主要峰值”,代价是主瓣会变宽,因此幅值和极近频率分量的区分也会受到影响。

用一个完整脚本跑通识别
下面的实验先生成一份可重复的 samples.csv,其中包含 440 Hz 目标成分、1000 Hz 干扰、60 Hz 低频干扰和少量噪声;随后再从文件读取前 4096 个样本做频谱分析。真实项目中只需把“生成测试文件”部分替换成采集设备导出的数据,同时保持正确的 fs。
from pathlib import Path
import matplotlib.pyplot as plt
import numpy as np
fs = 8_000
duration = 1.0
t = np.arange(int(fs * duration)) / fs
rng = np.random.default_rng(7)
# 先构造一份可重复的原始采样文件,便于完整复现实验。
samples = (
0.80 * np.sin(2 * np.pi * 440 * t)
+ 0.35 * np.sin(2 * np.pi * 1000 * t)
+ 0.18 * np.sin(2 * np.pi * 60 * t)
+ 0.05 * rng.standard_normal(t.size)
)
np.savetxt("samples.csv", samples, delimiter=",")
x = np.loadtxt("samples.csv", delimiter=",")
segment = x[:4096]
n_fft = 4096
# Hann 窗降低非整周期截断造成的谱泄漏。
window = np.hanning(segment.size)
spectrum = np.fft.rfft(segment * window, n=n_fft)
freqs = np.fft.rfftfreq(n_fft, d=1 / fs)
magnitude = 2 * np.abs(spectrum) / window.sum()
# 在关注频段内挑选三个彼此至少相隔 20 Hz 的强峰。
mask = (freqs >= 20) & (freqs <= 2000)
candidates = np.where(mask)[0]
selected = []
for idx in candidates[np.argsort(magnitude[candidates])[::-1]]:
if all(abs(freqs[idx] - freqs[old]) >= 20 for old in selected):
selected.append(idx)
if len(selected) == 3:
break
for idx in selected:
print(f"{freqs[idx]:7.2f} Hz {magnitude[idx]:.3f}")
plt.plot(freqs, magnitude)
plt.xlim(0, 2000)
plt.xlabel("Frequency (Hz)")
plt.ylabel("Amplitude")
plt.title("Single-sided spectrum")
plt.grid(True)
plt.tight_layout()
plt.savefig("spectrum.png", dpi=150)
print(f"已保存频谱图: {Path('spectrum.png')}")预期输出
439.45 Hz 0.760
1000.00 Hz 0.351
60.55 Hz 0.171
已保存频谱图: spectrum.png生成的频谱图中,约 440 Hz 是幅值最大的目标成分;1000 Hz 和约 60 Hz 是另外两个明显峰值。实际数据里“哪个峰是干扰”不能只凭幅值决定,还要结合目标信号允许的频带、设备工频环境和业务预期来判断。
识别结果要经过三项检查
先检查频率是否低于奈奎斯特频率 。超过该范围的真实模拟频率会发生混叠,并以错误位置落入数字频谱;这类问题不能靠提高 FFT 点数修复。
再检查峰值是否稳定。可以换一段相邻数据重复分析:真实持续干扰通常仍在相近频率出现,而瞬态脉冲或噪声峰值可能明显移动。若峰值附近铺开成一片,应优先怀疑谱泄漏、频率漂移或调制,而不是立即把每个局部峰都当成独立干扰源。
最后检查分辨率是否满足任务。如果需要区分 1000 Hz 和 1002 Hz,而有效观测时长太短,即使把 n_fft 从 4096 改成更大的补零值,曲线看起来更平滑,也未必能可靠分开这两个真实成分。此时应延长采样时长,并在信号近似平稳的前提下使用更多有效样本。
当采样率可信、窗口选择合理、观测时长足够且峰值在不同数据段中重复出现时,频谱中的稳定强峰才有资格进入后续陷波、带阻或其他滤波设计。