信号处理 / 系统课时

排查 FFT 频率读数不准确

排查 FFT 频率读数不准确

FFT 峰值频率与预期不一致时,不要先怀疑算法本身。本节建立一条可复用的排查链路,从采样率、频率分辨率、频谱泄漏到单边谱标度逐层验证,并用已知正弦信号检查频率轴和幅值计算是否可信。

学习目标

  • 根据异常特征区分采样率、分辨率和频谱泄漏问题
  • 正确计算 FFT 频率轴与实信号单边谱幅值
  • 用已知频率测试信号验证修复后的分析链路

先判断频率轴是否可信

长度为 NN、采样率为 fsf_s 的序列做 NN 点 FFT 时,相邻频率格点的间隔为 Δf=fs/N\Delta f=f_s/N,第 kk 个频点对应 fk=kfs/Nf_k=kf_s/N。因此,频率读数首先取决于传入分析程序的采样率和实际采样率是否一致。

如果多个谱峰都按相同比例整体偏移,应优先检查采样率。例如真实采样率为 1000 Hz,却按照 800 Hz 构造频率轴,那么真实 125 Hz 的谱峰会被标成 100 Hz。FFT 的峰值索引没有错,错误发生在“索引换算为 Hz”这一步。

如果频率轴比例正确,但目标频率只能落在附近几个格点之间,则继续检查记录长度。固定采样率时,增加有效采样点数才能缩小 Δf\Delta f;单纯对已有数据补零只会让频谱曲线看起来更细密,并不会增加真实频率分辨能力。

FFT 频率读数异常排查流程

按四类根因定位

现象 优先检查 判断依据 修复方向
所有峰整体按比例偏移 采样率 峰值索引合理,但 Hz 数值统一缩放 使用实际采样率生成频率轴
峰值只能落在目标附近 分辨率 Δf\Delta f 大于需要区分的频差 延长有效记录时间,增加 NN
单频能量散到多个频点 泄漏 截取区间不是信号的整数周期 尽量相干采样,或选择合适窗函数
频率正确但幅值错误 单边谱标度 幅值常出现约一半、两倍或窗后偏低 修正归一化、单双边转换和窗增益

频谱泄漏并不意味着 FFT 算错。当有限长度记录在首尾无法周期连续拼接时,矩形截断本身就会把一个理想单频扩散到多个频点。Hann 等窗可以降低远端旁瓣,但会加宽主瓣,因此不能把“加窗”理解成提高频率分辨率。

对实信号使用 rfft 一类单边频谱时,常见幅值计算是先除以 NN,再把正频率内部频点乘 2。DC 分量不能乘 2;当 NN 为偶数时,Nyquist 频点也不能乘 2。若使用窗函数,还需要考虑窗的相干增益,否则即使峰值频率正确,幅值仍会偏低。

用最小脚本校验频率轴和标度

下面生成一个采样率 1000 Hz、频率 125 Hz、幅值 0.8 的正弦波。由于记录长度为 1000 点,125 Hz 恰好落在 FFT 频点上,可用于把泄漏因素暂时排除,只检查采样率和单边谱标度。

python
import numpy as np

fs = 1000.0
n = 1000
f0 = 125.0
amplitude = 0.8

t = np.arange(n) / fs
x = amplitude * np.sin(2 * np.pi * f0 * t)

spectrum = np.fft.rfft(x)
naive_amplitude = np.abs(spectrum) / n
one_sided_amplitude = naive_amplitude.copy()
# 实信号单边谱仅对 DC 与 Nyquist 之间的频点乘 2。
one_sided_amplitude[1:-1] *= 2

peak_bin = np.argmax(one_sided_amplitude[1:]) + 1
correct_axis = np.fft.rfftfreq(n, d=1 / fs)
wrong_axis = np.fft.rfftfreq(n, d=1 / 800.0)

short_n = 256
short_resolution = fs / short_n
cycles = 123.0 * short_n / fs

print(f"wrong_fs_peak={wrong_axis[peak_bin]:.1f} Hz")
print(f"correct_peak={correct_axis[peak_bin]:.1f} Hz")
print(f"resolution={fs / n:.1f} Hz")
print(f"naive_amp={naive_amplitude[peak_bin]:.1f}")
print(f"one_sided_amp={one_sided_amplitude[peak_bin]:.1f}")
print(f"short_resolution={short_resolution:.4f} Hz")
print(f"cycles_in_short_record={cycles:.3f}")
print(f"leakage_risk={not np.isclose(cycles, round(cycles))}")

预期输出:

text
wrong_fs_peak=100.0 Hz
correct_peak=125.0 Hz
resolution=1.0 Hz
naive_amp=0.4
one_sided_amp=0.8
short_resolution=3.9062 Hz
cycles_in_short_record=31.488
leakage_risk=True

结果展示了三个关键证据:错误采样率把 125 Hz 标成了 100 Hz;未做单边谱补偿时幅值只有 0.4;256 点记录中的 123 Hz 信号包含 31.488 个周期,首尾不能自然衔接,因此存在明显泄漏风险。

验证修复是否成立

修复后不要只观察一段未知业务信号,而应先注入一个频率和幅值都已知的测试正弦波。确认峰值频率误差落在当前频率格点允许的范围内,再检查单边幅值是否与输入一致,最后才换回真实数据观察泄漏和噪声。

如果相邻两个真实分量仍无法分开,优先延长采样时间,而不是继续补零。如果加窗后峰值幅度发生变化,则同时校正窗增益。只有频率轴、分辨率、截断方式和标度规则都得到独立验证后,FFT 的频率读数才具有可解释性。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

排查 FFT 频率读数不准确

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通