MATLAB频谱分析实战：从信号处理到可视化解析

1. 信号预处理为频谱分析打好基础第一次用MATLAB做频谱分析时我直接对着原始信号做了FFT变换结果频谱图上全是毛刺和杂波。后来才发现信号预处理就像做菜前的食材处理直接影响最终的分析质量。这里分享几个我常用的预处理技巧降噪处理是第一步。实验室采集的ECG信号总带着50Hz工频干扰用这个代码就能搞定% 设计50Hz陷波滤波器 fs 1000; % 采样率 f0 50; % 干扰频率 [b,a] iirnotch(f0/(fs/2), 0.1); % Q值设为0.1 clean_signal filtfilt(b, a, raw_signal);实测发现filtfilt比普通滤波更稳因为它实现了零相位延迟的双向滤波。有次处理振动传感器数据时普通滤波导致时域波形畸变改用filtfilt后问题立刻解决。降采样也很关键。处理音频信号时44.1kHz的采样率会产生大量冗余高频分量。我习惯先用resample函数降低采样率% 从44.1kHz降到8kHz [p,q] rat(8000/44100); down_signal resample(original_signal, p, q);注意要配合抗混叠滤波器使用我有次忘记加滤波器结果频谱上出现了诡异的镜像频率。2. 频谱分析方法选型指南面对FFT、STFT、小波变换这些方法新手常会懵圈。根据我的踩坑经验选择方法主要看信号特性和分析目的。稳态信号用FFT最合适。比如分析电机转速时这个模板代码我用了不下20次N length(signal); Y fft(hann(N).*signal); % 加汉宁窗 P2 abs(Y/N); P1 P2(1:N/21); P1(2:end-1) 2*P1(2:end-1); f fs*(0:(N/2))/N;重点说下加窗——有次分析风电齿轮箱振动信号没加窗导致频谱泄漏严重各频率分量相互干扰。后来改用汉宁窗谐波成分立刻清晰可见。非平稳信号要用STFT。去年做语音识别项目时这段代码帮了大忙window hamming(256); noverlap 128; nfft 1024; spectrogram(signal, window, noverlap, nfft, fs, yaxis);调整noverlap参数时发现重叠率越高时频分辨率越好但计算量也越大。在实时性要求高的场景我通常设为窗口长度的50%。3. 频谱可视化实战技巧频谱图画得好不好直接影响分析效率。分享几个让评审专家眼前一亮的可视化方法多子图对比是我的杀手锏。比如比较滤波前后的频谱subplot(2,1,1) plot(f, 20*log10(P1_original)) title(原始信号频谱) grid on subplot(2,1,2) plot(f, 20*log10(P1_filtered)) title(滤波后频谱) grid on注意要用20*log10将幅值转为dB单位这样更符合工程习惯。有次论文投稿被拒审稿人明确指出要用对数坐标改过后顺利接收。三维频谱图适合展示时频特征。分析轴承故障信号时这样呈现特别直观[s,f,t,p] spectrogram(signal, 256, 128, 256, fs); surf(t, f, 10*log10(p), EdgeColor, none) view(2) colorbar调参时发现窗口长度决定频率分辨率256点窗口在10kHz采样率下能分辨约40Hz的频率间隔刚好满足轴承故障特征频率的识别需求。4. 典型工程案例解析去年参与的风电机组故障诊断项目完美展现了频谱分析的价值。机组报修时有异常振动我们先用高通滤波去除0.5Hz以下的塔筒摆动分量[b,a] butter(4, 0.5/(fs/2), high); vibration filtfilt(b,a, raw_vibration);频谱分析发现89Hz处存在明显峰值而齿轮箱的传动比计算显示该频率正好对应行星轮故障特征频率。这个诊断结果后来被开箱检修证实。另一个案例是音频降噪。处理老唱片录音时先通过频谱分析定位噪声成分[Pxx,f] pwelch(noisy_audio, 2048, 1024, 2048, fs); plot(f, 10*log10(Pxx))发现60Hz和120Hz有两个尖峰用陷波滤波器组将其消除后语音清晰度提升明显。关键是要用pwelch方法做功率谱估计比普通FFT更平滑稳定。5. 性能优化与调试经验处理长信号时发现MATLAB可能内存溢出。后来学会用分段处理buffer函数frame_len 4096; frames buffer(signal, frame_len); for i 1:size(frames,2) frame_fft fft(frames(:,i).*hann(frame_len)); % 后续处理... end并行计算也能提速用parfor替代普通for循环处理1小时长的EEG信号时速度提升3倍。调试时经常遇到频谱异常我总结了个检查清单检查采样率是否设置正确确认信号没有直流偏移可用detrend处理验证频率轴刻度是否正确检查幅值是否做了归一化 有次把采样率单位搞错kHz当成Hz导致频谱解读完全错误这个教训让我养成了双重检查的习惯。6. 高级应用自动峰值检测手动找频谱峰值太费时这个自动检测算法我用了好几年[peaks,locs] findpeaks(P1, f, MinPeakHeight,-50,... MinPeakDistance, 10);参数调优有讲究MinPeakHeight设为噪声基底以上10dBMinPeakDistance根据信号最小频率间隔设置。在轴承监测系统中配合prominence参数能有效避免误检。最近还开发了谐波自动标注功能fundamental 50; % 基频50Hz harmonics 2:5; for h harmonics idx find(abs(f - h*fundamental) 1); text(f(idx), P1(idx), sprintf(%.0fHz, h*fundamental)) end这个功能在分析电力系统谐波时特别实用能自动标注出2-5次谐波位置。