工业检测中的传感器信号通常表现为时间序列：振动加速度、电机电流、超声回波、声发射、红外辐射、图像灰度、干涉信号等。时域波形包含全部信息，但故障特征往往被噪声、工况变化和多部件耦合所掩盖。傅里叶变换的核心作用，是把信号分解为不同频率的复指数分量，从而在频域中观察其频率结构、幅值分布和相位关系。对于工业检测而言，频域不是终点，而是连接原始信号与物理机理、故障模式、健康状态之间的特征空间。

一、数学基础与工程含义

连续傅里叶变换定义为：

逆变换为：

离散信号使用 DFT：

FFT是DFT的快速算法，将计算复杂度从降至，使实时频谱分析、嵌入式监测和大数据批处理成为可能。

二、工程中需关注几个关键参数：

采样定理：，否则发生混叠；

频率分辨率：；

最高分析频率：

频谱泄漏：非整周期截断导致能量扩散，需加窗；

栅栏效应：离散谱线不能覆盖所有频率，可通过补零或细化分析改善；

谱平均：降低随机噪声，提高弱特征可见度。

傅里叶变换的工程意义还体现在卷积定理和 Parseval 定理：

前者支撑滤波、系统辨识和卷积加速，后者说明时域能量与频域能量等价。相位信息则在动平衡、模态分析、锁相检测和干涉测量中具有关键作用。

三、工业检测中的意义

傅里叶变换在工业检测中的价值可归纳为六点：

频域分解：将复杂信号拆解为周期分量，识别谐波、边带和共振峰。

故障频率对应：旋转机械的轴承、齿轮、转子故障往往对应明确特征频率，频谱峰值可直接关联部件缺陷。

信噪分离：周期故障能量集中在窄带，随机噪声分布在全频带，频域分析可提高信噪比。

滤波与降噪：通过保留或抑制特定频带，实现低通、高通、带通和带阻处理。

调制解调与包络分析：故障冲击常调制到高频共振区，带通滤波、Hilbert 包络和 FFT 可提取包络谱。

特征提取与压缩：频域幅值、相位、谱峭度、重心频率等可作为机器学习输入，也可用于数据压缩。

四、典型工业应用

4.1 旋转机械振动分析

这是傅里叶变换最经典的应用。轴承故障频率包括外圈BPFO、内圈BPFI、滚动体BSF和保持架FTF；齿轮啮合频率为，其中N为齿数，为轴频。频谱中若出现这些频率及其边带，通常意味着对应部件存在磨损、点蚀、裂纹或不对中。对于早期弱冲击，常采用共振解调：先带通滤波到高频共振带，再作 Hilbert包络，最后对包络作FFT，得到包络谱。谱峭度图可用于自动寻找最优共振带。

4.2 电机电流特征分析

电机定子电流包含电源频率及其边带。断条、偏心、轴承故障等会在电流频谱中产生形式的边带。通过FFT或STFT分析电流信号，可实现非侵入式电机状态监测，适用于泵、风机、压缩机等工业负载。

4.3 超声与声发射检测

超声检测中，缺陷回波的到达时间、幅值、中心频率和带宽都很重要。FFT可分析回波频谱变化，判断缺陷大小、取向和材料衰减。声发射信号常用时频分析提取裂纹扩展、泄漏和摩擦特征。

4.4 机器视觉与表面缺陷检测

二维FFT将图像从空间域转到频率域。周期性划痕、纹理缺陷、摩尔纹和方向性条纹会在频域形成亮点或亮线。通过频域滤波可增强缺陷、抑制背景纹理，适用于液晶屏、金属表面、织物和纸张检测。

五、傅里叶变换的扩展

傅里叶变换适合平稳信号，对非平稳、瞬态和变转速信号存在局限，因此产生了一系列扩展方法（包含但不限于）：

STFT/Gabor 变换：加窗傅里叶变换，得到时间-频率谱，适合非平稳信号；

小波变换/小波包：多分辨率分析，适合冲击、瞬态和边缘检测；

包络谱/解调分析：带通滤波+Hilbert包络+FFT，是轴承、齿轮诊断常用手段；

循环平稳与循环谱：利用旋转机械周期统计特性，适合强噪声下特征提取；

阶次分析：变转速下按转角重采样，再作FFT，得到阶次谱，避免转速波动导致频谱模糊。

六、局限与趋势

傅里叶变换提供全局频率信息，不直接给出频率发生的时间；对非平稳、瞬态和变转速信号，单一FFT可能不足。因此，现代工业检测更倾向于“傅里叶+时频+包络+阶次+模态分解+AI”的组合工具箱。未来趋势包括嵌入式FFT与FPGA实时处理、边缘计算、在线监测、数字孪生、多传感器融合、预测性维护和工业大模型。傅里叶变换仍将是这些系统的底层频域引擎。