收益：
- 能够利用 AI 准确建立采样频率、滤波器类型和加窗等信号处理参数
- 能够生成用于 FFT、滤波器设计和噪声分析的 Python 代码，并检查奈奎斯特和混叠
- 能够通过将人工智能生成的频谱解释与测量值和物理预期进行比较来验证它
仅来自传感器、麦克风或电源线的原始数据通常毫无意义；需要在频率、幅度和时间轴上对其进行处理和解释。使用 FFT 提取频谱、过滤噪声、识别振动特征……这些都是信号处理，AI 会在该领域生成快速的 Python 代码、解释概念、计算滤波器系数。但是信号处理中的一个小参数错误（错误的采样频率、错误的窗口、跳过奈奎斯特控制）会默默地破坏整个分析；该代码不会给出错误，它只会给出错误的结果。在本单元中，我们将介绍使用人工智能设置正确的参数，根据奈奎斯特和混叠检查生成的代码，并用物理现实验证频谱解释。
基本参数：采样、奈奎斯特、混叠
数字信号处理的第一条规则是奈奎斯特-香农定理：为了准确表示信号，采样频率必须至少是信号中最高频率分量的两倍。否则，高频将显示为低频（混叠），并且这是无法逆转的。
信号中的最高频率：f_max = 2 kHz 最小采样频率：f_s ≥ 2 · f_max = 4 kHz 为了在实践中留出余量：选择 f_s ≈ 5 · f_max = 10 kHz 另外，采样之前必须使用模拟抗混叠滤波器。
注意：当 AI 建议采样频率时，请务必检查它是否根据信号的最高分量提供奈奎斯特。即使在低采样频率下，代码运行也不会出错；但由于混叠，结果是错误的。此外，如果没有硬件中的抗混叠滤波器，任何软件都无法消除此错误。
FFT 的分辨率和加窗
FFT 的频率分辨率取决于采样频率和样本数量：Δf = f_s / N。为了获得更精细的分辨率，您可以收集更多样本或选择较低的 f_s（不破坏奈奎斯特）。此外，信号开头和结尾之间的不连续性会产生“频谱泄漏”；为了减少这种情况，应用了 Hann 和 Hamming 等窗函数。
f_s = 10 kHz, N = 1024 个样本频率分辨率：Δf = 10000 / 1024 ≈ 9.77 Hz 总记录时间：T = N / f_s = 1024 / 10000 ≈ 102.4 ms
生成并检查 FFT 和滤波器代码
当向 AI 请求 FFT 代码时，明确指定采样频率、窗口类型和轴刻度。以下代码输出信号的单侧幅度谱：
import numpy as npfs = 10000 # 采样频率 (Hz) - 验证奈奎斯特！N = 1024t = np.arange(N) / fs# 样本信号：500 Hz + 1500 Hzx = np.sin(2*np.pi*500*t) + 0.5*np.sin(2*np.pi*1500*t)w = np.hanning(N) # 加窗：减少通过增益归一化的频谱泄漏# 检查峰值频率peaks = f[np.argsort(mag)[-2:]]print("主频率 (Hz):", np.sort(peaks))
检查此代码时，您会被问到：频率轴真的是 Hz 还是样本索引（使用 rfftfreq）？幅度是否归一化为窗口增益？预期的 500 和 1500 Hz 峰值是否真的出现在这些点上？如果您使用已知的测试信号（单频正弦）验证代码，您将自信地确认轴和归一化。
弱提示/强提示
弱：“对这些数据应用 FFT。”（结果：采样频率、轴刻度和加窗不清楚；图表很可能绘制在错误的轴上。）强：“对 10 kHz 采样信号应用 FFT。提供：- 以 Hz 为单位绘制频率轴（使用 rfftfreq）。- 应用 Hann 窗并通过窗增益归一化幅度。- 以数字方式打印两个主频率。- 将奈奎斯特极限 (5 kHz) 标记为请注意，如果采样频率不正确，轴将会移动。”
滤波器设计和噪声分析
AI可以生成低/高/带通滤波器系数（FIR/IIR）。但必须检查滤波器的截止频率、阶数和稳定性。它会导致高阶不稳定和相位失真，尤其是在 IIR 滤波器中。设计滤波器后，绘制频率响应（类似伯德）以查看截止位置是否正确，并且通带中没有不需要的纹波。
噪声分析的典型任务是将真实信号与噪声分开。在这里，根据信号的物理带宽评估 AI 建议的阈值或滤波器：如果您的真实信号为 0-500 Hz，则 2 kHz 的分量很可能是噪声或干扰。 AI给出统计数据；你做出物理解释。
用物理现实验证频谱解释
在解释频谱时，人工智能会做出合理但并不总是准确的推论，例如“50 Hz 处有一个峰值，这是电网干扰。”将这些评论与物理预期进行比较：系统是否真的具有 50 Hz 电源连接？电机的振动频谱中是否存在预期的旋转频率和谐波？如果可能，使用第二种方法（不同的传感器、不同的软件）重复测量并看到相同的峰值。
提示：对于每个光谱解释，“这个峰对应什么物理现象？”问问题。 50/100/150 Hz 网络及其谐波、旋转机器中的旋转频率及其倍数以及开关电源中的开关频率是已知的特征。未知峰值要么是真实事件，要么是测量/处理错误；研究两者。
迷你包
研发工程师测量风扇的振动，并让人工智能解读频谱。 AI 表示：“1200 Hz 处有一个主峰值，这可能是轴承故障。”工程师控制风扇的速度：1800 rpm = 30 Hz。轴承和叶片过渡频率预计处于与该循环兼容的某些值； 1200 Hz 与其中任何一个都不对应。它控制采样频率：信号携带高达 2 kHz 的内容，但仅对 2 kHz 进行采样，因此违反了奈奎斯特定律。 1200 Hz 处的峰值是混叠导致的鬼频。当我将采样频率增加到 8 kHz 时，假峰值消失了。教训：始终使用物理周期/频率期望和正确的采样来测试频谱解释。
常见错误
- 选择采样频率而不检查奈奎斯特准则；忽略锯齿。
- 将 FFT 频率轴保留在样本索引处而不是 Hz。
- 将频谱泄漏误认为是没有加窗的信号。
- 不按窗口/样本数量标准化幅度。
- 不检查 IIR 滤波器稳定性和相位失真。
- 解释频谱峰值，无需根据物理转速/频率进行测试。
综上所述
- 采样频率必须至少是信号最高分量的两倍；否则，混叠会破坏整个分析。
- FFT分辨率Δf=f_s/N；根据需要选择N和f_s。
- 加窗减少频谱泄漏；根据窗口增益标准化幅度。
- 使用已知的测试信号验证 AI 代码，以确认轴和归一化。
- 通过绘图来检查滤波器的稳定性和频率响应。
- 始终以物理频率的预期来测试频谱解释。
应用任务
生成已知频率的测试信号（例如 500 Hz + 1500 Hz 正弦）。向 AI 请求 FFT 和滤波器代码。然后：(1) 验证是否满足奈奎斯特准则，(2) 检查 FFT 峰值实际上出现在 500 和 1500 Hz 处，(3) 故意将采样频率降低到奈奎斯特以下，并观察混叠如何产生虚假峰值。记下您的观察结果和您更正的参数。