› フーリエ変換ビジュアライザー 戻る
信号処理

フーリエ変換ビジュアライザー

信号タイプ・窓関数・周波数をスライダーで操作しながら、時間域・振幅スペクトル・位相スペクトルをリアルタイムで確認。FFTの本質を直感的に理解できます。

信号設定

高調波振幅（基本波 = 1次）

FFT設定

プリセット

主周波数
—
SNR (dB)
—
スペクトル重心
—
THD (%)
—
時間域波形
FFT 振幅スペクトル
FFT 位相スペクトル

フーリエ変換ビジュアライザーとは

🧑‍🎓
このツールで「窓関数」を選べますけど、そもそも窓って何ですか？信号に窓をかけるってどういうこと？
🎓
ざっくり言うと、無限に続く信号を有限の長さで切り取る時に、切り口を滑らかにするための「ふちどり」だね。例えば、上の「信号タイプ」でサイン波を選んで、窓関数を「矩形（なし）」にしてみて。グラフの両端が急に切れてるのがわかるかな？この切り口のギザギザが、FFTの結果に余計な周波数成分（リーケージ）を作っちゃうんだ。
🧑‍🎓
え、そうなんですか！じゃあ「Hann窓」を選ぶと、このリーケージが減るってこと？でも、何かデメリットはあるんですか？
🎓
その通り！Hann窓をかけると信号の端を滑らかにゼロに近づけるから、リーケージは大きく減るよ。右のスペクトル表示を見比べてみて。ただ、トレードオフとして、窓の形が広がる分、周波数のピークが少しぼやける（分解能が落ちる）んだ。実務では、測定したい信号の種類によって、Hann、Hamming、Blackmanなどを使い分けることが多いね。
🧑‍🎓
なるほど！ところで、下の方に「THD」って数値が出てますけど、あれは何を見てるんですか？
🎓
THD（全高調波歪み率）は、信号がどれだけ「純粋なサイン波」からずれているかを表す重要な指標だよ。例えば「信号タイプ」を矩形波やノコギリ波に変えてみて。基本波以外にたくさんの高調波（整数倍の周波数成分）が出るでしょう？THDはそれらの高調波の強さを全部足して、基本波に対する比率（%）で示してるんだ。オーディオ機器の性能評価なんかでよく使われる数値だね。

物理モデルと主要な数式

このツールの根幹は、離散信号 $x[n]$ を離散周波数成分 $X[k]$ に変換する離散フーリエ変換（DFT）です。コンピュータで計算する際は、この計算を高速化したアルゴリズムであるFFT（高速フーリエ変換）が用いられています。

$$X[k] = \sum_{n=0}^{N-1}x[n] \cdot e^{-i 2\pi k n / N}$$

$x[n]$: 時間領域の離散信号（n=0,1,...,N-1）
$X[k]$: 周波数領域の複素スペクトル（k=0,1,...,N-1）
$N$: サンプル数（このツールでは512）
$e^{-i 2\pi k n / N}$: 複素正弦波（オイラーの公式により $\cos - i\sin$ を表す）

窓関数 $w[n]$ は、有限長に切り取られた信号 $x[n]$ に乗算され、両端の不連続性を緩和します。これにより、スペクトル漏れ（リーケージ）を抑制します。

$$x_{windowed}[n] = x[n] \cdot w[n]$$

$w[n]$: 窓関数（例：Hann窓 $0.5 - 0.5\cos(2\pi n / (N-1))$）
$x_{windowed}[n]$: 窓関数が適用された後の信号
窓をかけることは、元の信号のスペクトルと窓関数のスペクトルの「畳み込み」を計算することに相当し、トレードオフとして周波数分解能が低下します。

実世界での応用

音響・オーディオエンジニアリング：楽器や歌声の周波数特性（倍音構造）を分析したり、スピーカーやアンプから発生する歪み（THD）を測定・評価するためにFFTが日常的に使われています。ノイズ成分（SNR）の特定にも不可欠です。

振動・モニタリング診断：回転機械（モーター、ベアリング、タービン）の振動信号をFFT分析することで、特定の回転周波数に対応する異常ピークを検出し、故障の予兆診断を行います。工場の保全業務で広く応用されています。

通信工学：デジタル通信システム（OFDMなど）では、FFT/IFFT（逆FFT）が信号の変調・復調の核心技術として用いられています。また、受信信号から特定の周波数帯域のノイズや干渉を分析するのにも使われます。

医療画像処理：MRI（磁気共鳴画像法）では、取得された信号（k-spaceデータ）を画像化する際に2次元FFTが必須です。また、心電図（ECG）や脳波（EEG）の波形から、特定の周波数成分（例えばα波）を抽出・解析する際にも応用されます。

よくある誤解と注意点

FFTを使い始めるときに、いくつかハマりがちな落とし穴があるよ。まず一つ目は、「サンプリング周波数と表示される周波数レンジの関係」だ。例えば、サンプリング周波数が44.1kHzの場合、FFTで理論上見える最高周波数はその半分の22.05kHz（ナイキスト周波数）までだ。これ以上の周波数成分は折り返し（エイリアシング）という現象で誤った低周波数として現れ、分析を完全に狂わせる。実務では、測定前に必ずアンチエイリアシングフィルタで高周波成分を除去するのが鉄則だ。

二つ目は、「スペクトルの縦軸（振幅）の値は絶対値ではない」という点。このツールで「振幅スペクトル」を表示しているのは、複素スペクトル $X[k]$ の絶対値 $|X[k]|$ だ。ここには窓関数による影響や、FFT点数Nが正規化係数として含まれる。例えば、振幅1のサイン波を分析しても、表示されるピークの値は単純に「1」にはならない。正確な振幅値を知りたい場合は、使用した窓関数の補正係数（例えばHann窓なら約2倍）を考慮する必要がある。

三つ目は、「分解能と測定時間のトレードオフ」。周波数分解能 $\Delta f$ は、サンプリング周波数 $f_s$ をFFT点数 $N$ で割った値（$\Delta f = f_s / N$）で決まる。より細かい周波数を見分けたい（$\Delta f$ を小さくしたい）なら、$N$ を大きくする必要があるが、それはより長い時間のデータを取ることを意味する。例えば、回転数が変動する機械の振動を分析する場合、長すぎるデータを取ると周波数が「ぼやけて」しまう。このジレンマを理解しておかないと、現場で有効なデータが取れないことがある。

関連する工学分野

このツールで扱っているFFTと信号処理の概念は、CAEの枠を超えて、非常に幅広い工学分野の根底を流れる共通言語だと言える。まず挙げるのは「制御工学」だ。フィードバック制御システムの安定性を評価するための周波数応答関数（FRF）は、入力信号と出力信号のFFTから直接計算される。ロボットのサーボ制御やプラントの自動制御では、この分析が不可欠だ。

次に「通信工学」。現代のデジタル通信（4G/5G、Wi-Fi）は、直交周波数分割多重（OFDM）という技術が基盤にあるが、これこそFFT/IFFT（逆FFT）を駆使して複数の信号を効率的に送受信する方式だ。また、レーダーやソナーでは、反射波のFFT結果から対象物の速度（ドップラーシフト）や距離を同時に推定するFMCW（周波数変調連続波）技術が使われている。

さらに「画像処理・コンピュータビジョン」も深く関連している。JPEG圧縮は画像を8x8ピクセルのブロックに分け、それぞれに二次元の離散コサイン変換（DCT、フーリエ変換の近縁）を適用することでデータを削減している。画像のぼかし（フィルタリング）や特徴抽出の多くのアルゴリズムは、「空間領域」での処理が「周波数領域」での乗算に相当するという、フーリエ変換の畳み込み定理に基づいているんだ。

発展的な学習のために

このツールで直感を養えたら、次は数学的な背景を少しずつ固めていくのがおすすめだ。まずは、「オイラーの公式 $e^{i\theta} = \cos\theta + i\sin\theta$」の理解を深めてほしい。これが、実数で表される「波」を、複素数という便利な道具で扱うための鍵になる。なぜFFTの核となる計算が $e^{-i 2\pi k n / N}$ なのかが腑に落ちると、一気に視界が開けるはずだ。

その次に挑戦したいのは、「畳み込み定理」の理解だ。時間領域での畳み込み積分（や離散畳み込み）が、周波数領域では単純な掛け算になるという強力な定理で、これがデジタルフィルタ設計の基礎になっている。このツールで「窓をかけることはスペクトルの畳み込み」と説明した部分の真の意味が、ここで理解できる。

実践的な次のステップとしては、短時間フーリエ変換（STFT）やウェーブレット変換を学ぶことを推す。FFTは信号全体が「定常的」（周波数成分が時間で変化しない）であることが前提だ。しかし、音楽や振動データなど、現実の多くの信号は非定常的だ。STFTは信号を短い区間に切り分けてFFTを適用し、時間と周波数の両方の変化を追う手法で、まさにこのツールの「リアルタイム可視化」を数学的に発展させたものと言える。そこから先は、信号処理の深くて面白い世界が広がっているよ。