🙋
傅里叶级数是什么？为什么能把一个方方正正的方波，用一堆圆滑的正弦波拼出来？
🎓
简单来说，傅里叶级数就像“声音的食谱”。任何一个周期性的“味道”（波形），都可以用不同“配料”（正弦和余弦谐波）按特定比例混合出来。在实际工程中，比如分析发动机的振动噪音，我们测到的是复杂的时间信号，用傅里叶级数分解后，就能知道是哪些频率的振动在“作怪”。你可以在模拟器里选择“方波”，然后试着把“谐波数N”从1慢慢拖到10，看看这些平滑的波浪是怎么一步步逼近一个棱角分明的方块的。
🙋
诶，真的吗？我拖到N=20，方波的边角确实更直了，但跳变的地方总有个小鼓包在抖，这是怎么回事？
🎓
你观察到的那个抖动的鼓包，就是著名的“吉布斯现象”！就像你用有限块乐高去拼一个直角，拐角处总会有锯齿。对于方波这种有突然跳变的信号，无论你加多少谐波（即使N很大），在不连续点附近总会存在大约9%的过冲和振荡。工程现场常见的是，在CFD模拟激波，或者FEM分析应力集中时，也会出现类似的数值振荡。你试试把波形切换到“三角波”，再用同样的谐波数叠加，会发现边角平滑多了，因为三角波的“配料”衰减得更快。
🙋
原来不同波形的“配料”比例还不一样啊！那右边那些竖条（频谱）代表什么？我调“AmplitudeA”滑块，它们怎么一起变？
🎓
那些竖条就是“食谱”的具体配方表！每个竖条的高度代表对应频率谐波的振幅大小。对于方波，只有奇数次谐波（n=1,3,5...）有“配料”，而且振幅按 $1/n$ 衰减。所以你改变顶部的总“AmplitudeA”，所有谐波的振幅都会按比例缩放，就像把整道菜做咸或做淡。试着把“波形类型”从方波切换到锯齿波，你会立刻看到频谱变成所有谐波（1,2,3,4...）都有分量了，这就是不同波形对应的不同数学公式在起作用。
N表示保留的最高谐波次数。增加N会降低完整周期的RMS误差。方波和锯齿波跳变附近的过冲渐近于跳跃幅度2A的约9%，而峰的宽度缩小。三角波连续，不存在由函数值跳变引起的这种吉布斯过冲。
横轴是谐波次数n，而不是Hz。柱高表示正弦和余弦分量合成的振幅√(aₙ²+bₙ²)。DC单独表示平均值a₀/2的绝对值。方波仅含奇次谐波，振幅按1/n衰减。这不是功率或实测FFT。
用有限个平滑分量近似有跳变的周期波形，会在跳变附近留下振荡。在跳变点本身，级数收敛到两侧极限的平均值。约9%的渐近值以跳跃幅度2A为基准，而不是幅值A；它不同于有限N下实际计算的过冲率。
本归一化模型用于学习截断对波形、误差和频谱的影响。示例按钮重现固定条件，可暂停比较。本工具不分析实测FFT数据，也不能评价实际电路的滤波性能、带宽或标准符合性。
傅里叶级数的核心思想是将一个周期为 $T$ 的复杂函数 $f(t)$，分解为一系列频率为基频整数倍的正弦和余弦函数的线性组合。
$$f(t) = \frac{a_0}{2}+ \sum_{n=1}^{N}\!\left(a_n\cos\frac{2\pi nt}{T}+ b_n\sin\frac{2\pi nt}{T}\right)$$
其中，$a_0/2$ 是直流分量（平均值），$a_n$ 和 $b_n$ 是傅里叶系数，决定了每个余弦和正弦谐波的“分量”大小，$n$ 是谐波次数，$N$ 是叠加的谐波总数。
不同波形的“身份”由其独特的傅里叶系数决定。模拟器中三种波形的关键系数公式如下（假设振幅为 $A$）：
$$
\begin{aligned}&\text{方波（奇谐波）}: & b_n &= \frac{4A}{n\pi}\quad (n=1,3,5,\ldots), \quad a_n=0 \\
&\text{三角波（奇谐波）}: & b_n &= \frac{8A}{n^2\pi^2}(-1)^{(n-1)/2}\quad (n=1,3,5,\ldots), \quad a_n=0 \\
&\text{锯齿波（所有谐波）}: & b_n &= \frac{2A}{n\pi}(-1)^{n+1}\quad (n=1,2,3,\ldots), \quad a_n=0
\end{aligned}
$$
注意系数衰减速度：方波 ($1/n$)，三角波 ($1/n^2$)，锯齿波 ($1/n$)。衰减越快，用有限项 $N$ 逼近时收敛得越好，吉布斯现象越不明显。
结构振动与噪声分析：在汽车或飞机设计中，通过传感器采集机身的振动时域信号，利用傅里叶变换（傅里叶级数的推广）得到频谱，可以精准定位引起异常噪音或疲劳问题的共振频率，从而指导结构优化。
信号处理与通信：在无线通信中，任何调制信号（如AM/FM）都可以用傅里叶级数表示其频带特性。滤波器的设计也基于此，目的是保留有用频段，滤除噪声或干扰谐波。
热传导与电磁场分析：在求解具有周期性边界条件的热传导或电磁场偏微分方程时，傅里叶级数法是重要的解析工具。例如，分析周期性加热的金属板内的温度分布。
CAE中的数值仿真后处理：在有限元分析（FEA）或计算流体力学（CFD）得到瞬态结果后，工程师常对某个关键点的位移、压力等数据进行傅里叶分析，将时域响应转化为频域，以评估系统的动态特性或识别 dominant 的物理频率。
首先，人们常认为“N越大精度总是越高”，但实际上并非如此简单。对于平滑的三角波确实如此，但对于像方波这样具有不连续点的波形，由吉布斯现象引起的约9%过冲即使将N增至100或1000也不会消失。这是数学上已证明的收敛性质。在实际工程中，“应增加多少项数”取决于可接受的误差与计算成本之间的平衡。例如，若语音信号再现中9%的失真不可接受，那么方波近似本身可能就不适用。
其次，需注意仿真器中看到的“频谱”终究只是理想周期波形的频谱。实际CAE数据（例如时程振动数据）经FFT得到的频谱会混杂噪声和非稳态成分，不会呈现如此清晰离散的谱线。例如，对发动机振动数据进行FFT时，虽能看到与转速对应的峰值，但背景中必然存在宽频噪声。重要的是不能将工具的完美频谱直接等同于现实。
最后，要理解系数衰减速度 $1/n$ 和 $1/n^2$ 所揭示的“波形特性” 。衰减越慢（如方波的$1/n$）则高频成分越多，包含急剧变化；反之衰减越快（如三角波的$1/n^2$）的波形越平滑。这直接关系到实际工程中的网格划分和时间步长设置。模拟冲击波这类急剧现象时，由于不能假设快速衰减，因此需要非常精细的网格或高采样频率。