信号设置
谐波幅值（第1次=基波）
FFT设置
预设
主频
—
SNR (dB)
—
频谱质心
—
THD (%)
—
时域波形
FFT幅度谱
FFT相位谱
调整信号类型、窗函数和频率，实时查看时域波形、幅度谱和相位谱的变化。深入理解FFT的基本原理。
本工具的核心是离散傅里叶变换（DFT），它将离散的时间序列信号转换到频域。对于N个采样点，DFT的计算公式如下：
$$X[k] = \sum_{n=0}^{N-1}x[n] \cdot e^{-j 2\pi k n / N}$$其中，$x[n]$ 是第n个时间采样点的幅值，$X[k]$ 是第k个频率分量的复数结果（包含幅度和相位），$N$是总采样点数（本工具为512），$j$是虚数单位。这个公式揭示了信号中每个频率成分的“含量”。
工具中使用的快速傅里叶变换（FFT）是DFT的一种高效算法。而总谐波失真（THD）是一个关键的性能指标，其计算公式为：
$$THD = \sqrt{\frac{\sum_{h=2}^{H} V_h^2}{V_1^2}} \times 100\%$$其中，$V_1$是基波（主频）的电压幅度，$V_h$是第h次谐波的电压幅度。THD量化了所有谐波能量总和相对于基波能量的比例，数值越低，信号越接近理想正弦波。
音频工程与音乐制作：在调音台和音频处理器中，FFT用于实时频谱分析，让工程师精准定位需要增强或削减的频段（比如提升低音或削减刺耳的高音），THD则是衡量音箱、功放音质好坏的核心指标。
通信系统：在手机、Wi-Fi等无线通信中，FFT是OFDM（正交频分复用）等技术的基础，用于将数据高效地分配到多个子载波上传输和接收，频谱分析则用于监测信道质量和排除干扰。
机械故障诊断：通过采集旋转机械（如发动机、涡轮机）的振动信号并进行FFT分析，可以清晰地看到转频及其谐波。如果频谱中出现异常频率峰值，往往对应着轴承损坏、叶片不平衡等特定故障。
医学影像处理：在MRI（磁共振成像）和CT扫描中，采集到的原始数据本质上是频域（k空间）数据，通过逆FFT变换才能重建出我们能看到的人体解剖结构图像，图像质量与频域数据处理息息相关。
开始使用FFT时，有几个容易陷入的误区。首先是“采样频率与显示频率范围的关系”。例如，当采样频率为44.1kHz时，FFT理论上可观测的最高频率为其一半的22.05kHz（奈奎斯特频率）。高于此频率的成分会通过混叠现象以错误低频的形式出现，彻底干扰分析。在实际工作中，必须在测量前使用抗混叠滤波器去除高频成分，这是基本原则。
第二点是“频谱纵轴（振幅）的值并非绝对值”。本工具显示的“振幅频谱”是复数频谱 $X[k]$ 的绝对值 $|X[k]|$。其中包含了窗函数的影响，以及FFT点数N作为归一化系数的因素。例如，即使分析振幅为1的正弦波，显示的峰值也不会简单地等于“1”。若需获取精确振幅值，必须考虑所用窗函数的校正系数（例如汉宁窗约为2倍）。
第三点是“分辨率与测量时间的权衡”。频率分辨率 $\Delta f$ 由采样频率 $f_s$ 除以FFT点数 $N$ 决定（$\Delta f = f_s / N$）。若想分辨更细微的频率（减小 $\Delta f$），就需要增大 $N$，但这意味着需要采集更长时间的数据。例如，在分析转速波动的机械振动时，采集过长的数据会导致频率“模糊化”。若不理解这种两难局面，可能在实际场景中无法获取有效数据。
本工具涉及的FFT与信号处理概念，可以说超越了CAE的范畴，是广泛工程领域底层流动的共通语言。首推“控制工程”。用于评估反馈控制系统稳定性的频率响应函数（FRF），正是通过输入与输出信号的FFT直接计算得出的。在机器人伺服控制或工厂自动控制中，这种分析不可或缺。
其次是“通信工程”。现代数字通信（4G/5G、Wi-Fi）基于正交频分复用（OFDM）技术，这正是运用FFT/IFFT（逆FFT）高效收发多路信号的方式。此外，雷达与声纳中采用调频连续波（FMCW）技术，通过反射波的FFT结果同时估算目标的速度（多普勒频移）与距离。
再者，“图像处理·计算机视觉”也密切相关。JPEG压缩将图像分割为8x8像素块，对每个块应用二维离散余弦变换（DCT，傅里叶变换的近亲）以实现数据压缩。许多图像模糊（滤波）与特征提取算法，都基于傅里叶变换的卷积定理——即“空间域”的处理等价于“频率域”的乘法运算。
通过本工具培养直观理解后，建议逐步巩固数学背景。首先应深入理解“欧拉公式 $e^{i\theta} = \cos\theta + i\sin\theta$”。这是将实数表示的“波”用复数这一便利工具处理的关键。若能领悟为何FFT的核心计算是 $e^{-i 2\pi k n / N}$，视野将豁然开朗。
接下来建议挑战“卷积定理”的理解。这一定理表明时域的卷积积分（或离散卷积）在频域中会转化为简单的乘法，它是数字滤波器设计的基础。本工具中“加窗即频谱卷积”说明的真正含义，可在此处得到理解。
作为实践的下一步，推荐学习短时傅里叶变换（STFT）与小波变换。FFT的前提是信号整体具有“平稳性”（频率成分不随时间变化）。但音乐、振动数据等现实中的许多信号都是非平稳的。STFT将信号切分为短区间并施加FFT，从而追踪时间与频率的双重变化，堪称本工具“实时可视化”功能的数学拓展。此后，信号处理深邃而有趣的世界将展现在你面前。