Python快速傅里叶变换分析振动传感器数据

首先，确保您已经安装了Python和必要的库，包括NumPy、SciPy、Matplotlib和Seaborn。这些库可以通过pip安装：

pip install numpy scipy matplotlib seaborn

接下来，我们将使用示例数据来演示如何进行FFT分析并绘制相关图表。请注意，实际应用中，您将使用自己的振动传感器数据替换示例数据。

第一步：导入必要的库

import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from scipy.fft import fft

第二步：生成示例数据

这里我们生成一个简单的振动信号数据，您可以根据实际情况使用自己的数据。

# 生成示例数据，这里我们生成一个包含1000个样本的简单振动信号
t = np.linspace(0, 1, 1000, endpoint=False)  # 时间轴
v = np.sin(2 * np.pi * 5 * t) + np.sin(2 * np.pi * 12 * t)  # 振动信号，由两个正弦波组成

第三步：进行FFT分析

使用FFT将时域信号转换为频域信号。

# 进行FFT分析
fft_result = fft(v)
freqs = np.linspace(0, 1, len(fft_result), endpoint=False)  # 频率轴，根据样本数计算频率范围

第四步：绘制趋势图和分布图

首先，绘制原始振动信号的趋势图。然后，绘制频域信号的分布图。

# 绘制原始振动信号的趋势图
plt.figure(figsize=(10, 5))
plt.plot(t, v, label='Original Signal')
plt.xlabel('Time (s)')
plt.ylabel('Amplitude')
plt.legend()
plt.show()

频谱图可以使用matplotlib的specgram函数进行绘制：

# 绘制频谱图（频域信号的分布图）
plt.figure(figsize=(10, 5))
plt.specgram(v, Fs=len(t), xlim=None, ylim=None)  # Fs为采样频率，等于时间轴长度倒数，ylim设置显示范围为整个频域范围
plt.xlabel('Time (s)')
plt.ylabel('Frequency (Hz)')
plt.show()