做旋转机械故障诊断的同行，应该都有过这种体验：振动数据采回来，在Matlab里直接做一次FFT，整频谱一拉，大峰值、小峰值、边频带全叠在一起，眼睛盯得发酸也不敢确定某个峰值到底是不是故障特征。尤其在航空发动机齿轮箱这种多级齿轮啮合的场合，齿轮啮合频率、各级边频带、轴承特征频率挤在同一个窄频段里，常规FFT看全局够用，想看细节就抓瞎。这次就来聊聊航空发动机齿轮振动信号细化谱分析，把Zoom-FFT的原理、Matlab实现和实测经验一次讲透。文章适合正在写故障诊断程序的研究生、做状态监测的现场工程师，也适合想搞懂细化谱和普通FFT差别的信号处理入门者。

1. 为什么齿轮振动分析绕不开细化谱

1.1 齿轮振动信号到底长什么样

齿轮箱振动信号和轴承信号有个明显区别：轴承故障特征频率通常出现在较低频段，而齿轮啮合振动天然是“高频载波+低频调制”的结构。一对齿轮啮合时，轮齿交替进入和退出啮合，刚度周期性变化，产生以啮合频率为基波的振动：

啮合频率 fm = Z × fr

其中Z是齿轮齿数，fr是转频。比如主动齿轮32齿、转频250Hz，啮合频率就是8000Hz。这还没完，齿轮副的制造误差、轴不对中、局部剥落都会让啮合振动的幅值发生周期变化，相当于以转频fr为调制频率去调制啮合频率，于是在频谱上以fm为中心、每隔fr出现一根边频带：fm±fr、fm±2fr、fm±3fr……这就是齿轮故障诊断里最值钱的“边频带”。

问题在于，这些边频带幅度往往比中心啮合频率低一到两个数量级，而且和高阶啮合谐波、轴承特征频率混在一起。想从频谱里把齿轮故障特征捞出来，本质上就是解决两个问题：频率分辨率够不够，弱边频能不能从旁瓣和底噪里露出来。

1.2 直接做FFT的坑：分辨率不够、泄漏淹没

普通FFT的频率分辨率很简单：

Δf = fs / N

也就是采样率除以FFT点数。现场采集的振动数据往往不是想要多长就有多长，转速稳定段可能只有零点几秒，或者为了控制数据量只存了有限长度。假设采样率51200Hz、分析窗口0.16秒，直接用8192点FFT，分辨率是6.25Hz，看起来不差，但把频谱图拉到8000Hz附近，你会发现边频带和啮合频率之间的关系依然模糊。

真正头疼的是频谱泄漏。齿轮振动信号里往往存在大幅值的低频分量、轴承冲击分量、其他轴系的啮合分量，它们经过Hanning窗等有限长截断后，旁瓣并不会收敛到零，而是铺在整条频率轴上。弱边频的幅值一旦低于这些旁瓣底，就直接被淹没。加大FFT点数确实能改善分辨率，但把窗口拉长会引入转速波动问题，而且带外强分量的旁瓣并不会因为点数增加就彻底消失。这个时候就需要细化谱分析。

1.3 细化谱的思路：把镜头拉近到窄带

细化谱分析，也叫Zoom-FFT，思路其实特别朴素。普通FFT像拿广角镜头拍一张全景照，整个0到fs/2频段一锅端；细化谱则是先确定一个你关心的中心频率fc，然后用“复调制+低通滤波+重采样”三步，把fc附近一个很窄的频段单独取出来重新做频谱分析。

打个不严谨但好记的比方：普通FFT是站在广场中央拍全景，细化谱是把长焦镜头架到三脚架上，对准广场对面某一栋楼的某一扇窗户。窗户上的一根裂纹只有换长焦才能看见，数码变焦是救不了的。细化谱就是振动分析里的“长焦镜头”。

这样做的好处有三点：一是窄带分析时可用更小的频率间隔，把目标频段内的细节铺开；二是带外强分量被低通滤波器滤掉，不再通过窗函数旁瓣干扰目标频段；三是抽取后数据量减少，同样的FFT计算量可以覆盖更窄的频率范围，适合做逐段精细扫描。

2. 细化谱原理拆解：Zoom-FFT怎么把镜头拉近

2.1 第一步：复调制，把目标频段搬到零频

假设原始信号的频谱以0Hz为中心，正负频率各有一半。细化谱第一步是把fc处的频率成分搬到零频附近，这是通过乘以一个复指数实现的：

x_shift(n) = x(n) · e^(-j·2π·fc/fs·n)

这里有一个关键细节：为什么用复指数，而不是用cos(2π·fc/fs·n)做实调制？因为乘复指数做的是单边带搬移，只把正频率方向上的fc附近分量往0频移动，不会产生两个互相重叠的搬移副本。乘余弦会把频谱同时往正负方向各搬一次，两部分叠在一起就乱套了。

实际编程里这步就是一行复数乘法。唯一要注意的是数据量大时，这步会产生一个和原数据等长的复数组，内存占用翻倍，老机器上做长数据得很注意。另一个容易忽略的点是fc不能超过fs/2，也不能太靠近0，否则搬移后的目标频段会不完整。

2.2 第二步：低通滤波加抽取，把采样率降下来

搬移完成后，目标频段虽然到了零频附近，但数据里还混着远处频段的成分，这时候不能直接抽点，必须先低通滤波。道理和采样定理一样：后续要对信号做整数M倍抽取，等效采样率变成fs/M，新采样率能无混叠表示的最高频率只有fs/(2M)。如果不把高于这个频率的分量滤干净，抽取后它们会折叠回目标频段，形成虚假谱峰。

滤波器截止频率的设置是个经验活。一般取抽取后新奈奎斯特频率的0.8倍左右，也就是截止频率约为0.4×fs/M，留出20%的过渡带余量。我用的是8阶巴特沃斯滤波器配合filtfilt做零相位滤波，这样不会给谱线引入相位失真。用filtfilt的前提是数据长度要够，至少是滤波器阶数的几倍以上，否则首尾效果会很差。

滤波完成后按M倍抽取，每隔M个点取一个样本，数据长度变为原来的1/M。抽完之后的信号，采样率是fs/M，目标频段完整保留，频段外面的东西基本被滤掉了。这一步是把“镜头”对准窗户的关键，也是细化谱计算量低于直接长数据FFT的原因。

2.3 第三步：重采样FFT与频率轴换算

抽取后的数据做FFT，得到的是零频附近的细化谱，频率间隔为：

Δf_zoom = (fs/M) / Nfft

其中Nfft是细化后做FFT的点数。输出频率轴不能直接当作0Hz附近，必须加回中心频率：

f = fc + (0 : Nfft/2) × Δf_zoom

也就是说，细化谱图横轴是fc左侧和右侧的窄带范围。很多新手写出来谱图位置不对，十有八九是这步忘了加fc，或者把原始采样率当成了抽取后的采样率去算频率间隔。

幅值恢复也要注意。细化谱是单边幅值谱，FFT结果要乘以2恢复实信号在该频率处的幅值，同时用窗函数做幅值修正：幅度修正系数是N/sum(win)，而不是简单的2/N。如果不加窗，才能直接用2/N；一旦加了汉宁窗，就必须除以窗函数系数之和，否则幅值会系统性偏小。

2.4 关于分辨率的一个常见误解

有朋友问，细化谱是不是能突破物理极限，让相邻5Hz的两个频率分量也能分开？别期望太高。理论上，如果你有L点数据，原始采样率fs，普通全带FFT的频率间隔是fs/L。细化谱把数据每M点抽一个样本，采样率变成fs/M，有效点数变成L/M，算下来频率间隔还是fs/L。也就是说，独立频率信息的数量没有增加，细化谱并没有“无中生有”。

那为什么实战中细化谱就是比直接FFT清楚？原因有两个。第一，普通FFT如果只用1024点或2048点去覆盖全带，分辨率确实有限；细化谱把全部数据的分析能力集中到一个窄带里，显示间隔小得多。第二，也是更关键的，带外强分量在细化前已经被低通滤波器干掉了，窗函数旁瓣不再掩盖弱边频，信噪比大幅提升。说得直白点，细化谱提升的是“工程分辨率”和“谱图可读性”，不是物理分辨率。真想突破物理分辨率，得靠AR模型、MUSIC这类参数化谱估计方法，那是另一套玩法。

3. Matlab实现：可直接套用的细化谱函数与参数调试

3.1 核心函数zoom_fft的完整代码

下面这个函数我把步骤拆得很开，每一行都能对照上面的原理去理解。依赖的是Matlab信号处理工具箱里的butter、filtfilt、hanning函数，没有这些函数的话，用fir1设计FIR滤波器代替也能实现，幅值修正的逻辑不变。

function [f, Xz] = zoom_fft(x, fs, fc, M) % 细化谱分析（Zoom-FFT） % 输入： % x - 时域振动信号，行或列向量 % fs - 原始采样率，Hz % fc - 细化中心频率，Hz % M - 细化倍数，通常取4~32 % 输出： % f - 细化谱频率轴，Hz % Xz - 细化谱幅值（单边谱） x = x(:).'; % 统一转成行向量 L = length(x); % 1) 复调制频移：把fc附近的频谱搬到零频附近 n = 0:L-1; x_shift = x .* exp(-1j*2*pi*fc/fs*n); % 2) 低通滤波，截止频率取抽取后奈奎斯特频率的0.8倍 % 对应截止频率 fc_cut = 0.8 * (fs/M) / 2 = 0.4*fs/M % 归一化角频率 = 0.8/M [b, a] = butter(8, 0.8/M, 'low'); x_filt = filtfilt(b, a, x_shift); % 3) 整数抽取：每隔M个点取一个样本 idx = 1:M:L; x_dec = x_filt(idx); N = length(x_dec); % 4) 加汉宁窗，补零到2的幂次后做FFT % 注意：补零只做插值平滑，不提高物理分辨率 Nfft = 2^nextpow2(N); win = hanning(N); x_win = x_dec .* win(:); X = fft(x_win, Nfft); % 5) 单边幅值谱，按窗函数能量修正幅值 half = floor(Nfft/2) + 1; Xz = 2 * abs(X(1:half)) / sum(win); % 6) 频率轴：抽取后采样率变为fs/M df = (fs / M) / Nfft; f = fc + (0:half-1) * df; end

这个函数返回的f是从fc开始的单边细化频带，plot(f, Xz)就能直接画图。想看fc左侧的谱，画图时用xlim设置范围就行，因为f覆盖从fc到fc+带宽，xlim可以往左拉，比如xlim([fc-800, fc+800])，谱图会完整显示中心频率两侧。

3.2 用仿真信号验证程序

空跑函数不放心？我写一个仿真信号来验证，模拟“啮合频率8000Hz + 转频250Hz调制 + 12kHz强干扰 + 随机噪声”的齿轮箱场景。复制到脚本里直接跑。

fs = 51200; % 采样率 N = 8192; % 0.16秒数据 t = (0:N-1)/fs; fr = 250; % 转频 fm = 8000; % 啮合频率 % 幅值调制产生对称边频带：±250Hz一阶边频，±500Hz二阶边频 AM = 1 + 0.15*cos(2*pi*fr*t) + 0.05*cos(2*pi*2*fr*t); x = AM .* cos(2*pi*fm*t); % 加入带外强干扰和随机噪声，模拟现场复杂成分 x = x + 0.8*cos(2*pi*12000*t) + 0.02*randn(size(t)); % ---- 普通FFT，用1024点看窄带效果 ---- figure subplot(2,1,1) Nfft1 = 1024; win1 = hanning(Nfft1); X1 = 2*abs(fft(x(1:Nfft1).*win1, Nfft1))/sum(win1); f1 = (0:Nfft1/2)*fs/Nfft1; plot(f1, X1(1:Nfft1/2+1)) xlim([6000 10000]) title('普通FFT（1024点）') xlabel('频率 / Hz'), ylabel('幅值 / g') % ---- 细化谱，M=16 ---- subplot(2,1,2) [fz, Xz] = zoom_fft(x, fs, 8000, 16); plot(fz, Xz) xlim([7500 8500]) title('细化谱（M=16）') xlabel('频率 / Hz'), ylabel('幅值 / g')

普通FFT里，8000Hz主峰附近几乎看不到边频，12kHz的强干扰旁瓣把靠近主峰的弱分量都盖住了。细化谱一出来，8000Hz两侧±250Hz和±500Hz的边频带清晰可见，虽然二阶边频幅度只有0.025左右，但已经能从底噪里分辨出来。这个对比，就是细化谱“带外滤除+窄带聚焦”带来的实际效果。

3.3 细化倍数M和滤波器截止怎么定

细化倍数M是整个程序里最需要花心思的参数。M越大，等效采样率fs/M越低，显示带宽越窄，频率间隔越细。但M不是越大越好的无脑参数。

我的选择思路是先定需求：

• 待分析中心频率fc：通常是啮合频率或啮合频率的高次谐波。
• 需要覆盖的边频带宽度B：一般取±(3~5)倍转频。比如转频250Hz，想看三阶边频，B至少1500Hz。
• 理论最小细化倍数M_min ≈ fs / B，实际留2倍余量，M取2M_min附近。

比如fs=51200Hz，想看fc=8000Hz附近±750Hz的边频，带宽B=1500Hz，M_min≈34，取M=48或M=32都行。取32时显示带宽是fs/M=1600Hz，前文代码里低通截止约0.4×1600=640Hz，其实只能覆盖±640Hz，三阶边频750Hz会被衰减。想看到±750Hz，就得把滤波器截止从0.8/M改成0.95/M，或者把M降到16并接受更粗略的间隔。这个权衡要具体情况具体分析。

还有一个硬约束：抽取后有效点数N=L/M要足够做窗函数和FFT。工程上N最好在500点以上，否则窗函数主瓣太宽，细化谱的谱峰本身就糊掉了。如果数据长度只有4096点，M取32，抽取后只剩128点，这时候的细化谱不用看也知道是一堆大馒头，毫无细节。数据不够长就别硬上大M，要么加长采样时间，要么考虑用Chirp-Z变换做非整数倍细化。

4. 工程实战案例：把齿轮故障边频从底噪里捞出来

4.1 工况与数据背景

我曾经处理过一组航空发动机附件齿轮箱的振动数据。输入轴转速15000rpm，对应转频250Hz，主动齿轮32齿，一级啮合频率8000Hz。传感器安装在齿轮箱壳体径向，采样率51200Hz，每段数据0.64秒，共32768点。

现场频谱最闹心的是8000Hz附近。壳体上除了齿轮啮合振动，还有大量别的振动成分传来，轴承外圈特征频率、不平衡引起的低频分量、以及下一级齿轮的啮合谐波全都掺在一起。看普通FFT全带谱，8000Hz就是一根很宽的“小土包”，旁边矮矮地堆着几个峰值，根本分不清哪些是齿轮边频，哪些是带外分量泄漏过来的假峰。

4.2 普通FFT与细化谱的对比分析

先用普通FFT处理，取2048点一看，频率分辨率25Hz。8000Hz主峰两侧确实有东西，但边频幅度太低，谱线底噪又高，鼠标在图上拉来拉去也不敢判断。换成细化谱，M取16，目标频段变成8000Hz两侧各约640Hz，细化后频率间隔约1.56Hz，而且12kHz以外的强分量全被滤掉，谱底一下干净了很多。

谱图上的8000Hz主峰两侧，能清楚看到三根边频：7750Hz、8250Hz，以及7500Hz和8500Hz处的第二阶边频。第一阶边频幅值约为主峰的14%，第二阶约6%，比值低但很稳定。再往外的第三阶边频若隐若现，和噪声底接近，不敢下结论。这种“一阶明显、二阶可见、三阶存疑”的谱形，结合时域波形里没有明显冲击，判断是齿轮早期均匀磨损或轻度点蚀，还没到剥落阶段。

4.3 谱图判读：哪些边频值得警惕

诊断齿轮故障不能只看有没有边频。健康齿轮也会有边频，因为制造误差和装配误差不可避免地产生调制，但健康状态下边频带窄、幅度低、两侧对称。真正要警惕的是三类变化：

第一，高阶边频出现并逐渐超过一阶边频的幅度。一般局部剥落、齿根裂纹会产生很宽的边频家族，3阶、4阶甚至更多阶都能看到，这是故障能量往高频扩展的表现。

第二，边频带不对称。如果左右两侧边频幅度差很明显，往往和轴不对中、齿轮偏心这类问题相关，因为转频的径向分量让调制过程不再对称。

第三，细化谱里单根谱线变宽。正常边频是细细一根，如果细化谱上变成一簇密集的细碎谱线，说明转频存在波动，齿轮啮合状态不稳定。这时候别急着判故障，先看看是不是转速不稳，条件允许的话做角域重采样才能进一步确认。

5. 常见问题与避坑实录

5.1 六个高频问题的快速排查表

这段时间帮几个朋友看过细化谱程序，踩来踩去基本都是下面这些坑：

5.2 细化倍数越大越好？别再踩这个坑了

我刚写Zoom-FFT函数的时候，特别迷信大M。第一次调参数直接上M=128，觉得倍数越大肯定越精细。结果谱图出来，8000Hz主峰孤零零立着，边频全没了。我把滤波器、窗函数、幅值修正查了个遍，最后才发现是M=128时显示带宽只有400Hz，边频在7500Hz和8500Hz早就被低通滤波器削掉了。这就像拿着长焦镜头，结果焦段太长，想拍的目标窗户已经出了画面。

从那以后我定了个规矩：先画普通FFT全局谱，标出关心的频率范围；再算目标带宽B，反推M；最后看一眼抽取后剩余点数够不够。三个条件都满足才动手写细化谱参数。另外，细化谱要配合普通FFT一起看，先全局后局部，就像先看地图再放大街道，两步走才能保证不迷路。

最后分享一个我自己的操作习惯。拿到一段齿轮箱振动数据，我不会一上来就做细化谱，而是先看时域波形、看全局FFT、定位啮合频率和几个明显的边频段，心里有了大致判断再用zoom_fft逐段放大。判断故障时，我还会把细化谱和包络谱配合着看：细化谱看啮合频率附近的边频结构，包络谱看低频段的故障特征频率，两个角度互相印证。Matlab代码也别急着封装成黑盒子，第一次用的时候把复调制、滤波、抽取的中间结果逐个画出来看一遍，搞清楚每一步数据发生了什么变化，后面换工况、调参数才不慌。这行当的经验就是这么一行一行调出来的。