听一段轴承录音，嗡嗡声里混着尖啸，普通傅里叶变换只能告诉你有哪些频率成分，说不清尖啸是全程都有还是某个时刻突然冒出来。要看频率怎么随时间变化，就得靠时频分析。

核心思路不复杂

把信号切成一小段一小段，每段各自做频谱，再把结果按时间排开，得到时间加频率的二维图：横轴时间，纵轴频率，颜色深浅代表能量强弱。窗短，时间看得准但频率糊；窗长，频率分得细但时间模糊，两头不能全占，这是不确定性原理定死的。窗口长度的选择有讲究，语音常用 20 到 40 毫秒一窗，机械振动看特征频率，经验做法是扫几档窗长对比结果。读图有个直观技巧：横平竖直的能量线是稳态频率，斜线代表频率在漂移。

常用方法对比

  • 短时傅里叶变换：固定窗滑动，实现简单、结果直观，工程里用得最多。
  • 小波变换：窗宽随频率自适应，低频看得细、高频跟得快，适合突变信号。
  • Wigner-Ville 分布：分辨率高，多分量信号会有交叉项干扰，要配核函数压制，初学者容易把交叉项当成真实信号。
  • 同步压缩变换：把模糊的能量脊线重新对齐，图更锐利，计算量也更大。

都用在哪

机械故障诊断里看轴承、齿轮的冲击出现在哪个时刻；语音处理里跟踪共振峰走向；脑电分析里看节律变化；音乐信息检索里做音高跟踪，做音频的还会用它看混响和乐句的频率走向，思路一样。地震勘探、雷达信号处理也是老用户，方向不同套路相通。凡是信号频率本身在漂移、纯频谱图不够用的场景，基本都会轮到它出场。

想自己跑一遍怎么办

Python 用户装 scipy 和 matplotlib 就能起步：读入信号，调用短时傅里叶变换函数，幅度取对数后画热力图，二十行以内能出图。注意采样率参数要和原始数据一致，不然时间轴全错。测试数据别用太大的文件，几千到几十万个采样点起步正合适。先把 STFT 的窗口长度和重叠率玩明白，再谈小波。

上手顺序建议：先用短时傅里叶变换出一版热力图，能看到想要的特征就停手。图画出来记得标横纵轴单位和窗参数，回头对比才有意义，看不懂的图等于白算。