在工业应用领域中，经常会处理传感器接收到的振动信号（vibration signal）。但是原始的信号是处于时间域的，对于某些情况来说，频率域的信号也许对于对系统的分析有着更大的帮助（频域信号可能更具有某些独特的特征），傅立叶变换所要解决的问题便是将时域信号变换到频域信号。但是他有一些致命的缺点：计算量太大，时间复杂度太高，如果采样点数过多的话，会导致计算缓慢，因此便出现了快速傅立叶变换（FFT）。
关于FFT的具体理论分析，这里不再赘述，网上关于FFT的理论分析、公式推导到处都是（其实是我也没有理解透彻😂）。这里主要讲一下在python中的实现过程，以及其相关的一些信号处理过程。
整个功能实现在了fftprocess函数中，包括图像的绘制、fft变化、归一化、取对数等操作。
首先绘制图像，观察原始信号的趋势图和分布图。
sampling_rate为数据点的采样频率（Hz），fft_size代表一个样本中包含的数据点的个数，signal代表传入的信号，时间标的单位为ms，linespace函数用来生成指定间隔内均匀间隔的数字，tstemp代表横坐标的时间标。下面是绘制出的图像。
接下来执行傅立叶变换的操作，在np.fft的包中，有两种fft方法供选择，一种是fft，另一种是rfft，如果样本数据点的个数为N，则fft方法返回N个变换后的数据点，rfft返回N/2+1个变换后的数据点。N个处理后的数据点事左右对称的，实际有效的数据只有N/2+1个，rfft返回的结果可以直接使用，不需要进行折半处理。
处理过后的结果，我们查看一下前五个数据的形式：
fft处理过后的数据是复数的形式，为了方便我们对数据进行处理，我们取它的绝对值（即取模运算，得到振幅），并计算每点对应的频率值（通过linspace），绘制出振幅谱：
通常在工程应用中，要对取绝对值后的结果进行归一化与取log的操作，归一化既可以在取模前进行，也可以在取模后进行，取对数可以缩小大值和小值之间的差距。
np.clip将输入限制在min(1e-20)与max(1e1000)之间，防止出现log(0)无法计算的情况。
最后返回经过快速傅立叶变换处理过后的信号数据。
