基于STFT同步压缩变换和ResNet参数迁移的滚动轴承智能诊断

为提升舰船用泵的滚动轴承的故障诊断准确率,提出一种基于短时傅里叶变换(STFT)同步压缩变换和ResNet参数迁移的智能诊断方法。采用基于STFT的同步压缩变换算法,将轴承的一维振动信号变换为二维时频图,再将时频图输入至基于参数迁移的深度残差卷积神经网络(ResNet)中进行特征提取和故障识别。利用实验室的轴承故障模拟数据对所提方法的有效性进行验证,并将所提的网络模型与其他经典模型进行对比。所提方法具有较高的诊断准确率、抗噪性和泛化性。研究结果可为舰船用泵的滚动轴承的智能诊断提供参考。

STFT结合2D CNN-SVM的齿轮箱故障诊断方法

为提高齿轮箱故障诊断的有效性和故障识别的准确率,提出一种基于短时傅里叶变换(Short-term Fourier transform,STFT)、二维卷积神经网络(Two-dimensional Convolutional Neural Network,2D CNN)和支持向量机(Support Vector Machine,SVM)相结合的齿轮箱故障识别方法。搭建JZQ250型定轴齿轮箱实验平台,利用加速度传感器获得齿轮箱振动信号,并对振动信号进行短时傅里叶变换得到二维时频图,然后将时频图输入到2D CNN中进行特征信息提取,通过2D CNN前向传播和反向传播对不同类别故障时频图信息进行训练,建立不同类别特征之间更深层次的联系,通过训练集和验证集loss曲线、准确率曲线和t-SNE可视化(t-Distributed Stochastic Neighbor Embedding,t-SNE)多种方法来反映模型训练程度,最后由SVM对故障类型进行识别。通过将所提出的方法与FFT-2D CNN、1D CNN-SVM和2D CNN-SVM对齿轮箱故障识别结果进行对比,本方法故障识别准确率最高,达到97.94%,且提出的方法具有很好的鲁棒性。

基于STFT的振动信号解调方法及其在轴承故障检测中的应用

从信号滤波角度,对基于STFT的振动信号解调方法的原理和影响其解调性能的各种因素进行了严格的理论分析,指出该解调方法实质是基于复解析带通滤波的H ilbert变换解调法。严格证明了在利用H ilbert变换进行包络解调分析时,只要带通滤波器通带范围包括调制信号的部分频率成分,就可解调出被调制信号的周期成分。为了避免对所有的解调信号序列进行包络谱分析,提出按峭度值最大化准则选择一组含有丰富故障信息的解调信号序列进行包络幅值谱分析。基于以上讨论,给出了实用的基于STFT的振动信号解调算法。为了验证提出的解调算法的有效性,用该算法对仿真和实际轴承故障信号进行了解调分析,分析结果表明,利用该算法能有效地检测轴承故障。

小波分解-STFT方法在地形变观测数据中的应用

把小波分解与短时傅里叶变换(STFT)相结合,实现了对信号高频部分和低频部分的精细分解,同时给出信号高频部分的时频谱,结果直观明确,计算过程简单。这种方法不仅可以作为连续形变观测数据的常规分析方法,也可用于其他连续观测数据的分析。

STFT在AE信号特征提取中的应用

机械故障或损伤引发的声发射信号南高频突发脉冲信号和长周期准平稳噪声信号组成,适宜用短时傅里叶变换(STFT)描述其时频特征。本文通过分析典型AE信号及其特征提取,首次将STFT引入声发射故障诊断领域,并提出了AE信号的STFT分析法。通过理论分析和仿真,确定了AE信号STFT的理想窗函数及其参数选择,有效地克服了STFT只用一个固定窗分析多尺度信号的缺陷。将STFT用于声发射检测的滚动轴承损伤类型及部件的识别,诊断结果十分准确、清晰和直观。仿真分析和实验研究均表明了STFT能有效提取AE信号的特征,为AE信号的波形分析开辟了一条有效的途径。

基于SVD降噪和STFT解调方法的轴承故障检测

针对目前振动信号STFT解调方法在轴承故障检测应用中存在的不足,提出奇异值分解降噪与STFT解调相结合的轴承故障检测新方法。利用振动测试响应信号重构系统的相空间,得到吸引子轨迹矩阵,然后对轨迹矩阵进行奇异值分解以剔除噪声,并利用STFT技术对降噪信号进行解调分析。对于轴承故障自动检测中如何准确选出1组含有丰富故障信息的解调信号序列用于解调谱分析这一难题,提出按修正的归一化峭度(MKv)最大化准则进行选择。仿真和实际轴承故障信号分析结果表明,与传统的基于STFT解调的检测方法相比,提出的改进方法可以更早地发现轴承早期故障,实用性更强。

基于EMD和STFT柴油机缸盖振动信号时频分析

以柴油机缸盖振动信号为研究对象,提出经验模式分解(EMD)和短时傅里叶变换(STFT)相结合的时频分析法。该方法首先利用EMD对缸盖振动信号进行自适应分解,得到一系列本征模态分量(IMF)。根据各分量的特点有针对性地选择高斯窗和汉明窗分别进行STFT,并以时频聚集性指标为目标函数计算各分量的最佳时频分布,最后叠加得到原始信号的最佳时频分布。经对比分析,该方法解决了窗函数及窗宽的选择问题,有效提高STFT的时频分辨率,准确描述柴油机缸盖振动信号的时频分布。

采用STFT-Wigner变换抑制Wigner-Ville分布交叉项

对于多分量非平稳信号分析,维格纳时频分布Wigner-Ville(WVD)存在严重的交叉项干扰。而GWT避免了Wigner-Ville分布的交叉项干扰而且具有良好的时频聚集性。但由于Gabor变换的时频聚集性不佳,当多分量信号进行Gabor变换时如果信号中各分量频率混叠,Gabor Wigner transform(GWT)就不能得到理想的结果。提出一种改进的STFT-Wigner算法,可以有效的抑制交叉项,并保持较高的时频聚集性。通过分析仿真信号和实测振动信号表明该方法能够取得良好的效果。

基于瞬时转速的变窗STFT变换

针对旋转机械振动信号的非平稳特性及其与转速变化之间的关系,发展了一种基于可变窗短时傅里叶变换(STFT)的精细时频分析方法。该方法首先根据转速曲线的斜率变化规律对转速曲线进行了最优分段,并对每个时间段内的转速数据进行二次曲线拟合;继而在拟合参数的基础上,对STFT移动窗的窗型及窗长进行设计计算;然后根据转速曲线的时间分段点将被分析的旋转机械信号分割成相应时间段内的子信号,再采用每个时间段内设计的窗函数对每个子信号分别进行STFT变换,并把每个时段上求得的时频分布拼接成被分析信号的整体时频谱。仿真和应用试验表明,采用这种基于瞬时转速的新型时频变换,能够得到较理想的时频分辨率,非常适合于旋转机械信号的精细时频分析,具有良好的研究价值和发展前景。

基于NSTFT-WVD变换的芦山M_S7.0级地震前后地球天然脉冲电磁场信号时频分析

本文针对地球天然脉冲电磁场（ENPEMF）信号的非平稳性特点,通过采用归一化STFT-WVD变换（NSTFT-WVD）提取芦山MS7.0地震前地表天然脉冲电磁场信号的时频特性,来研究大地震发生前地表天然脉冲磁场的时频特点。通过对线性调频信号分别进行Short-Time Fourier Transform（STFT）和WignerVille Distribution（WVD）,对比分析两者时频聚集的优缺点,提出采用NSTFT-WVD变换方法,可得到时频聚集特性更优且可抑制交叉项的时频分析方法。结果表明,对于ENPEMF非平稳信号,NSTFT-WVD变换能较为真实地反映震前ENPEMF信号的时-频-能量谱的联合分布特性,即震前1~2天呈现较为明显的脉冲全频率段静默状态,通道2和通道3数据的震前时频表现基本一致,具有较好的临震前兆的特点。

间歇采样转发干扰参数估计算法研究

基于数字射频存储器的间歇采样转发干扰作为一种新型相干干扰,具有相关性强、参数变化快的特性。这种干扰可通过设置干扰切片的宽度、数目以及转发次数同时达到欺骗和压制两种干扰效果,从而对现代雷达系统构成显著威胁。由于这类干扰的变化复杂且迅速,传统的单一抗干扰手段难以稳定有效地应对,因此,基于干扰参数的先验信息,动态调整抗干扰策略,成为了一种更为可靠和有效的解决方案。该文针对间歇采样转发干扰的参数估计问题,设计了一种基于Dechirp-STFT的间歇采样转发干扰参数估计方法。该方法首先采用短时傅里叶变换对解线调后的干扰信号进行时频分析,得到具有干扰信号时宽和时延特征的时频分布图,并根据干扰的时宽和时延特征进行干扰参数粗估计,估计出切片数目;随后,为提升在低干噪比下干扰参数估计性能,对接收回波信号进行时域反卷积处理,其在干扰切片的前后沿处会形成冲激脉冲对,利用冲激信号相比于sinc包络信号能量更为集中的特点进行参数精确估计,通过冲激脉冲对数和时宽估计干扰转发次数和切片宽度;最后,通过蒙特卡罗实验和实测数据证明了该参数估计算法的有效性,并验证了其在低干噪比下具有良好参数估计性能,能为抗间歇采样转发干扰技术提供更精确、更可靠的先验信息。

分数低阶alpha稳定分布的STFT时频分析方法

对于α稳定分布噪声的非平稳信号,仅用频域的一维分析方法是不够的,需要考虑进行二维的时—频域分析方法。在基于传统的短时傅里叶变换(STFT)基础上,针对分数低阶α稳定分布的特性,提出了分数低阶STFT新方法。计算机仿真结果表明,该分数低阶STFT方法能克服传统的STFT方法在对α稳定分布进行时频分析时的性能退化问题,为α稳定分布在时频域的研究开拓了全新的途径。

基于STFT填埋场衬层修补技术中振动信号分析

钻探灌浆修补技术是填埋场防渗层漏洞修补问题。为了准确控制钻头到达卵石层且不能击穿防渗层,根据不同介质层振动信号响应不同来判断卵石层,波形时域分析方法能区分卵石层但对钻头要求较高,实际应用中存在局限。采用短时傅里叶(STFT)时频分析方法在牙钻条件下对三种介质模型中的振动信号进行分析,利用相应频带的能量突变点来区分卵石层,通过选用合适的窗函数和窗长提取不同介质层信号进行仿真。实验结果表明,STFT能有效区分卵石层和其它介质层,具有很高的准确率。

旋转机械振动信号基于EMD的HT和STFT时频分析比较

基于经验模态分解(EmpiricalModeDecomposition,EMD)的希尔伯特变换(HilbertTransformation,HT),是先把一列时间序列数据通过经验模态分解,然后经过希尔伯特变换获得频谱的信号处理新方法。介绍了该方法的理论和算法。对仿真和旋转机械油膜涡动故障振动信号分别用基于EMD的HT和基于STFT(Short-TimeFourierTransforma tion,STFT)的时频分析进行了比较研究,研究结果说明,用基于EMD的HT方法对旋转机械的振动信号进行时频分析比STFT有效。

基于STFT谱图滑窗相消的微动杂波去除方法

微动杂波往往具有较大的多普勒展宽,会抬高噪底、湮没弱目标,造成虚警和漏检。有效去除微动杂波对提高雷达性能具有重要意义。该文利用匀速目标回波和微动杂波在短时傅里叶变换(STFT)谱图中的形态差异,提出了一种基于STFT谱图滑窗相消的微动杂波去除方法。具体地,匀速运动目标回波在STFT谱图中表现为特定频率单元上平行于时间轴的直线型能量条带,而微动杂波具有时变非平稳特性,在STFT谱图中呈现出横跨多个频率单元的时变复杂形态。将原始STFT谱图沿时间维滑窗得到新的STFT谱图,则目标回波分布在这两种谱图中的相同位置,而微动杂波在这两种谱图中的位置存在明显差异。因此将上述两种谱图相减,根据相减前后谱图中各单元的强度变化情况,即可将目标回波和微动杂波分离,达到去除微动杂波的效果。仿真和实测结果均验证了所提方法的有效性。与常见基于时频变换的L-statistics算法相比,所提方法能够在去除微动杂波的同时,较好地保留了目标回波。

基于STFT时频谱系数收缩的信号降噪方法

针对旋转机械故障振动信号的降噪问题,提出一种基于短时Fourier变换(short time Fourier transform,简称STFT)时频谱系数收缩的信号降噪方法。先将信号进行STFT,得到其时频谱。由于谱系数为复数,故根据模值大小进行谱系数收缩,并利用步长迭代算法在0到谱系数最大模值的区间内估计最优阈值。迭代运算过程中,首先,分别采用基本的硬阈值函数和软阈值函数进行系数收缩;然后,以改进风险函数为阈值评价标准,估计最优阈值;最后,利用最优阈值重新进行谱系数收缩,对得到的新谱进行STFT逆变换,重构降噪后的时域信号。仿真信号与试验数据的处理结果表明,利用所估计的最优阈值,STFT时频谱系数硬、软阈值函数收缩方法均能够实现噪声混合信号的降噪。

基于STFT方法对沿海宽频带倾斜仪的噪声分析

应用沿海台站莆田地震台、厦门地震台的宽频带倾斜仪观测数据,采用短时傅里叶变换(STFT)分析方法对宽频带倾斜仪的噪声进行分析[1-5],总结噪声的几种表现形态,分析对应的物理意义。宽频带倾斜仪噪声主要有台风干扰,线路接触不良,主板干扰信号等。研究结果可应用于宽频带倾斜仪观测数据的跟踪分析,同时也可以用来判断宽频带倾斜仪的故障类型。

STFT时频分析算法研究及其在列车振动分析中的应用

时频联合分析是处理非平稳信号的有效方法。由于其计算过程中产生的时频表示矩阵数据量大,导致可处理的原始数据的长度有限,只能处理较短的时间信号。而样本数据不够或采样时间太短又无法全面反映系统的特性。以使用短时傅里叶变换来分析某动车地板在加速过程中的时频特性为例。为解决这一问题,提出一种方法,首先根据分析频带对原始数据进行重采样,再对频率值进行合理的设置,大大增加可处理原始数据的长度。以某动车地板在加速过程中的时频特性分析为例,用短时傅里叶变换进行分析,验证此方法的有效性。

基于STFT和WT的SAR干扰抑制算法

窄带干扰(NBI)和宽带干扰(WBI)作为合成孔径雷达(SAR)中最为常见的两种干扰形式,它们的存在将会大幅度地降低SAR图像的质量.本文在对NBI和WBI的时频聚集性分析的基础上,提出一种联合短时傅里叶变换和小波变换的NBI和WBI抑制方法.该方法首先把SAR回波数据变换到短时傅里叶谱域再把短时傅里叶谱域数据变换到小波域,然后在小波域中采用恒虚警(CFAR)检测方法对小波系数进行干扰识别和干扰抑制,接着把干扰抑制后的小波系数变换到SAR原始回波数据域,利用常规的SAR成像算法进行成像处理,最后得到清晰无干扰的SAR图像.该算法在干扰抑制过程中对有用回波信号造成的损失比较小,并且可以有效地抑制时变的NBI和WBI.结合仿真和实测数据的处理,经过实验分析验证了本文方法的有效性.

基于Radon-STFT变换的含噪LFM信号子空间分解

由于线性调频信号占有非常宽的频带，用奇异值分解就不能将含噪线性调频信号分解成信号子空间和噪声子空间针对这一缺陷，本文提出了一种基于时颇面旋转的含噪线性调频信号的子空间分解算法文中分析了算法的性质，并提出了“伪信号子空间”的概念和用于检测直线倾角的Radon-STFT变换理论分析和仿真实验的结果表明了这种子空间分解方法对一类含噪线性调频信号是可行的．