Anti-aliasing nonstationary signals detecion algorithm based on interpolation in the frequency domain using the short time Fourier transform

To eliminate the aliasing that appeared during the measurement of multi-components nonstationary signals, a novel kind of anti-aliasing algorithm based on the short time Fourier transform （STFT） is brought forward. First the physical essence of aliasing that occurs is analyzed; second the interpolation algorithm model is setup based on the Hamming window; then the fast implementation of the algorithm using the Newton iteration method is given. Using the numerical simulation the feasibility of algorithm is validated. Finally, the electrical circuit experiment shows the practicality of the algorithm in the electrical engineering.

Suppression to the cross-channel interference based on the short time Fourier transform

A new cross-channel interference suppression method is proposed to decrease the cross-channel interference in beat signals based on the short time Fourier transform （STY3＂） and the inverse short time Fourier transform （ISTFT） when the dual-orthogonal polarimetric frequency-modulated continu- ous wave （FMCW） radar adopts the opposite-slope linear frequency modulation signal pair in the simultaneous measurement mode. The STFT is applied only on the signals in the cross-interference intervals in the four polarimetric channels to decrease the computation complexity. A mask matrix for suppressing the interference is constructed using the constant false alarm ratio （CFAR） detection on the spectrograms by the STFY. The simulative results show that the cross-channel interference is effi- ciently suppressed by the proposed method. The comparison between the proposed method and the rejection method verifies the improved performance of the proposed method.

Application of short-time Fourier transform to high-rise frame structural-health monitoring based on change of inherent frequency over time

The high-rise frame structure has become more and more widespread, like its damage from the complication of the environment. The traditional method of damage detection, which is only suitable for the stationary signal, does not apply to a high-rise frame structure because its damage signal is non-stationary. Thus, this paper presents an application of the short-time Fourier transform(STFT) to damage detection of high-rise frame structures. Compared with the fast Fourier transform, STFT is found to be able to express the frequency spectrum property of the time interval using the signal within this interval. Application of STFT to analyzing a Matlab model and the shaking table test with a twelve-story frame-structure model reveals that there is a positive correlation between the slope of the frequency versus time and the damage level. If the slope is equal to or greater than zero, the structure is not damaged. If the slope is smaller than zero, the structure is damaged, and the less the slope is, the more serious the damage is. The damage results from calculation based on the Matlab model are consistent with those from the shaking table test, demonstrating that STFT can be a reliable tool for the damage detection of high-rise frame structures.

基于STFT图像和迁移学习的次同步振荡源定位方法

直驱风机与电网交互引发次同步振荡,严重威胁电网的安全稳定运行。为快速定位诱发机组,提出了一种基于短时傅里叶变换(STFT)图像和迁移学习的次同步振荡源定位方法。首先,采用压缩感知技术将出口数据转化为观测信号,再对观测信号进行STFT得到具备振荡特征的映射图,构建映射图与振荡源机组之间的联系;然后,采用对抗式迁移学习架构,结合电力系统,实现对目标域无标签振荡数据的快速泛化;最后,与传统迁移学习方法进行比较,结果表明所提方法在定位准确率和效率方面表现更优,且具备较强的抗噪能力。

基于STFT-ECA-ResNet18网络模型的滚动轴承变负载故障诊断

针对传统方法处理变负载轴承故障诊断时存在的自适应能力弱,模型泛化性差的问题,提出了一种改进的基于深度残差网络的故障诊断方法。首先,将采集到的一维时间序列信号进行短时傅里叶变换得到二维时频数据,再利用二维卷积神经网络从变换后的数据中提取特征。然后,通过高效通道注意力机制获取通道全局信息并对其权值进行调整,以增强改进网络模型的泛化能力,使其在变负载工况下分类效果得到提高。最后,通过仿真对所提方法进行了验证,结果表明相比传统方法诊断效果改进明显。

空气涡轮起动机异常振动诊断的STFT分析

采用短时傅里叶变换分析方法,对某型空气涡轮起动机在交付前试验流程的起动过程振动响应进行非平稳特征分析,有效识别振动幅值偏大,判定异常振动,避免其交付后出现振动故障。通过对比空气涡轮起动机起动过程的正常状态与振动异常状态的短时傅里叶时频谱分析,获得异常振动的时频谱特征,对导致异常的零部件和装配因素进行了分析。结果表明:将短时傅里叶变换应用于空气涡轮起动机起动过程的振动信号分析能够对振动的非平稳特征进行有效识别。

基于短时傅立叶变换和改进Vision Transformer的滚动轴承故障诊断方法

针对传统故障诊断技术在精确与高效地诊断减速器滚动轴承故障信号方面所面临的挑战,文中提出了一种基于短时傅里叶变换与改进Vision Transformer模型的故障诊断新方法。此方法有效融合了短时傅里叶变换在处理非线性和非平稳信号上的优势以及Vision Transformer在图像分类任务上的卓越性能。通过短时傅里叶变换将一维的振动信号转化为包含时域和频域信息的二维图像数据,进而利用改进的Vision Transformer模型对这些图像数据进行处理,以实现对滚动轴承故障状态的精准诊断。在公开数据集上的实验结果验证了该方法的稳定性与高识别精度,展示了其在滚动轴承故障诊断领域的应用潜力。

基于STFT与改进ConvNeXt配电网故障区段定位方法研究

在目前的配电线路智能故障诊断研究方法中,存在着难以充分提取故障特征、抗噪声干扰能力弱、抗高阻能力差等问题。提出了一种基于短时傅里叶变换(STFT)并引入迁移学习的改进ConvNeXt配电网故障区段定位方法。该方法通过采集配电网各馈线两端的零序电流,计算出各馈线两端的零序电流幅值差,然后将各段的零序电流幅值差拼接成一个组合信号,用STFT处理组合信号,得到时频图,并将得到的时频图分为训练集和测试集。仿真结果表明,基于STFT并改进的ConvNeXt配电网故障区段定位方法在不同的故障距离、不同的接地电阻和不同的初始故障角度下都能有效地实现故障区段的选择,并且该方法具有较强的抗高阻能力以及较强的抗噪声干扰能力,在部分数据丢失的情况下仍能准确进行区段定位。

FM interference suppression for PRC-CW radar based on adaptive STFT and time-varying filtering

The influence of frequency modulation （FM） interfer- ence on correlation detection performance of the pseudo random code continuous wave （PRC-CW） radar is analyzed. It is found that the correlation output deteriorates greatly when the FM inter- ference power exceeds the anti-jamming limit of the radar. Accord- ing to the fact that the PRC-CW radar echo is a wideband pseudo random signal occupying the whole TF plane, while the FM in- terference only concentrates in a small portion, a new method is proposed based on adaptive short-time Fourier transform （STFT） and time-varying filtering for FM interference suppression. This method filters the received signal by using a binary mask to excise only the portion of the TF plane corrupted by the interference. Two types of interference, linear FM （LFM） and sinusoidal FM （SFM）, under different signal-to-jamming ratio （S JR） are studied. It is shown that the proposed method can effectively suppress the FM interference and improve the performance of target detection.

基于STFT-FRFT的声纳脉冲信号实时检测和参数估计

声纳脉冲参数是分辨目标的重要信息来源,在进行目标识别时可以将目标发射的声纳脉冲参数作为一项重要的识别特征,因此正确检测和估计声纳脉冲参数具有重要意义。为解决水下未知声纳脉冲信号实时检测和参数估计的难题,提出了基于短时傅里叶变换(Short Time Fourier Transform,STFT)和分数阶傅里叶变换(Fractional Fourier Transformation,FRFT)相结合的算法(STFT-FRFT)。STFT-FRFT首先对未知信号采用短时傅里叶变换算法和自适应门限设置算法进行脉冲实时预警。脉冲预警后获取未知脉冲的起始位置和截止位置,然后截取本段信号采用分数阶傅里叶变换算法进行脉冲参数估计。理论研究及数据分析表明,此算法不仅可以保证信号检测的实时性,而且能准确估计出声纳脉冲信号的脉宽、中心频率、调频宽度和周期等参数,为后期目标分类识别提供依据。

基于STFT和CNN-Attention的配电终端采集模块故障诊断研究

针对复杂工况运行环境下配电终端采集模块故障类型难以识别的问题,提出一种基于短时傅里叶变换(STFT)、卷积神经网络和注意力机制(CNN-Attention)的配电终端采集模块故障诊断方法。首先,分析配电终端采集模块不同故障类型会产生的对应故障数据,建立故障数据集。然后,基于STFT提取故障数据的故障时频特征以形成时频图,采用CNN-Attention模型对时频图进行故障诊断与匹配。算例分析表明,CNN-Attention的故障检测准确率为97.31%,相较于CNN和极限学习机(ELM)模型,故障诊断准确率分别提升了1.22%和4.4%。Attention机制能够有效解决CNN在特征提取时产生的冗余信息导致模型训练慢、难以收敛的问题。该研究实现了配电终端采集模块具体故障类型的准确识别,能为后续配电终端的运维提供参考。

Short-Term Sinusoidal Modeling of an Oriental Music Signal by Using CQT Transform

In this paper, we propose a method for characterizing a musical signal by extracting a set of harmonic descriptors reflecting the maximum information contained in this signal. We focus our study on a signal of oriental music characterized by its richness in tone that can be extended to 1/4 tone, taking into account the frequency and time characteristics of this type of music. To do so, the original signal is slotted and analyzed on a window of short duration. This signal is viewed as the result of a combined modulation of amplitude and frequency. For this result, we apply short-term the non-stationary sinusoidal modeling technique. In each segment, the signal is represented by a set of sinusoids characterized by their intrinsic parameters: amplitudes, frequencies and phases. The modeling approach adopted is closely related to the slot window;therefore great importance is devoted to the study and the choice of the kind of the window and its width. It must be of variable length in order to get better results in the practical implementation of our method. For this purpose, evaluation tests were carried out by synthesizing the signal from the estimated parameters. Interesting results have been identified concerning the comparison of the synthesized signal with the original signal.

融合CNN和ViT的声信号轴承故障诊断方法

针对轴承故障诊断任务数据量少、故障信号非平稳等特点,提出一种短时傅里叶变换、卷积神经网络和视觉转换器相结合的轴承故障诊断方法。首先,利用短时傅里叶变换将原始声信号转换为包含时序信息和频率信息的时频图像。其次,将时频图像作为卷积神经网络的输入,用于隐式提取图像的深层特征,其输出作为视觉转换器的输入。视觉转换器用于提取信号的时间序列信息。并在输出层利用Softmax函数实现故障模式的识别。试验结果表明,该方法对于轴承故障诊断准确率较高。为了更好解释和优化提出的轴承故障诊断方法,利用t-分布领域嵌入算法对分类特征进行了可视化展示。

基于短时傅里叶变换和深度网络的模块化多电平换流器子模块IGBT开路故障诊断

针对现有模块化多电平换流器(MMC)子模块故障诊断过程中所需传感器较多、测量干扰较大等问题,提出一种基于深度学习的MMC子模块IGBT开路故障诊断方法。在对MMC子模块开路故障特征进行分析的基础上,利用短时傅里叶变换(STFT)提取桥臂电压信号的谐波分量信息作为故障诊断所需的特征参数。将所得到的特征参数进行处理后构建故障诊断样本,在通过深度置信网络实现故障类型快速检测的基础上,依据不同故障类型,构建多个基于卷积神经网络的故障定位网络,进而实现开路故障的检测与定位。通过129电平的MMC系统仿真模型和降功率的MMC实验系统搭建,对该文所提方法进行了验证。仿真和实验结果表明,所提故障诊断方法可以在减少传感器数量的基础上实现子模块开路故障的诊断,提高系统的可靠性。

基于自适应短时傅里叶变换的品质因子Q值估算方法

品质因子Q是描述地下介质对地震波吸收衰减强弱程度的参数,同时也是地层含油气性的重要标志。在地震资料Q估算中,常用的方法是短时傅里叶变换方法,当窗函数被选定以后,其时频分辨率就固定了。针对该问题,提出一种自适应窗短时傅里叶变换的方法,以获得更准确的瞬时中心频率,并利用峰值频移法来估算品质因子Q。首先,利用固定窗长的短时傅里叶变换来提取信号的瞬时中心频率作为初始频率;然后,根据初始频率自适应计算不同频率的窗长,并利用自适应窗长短时傅里叶变换来求取瞬时中心频率;最后,结合峰值频移法得到高分辨率的品质因子Q值。利用合成数据和实际数据进行了测试,结果表明,相比于固定时窗短时傅里叶变换方法,自适应短时傅里叶变换方法具有更好的时间和频率分辨率,可以获得更高分辨率的品质因子Q值。该结果可以为地下介质的研究提供更准确、可靠的工具,有助于更好地了解地下结构和油气资源分布情况。

融合短时傅里叶变换和卷积神经网络的托辊故障诊断方法

托辊故障已成为带式输送机运行中的常见问题。若不能及时诊断托辊故障,则将严重制约带式输送机的安全运行。为了解决上述问题,基于某矿带式输送机中间段托辊的实际运行工况,提出了一种融合短时傅里叶变换(short-time Fourier transform,STFT)和卷积神经网络(convolutional neural network,CNN)的托辊故障诊断方法。首先,以分布式光纤为基础,对托辊在正常、轴承损坏及筒皮断裂工况下运行时的振动信号进行采集并作STFT处理,得到对应的时频图样本集,并将其分为训练集和测试集。然后,将训练集输入CNN模型以进行诊断模型训练,在训练过程中不断更新不同工况下托辊的运行状态特征。最后,将训练好的CNN模型应用于测试集,并输出托辊运行状态的识别结果。结果表明,所构建的CNN模型的识别准确率高达99.6%。基于所提出的故障诊断方法,在某矿上开展现场实验,以进一步验证CNN模型的识别准确率。实验结果表明,CNN模型对带式输送机中间段托辊的运行状态有较高的识别准确率,可达96.5%,与测试集上的识别准确率仅相差3.1个百分点,说明所提出的故障诊断方法具有一定的可靠性。后续可通过不断增加不同工况下托辊的运行数据来提高该故障诊断方法的鲁棒性,这可为煤矿企业有效诊断托辊故障提供有力的理论基础。

基于多通道卷积神经网络的柴油机复合故障诊断

针对复合故障诊断精度较低的问题,开展了柴油机多故障模拟实验,构建了基于AlexNet改进的多通道二维卷积神经网络模型,采用短时傅里叶变换将一维振动信号转换为二维时频图,导入构建的模型进行训练,实现特征自适应提取的故障诊断。将诊断结果与单通道卷积神经网络诊断结果比较发现:单通道卷积神经网络诊断只有在测点设置靠近故障源的情况下才能够获得较高的故障诊断准确率,否则诊断准确率明显降低,且复合故障诊断精度较低;多通道卷积神经网络的单故障和复合故障诊断精度均得到了提升,其中复合故障诊断精度提升了11.4%。

电力系统强迫振荡源定位的时-频域耗散能量流方法

准确定位强迫振荡源对电力系统的安全稳定运行意义重大。然而,由于强迫振荡模式的可观性和振荡时变特征,传统方法难以从多通道量测信息中有效提取振荡分量,从而降低了基于耗散能量流的强迫振荡源定位方法的定位精度。为此,提出了一种基于耗散能量流的电力系统强迫振荡源时-频域定位方法。首先,根据节点各量测通道间信息相关性,利用同步压缩短时傅里叶变换处理节点多通道量测信息,构建节点统一时-频系数矩阵;然后,根据强迫振荡分量的能量特性,利用时-频域能量筛选并同步提取时-频系数矩阵中的时-频域强迫振荡分量;进一步,根据测量信息的时-频域特性,在传统时域强迫振荡耗散能量流计算模型的基础上推导出基于同步压缩短时傅里叶变换的时-频域耗散能量流计算模型,并根据系统强迫振荡期间的时-频域耗散能量流能量特性定位强迫振荡源;最后,将所提方法应用于WECC 179节点测试系统、WECC 240节点测试系统的仿真振荡场景以及美国New England的实际振荡事件,所得结果表明所提时-频域定位方法可快速、精准定位强迫振荡源。

基于改进K均值聚类的语音情感识别深度学习方法

针对当前语音情感识别(Speech Emotion Recognition, SER)方法中准确性低和时间复杂度高的问题,提出一种基于改进K均值聚类的语音情感识别深度学习方法。采用改进的K-均值聚类算法从整个音频信号中选取反映情感特征的关键片段;使用短时傅里叶变换将所选序列转化为一个谱图;利用深度残差模型ResNet和深度双向长短时记忆Bi-LSTM网络从空间和时间上学习表征谱图中与情感相关的隐藏特征,基于Softmax分类器获得最终的情感分类。实验结果表明,所提方法比其他识别方法具有明显的优势,在改善情感识别率的同时,降低了模型的处理时间。

基于深度学习的电机故障诊断

故障诊断在保证电机的稳定运行中占据着非常重要的地位,因此,故障诊断在当前的研究中是一个热点。该研究利用短时傅里叶变换把一维的振动信号转换成二维的时频图,进而解决电机轴承的振动信号的非线性和不稳定性问题,并且作为卷积神经网络的输入,通过对故障特征信号的直接提取,来形成样本数据集,通过卷积神经网络与softmax多分类器来建立故障诊断模型,在Python中验证该算法优化的准确性,证明了该算法可以提高电机故障诊断的准确率。