自适应窗口旋转优化短时傅里叶变换的变转速滚动轴承故障诊断

针对短时傅里叶变换(STFT)中固定窗效应所导致的能量集中度不高的问题,提出了一种自适应窗口旋转优化短时傅里叶变换(AWROSTFT)的变转速滚动轴承故障诊断方法。通过变分模态分解(VMD)对原始振动信号进行降噪,并利用粒子群优化算法(PSO)解决了VMD参数选择困难的问题;利用切线思想对STFT中水平窗口自适应匹配一系列的旋转算子,使得窗口旋转方向接近甚至等于瞬时调频率,提高了时频表示的能量集中度;计算出谱峰检测法提取到的瞬时频率与转频的平均比值,将得到的结果与轴承的故障特征系数进行匹配,以此实现变转速工况下滚动轴承的故障诊断。仿真和实验的结果都表明,本文所提方法能够兼顾PSO-VMD和AWROST-FT的优势,通过切线思想自适应的旋转窗口使得信号与窗函数在全局上的夹角都为零,从而达到提高能量集中度和锐化时频脊线的目的,实现了变转速工况下滚动轴承的故障诊断。

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。

短时傅里叶变换域最优非因果滤波器和滤波矩阵降噪算法

在现有短时傅里叶变换域单通道降噪算法考虑帧间相关性的基础上,为提高算法的灵活度以及滤波器的性能,提出了一系列最优非因果滤波器和滤波矩阵.具体地,通过引入非因果概念,设计出一组单通道非因果降噪滤波器,以实现同时利用过去帧和未来帧信息进行噪声抑制的目的.并在此基础上,推导出了一组最优单通道滤波矩阵,以降低算法的复杂度.将非因果滤波器以及滤波矩阵的思想相结合,进一步提出了一组单通道非因果滤波矩阵.随后,将所提算法扩展至多通道场景中,设计出了一组最优多通道非因果降噪滤波矩阵,以达到更好的降噪效果.最后,对所提算法进行了仿真实验.实验结果表明,与传统算法相比,本文提出的算法可有效改善带噪信号(输入信号)的信噪比,提升语音质量.

基于超宽带雷达回波短时傅里叶变换的土壤含水率检测

土壤体积含水率监测对提高农业生产效率和制定合理土壤管理措施具有重要意义。超宽带雷达由于其高距离分辨率、强穿透能力在农业土壤动态信息实时监测中得到广泛应用。但以往对超宽带雷达信号的处理主要关注时域特征,忽略了同样具有丰富信息的频域特征,使得回波信号在土壤体积含水率反演过程中无法得到充分利用,限制了土壤体积含水率的反演精度。本文基于超宽带雷达获取的土壤回波信号,对其进行预处理并提取与土壤体积含水率有关的回波信号,对该信号采用短时傅里叶变换(Short-time Fourier transform,STFT),分析与土壤体积含水率有关的回波信号随时序变化的时频谱特征,进而结合卷积神经网络(Convolutional neural network,CNN)建立土壤体积含水率分级以及回归预测模型。实验结果表明,基于添加高斯白噪声后的数据,对于土壤体积含水率的分级,将时频特征和CNN模型相结合时,分级总体精度和Kappa系数分别为98.69%和0.9849,相较于10个时域特征与植被指数NDVI(Normalized difference vegetation index)建立的支持向量机模型(Support vector machine,SVM),分级总体精度提升21.78个百分点,Kappa系数提高0.2515。对于土壤体积含水率的回归预测,将时频特征和CNNR(Convolutional neural network regression)模型相结合时,预测结果与真实值之间的决定系数(R^(2))为0.9872,均方根误差(RMSE)为0.0048 cm^(3)/cm^(3),相对分析误差(RPD)为6.2738,相较于10个时域特征结合植被指数NDVI建立的CNNR模型,R^(2)提升0.2316,RMSE降低1.3377 cm^(3)/cm^(3),RPD提高4.2714。综上,在土壤体积含水率分级和回归预测方面,本文所提方法较传统信号检测处理方法具有明显优势。

短时傅里叶变换结合DRSN的滚动轴承故障诊断研究

针对滚动轴承在复杂噪声环境下故障分类困难等问题,文章提出一种短时傅里叶变换(STFT)和深度残差收缩网络(DRSN)相结合的轴承故障诊断方法。首先利用短时傅里叶变换对滚动轴承原始振动信号进行时域频域处理得到信息更丰富的故障时频图样本,分为训练集和测试集;将软阈值模块引入到深度残差网络残差块中,其中的残差连接和软阈值模块能够滤除噪声并提取样本特征中的有效信息,输出到分类器上完成端对端的高准确率轴承故障分类。为验证所提方法的可行性,将该方法与其他模型作对比,实验结果表明,该方法在强噪声干扰下能表现出较高的分类性能,稳定性优于其他模型。

基于卷积神经网络的短时傅里叶变换

本研究提出了一种基于卷积神经网络(CNN)的短时傅里叶变换方法,用于揭示非稳态信号的频谱随时间的变化规律。我们设计了一个卷积神经网络,采用双层结构,并随机初始化网络权重系数,不包含偏置系数。输入数据为随机生成的一维信号,其傅里叶变换作为标签数据。通过使用平方误差作为损失函数,并运用梯度下降法对网络进行训练,网络逐渐学得输入信号到其傅里叶变换的映射规则。同时,我们观察到网络权重系数在迭代过程中逐渐逼近傅里叶变换的核函数。基于学到的核函数,我们进行了信号的时频分析。数值试验结果表明,以通过训练获得的核函数作为基函数的短时傅里叶变换能取得与传统窗口傅里叶变换相一致的结果,证明了该方法的有效性。这一基于卷积神经网络的短时傅里叶变换方法为处理非稳态信号提供了一种新颖而有效的途径。

基于短时傅里叶变换的电子式电流互感器在线校正研究

受环境温度、电磁干扰等因素的影响,电子式电流互感器在实际运行中会产生误差,为此,研究基于短时傅里叶变换的电子式电流互感器在线校正方法。通过短时傅里叶变换分析电子式电流互感器输出信号,评估出互感器测量误差,根据互感器误差频谱图自动校正输出信号的幅值与相位,实现电子式电流互感器误差的在线校正。结果表明,经过设计方法校正后,电子式电流互感器的幅值与相角测量误差显著减小,该方法可以有效提升互感器测量精度。

基于同步压缩短时傅里叶变换的毫米波雷达人体动作识别

针对人体动作识别问题,提出一种基于同步压缩短时傅里叶变换的人体动作识别方法。使用毫米波雷达进行人体动作数据的采集,将采集到的数据进行同步压缩短时傅里叶变换得到其时频图;然后使用卷积神经网络对不同动作进行微多普勒特征提取并分类。在数据采集部分,使用毫米波雷达进行数据采集,有效地避免了外界因素的影响;在时频分析部分,使用窗函数优化的同步压缩短时傅里叶变换提高了时频聚集性。实验结果表明,该人体动作识别系统对不同人体动作的识别率可达到91.7%。

基于静电信号和短时傅里叶变换的齿轮故障监测方法

传统振动监测需依附被检对象,从而引起振动干扰源激励的增多,使得变工况下齿轮振动信号的故障特征被干扰信号湮没。为了解决这一问题,以啮合齿轮组为研究对象,分析了静电监测信号的优势,推导了信号时频分析理论,提出了一种基于静电信号和短时傅里叶变换(STFT)的齿轮故障监测方法。首先,研究了静电监测技术机理,设计了带阻滤波器去除工频干扰,完成了信号预处理工作;然后,推导了短时傅里叶加窗变换的原理,并结合齿轮振动和静电实验数据,分析了其时频域信号特征;最后,搭建了齿轮故障监测平台,进行了齿轮啮合磨损区域静电监测实验,验证了从静电信号中提取出齿轮故障特征的普适性。实验结果表明:静电信号提取的齿轮特征频率为309.6 Hz,与齿轮实际啮合频率一致,静电信号的三维功率谱密度与齿轮转速、载荷呈现正相关关系;与齿轮的振动信号相比,静电信号包含的干扰频带少,且利用时频功率谱可凸显不同的故障信息。研究结果表明:采用静电信号能较好地获取变工况下齿轮的状态信息,克服了振动监测的不足,该齿轮故障监测方法具有一定的应用价值。

矩形窗三点插值傅里叶变换高精度频率估计方法

针对电力系统信号频率估计的高准确性要求,该文提出一种基于矩形窗的三点复频域插值频率估计方法。所提出的方法首先采用矩形窗对信号加权处理,然后进行离散傅里叶变换,最后选择离散频谱中幅度最大的三根谱线进行复频域插值,得到频率估计结果。该方法同时考虑离散频谱中的正、负频谱,消除短程和长程频谱泄漏对频率估计误差的影响。采用主瓣最窄的矩形窗进行加窗,能最大程度地减少白噪声对频率估计误差的影响。仿真和实验结果表明:在不同周期和噪声强度情况下,所提出的方法均可以实现对信号频率的准确估计。在与已有的加窗插值傅里叶变换方法相比,该文所提出的插值算法抗噪性更好、频率估计误差更小,适用于对电力系统信号频率的准确估计。

基于瞬时频率的窗宽递增寻优的短时傅里叶变换

讨论了窗函数在时频分析中的作用,分析了S变换的缺陷,指出了依据分析频率调整窗宽和使用窄窗均严重影响时频分析效果.以短时傅里叶变换为基础,提出了一种窗宽根据信号自身时变特征进行自主调节的时频分析方法,该方法以瞬时频率的变化作为判断信号频谱结构发生变化的依据,通过在瞬时频率变化之前逐次递增窗宽,使窗函数能够覆盖信号中的局部平稳区域的大部甚至全部,从而可对信号中的各局部平稳段得到最佳的时频分辨率.通过对线调频信号、时变信号和含噪声信号的分析和比较可知,本方法可准确描述信号的时间分布特征,并可同时获得最佳的频率分辨率,且对噪声不敏感,具有一定的先进性和实用性.

基于时频加窗短时傅里叶变换的LFM干扰抑制

通过对线性调频(LFM)信号分数阶傅里叶变换的分析,该文提出了一种基于时频加窗短时傅里叶变换(TFW-STFT)的LFM干扰抑制算法。由于提出的时频窗对LFM干扰具有较好的频域能量聚集性能,因此TFW-STFT对信号的影响要小于无聚集性能的短时傅里叶变换。仿真结果证明该算法在信噪比损失和系统误比特率上明显优于基于短时傅里叶变换的算法。

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。

组合窗函数的短时傅里叶变换时频表示方法

针对固定时间窗函数短时傅里叶变换(STFT)时频表示时间分辨率和频率分辨率相互制约,影响时频聚集性的缺陷,提出了一种组合窗函数的STFT时频表示方法。根据Heisenberg不确定性原理,分别利用长、短时间窗函数获得两组STFT时频表示,最终的时频表示以两组时频表示的乘积确定。仿真跳频信号和遥测振动数据处理结果表明:组合窗函数的STFT时频表示方法能有效提高STFT的时频聚集性,特别适用于跳频信号的分析。

短时傅里叶变换软件解调中窗函数影响分析

短时傅里叶变换(short-time Fourier transform,STFT)是一种常见的时频分析工具,窗函数的选择是其分析的前提.通过Matlab仿真讨论了在软件解调中不同分析窗函数及窗口长度对解调性能的影响,针对软件解调中解调精度和解调速度不可兼顾这一矛盾,采用全极点窗递归算法,有效地缓和了这一矛盾,得到了较理想的分析结果.

短时傅里叶变换和拟Wigner分布最佳窗函数

短时傅里叶变换和拟Wigner分布是应用最广泛的两种时频分析工具,其窗函数的选择是其应用的前提,对此仍有待深入研究。本文详细研究了其窗函数的选取准则,给出了在最佳频率分辨率意义上的最佳窗函数。

基于短时傅里叶变换的卷积神经网络复合故障诊断

针对传统故障诊断技术在复杂工况下滚动轴承复合故障振动信号进行故障诊断的准确率较低且泛化能力较差的问题,提出一种基于短时傅里叶变换(STFT)的卷积神经网络故障诊断方法(STFT-CNN).该故障诊断方法首先通过对复杂工况下的振动信号进行短时傅里叶变换,然后通过卷积神经网络对该振动数据进行训练学习,最后进行故障诊断.为验证所提方法的有效性和可行性,在滚动轴承包括复合故障在内的15类故障中,将提出的方法与卷积神经网络(CNN)、支持向量机(SVM)和深度神经网络进行比较,实验对比过程采用相同的滚动轴承数据进行实验,以保证实验的公平性.实验结果证明:该故障诊断方法的故障诊断准确率达到了100%,滚动轴承复合故障诊断准确率得到大幅提升.

基于LFM信号检测的高斯窗短时傅里叶变换的窗参数选择

研究了高斯窗短时傅里叶变换对线性调频信号检测的窗口参数的选择。通过推导给出了对特定线性调频信号的最佳高斯窗窗口参数的选择公式及分辨不同的线性调频信号的参数选择原则,还证明了由高斯窗谱图的Radon变换可以获得线性调频信号的精确参数估计。仿真结果证明了所用公式和方法的正确性。