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。

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。

基于短时傅里叶变换的水声通信自适应OFDM均衡

由于水声环境时变特性,在水声信道中进行正交频分复用(orthogonal frequency division multiplexing,OFDM)信号传输,子载波间的正交性易受到破坏,从而产生载波间干扰,使得水声通信的误码率性能变差。针对这个问题,提出一种适用于水下时变信道的自适应OFDM均衡算法,该算法采用滑动窗口进行子块短时傅里叶变换获得接收信号的二维时频谱,进而对该二维时频谱进行自适应时-频域联合合并均衡。该自适应均衡算法中采用最小均方误差算法跟踪信道时变特性,并通过自适应判决反馈均衡更新二维时频谱的加权合并系数,提高了OFDM系统抗载波间干扰的性能。仿真分析表明,所提出的OFDM均衡算法可在时变信道下,有效降低水声通信的误码率。

同步压缩短时傅里叶变换和时频脊线增强识别结构固有频率

根据实测结构振动响应准确地提取结构模态特征是评估结构健康状态的关键一环。将同步压缩短时傅里叶变换和时频脊线增强方法相结合,提出了一种新的结构自振频率识别方法。该方法首先对振动响应信号进行了同步压缩短时傅里叶变换,锐化了信号的时频表达,然后采用脊线增强方法对锐化后的时频图提取了峰值序列,获得了结构最可能的能量波动路径。通过对包含间断信号和模态混叠信号的仿真信号以及包含不同信噪比噪声的仿真信号进行验证,证明了同步压缩短时傅里叶变换的可靠性和准确性。接着,通过对比一个4自由度系统在地震作用下的结构响应,分析了不同变换方法的脊线增强效果,进一步验证了脊线增强方法对理解结构能量耗散路径和识别结构自振频率的有效性。

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.

二维短时傅里叶变换及其在地震资料中的应用

在油气勘探领域中,针对横向变化快的地质体仅用短时傅里叶变换是无法准确捕捉到地层的横向信息。因此,文章中引入二维短时傅里叶变换对地震剖面进行处理,通过在空间域中引入波数,保证了横向的连续性,进而得到地震信号在时间-频率-空间-波数域上的时空表征,不仅可以精细刻画储层的形态,同时保留了信号的重构性能。模拟信号和实际资料的结果更好地验证了二维短时傅里叶变换可以有效解决地层横向连续性的问题。

短时傅里叶变换在水声通信自适应OFDM均衡中应用

具有时变的水声通信环境使得正交频分复用信号在传输过程中受到破坏,提高了系统误码率。为解决这个问题,本文利用短时傅里叶变换得到的二维谱进行自适应均衡,来增强正交频分复用系统的抗干扰能力。最后通过与ZF和RE-ZF均衡算法相比较,得到本文算法在非线性信道中误码率较高,并且收敛性强的结论。

基于短时傅里叶变换的单相自适应重合闸技术

高压输电线路上发生的故障大多为瞬时性的,为提高电力系统运行的稳定性以及供电的可靠性,自动重合闸技术是最为经济和有效的方法之一,但现有的自动重合闸技术带有一定的盲目性。为了解决自动重合闸技术的盲目性,自适应重合闸技术应运而生。自适应重合闸技术的关键在于如何在断路器断开之后到合闸之前的这段时间内判断出故障性质为瞬时性故障还是永久性故障。对于带有并联电抗器的输电线路,瞬时性故障消失后的恢复电压阶段会出现拍频现象,本文通过对恢复电压的拍频现象进行研究,利用短时傅里叶变换(short time Fourier transform,STFT),求出变换后的频谱图,并根据起拍电压时刻出现的频率特性,提出了一种基于短时傅里叶变换的单相自适应重合闸方法,并用电磁暂态仿真软件(electro magnetic transient in DC system/power systems computer aided design,EMTDC/PSCAD)建模仿真验证了该方法可以更好地识别故障的性质,实现自适应重合闸。

基于小波包分解的自适应同步压缩短时傅里叶变换

获得同时含有稳态频率和瞬态频率成分信号的高分辨率时频分布是时频分析的重点与难点,为了解决此类信号进行同步压缩短时傅里叶变换(synchro-squeezed short time Fourier transform,SSTFT)时窗长受限的问题,提出了基于小波包分解的自适应同步压缩短时傅里叶变换(adaptive synchro-squeezed short time Fourier transform by wave packet decomposition,WPD-ASSTFT)方法。首先,借助小波包分解将信号分解为若干个子信号;之后,对不同的子信号进行自适应窗长选择,确定使子信号进行短时傅里叶变换(short time Fourier transform,STFT)的时频分布Renyi熵值最小时对应的窗长——最优窗长;然后,将各个子信号在最优窗长下进行SSTFT;最后,将所有子信号的时频分布相加得到原始信号的时频分布。通过小波包分解,将信号分解为不同频率范围的子信号,通过自适应窗长选择,使得SSTFT的时频图分辨率最佳。利用该方法对仿真信号和铁路轴箱加速度信号进行分析,结果表明:由WPD-ASSTFT得到的时频分布具有良好的分辨率。

面向本科生的傅里叶变换拓展教学方法

在本科生电子信息类教学中,傅里叶变换占有非常重要的地位,在学习了连续和离散傅里叶变换后,作为教学的延伸,引入窗口傅里叶变换作为拓展教学内容,并启发式地引导学生对自适应傅里叶分解进行探究。主要介绍从傅里叶变换到窗口傅里叶变换(STFT)和自适应傅里叶分解(AFD)的信号分析拓展教学方法,以强化学生的理论基础,增强学生的应用能力,让学生了解更多的学术前沿研究成果,启发学生的创新性思维。

短时傅里叶变换和S变换用于检测电压暂降的对比研究

针对电压暂降的特征值检测问题,介绍了短时傅里叶变换(STFT)和S变换两种时频分析法,并对两种方法进行了对比分析。在STFT变换中选取不同窗宽的窗函数对同一电压暂降信号进行时频分解,分析不同窗宽对检测结果的影响。提出用时频等值曲线定位暂降的起、始时刻,用基频幅值曲线检测暂降幅值,用相位跳变曲线判定暂降发生时相位是否跳变。仿真结果表明,在STFT变换中窗口越小,检测结果越准确;与STFT变换相比,S变换的检测结果更准确,并且抗噪声能力强,有助于电能质量的治理。

基于小波降噪和短时傅里叶变换的主轴突加不平衡非平稳信号分析

针对主轴运行过程中突加不平衡而产生的非平稳信号无法采用传统的傅里叶变换对信号进行分析处理的问题,提出一种采用小波降噪与短时傅里叶变换相结合对主轴振动特征信息进行准确提取的方法,该方法利用小波降噪技术对非平稳信号进行滤波处理,再对滤波处理后的信号进行重构,最后通过短时傅里叶变换精确获取主轴振动幅值,通过仿真和实验验证了该方法的有效性。

基于短时傅里叶变换和独立分量分析的滚动轴承包络分析

滚动轴承的早期故障信号能量小,频带分布广泛;而传统包络谱分析技术直接在强干扰影响下对滚动轴承的故障特征提取经常失效。提出一种基于短时傅里叶变换(short time Fourier transform,STFT)的能量谱和独立分量分析(independent component analysis,ICA)的抗干扰滚动轴承包络分析新方法。该方法首先对获取的滚动轴承振动信号进行STFT能量谱分析,获取信号采样频带下的能量分布,采用带通滤波器获得高频带能量信号,并提取该包络波形,再通过ICA实现包络波形按源分离去噪,最后通过比较各独立分量的包络频谱与滚动轴承理论计算故障特征频率的匹配性,实现滚动轴承故障的精确诊断。仿真数据和试验验证该方法的可行性。

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.

基于短时傅里叶变换的光时域反射计(OTDR)事件分析

论文研究了基于单边指数窗的短时傅里叶变换(又称Gabor变换)的光时域反射计(OTDR)事件分析算法。在分析信号模型中噪声的产生原理的基础上,简化了事件检测算法。提出应用Gabor变换和二元信号检测理论对OTDR数据进行事件检测。该算法在保证准确检测事件信息的基础上,提高了OTDR远端事件检测的能力,提高了算法的速度和效率。对实测数据的处理表明,该算法可以有效定位光纤中的事件信息,具有较强的应用价值。

基于短时傅里叶变换的电压暂降扰动检测

用短时傅里叶变换作为时频信号分析工具,研究在电压暂降扰动下暂降电压幅值检测、扰动时间定位和扰动源识别问题。提出利用暂降后电压信号的基频幅值曲线检测暂降电压幅值,利用暂降发生和结束时产生的高频信号对电压暂降扰动时间定位的方法,并提出根据基频幅值和扰动点个数来识别电压暂降扰动源的方法,该方法可以有效区分由短路故障引起的电压暂降和由感应电机启动引起的电压暂降。仿真试验结果表明该方法对电压暂降扰动检测精度高,同时比以往基于小波变换的方法在抵御谐波和噪声干扰方面更具有优越性。