Python轴承故障诊断 (一)短时傅里叶变换STFT_故障诊断初学与python

交叉注意力融合时域、频域特征的FFT + CNN-Transformer-CrossAttention轴承故障识别模型-CSDN博客

轴承故障诊断 (12)基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障识别模型-CSDN博客基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障识别模型-CSDN博客")

Python轴承故障诊断入门教学-CSDN博客

Python轴承故障诊断 (13)基于故障信号特征提取的超强机器学习识别模型-CSDN博客基于故障信号特征提取的超强机器学习识别模型-CSDN博客")

Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客高创新故障识别模型-CSDN博客")

Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型-CSDN博客基于CNN-Transformer的一维故障信号识别模型-CSDN博客")

前言

本文基于凯斯西储大学（CWRU）轴承数据，进行短时傅里叶变换的介绍与参数选择，最后通过Python实现对故障数据的时频图像分类。凯斯西储大学（CWRU）轴承数据的详细介绍可以参考下文：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理_cwru轴承数据集-CSDN博客

1 短时傅里叶变换STFT原理介绍

1.1 傅里叶变换的本质

傅里叶变换的基本思想：

• 将信号分解成一系列不同频率的连续正弦波的叠加；
• 或者说，将信号从时间域转换到频率域。

由于傅里叶变换是对整个信号进行变换，将整个信号从时域转换到频域，得到一个整体的频谱；丢掉了时间信息，无法根据傅立叶变换的结果判断一个特定信号在什么时候发生；所以傅里叶变换缺乏时频分析能力、多分辨率分析能力，难以分析非平稳信号。

1.2 STFT概述

短时傅里叶变换（Short-Time Fourier Transform，STFT）是一种将信号分解为时域和频域信息的时频分析方法。它通过将信号分成短时段，并在每个短时段上应用傅里叶变换来捕捉信号的瞬时频率。即采用中心位于时间α的时间窗g(t-α)在时域信号上滑动，在时间窗g(t-α)限定的范围内进行傅里叶变换，这样就使短时傅里叶变换具有了时间和频率的局部化能力，兼顾了时间和频率的分析[1]。

• 使用窄窗，时间分辨率提高而频率分辨率降低；
• 使用宽窗，频率分辨率提高而时间分辨率降低。

比如用利用高斯窗STFT对非平稳信号进行分析：

1.3 STFT的原理和过程

1.3.1 时间分割

在短时傅里叶变换（STFT）中，首先将信号分割成短时段。这个过程通常通过使用窗口函数来实现，窗口函数是一个在有限时间内非零，而在其他时间上为零的函数。常见