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 (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