Curs 8 - Diagnoza prin folosirea transformatei timp-frecvență

Transformata Fourier in timp scurt (TFTS) (M41)

Cuprins
1. Introducere
2. Transformata Fourier in timp scurt
3. Exemple
4. Extragerea trasaturilor
Concluzii

1. Introducere

Metodele bazate pe transformarile timp-frecventa reprezinta o solutie eficienta pentru detectia

schimbarilor in procese vibratorii, intrucat – in principal – se detecteaza atat schimbarea in
domeniul frecventa cat si momentul de timp cand au aparut (schimbarile). In plus, analiza timp-
frecventa acopera domenii de interes, des intalnite in practica, legate de semnalele nestationare
(inclusiv cele tranzitorii) precum si capacitatea de a detecta si localiza semnalele tranzitorii.

Cele mai folosite trei metode sunt bazate pe transformat Fourier in timp scurt (TFTS),
distributia patratica timp-frecventa (quadratic time-frequency distribution) si transformata
undine (wavelet transform).

2.Transformata Fourier in timp scurt (STFT)

STFT numita si FT ponderata (windowed) utilizeaza o fereastra de lungime data, w(t), de-a
lungul semnalului de interes, x(t):

𝑥𝑥𝑡𝑡 (𝜏𝜏) = 𝑥𝑥(𝜏𝜏) ∙ 𝑤𝑤(𝑡𝑡 − 𝜏𝜏)

(1)

TF este aplicata semnalului din dreptul ferestrei, permitand masurarea continutului in acest
segment/fereastra de semnal:
∞
1
𝑋𝑋𝑡𝑡 (𝜔𝜔) = � 𝑥𝑥𝑡𝑡 (𝜏𝜏)𝑒𝑒 −𝑗𝑗2𝜋𝜋𝜋𝜋𝜋𝜋 𝑑𝑑𝑑𝑑
√2𝜋𝜋 −∞
(2)
Prin translatia ferestrei de analiza se face o impartire a semnalului in segmente. Ferestele de
analiza pot fi de forma: Hamming, Hanning sau Gaussiene.

Latimea ferestrei se mentine constanta in timpul analizei si specifica rezolutia in timp si

informatia de frecventa care va fi obtinuta. Daca fereastra este larga atunci se obtine o rezolutie
fina in frecventa, dar o rezolutie slaba in domeniul timp. Simultan nu se poate.

STFT este indicata pentru semnalele lent variabile in timp. Fereastra Gaussiana este o solutie
optimala, in sensul ca ofera rezolutii in timp si in frecventa optimale. Expresia este

1 𝑡𝑡2
𝑤𝑤𝑔𝑔 (𝑡𝑡) = 𝑒𝑒 −4𝛼𝛼 , 𝛼𝛼 > 0
2√𝜋𝜋𝜋𝜋
(3)
 Curs 8: Diagnoza folosind transformata Fourier in timp scurt (M41)

TF cu aceasta functie fereastra se numeste transformata Gabor. Rezultatul transformarii se

reprezinta intr-un grafic bidimensional timp-frecventa, unde fiecarui punct din timp ii
corespunde un spectru bazat pe caracteristicile medii ale semnalului din fereastra considerata.

Reprezentarea modulului transformatei Fourier se mai numeste spectrograma.

∞ 2
1
𝑆𝑆(𝑡𝑡, 𝑓𝑓) = |𝑋𝑋𝑡𝑡 (𝑓𝑓)|2 =� � 𝑥𝑥(𝜏𝜏) ∙ 𝑤𝑤(𝑡𝑡 − 𝜏𝜏)𝑒𝑒 −𝑗𝑗2𝜋𝜋𝜋𝜋𝜋𝜋
𝑑𝑑𝑑𝑑�
√2𝜋𝜋 −∞
(3)
Din ultima ecuatie se poate observa ca pentru obtinerea unei rezolutii bune in domeniul timp,
functia fereastra w(t) trebuie sa fie cat mai scurta. Ca efect insa, aceasta va cauza o rezolutie
mica in frecventa. Compromisul intre rezoluatia din domeniile timp si frecventa este o
consecinta a principiului incertitudinii, care fixeaza o limita inferioara de 1/4pi pentru
produsul rezolutiilor timp-frecventa

∆𝑡𝑡 ∙ ∆𝑓𝑓 > 1/4π

(3)

Aceasta limita este principalul dezavantaj cand se utilizeaza spectrograma ca instument de

analiza timp-frecventa.

Exemplul 2: Se prezinta avantajul spectrogramei pentru cazul a doua semnale sinusoidale, cu

aceeasi frecventa, insa intarziate in timp. Vezi figura 3.

Fs = 2e3;
Ts = 1/Fs;
N = 1000;
time = (0:N-1) .* Ts;

y1 = sin(2*pi*200 * time);
y2 = sin(2*pi*300 * time);
y2(1:500) = zeros(1,500); y1(501:end) = 0;
y = y1 + y2;

A = sqrt(fft(y) .* conj(fft(y)))./ N;
FA = (0:N/2-1) .* Fs ./ N;

subplot(221), plot(time,y);
title('Semnalul analizat');
subplot(222), plot(FA, A(1:length(FA)));
xlabel('F[Hz]'); grid; title('Spectrul de putere')

2
 Curs 8: Diagnoza folosind transformata Fourier in timp scurt (M41)

Figura 1: Suma a doua semnale intarziate si spectrul de putere

■

Exemplul 1: Se prezinta avantajul spectrogramei pentru cazul unui semnal cu frecventa

variabila. Vezi figura 2.

clc; clear; clf;

time = 0:0.001:2-0.001; % 2 secs @ 1kHz sample rate

y = chirp(time,100,1,200,'q'); % Start @ 100Hz, cross 200Hz
at t=1sec
[S,F,T] = spectrogram(y,kaiser(128,18),120,128,1E3,'yaxis');

Ts = 0.001;
Fs = 1/Ts;
N = length(time);

A = sqrt(fft(y) .* conj(fft(y)))./ N; % |A2|

FA = (0:N/2-1) .* Fs ./ N;

subplot(221), plot(time,y);
title('Semnalul analizat: chirp');
subplot(222), plot(FA, A(1:length(FA))); xlabel('F[Hz]'); grid;
subplot(223), mesh(T,F,abs(S)); xlabel('timp[s]'); ylabel('F[Hz]')
title('Spectrograma 3D')
subplot(224), image(abs(S)), ylabel('F [Hz] .*Fs');
xlabel('timp [s] .* Ts'); title('Spectrograma 2D');

3
 Curs 8: Diagnoza folosind transformata Fourier in timp scurt (M41)

Figura 1: Spectrograma unui semnal chirp.

Exemplul 3: Functia spectrogram din Matlab. De remarcat efectul modificarii lungimii

ferestrei de observatie asupra preciziei in frecventa si in domeniul timp.

noverlap = 50;

nw = 300;
spectrogram(y,gausswin(nw),noverlap,[],Fs,'yaxis','onesided');

Figura 3: Spectrograma pentru suma a doua semnale sinusoidale, nw = 100, 300.

■

4. Extragerea trasaturilor

Parametrii de timp și frecvență (caracteristici) pot fi extinsi în domeniul timp-frecventa, așa

este prezentat în tabelul 1.

Tabel 1 : Extinderea caracteristicilor domeniului timp la domeniul (t,f)

Nr. Trasatura Domeniul timp Extensia(t,f)

4
 Curs 8: Diagnoza folosind transformata Fourier in timp scurt (M41)

Media 1
1. 𝑚𝑚(𝑡𝑡) 𝑚𝑚(𝑡𝑡,𝑓𝑓) = � � 𝐼𝐼[𝑖𝑖, 𝑘𝑘]
(Mean) 𝑁𝑁𝑡𝑡 ⋅ 𝑁𝑁𝑓𝑓
𝑖𝑖 𝑘𝑘
2
Dispersia 2 ∑𝑖𝑖 ∑𝑘𝑘�𝐼𝐼[𝑖𝑖, 𝑘𝑘] − 𝑚𝑚(𝑡𝑡,𝑓𝑓) �
2. 𝜎𝜎(𝑡𝑡) 2
𝜎𝜎(𝑡𝑡,𝑓𝑓) =
(Variance) 𝑁𝑁𝑡𝑡 ⋅ 𝑁𝑁𝑓𝑓
3
Inclinare ∑𝑖𝑖 ∑𝑘𝑘�𝐼𝐼[𝑖𝑖, 𝑘𝑘] − 𝑚𝑚(𝑡𝑡,𝑓𝑓) �
3. 𝛾𝛾(𝑡𝑡) 𝛾𝛾(𝑡𝑡,𝑓𝑓) =
(Skewness) 3
�𝑁𝑁𝑡𝑡 ⋅ 𝑁𝑁𝑓𝑓 − 1�𝜎𝜎(𝑡𝑡,𝑓𝑓)
4
Aplatizare ∑𝑖𝑖 ∑𝑘𝑘�𝐼𝐼[𝑖𝑖, 𝑘𝑘] − 𝑚𝑚(𝑡𝑡,𝑓𝑓) �
4. 𝑘𝑘(𝑡𝑡) 𝑘𝑘(𝑡𝑡,𝑓𝑓) =
(Kurtosis) 4
�𝑁𝑁𝑡𝑡 ⋅ 𝑁𝑁𝑓𝑓 − 1� ⋅ 𝜎𝜎(𝑡𝑡,𝑓𝑓)
Coeficient de
variatie 𝜎𝜎(𝑡𝑡) 𝜎𝜎(𝑡𝑡,𝑓𝑓)
5. 𝑐𝑐(𝑡𝑡) = 𝑐𝑐(𝑡𝑡,𝑓𝑓) =
(Coefficient of 𝑚𝑚(𝑡𝑡) 𝑚𝑚(𝑡𝑡,𝑓𝑓)
variation)

Este dificil de spus care ar trebui să fie luate în considerare, fără a avea a priori informații
despre valorile caracteristicilor.

Fluxul spectral măsoară rata de schimbare a conținutului spectral al unui semnal și poate fi
estimat prin
𝑁𝑁−𝑙𝑙 𝑁𝑁−𝑚𝑚

𝑃𝑃𝑃𝑃𝑃𝑃 = 𝐹𝐹𝐿𝐿(𝑡𝑡,𝑓𝑓) = � � |𝐼𝐼[𝑛𝑛 + 𝑙𝑙, 𝑘𝑘 + 𝑚𝑚) − 𝐼𝐼[𝑛𝑛, 𝑘𝑘]|

𝑛𝑛=1 𝑘𝑘=1
(1)

unde l este durata de timp dintre două cadre (înregistrări) ale TFT și poate presupune orice
valoare întreagă între 1 și (NN-1), de exemplu N/4. Parametrii l și m sunt valori prestabilite
care depind de viteza de schimbare a energiei semnalului înspațiul(t,f),care recomandă l=1 și
m=1.

Planeitatea spectrală (t,f) este astfel definită ca

𝑁𝑁𝑓𝑓 𝑁𝑁𝑓𝑓
2 ∏𝑛𝑛=1 ∏𝑘𝑘=1|𝑇𝑇𝑇𝑇𝑇𝑇[𝑛𝑛, 𝑘𝑘]|
𝑃𝑃𝐹𝐹5 = 𝑆𝑆𝐹𝐹(𝑡𝑡,𝑓𝑓) = �𝑁𝑁𝑓𝑓 � 𝑁𝑁𝑓𝑓 𝑁𝑁𝑓𝑓
∑𝑛𝑛=1 ∑𝑘𝑘=1|𝑇𝑇𝑇𝑇𝑇𝑇[𝑛𝑛, 𝑘𝑘]|
(2)

Pentru a evita valorile zero ale SF, în situații practice, ultimele expresii iau în considerare valori
mici, fără zerouri, pentru TF.

Concluzii

S-au prezentat elemnetele de baza pentru diagnoza bazata pe transformata Fourier in timp scurt
si extragerea trasaturilor, plecand de la spectrograma tratata ca o imagine (2D).