在信号处理领域，短时傅里叶变换(STFT)就像一位精通多国语言的翻译官，能够将复杂的时间信号转化为直观的时频图谱。大多数人初次接触STFT是在语音识别课程或项目中，但它的能力远不止于此——从工厂车间的机械振动分析到医院的ECG监测，STFT正在不同领域展现其独特价值。

STFT的本质是通过滑动窗口将非平稳信号"切片"，对每个片段进行傅里叶变换。这个看似简单的过程却蕴含着精妙的平衡艺术：

import numpy as np
from scipy import signal
import matplotlib.pyplot as plt

# STFT基础实现示例
def simple_stft(x, fs, window_size, overlap):
    window = np.hanning(window_size)
    hop_size = window_size - overlap
    n_segments = int((len(x)-window_size)/hop_size) + 1
    stft_result = np.zeros((window_size//2+1, n_segments), dtype=complex)
    
    for i in range(n_segments):
        start = i * hop_size
        segment = x[start:start+window_size] * window
        stft_result[:,i] = np.fft.rfft(segment)
    
    return stft_result

1.1 窗口长度的双重效应

窗口长度是STFT最关键的参数，它直接影响时频分析的"视力"：

提示：实际应用中常采用汉宁窗(Hanning)作为折中选择，它在主瓣宽度和旁瓣衰减间取得了较好平衡

1.2 重叠率的隐藏价值

重叠率常被忽视，但它能显著改善时频图质量：

• 典型设置为窗口长度的50-75%
• 增加重叠可平滑时间轴变化，但会提高计算成本
• 在机械监测中，高重叠(75%)有助于捕捉突发性故障特征

当轴承开始磨损或齿轮出现裂纹，它们会通过振动信号发出独特的"求救信号"。STFT就像机械设备的听诊器，能捕捉这些微妙变化。

2.1 轴承故障的特征指纹

健康的轴承振动频谱呈现均匀分布，而故障轴承会在特定频率产生"谐波家族"：

• 内圈故障：出现转频的谐波(1×, 2×, 3×...)
• 外圈故障：产生非整数倍的特征频率
• 滚珠缺陷：伴随高频共振调制现象

% 轴承振动分析示例
[vib, Fs] = audioread('bearing.wav');
window = hamming(1024);
noverlap = 768;
nfft = 2048;
spectrogram(vib, window, noverlap, nfft, Fs, 'yaxis')
title('轴承振动时频分析')

2.2 齿轮箱的时频诊断技巧

齿轮系统的故障发展往往经历三个阶段：

1. 初期：时频图中出现微弱边带
2. 中期：调制现象明显，出现特征频率簇
3. 晚期：宽带噪声增加，原有特征被淹没

注意：工业环境中背景噪声较强，通常需要先进行带通滤波(如1-5kHz)再作STFT分析

从跳动的心脏到活跃的大脑，生物电信号都是典型的非平稳过程。STFT为这些生命密码提供了动态解读视角。

3.1 ECG分析的时频视角

传统ECG只看时域波形，而STFT能揭示更多信息：

# ECG时频分析示例
import pywt
import biosppy

ecg = biosppy.signals.ecg.ecg(signal=data, sampling_rate=1000)[1]
f, t, Zxx = signal.stft(ecg, fs=1000, nperseg=256, noverlap=200)

plt.pcolormesh(t, f, np.abs(Zxx), shading='gouraud')
plt.title('ECG STFT时频图')
plt.ylabel('Frequency [Hz]')
plt.xlabel('Time [sec]')
plt.ylim(0, 50)  # 聚焦主要频段
plt.show()

3.2 EEG癫痫发作的时频预警

癫痫发作前，EEG信号会呈现特征性演变：

• 前驱期：低频段(4-7Hz)能量逐渐升高
• 发作期：全频段突发高能量放电
• 恢复期：高频成分(>30Hz)率先衰减

临床研究发现，STFT结合机器学习能提前30-60秒预测癫痫发作，为干预争取宝贵时间。

当标准STFT力不从心时，这些技巧可以突破局限：

4.1 多分辨率STFT策略

针对复合信号，可采用分层分析方案：

1. 先用长窗口(256ms)定位低频特征
2. 再用短窗口(32ms)分析高频瞬态
3. 最后融合不同分辨率的结果

4.2 STFT与机器学习融合

时频图作为二维特征，非常适合现代深度学习：

• CNN可直接处理时频图像
• 时频能量可转化为特征向量
• 异常检测模型可自动识别故障模式

# 时频特征提取示例
from sklearn.decomposition import PCA

# 从STFT提取统计特征
def extract_features(Zxx):
    features = []
    for band in [(0,10), (10,30), (30,50)]:
        mask = (f >= band[0]) & (f < band[1])
        band_power = np.sum(np.abs(Zxx[mask,:]), axis=0)
        features.extend([
            np.mean(band_power),
            np.std(band_power),
            np.max(band_power)
        ])
    return features

# 降维可视化
pca = PCA(n_components=2)
features = np.array([extract_features(Zxx) for Zxx in all_samples])
reduced = pca.fit_transform(features)

4.3 实时STFT实现要点

工业在线监测需要优化计算效率：

• 采用滑动DFT避免重复计算
• 使用FFTW等优化库
• 适当降低频率分辨率(如仅计算关键频段)

在测试一台400kW的工业风机时，优化后的STFT算法能在10ms内完成分析，真正实现了实时监测。