zisky:
- Schopnosť presne stanoviť parametre spracovania signálu, ako je vzorkovacia frekvencia, typ filtra a okno s AI
- Schopnosť generovať Python kód pre FFT, návrh filtra a analýzu šumu a kontrolovať Nyquist a aliasing
- Schopnosť overiť interpretáciu spektra vygenerovaného AI porovnaním s meraním a fyzikálnym očakávaním
Samotné nespracované údaje zo senzora, mikrofónu alebo elektrického vedenia sú často bezvýznamné; Je potrebné ho spracovať a interpretovať na osi frekvencie, amplitúdy a času. Extrakcia spektra pomocou FFT, filtrovanie šumu, rozpoznanie vibračného podpisu... To všetko sú spracovanie signálu a AI v tejto oblasti generuje rýchly Python kód, vysvetľuje pojmy, počíta koeficient filtra. Ale malá chyba parametra v spracovaní signálu (nesprávna vzorkovacia frekvencia, nesprávne okno, preskočené Nyquistovo ovládanie) potichu zničí celú analýzu; Kód nedáva chyby, len dáva nesprávne výsledky. V tejto časti sa budeme zaoberať nastavením správnych parametrov pomocou AI, kontrolou vygenerovaného kódu z hľadiska Nyquista a aliasingu a overením interpretácie spektra s fyzikálnou realitou.
Základné parametre: Sampling, Nyquist, Aliasing
Prvým pravidlom digitálneho spracovania signálu je Nyquist-Shannonova veta: na presnú reprezentáciu signálu musí byť vzorkovacia frekvencia aspoň dvojnásobkom najvyššej frekvenčnej zložky signálu. V opačnom prípade sa vysoké frekvencie prejavia ako nízke frekvencie (aliasing) a to sa nedá vrátiť späť.
Najvyššia frekvencia v signáli: f_max = 2 kHz Minimálna vzorkovacia frekvencia: f_s ≥ 2 · f_max = 4 kHz Ak chcete ponechať rezervu v praxi: f_s ≈ 5 · f_max = 10 kHz je vybratáPred vzorkovaním je tiež MUSÍM použiť analógový antialiasingový filter.
Upozornenie: Keď AI navrhne vzorkovaciu frekvenciu, nezabudnite skontrolovať, či poskytuje Nyquist na základe najvyššej zložky vášho signálu. Kód beží bez chýb aj pri nízkej vzorkovacej frekvencii; ale výsledok je nesprávny kvôli aliasingu. Okrem toho žiadny softvér nemôže túto chybu vrátiť späť bez filtra vyhladzovania v hardvéri.
Rozlíšenie a okno pre FFT
Frekvenčné rozlíšenie FFT závisí od vzorkovacej frekvencie a počtu vzoriek: Δf = f_s / N. Pre jemnejšie rozlíšenie buď zhromaždíte viac vzoriek, alebo zvolíte nižšie f_s (bez prerušenia Nyquista). Okrem toho diskontinuita medzi začiatkom a koncom signálu vytvára "spektrálny únik"; Aby sa to znížilo, používajú sa funkcie okien, ako napríklad Hann a Hamming.
f_s = 10 kHz, N = 1024 vzoriek Rozlíšenie frekvencie: Δf = 10000 / 1024 ≈ 9,77 HzCelkový čas záznamu: T = N / f_s = 1024 / 10000 ≈ 102,4 ms
Generovanie a kontrola FFT a filtračného kódu
Pri vyžiadaní kódu FFT od AI explicitne špecifikujte vzorkovaciu frekvenciu, typ okna a mierku osi. Nasledujúci kód zobrazuje jednostranné amplitúdové spektrum signálu:
import numpy ako npfs = 10000 # vzorkovacia frekvencia (Hz) - overiť Nyquist!N = 1024t = np.arange(N) / fs# vzorkový signál: 500 Hz + 1500 Hzx = np.sin(2*np.pi*500*t) + 0,5*np.sin(2*np.pi*1500*t)w = np.hanning(N) # windowing: znižuje spektrálny únik normalizovaný ziskom# kontrola špičkových frekvenciíspeak = f[np.argsort(mag)[-2:]]print("Dominantné frekvencie (Hz):", np.sort)
Pri kontrole tohto kódu sa vás opýta: Je frekvenčná os skutočne Hz alebo je použitý index vzorky (rfftfreq)? Je amplitúda normalizovaná na zisk okna? Skutočne sa v týchto bodoch vyskytujú očakávané vrcholy 500 a 1500 Hz? Ak overíte kód známym testovacím signálom (jednofrekvenčný sínus), s istotou potvrdíte os a normalizáciu.
Slabá výzva / silná výzva
SLABÝ:"Použite na tieto údaje FFT."(Výsledok: vzorkovacia frekvencia, mierka osi a okienko sú nejasné; graf je s najväčšou pravdepodobnosťou vynesený na nesprávnej osi.)SILNÝ:"Použite FFT na vzorkovaný signál s frekvenciou 10 kHz. Poskytnite:- Nakreslite os frekvencie v Hz (použite zosilnenie rfftfreq).- Použite amplitudu dvoch zosilnení okna a normalizujte dominantné okno Hannovej frekvencie. digitálne.- Označte na grafe Nyquistovu hranicu (5 kHz), ak je vzorkovacia frekvencia nesprávna, os sa posunie.
Návrh filtra a analýza šumu
AI môže generovať koeficienty nízkeho/vysokého/pásmového filtra (FIR/IIR). Ale treba skontrolovať medznú frekvenciu, poradie a stabilitu filtra. Môže spôsobiť nestabilitu vysokého rádu a fázové skreslenie, najmä v IIR filtroch. Po návrhu filtra nakreslite frekvenčnú odozvu (podobnú Bode), aby ste videli, že cutoff je na správnom mieste a v priepustnom pásme nie je žiadne nežiaduce vlnenie.
Typickou úlohou pri analýze šumu je oddeliť skutočný signál od šumu. Tu vyhodnoťte prahovú hodnotu alebo filter navrhovanú AI oproti fyzickej šírke pásma signálu: ak je váš skutočný signál na frekvencii 0-500 Hz, komponent na frekvencii 2 kHz je s najväčšou pravdepodobnosťou šum alebo rušenie. AI poskytuje štatistiky; Urobíte fyzickú interpretáciu.
Overenie interpretácie spektra pomocou fyzickej reality
Pri interpretácii spektra AI robí rozumné, ale nie vždy presné závery, ako napríklad „Pri 50 Hz je vrchol, toto je rušenie siete“. Porovnajte tieto komentáre s fyzickým očakávaním: Má systém skutočne 50 Hz sieťové pripojenie? Je očakávaná frekvencia otáčania a harmonické takmer tam v spektre vibrácií motora? Ak je to možné, zopakujte meranie pomocou druhej metódy (iný senzor, iný softvér) a uvidíte rovnaké vrcholy.
Pomôcka: Pre každú interpretáciu spektra "akým fyzikálnym javom zodpovedá tento vrchol?" Položte otázku. Sieť 50/100/150 Hz a jej harmonické, frekvencia otáčania a jej násobky v točivých strojoch a frekvencia spínania v spínaných zdrojoch sú známe znaky. Neznámy vrchol je buď skutočná udalosť, alebo chyba merania/spracovania; Preskúmajte oboje.
Mini puzdro
Inžinier výskumu a vývoja meria vibrácie ventilátora a nechá AI interpretovať spektrum. "Je tu dominantný vrchol pri 1200 Hz, môže to byť porucha ložiska," hovorí AI. Inžinier riadi otáčky ventilátora: 1800 ot./min = 30 Hz. Očakáva sa, že prenosové frekvencie ložísk a lopatiek budú na určitých hodnotách kompatibilných s týmto cyklom; 1200 Hz nezodpovedá žiadnemu z nich. Riadi vzorkovaciu frekvenciu: signál nesie obsah až do 2 kHz, ale vzorkuje sa iba 2 kHz, takže porušenie Nyquista. Špička pri 1200 Hz je duchovná frekvencia, ktorá je výsledkom aliasingu. Keď zvýšim vzorkovaciu frekvenciu na 8 kHz, falošný vrchol zmizne. Poučenie: vždy otestujte interpretáciu spektra s očakávaným fyzikálnym cyklom/frekvenciou a správnym vzorkovaním.
Časté chyby
- Výber vzorkovacej frekvencie bez kontroly Nyquistovho kritéria; Prehliadanie aliasingu.
- Ponechanie frekvenčnej osi FFT na indexe vzorky namiesto Hz.
- Chybný spektrálny únik ako signál bez okna.
- Nenormalizuje sa amplitúda podľa počtu okienok/vzoriek.
- Nekontroluje sa stabilita IIR filtra a fázové skreslenie.
- Interpretácia vrcholov spektra bez ich testovania v očakávaní fyzických otáčok/frekvencie.
V súhrne
- Vzorkovacia frekvencia musí byť aspoň dvojnásobkom najvyššej zložky signálu; V opačnom prípade aliasing naruší celú analýzu.
- FFT rozlíšenie Δf = f_s/N; Vyberte N a f_s podľa vašej potreby.
- Okno znižuje spektrálny únik; normalizujte amplitúdu podľa zosilnenia okna.
- Overte kód AI pomocou známeho testovacieho signálu, aby ste potvrdili os a normalizáciu.
- Skontrolujte stabilitu filtra a frekvenčnú odozvu jej vykreslením.
- Interpretáciu spektra vždy testujte s očakávaním fyzickej frekvencie.
Aplikačná úloha
Vygenerujte testovací signál so známou frekvenciou (napr. 500 Hz + 1 500 Hz sínus). Vyžiadajte si FFT a kód filtra od AI. Potom: (1) overte, či je splnené Nyquistovo kritérium, (2) skontrolujte, či sa vrcholy FFT skutočne objavujú pri 500 a 1500 Hz, (3) zámerne znížte vzorkovaciu frekvenciu pod Nyquist a sledujte, ako aliasing vytvára falošný vrchol. Poznamenajte si svoje pozorovania a parameter, ktorý ste opravili.