zisky:
- Schopnost přesně stanovit parametry zpracování signálu, jako je vzorkovací frekvence, typ filtru a okna s AI
- Schopnost generovat Python kód pro FFT, návrh filtrů a analýzu šumu a kontrolovat Nyquist a aliasing
- Schopnost ověřit interpretaci spektra generovaného AI porovnáním s měřením a fyzikálním očekáváním
Samotná nezpracovaná data ze senzoru, mikrofonu nebo elektrického vedení často nemají smysl; Je nutné jej zpracovat a interpretovat na ose frekvence, amplitudy a času. Extrahování spektra pomocí FFT, filtrování šumu, rozpoznání vibračního podpisu... To vše je zpracování signálu a AI v této oblasti generuje rychlý Python kód, vysvětluje pojmy, počítá koeficient filtru. Ale malá chyba parametru ve zpracování signálu (špatná vzorkovací frekvence, špatné okno, přeskočený Nyquistův ovladač) tiše zničí celou analýzu; Kód nedává chyby, jen dává špatné výsledky. V této jednotce se budeme zabývat nastavením správných parametrů pomocí AI, kontrolou generovaného kódu z hlediska Nyquista a aliasingu a ověřováním interpretace spektra s fyzikální realitou.
Základní parametry: Sampling, Nyquist, Aliasing
Prvním pravidlem digitálního zpracování signálu je Nyquist-Shannonův teorém: pro přesnou reprezentaci signálu musí být vzorkovací frekvence alespoň dvojnásobkem nejvyšší frekvenční složky v signálu. V opačném případě se vysoké frekvence budou jevit jako nízké frekvence (aliasing) a to nelze vrátit zpět.
Nejvyšší frekvence v signálu: f_max = 2 kHz Minimální vzorkovací frekvence: f_s ≥ 2 · f_max = 4 kHz Pro ponechání rezervy v praxi: f_s ≈ 5 · f_max = 10 kHz je zvoleno Také analogový antialiasingový filtr je MUSÍM PŘED vzorkováním.
Upozornění: Když AI navrhne vzorkovací frekvenci, nezapomeňte zkontrolovat, zda poskytuje Nyquist na základě nejvyšší složky vašeho signálu. Kód běží bez chyb i při nízké vzorkovací frekvenci; ale výsledek je špatný kvůli aliasingu. Navíc žádný software nemůže tuto chybu vrátit zpět bez filtru vyhlazování v hardwaru.
Rozlišení a okna pro FFT
Frekvenční rozlišení FFT závisí na vzorkovací frekvenci a počtu vzorků: Δf = f_s / N. Pro jemnější rozlišení buď shromáždíte více vzorků, nebo zvolíte nižší f_s (bez porušení Nyquista). Navíc nespojitost mezi začátkem a koncem signálu vytváří "spektrální únik"; Aby se to snížilo, používají se okenní funkce jako Hann a Hamming.
f_s = 10 kHz, N = 1024 vzorků Frekvenční rozlišení: Δf = 10000 / 1024 ≈ 9,77 HzCelková doba záznamu: T = N / f_s = 1024 / 10000 ≈ 102,4 ms
Generování a kontrola FFT a kódu filtru
Při požadavku na FFT kód od AI explicitně specifikujte vzorkovací frekvenci, typ okna a měřítko osy. Následující kód zobrazuje jednostranné amplitudové spektrum signálu:
import numpy jako npfs = 10000 # vzorkovací frekvence (Hz) - ověřit Nyquist!N = 1024t = np.arange(N) / fs# vzorový 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: snižuje spektrální únik normalizovaný zesílením# kontrola špičkových frekvencíspeaks = f[np.argsort(mag)[-2:]]print("Dominantní frekvence (Hz):", np.sort)
Při kontrole tohoto kódu budete dotázáni: Je frekvenční osa skutečně Hz nebo je použit index vzorku (rfftfreq)? Je amplituda normalizována na zisk okna? Opravdu se v těchto bodech vyskytují očekávané špičky 500 a 1500 Hz? Pokud ověříte kód známým testovacím signálem (jednofrekvenční sinus), s jistotou potvrdíte osu a normalizaci.
Slabá výzva / Silná výzva
SLABÝ:"Aplikujte na tato data FFT."(Výsledek: vzorkovací frekvence, měřítko osy a okénko jsou nejasné; graf je s největší pravděpodobností vykreslen na nesprávné ose.)SILNÝ:"Použijte FFT na vzorkovaný signál 10 kHz. Poskytněte:- Vykreslete frekvenční osu v Hz (použijte zisk rfftfreq).- Aplikujte Hannovu frekvenci a normalizujte dominantní okno dvěma frekvencemi. digitálně.- Označte na grafu Nyquistův limit (5 kHz) Všimněte si, že osa se posune, pokud je vzorkovací frekvence nesprávná."
Návrh filtru a analýza šumu
AI může generovat nízké/vysoké/pásmové filtrační koeficienty (FIR/IIR). Musí se ale zkontrolovat mezní frekvence, pořadí a stabilita filtru. Může způsobit nestabilitu vysokého řádu a fázové zkreslení, zejména v IIR filtrech. Po návrhu filtru vykreslete frekvenční odezvu (jako Bode), abyste viděli, že cutoff je na správném místě a v propustném pásmu nedochází k nežádoucímu zvlnění.
Typickým úkolem analýzy šumu je oddělit skutečný signál od šumu. Zde vyhodnoťte prahovou hodnotu nebo filtr navrhovaný AI oproti fyzické šířce pásma signálu: pokud je váš skutečný signál na 0-500 Hz, složka na 2 kHz je s největší pravděpodobností šum nebo interference. AI poskytuje statistiky; Provádíte fyzikální interpretaci.
Ověření interpretace spektra pomocí fyzické reality
Při interpretaci spektra AI vyvozuje rozumné, ale ne vždy přesné závěry, jako například „Na 50 Hz je vrchol, to je rušení sítě.“ Porovnejte tyto komentáře s fyzickým očekáváním: Má systém skutečně 50 Hz síťové připojení? Je očekávaná frekvence otáčení a harmonické kmitočet téměř tam ve spektru vibrací motoru? Pokud je to možné, opakujte měření druhou metodou (jiný senzor, jiný software) a uvidíte stejné vrcholy.
Tip: Pro každou interpretaci spektra "jakému fyzikálnímu jevu odpovídá tento vrchol?" Zeptejte se. Síť 50/100/150 Hz a její harmonické složky, frekvence otáčení a její násobky u točivých strojů a frekvence spínání u spínaných zdrojů jsou známé znaky. Neznámý vrchol je buď skutečná událost, nebo chyba měření/zpracování; Prozkoumejte obojí.
Mini pouzdro
Inženýr výzkumu a vývoje měří vibrace ventilátoru a nechá AI interpretovat spektrum. "Na 1200 Hz je dominantní vrchol, může to být porucha ložiska," říká AI. Technik řídí otáčky ventilátoru: 1800 ot/min = 30 Hz. Očekává se, že frekvence přechodu ložisek a lopatek budou na určitých hodnotách kompatibilních s tímto cyklem; 1200 Hz neodpovídá žádnému z nich. Řídí vzorkovací frekvenci: signál nese obsah až do 2 kHz, ale pouze 2 kHz jsou vzorkovány, takže Nyquistovo porušení. Špička na 1200 Hz je falešná frekvence vyplývající z aliasingu. Když zvýším vzorkovací frekvenci na 8 kHz, falešný vrchol zmizí. Lekce: vždy otestujte interpretaci spektra s očekávaným fyzikálním cyklem/frekvencí a správným vzorkováním.
Časté chyby
- Výběr vzorkovací frekvence bez kontroly Nyquistova kritéria; Přehlížení aliasingu.
- Ponechání osy frekvence FFT na indexu vzorku místo Hz.
- Záměna spektrálního úniku za signál bez okénka.
- Amplituda se nenormalizuje podle počtu oken/vzorků.
- Nekontroluje stabilitu IIR filtru a fázové zkreslení.
- Interpretace špiček spektra bez jejich testování v očekávání fyzických otáček/frekvence.
V souhrnu
- Vzorkovací frekvence musí být alespoň dvojnásobkem nejvyšší složky signálu; Jinak aliasing naruší celou analýzu.
- FFT rozlišení Δf = f_s/N; Vyberte N a f_s podle vaší potřeby.
- Okénko snižuje spektrální únik; normalizujte amplitudu podle zisku okna.
- Ověřte kód AI pomocí známého testovacího signálu, abyste potvrdili osu a normalizaci.
- Zkontrolujte stabilitu filtru a frekvenční odezvu vykreslením.
- Interpretaci spektra vždy testujte s očekáváním fyzické frekvence.
Aplikační úkol
Vygenerujte testovací signál o známé frekvenci (např. 500 Hz + 1500 Hz sinus). Vyžádejte si FFT a kód filtru od AI. Poté: (1) ověřte, že je splněno Nyquistovo kritérium, (2) zkontrolujte, zda se vrcholy FFT skutečně objevují při 500 a 1500 Hz, (3) záměrně snižte vzorkovací frekvenci pod Nyquist a sledujte, jak aliasing vytváří falešný vrchol. Poznamenejte si svá pozorování a parametr, který jste opravili.