Κέρδη:
- Δυνατότητα καθορισμού με ακρίβεια παραμέτρων επεξεργασίας σήματος, όπως η συχνότητα δειγματοληψίας, ο τύπος φίλτρου και το παράθυρο με AI
- Δυνατότητα δημιουργίας κώδικα Python για FFT, σχεδιασμός φίλτρου και ανάλυση θορύβου και έλεγχος Nyquist και aliasing
- Δυνατότητα επαλήθευσης της ερμηνείας του φάσματος που δημιουργείται από AI συγκρίνοντάς το με τη μέτρηση και τις φυσικές προσδοκίες
Τα ανεπεξέργαστα δεδομένα από έναν αισθητήρα, ένα μικρόφωνο ή ένα καλώδιο τροφοδοσίας από μόνα τους είναι συχνά χωρίς νόημα. Είναι απαραίτητο να το επεξεργαστούμε και να το ερμηνεύσουμε στον άξονα συχνότητας, πλάτους και χρόνου. Εξαγωγή φάσματος με FFT, φιλτράρισμα θορύβου, αναγνώριση υπογραφής δόνησης... Όλα αυτά είναι επεξεργασία σήματος και το AI δημιουργεί γρήγορο κώδικα Python σε αυτόν τον τομέα, εξηγεί έννοιες, υπολογίζει τον συντελεστή φίλτρου. Αλλά ένα μικρό σφάλμα παραμέτρου στην επεξεργασία του σήματος (λανθασμένη συχνότητα δειγματοληψίας, λάθος παράθυρο, παράλειψη ελέγχου Nyquist) καταστρέφει αθόρυβα ολόκληρη την ανάλυση. Ο κώδικας δεν δίνει λάθη, απλώς δίνει λάθος αποτελέσματα. Σε αυτήν την ενότητα, θα καλύψουμε τη ρύθμιση των σωστών παραμέτρων με AI, τον έλεγχο του παραγόμενου κώδικα από την άποψη του Nyquist και το ψευδώνυμο και την επαλήθευση της ερμηνείας του φάσματος με τη φυσική πραγματικότητα.
Βασικές Παράμετροι: Sampling, Nyquist, Aliasing
Ο πρώτος κανόνας της ψηφιακής επεξεργασίας σήματος είναι το θεώρημα Nyquist-Shannon: για να αναπαρασταθεί με ακρίβεια ένα σήμα, η συχνότητα δειγματοληψίας πρέπει να είναι τουλάχιστον διπλάσια από τη συνιστώσα υψηλότερης συχνότητας στο σήμα. Διαφορετικά, οι υψηλές συχνότητες θα εμφανίζονται ως χαμηλές συχνότητες (aliasing) και αυτό δεν μπορεί να αντιστραφεί.
Υψηλότερη συχνότητα στο σήμα: f_max = 2 kHz Ελάχιστη συχνότητα δειγματοληψίας: f_s ≥ 2 · f_max = 4 kHzΓια να αφήσετε περιθώριο στην πράξη: Επιλέγεται f_s ≈ 5 · f_max = 10 kHzΕπίσης, ΠΡΕΠΕΙ ΝΑ ΓΙΝΕΙ ΑΠΑΡΑΙΤΗΤΗ η λήψη αναλογικού φίλτρου anti-aliasing.
Προσοχή: Όταν το AI προτείνει μια συχνότητα δειγματοληψίας, φροντίστε να ελέγξετε αν παρέχει Nyquist με βάση το υψηλότερο στοιχείο του σήματος σας. Ο κώδικας εκτελείται χωρίς σφάλματα ακόμη και σε χαμηλή συχνότητα δειγματοληψίας. αλλά το αποτέλεσμα είναι λανθασμένο λόγω παραποίησης. Επιπλέον, κανένα λογισμικό δεν μπορεί να αναιρέσει αυτό το σφάλμα χωρίς ένα φίλτρο anti-aliasing στο υλικό.
Ανάλυση και Παράθυρο για FFT
Η ανάλυση συχνότητας του FFT εξαρτάται από τη συχνότητα δειγματοληψίας και τον αριθμό των δειγμάτων: Δf = f_s / N. Για λεπτότερη ανάλυση είτε συλλέγετε περισσότερα δείγματα είτε επιλέγετε χαμηλότερα f_s (χωρίς να σπάσετε το Nyquist). Επιπλέον, η ασυνέχεια μεταξύ της αρχής και του τέλους του σήματος δημιουργεί "φασματική διαρροή". Για να μειωθεί αυτό, εφαρμόζονται λειτουργίες παραθύρου όπως οι Hann και Hamming.
f_s = 10 kHz, N = 1024 δείγματα Ανάλυση συχνότητας: Δf = 10000 / 1024 ≈ 9,77 Hz Συνολικός χρόνος εγγραφής: T = N / f_s = 1024 / 10000 ≈ 102,4 ms
Δημιουργία και έλεγχος FFT και κώδικα φίλτρου
Καθορίστε ρητά τη συχνότητα δειγματοληψίας, τον τύπο παραθύρου και την κλίμακα άξονα όταν ζητάτε τον κωδικό FFT από το AI. Ο ακόλουθος κώδικας εξάγει το μονόπλευρο φάσμα πλάτους ενός σήματος:
εισαγωγή numpy ως npfs = 10000 # συχνότητα δειγματοληψίας (Hz) - επαληθεύστε Nyquist!N = 1024t = np.arange(N) / fs# δείγμα σήματος: 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: μειώνει τη φασματική διαρροή που κανονικοποιείται με κέρδος# έλεγχος αιχμής συχνοτήτων.
Κατά τον έλεγχο αυτού του κωδικού θα ερωτηθείτε: Είναι ο άξονας συχνότητας πραγματικά Hz ή χρησιμοποιείται το δείγμα δείκτη (rfftfreq); Είναι το πλάτος κανονικοποιημένο στο κέρδος του παραθύρου; Οι αναμενόμενες κορυφές 500 και 1500 Hz συμβαίνουν πραγματικά σε αυτά τα σημεία; Εάν επαληθεύσετε τον κωδικό με ένα γνωστό σήμα δοκιμής (ημιτονοειδές μονής συχνότητας), θα επιβεβαιώσετε με σιγουριά τον άξονα και την κανονικοποίηση.
Αδύναμη προτροπή / Ισχυρή προτροπή
ΑΔΥΝΑΤΟ:"Εφαρμογή FFT σε αυτά τα δεδομένα."(Αποτέλεσμα: η συχνότητα δειγματοληψίας, η κλίμακα του άξονα και το παράθυρο είναι ασαφή. Το γράφημα είναι πιθανότατα σχεδιασμένο σε λάθος άξονα.) ΔΥΝΑΤΟΤΗΤΑ:"Εφαρμογή FFT σε σήμα δειγματοληψίας 10 kHz. Παρέχετε:- Σχεδιάστε τον άξονα συχνότητας σε Hz (χρησιμοποιήστε rffttu το παράθυρο κανονικά με το παράθυρο Hanfrenq). κέρδος.- Εκτυπώστε τις δύο κυρίαρχες συχνότητες ψηφιακά.- Σημειώστε το όριο Nyquist (5 kHz) στο γράφημα Σημειώστε ότι ο άξονας θα μετατοπιστεί εάν η συχνότητα δειγματοληψίας είναι λανθασμένη.
Σχεδιασμός φίλτρου και ανάλυση θορύβου
Το AI μπορεί να δημιουργήσει συντελεστές φίλτρου χαμηλού/υψηλού/bandpass (FIR/IIR). Πρέπει όμως να ελεγχθεί η συχνότητα αποκοπής, η τάξη και η σταθερότητα του φίλτρου. Μπορεί να προκαλέσει αστάθεια υψηλής τάξης και παραμόρφωση φάσης, ειδικά στα φίλτρα IIR. Αφού σχεδιάσετε το φίλτρο, σχεδιάστε την απόκριση συχνότητας (όπως Bode) για να δείτε ότι η αποκοπή βρίσκεται στη σωστή θέση και ότι δεν υπάρχει ανεπιθύμητος κυματισμός στη ζώνη διέλευσης.
Η τυπική εργασία στην ανάλυση θορύβου είναι ο διαχωρισμός του πραγματικού σήματος από τον θόρυβο. Εδώ, αξιολογήστε το προτεινόμενο όριο του AI ή φιλτράρετε σε σχέση με το φυσικό εύρος ζώνης του σήματος: εάν το πραγματικό σας σήμα είναι στα 0-500 Hz, ένα στοιχείο στα 2 kHz είναι πιθανότατα θόρυβος ή παρεμβολή. Το AI δίνει στατιστικά στοιχεία. Εσείς κάνετε τη φυσική ερμηνεία.
Επικύρωση της ερμηνείας του φάσματος με τη φυσική πραγματικότητα
Κατά την ερμηνεία ενός φάσματος, η τεχνητή νοημοσύνη βγάζει λογικά αλλά όχι πάντα ακριβή συμπεράσματα όπως «Υπάρχει μια κορυφή στα 50 Hz, αυτό είναι παρεμβολή δικτύου». Συγκρίνετε αυτά τα σχόλια με τις φυσικές προσδοκίες: Έχει το σύστημα όντως σύνδεση δικτύου 50 Hz; Η αναμενόμενη συχνότητα περιστροφής και οι αρμονικές είναι σχεδόν εκεί στο φάσμα δόνησης ενός κινητήρα; Εάν είναι δυνατόν, επαναλάβετε τη μέτρηση με μια δεύτερη μέθοδο (διαφορετικό αισθητήρα, διαφορετικό λογισμικό) και δείτε τις ίδιες κορυφές.
Συμβουλή: Για κάθε ερμηνεία φάσματος, "σε ποιο φυσικό φαινόμενο αντιστοιχεί αυτή η κορυφή;" Κάντε την ερώτηση. Το δίκτυο 50/100/150 Hz και οι αρμονικές του, η συχνότητα περιστροφής και τα πολλαπλάσια της σε περιστρεφόμενες μηχανές και η συχνότητα μεταγωγής σε τροφοδοτικά μεταγωγής είναι γνωστές υπογραφές. Μια άγνωστη κορυφή είναι είτε πραγματικό συμβάν είτε σφάλμα μέτρησης/επεξεργασίας. Ερευνήστε και τα δύο.
Μίνι θήκη
Ένας μηχανικός Ε&Α μετρά τη δόνηση ενός ανεμιστήρα και έχει το AI να ερμηνεύσει το φάσμα. "Υπάρχει μια κυρίαρχη κορυφή στα 1200 Hz, αυτό μπορεί να είναι αποτυχία", λέει η AI. Ο μηχανικός ελέγχει την ταχύτητα του ανεμιστήρα: 1800 rpm = 30 Hz. Οι συχνότητες μετάβασης ρουλεμάν και λεπίδας αναμένεται να είναι σε ορισμένες τιμές συμβατές με αυτόν τον κύκλο. Τα 1200 Hz δεν αντιστοιχούν σε κανένα από αυτά. Ελέγχει τη συχνότητα δειγματοληψίας: το σήμα μεταφέρει περιεχόμενο έως 2 kHz, αλλά μόνο 2 kHz γίνεται δειγματοληψία, επομένως παραβίαση Nyquist. Η κορυφή στα 1200 Hz είναι μια συχνότητα φάντασμα που προκύπτει από το ψευδώνυμο. Όταν αυξήσω τη συχνότητα δειγματοληψίας στα 8 kHz, η ψευδής κορυφή εξαφανίζεται. Μάθημα: δοκιμάζετε πάντα την ερμηνεία του φάσματος με προσδοκία φυσικού κύκλου/συχνότητας και σωστή δειγματοληψία.
Κοινά λάθη
- Επιλογή συχνότητας δειγματοληψίας χωρίς έλεγχο του κριτηρίου Nyquist. Με θέα το aliasing.
- Αφήνοντας τον άξονα συχνότητας FFT στον δείκτη δείγματος αντί για Hz.
- Λάθος φασματική διαρροή ως σήμα χωρίς παράθυρα.
- Μη κανονικοποίηση του πλάτους κατά αριθμό παραθύρων/δειγμάτων.
- Μη έλεγχος της σταθερότητας του φίλτρου IIR και της παραμόρφωσης φάσης.
- Ερμηνεύοντας τις κορυφές του φάσματος χωρίς να τις δοκιμάζετε εν αναμονή των φυσικών στροφών/συχνότητας.
Συνοπτικά
- Η συχνότητα δειγματοληψίας πρέπει να είναι τουλάχιστον διπλάσια από την υψηλότερη συνιστώσα του σήματος. Διαφορετικά, το ψευδώνυμο θα διαταράξει ολόκληρη την ανάλυση.
- Ανάλυση FFT Δf = f_s/N; Επιλέξτε N και f_s ανάλογα με τις ανάγκες σας.
- Το παράθυρο μειώνει τη φασματική διαρροή. ομαλοποιήστε το πλάτος σύμφωνα με το κέρδος του παραθύρου.
- Επαληθεύστε τον κωδικό AI με ένα γνωστό σήμα δοκιμής για να επιβεβαιώσετε τον άξονα και την κανονικοποίηση.
- Ελέγξτε τη σταθερότητα του φίλτρου και την απόκριση συχνότητας σχεδιάζοντάς το.
- Πάντα να δοκιμάζετε την ερμηνεία του φάσματος με προσδοκία φυσικής συχνότητας.
Εργασία εφαρμογής
Δημιουργήστε ένα δοκιμαστικό σήμα γνωστής συχνότητας (π.χ. ημιτονοειδές 500 Hz + 1500 Hz). Ζητήστε FFT και κωδικό φίλτρου από το AI. Στη συνέχεια: (1) επαληθεύστε ότι πληρούται το κριτήριο Nyquist, (2) ελέγξτε ότι οι κορυφές FFT εμφανίζονται στην πραγματικότητα στα 500 και 1500 Hz, (3) μειώστε σκόπιμα τη συχνότητα δειγματοληψίας κάτω από το Nyquist και παρατηρήστε πώς το aliasing δημιουργεί μια ψευδή κορυφή. Σημειώστε τις παρατηρήσεις σας και την παράμετρο που διορθώσατε.