سود:
- امکان تعیین دقیق پارامترهای پردازش سیگنال مانند فرکانس نمونه برداری، نوع فیلتر و پنجره گذاری با هوش مصنوعی
- امکان تولید کد پایتون برای FFT، طراحی فیلتر و آنالیز نویز و بررسی Nyquist و Aliasing
- توانایی تأیید تفسیر طیف تولید شده توسط هوش مصنوعی با مقایسه آن با اندازه گیری و انتظارات فیزیکی
داده های خام از یک سنسور، میکروفون، یا خط برق به تنهایی اغلب بی معنی است. پردازش و تفسیر آن بر روی محور فرکانس، دامنه و زمان ضروری است. استخراج طیف با FFT، فیلتر کردن نویز، تشخیص امضای ارتعاش... اینها همه پردازش سیگنال هستند و هوش مصنوعی کدهای سریع پایتون را در این زمینه تولید می کند، مفاهیم را توضیح می دهد، ضریب فیلتر را محاسبه می کند. اما یک خطای پارامتر کوچک در پردازش سیگنال (فرکانس نمونه برداری اشتباه، پنجره اشتباه، کنترل نایکویست نادیده گرفته شده) بی سر و صدا کل آنالیز را خراب می کند. کد خطا نمی دهد، فقط نتایج اشتباه می دهد. در این بخش، تنظیم پارامترهای صحیح با هوش مصنوعی، بررسی کد تولید شده از نظر Nyquist و aliasing و تأیید تفسیر طیف با واقعیت فیزیکی را پوشش خواهیم داد.
پارامترهای اساسی: نمونه برداری، Nyquist، Aliasing
اولین قانون پردازش سیگنال دیجیتال قضیه نایکویست-شانون است: برای نمایش دقیق یک سیگنال، فرکانس نمونه برداری باید حداقل دو برابر بالاترین مولفه فرکانس در سیگنال باشد. در غیر این صورت، فرکانسهای بالا به صورت فرکانسهای پایین ظاهر میشوند (Aliasing) و نمیتوان آن را معکوس کرد.
بالاترین فرکانس در سیگنال: f_max = 2 کیلوهرتز حداقل فرکانس نمونه برداری: f_s ≥ 2 · f_max = 4 کیلوهرتز برای ترک حاشیه در عمل: f_s ≈ 5 · f_max = 10 کیلوهرتز انتخاب شده است همچنین، یک فیلتر آنالوگ ضد آلیاسینگ باید نمونه برداری شود.
احتیاط: وقتی هوش مصنوعی فرکانس نمونهبرداری را پیشنهاد میکند، حتما بررسی کنید که Nyquist را بر اساس بالاترین مؤلفه سیگنال شما ارائه میکند یا خیر. کد حتی در فرکانس نمونه برداری کم بدون خطا اجرا می شود. اما نتیجه به دلیل همخوانی اشتباه است. علاوه بر این، هیچ نرم افزاری نمی تواند این خطا را بدون فیلتر ضد آلیاسینگ در سخت افزار خنثی کند.
وضوح و پنجره برای FFT
وضوح فرکانس FFT به فرکانس نمونهبرداری و تعداد نمونهها بستگی دارد: Δf = f_s / N. برای وضوح بهتر، نمونههای بیشتری جمعآوری میکنید یا f_s پایینتر را انتخاب میکنید (بدون شکستن Nyquist). علاوه بر این، ناپیوستگی بین ابتدا و انتهای سیگنال باعث ایجاد "نشت طیفی" می شود. برای کاهش این، توابع پنجره مانند Hann و Hamming اعمال می شود.
f_s = 10 کیلوهرتز، N = 1024 نمونه وضوح فرکانس: Δf = 10000 / 1024 ≈ 9.77 هرتز کل زمان ضبط: T = N / f_s = 1024 / 10000 ≈ 102.4 میلی ثانیه
تولید و بررسی FFT و کد فیلتر
هنگام درخواست کد FFT از هوش مصنوعی، فرکانس نمونه برداری، نوع پنجره و مقیاس محور را به صراحت مشخص کنید. کد زیر طیف دامنه یک طرفه یک سیگنال را خروجی می دهد:
وارد کردن numpy به عنوان npfs = 10000 # فرکانس نمونه برداری (Hz) - تأیید Nyquist!N = 1024t = np.arange(N) / fs# سیگنال نمونه: 500 هرتز + 1500 هرتز = np.sin(2*np.pi*500*t) + 0.5*np.sin(2*np.pi*1500*t)w = np.hanning(N) # windowing: نشتی طیفی نرمالشده با بهره را کاهش میدهد.
هنگام بررسی این کد از شما سوال می شود: آیا محور فرکانس واقعا هرتز است یا از شاخص نمونه (rfftfreq استفاده شده است)؟ آیا دامنه نسبت به بهره پنجره نرمال شده است؟ آیا پیک مورد انتظار 500 و 1500 هرتز واقعاً در آن نقاط رخ می دهد؟ اگر کد را با یک سیگنال آزمایشی شناخته شده (سینوس تک فرکانس) تأیید کنید، با اطمینان محور و عادی سازی را تأیید خواهید کرد.
اعلان ضعیف / اعلان قوی
ضعیف: "FFT را برای این داده اعمال کنید." (نتیجه: فرکانس نمونه برداری، مقیاس محور و پنجره بندی نامشخص است؛ نمودار به احتمال زیاد روی محور اشتباه رسم شده است.) STRONG:"FFT را روی سیگنال نمونه برداری شده با فرکانس 10 کیلوهرتز اعمال کنید. ارائه کنید: - محور فرکانس را در هرتز رسم کنید. Gain.- دو فرکانس غالب را به صورت دیجیتالی چاپ کنید.- حد Nyquist (5 کیلوهرتز) را روی نمودار علامت بزنید توجه داشته باشید که اگر فرکانس نمونه برداری نادرست باشد، محور جابه جا می شود.
طراحی فیلتر و آنالیز نویز
هوش مصنوعی می تواند ضرایب فیلتر پایین/بالا/باند گذر (FIR/IIR) ایجاد کند. اما فرکانس قطع، نظم و پایداری فیلتر باید بررسی شود. این می تواند باعث ناپایداری مرتبه بالا و اعوجاج فاز، به ویژه در فیلترهای IIR شود. پس از طراحی فیلتر، پاسخ فرکانس (مانند Bode) را رسم کنید تا ببینید که برش در محل مناسب قرار دارد و هیچ موج ناخواسته ای در باند عبور وجود ندارد.
وظیفه معمول در تحلیل نویز جداسازی سیگنال واقعی از نویز است. در اینجا، آستانه یا فیلتر پیشنهادی هوش مصنوعی را در برابر پهنای باند فیزیکی سیگنال ارزیابی کنید: اگر سیگنال واقعی شما 0-500 هرتز است، یک جزء در 2 کیلوهرتز به احتمال زیاد نویز یا تداخل است. هوش مصنوعی آمار می دهد. شما تفسیر فیزیکی را انجام دهید.
اعتبار سنجی تفسیر طیف با واقعیت فیزیکی
هنگام تفسیر یک طیف، هوش مصنوعی استنباط های معقول اما نه همیشه دقیقی از جمله "یک اوج در 50 هرتز وجود دارد، این تداخل شبکه است." این نظرات را با انتظارات فیزیکی مقایسه کنید: آیا سیستم واقعاً یک اتصال برق 50 هرتز دارد؟ آیا فرکانس چرخش مورد انتظار و هارمونیک ها تقریباً در طیف ارتعاش یک موتور وجود دارد؟ در صورت امکان، اندازه گیری را با روش دوم (سنسورهای مختلف، نرم افزارهای مختلف) تکرار کنید و همان پیک ها را ببینید.
نکته: برای هر تفسیر طیف، "این اوج با چه پدیده فیزیکی مطابقت دارد؟" سوال را بپرسید. شبکه 50/100/150 هرتز و هارمونیک های آن، فرکانس چرخش و مضرب های آن در ماشین های دوار و فرکانس سوئیچینگ در منابع تغذیه سوئیچینگ از علائم شناخته شده هستند. یک پیک ناشناخته یا یک رویداد واقعی یا یک خطای اندازهگیری/پردازش است. در مورد هر دو تحقیق کنید
کیف کوچک
یک مهندس تحقیق و توسعه ارتعاش فن را اندازه گیری می کند و هوش مصنوعی طیف را تفسیر می کند. هوش مصنوعی میگوید: «یک پیک غالب در 1200 هرتز وجود دارد، این ممکن است منجر به شکست شود». مهندس سرعت فن را کنترل می کند: 1800 دور در دقیقه = 30 هرتز. انتظار میرود که فرکانسهای انتقال یاتاقان و تیغه در مقادیر مشخصی سازگار با این چرخه باشد. 1200 هرتز با هیچ کدام از اینها مطابقت ندارد. فرکانس نمونه برداری را کنترل می کند: سیگنال محتوا را تا 2 کیلوهرتز حمل می کند، اما فقط 2 کیلوهرتز نمونه برداری می شود، بنابراین نقض Nyquist است. اوج در 1200 هرتز یک فرکانس شبح است که از aliasing حاصل می شود. وقتی فرکانس نمونه برداری را به 8 کیلوهرتز افزایش می دهم، پیک کاذب ناپدید می شود. درس: همیشه تفسیر طیف را با انتظارات چرخه فیزیکی/فرکانس و نمونه گیری صحیح آزمایش کنید.
اشتباهات رایج
- انتخاب فرکانس نمونه برداری بدون بررسی معیار Nyquist. مشرف به نام مستعار.
- ترک محور فرکانس FFT در شاخص نمونه به جای هرتز.
- اشتباه گرفتن نشت طیفی به عنوان یک سیگنال بدون پنجره.
- نرمال کردن دامنه بر اساس تعداد پنجره ها/نمونه ها.
- عدم بررسی پایداری فیلتر IIR و اعوجاج فاز.
- تفسیر قله های طیف بدون آزمایش آنها در پیش بینی دور در دقیقه / فرکانس فیزیکی.
به طور خلاصه
- فرکانس نمونه برداری باید حداقل دو برابر بالاترین مولفه سیگنال باشد. در غیر این صورت، نام مستعار کل تحلیل را مختل می کند.
- وضوح FFT Δf = f_s/N; N و f_s را با توجه به نیاز خود انتخاب کنید.
- پنجره کشی نشت طیفی را کاهش می دهد. دامنه را با توجه به بهره پنجره نرمال کنید.
- کد AI را با یک سیگنال آزمایشی شناخته شده برای تأیید محور و عادی سازی تأیید کنید.
- پایداری فیلتر و پاسخ فرکانس را با رسم آن بررسی کنید.
- همیشه تفسیر طیف را با انتظار فرکانس فیزیکی آزمایش کنید.
وظیفه کاربردی
یک سیگنال آزمایشی با فرکانس شناخته شده (به عنوان مثال سینوس 500 هرتز + 1500 هرتز) تولید کنید. FFT و کد فیلتر را از هوش مصنوعی درخواست کنید. سپس: (1) بررسی کنید که معیار Nyquist برآورده شده است، (2) بررسی کنید که پیکهای FFT واقعاً در 500 و 1500 هرتز ظاهر میشوند، (3) عمدا فرکانس نمونهبرداری زیر Nyquist را کاهش دهید و مشاهده کنید که چگونه aliasing یک پیک جعلی ایجاد میکند. به مشاهدات و پارامتری که تصحیح کردید توجه کنید.