پردازش سیگنال: فیلترها، نمونه برداری و تجزیه و تحلیل فرکانس

سود:

• امکان ساخت و به کارگیری صحیح مفاهیم نمونه گیری، Nyquist و aliasing با پشتیبانی از هوش مصنوعی
• امکان ترجمه FFT، طراحی فیلتر و مراحل پنجره به پیش نویس کد و محاسبات با هوش مصنوعی
• امکان تایید نتایج پردازش سیگنال تولید شده توسط هوش مصنوعی با سیگنال مرجع، کنترل واحد و اندازه گیری

پردازش سیگنال قلب مهندسی الکترونیک و ارتباطات است: هنر گرفتن موج ولتاژ، ضبط صدا، خواندن سنسور یا سیگنال رادیویی و استخراج اطلاعات درون آن، تمیز کردن نویز آن، و تبدیل آن. در این بخش نحوه استفاده از هوش مصنوعی برای یادگیری مفاهیم پردازش سیگنال، ساخت محاسبات فیلتر و تبدیل و انجام تحلیل با کد پایتون را خواهید دید. اما یک هشدار از همان ابتدا: یک خطای مفهومی کوچک در پردازش سیگنال (فرکانس نمونه برداری اشتباه، پنجره رد شده، واحد تداخل) به طور کامل و بی صدا نتیجه را مخدوش می کند. نمودار هنوز خوب به نظر می رسد، اما اشتباه است. به همین دلیل ضروری است که هر نتیجه ای را که هوش مصنوعی تولید می کند در برابر سیگنال مرجع شناخته شده و کنترل واحد آزمایش کنید.

Sampling و Nyquist: همه چیز از کجا شروع می شود

برای پردازش سیگنال آنالوگ (موج پیوسته) در کامپیوتر، آن را در فواصل زمانی مشخص اندازه گیری کرده و به عدد تبدیل می کنیم. به این کار نمونه گیری می گویند. فرکانس نمونه برداری (fs، واحد هرتز) است که در هر ثانیه چند نمونه می گیریم. معیار Nyquist بیان می کند که برای بازیابی دقیق سیگنال، فرکانس نمونه برداری باید حداقل دو برابر بالاترین فرکانس در سیگنال باشد. اگر این شرط برآورده نشود، فرکانس‌های بالا شبیه فرکانس‌های پایین می‌شوند. به این حالت aliasing می گویند و داده ها برای همیشه خراب می شوند زیرا نمی توانید بین این دو موقعیت تمایز قائل شوید.

هوش مصنوعی این مفهوم را به خوبی توضیح می دهد و می تواند آن را با مثال هایی نشان دهد. اما هنگام انتخاب فرکانس نمونه برداری خود تصمیم می گیرید: پهنای باند واقعی سیگنال شما چقدر است، آیا فیلتر آنالوگ ضد آلیاسینگ دارید، ADC شما (مبدل دیجیتال آنالوگ: تراشه ای که سیگنال آنالوگ را به عدد تبدیل می کند) واقعاً با چه سرعتی کار می کند. ممکن است هوش مصنوعی یک فرکانس نمونه‌برداری را «پیشنهاد» کند، اما این پیشنهاد یک حدس بدون اندازه‌گیری طیف واقعی سیگنال شماست.

نکته: وقتی از هوش مصنوعی یک سوال نمونه می‌پرسید، خودتان بالاترین فرکانس و پهنای باند سیگنال خود را مشخص کنید. "اگر بالاترین مولفه سیگنال من ~4 کیلوهرتز است، چگونه باید fs را انتخاب کنم و فیلتر ضد آلیاسینگ را کجا قرار دهم؟" مانند هوش مصنوعی را مجبور نکنید که طیف را حدس بزند. اندازه گیری

تحلیل فرکانس و FFT

FFT (تبدیل فوریه سریع) یک الگوریتم سریع است که سیگنال را از محور زمان به محور فرکانس تبدیل می کند. بنابراین "چه فرکانس هایی در این سیگنال و با چه میزان توان وجود دارد؟" به سوال پاسخ می دهد هوش مصنوعی نحوه پیاده سازی FFT، تفسیر نتایج و نوشتن کد پایتون (numpy/scipy) را به خوبی انجام می دهد. اما خطاهای رایجی در FFT وجود دارد و کد هوش مصنوعی می‌تواند بی‌صدا شامل آنها شود:

• مقیاس بندی محور فرکانس: محور فرکانس خروجی FFT به فرکانس نمونه برداری بستگی دارد. اگر fs اشتباه وارد شود، همه فرکانس ها به اشتباه خروجی می شوند، اما نمودار طبیعی به نظر می رسد.
• پنجره: هنگامی که یک قطعه محدود سیگنال دریافت می شود، ناپیوستگی در لبه ها رخ می دهد و شبه گسترش (نشت طیفی) در طیف مشاهده می شود. ویندوزهایی مانند Hann و Hamming این را کاهش می دهند. اگر کد هوش مصنوعی از پنجره رد شود، نتیجه گمراه کننده خواهد بود.
• نرمال سازی دامنه: برای تبدیل دامنه خروجی FFT به مقدار فیزیکی واقعی، مقیاس بندی و اصلاح پنجره مورد نیاز است. اگر حذف شود، دامنه ها نادرست خواهند بود.

طراحی فیلتر

فیلتر مدار یا الگوریتمی است که فرکانس های ناخواسته را از سیگنال استخراج می کند. چهار نوع اساسی وجود دارد: پایین گذر (فرکانس های پایین عبور می کند)، بالا گذر، باند گذر و باند گذر (ناچ). دو خانواده بزرگ از فیلترهای دیجیتال وجود دارد: FIR (پاسخ ضربه محدود، فاز پایدار و خطی) و IIR (پاسخ ضربه بی نهایت، انتقال شیب دار با محاسبه کمتر اما پایداری و ریسک فاز).

هوش مصنوعی مراحل طراحی یک فیلتر (فرکانس قطع، باند عبور، تضعیف باند توقف، انتخاب سفارش) را توضیح می‌دهد و کد تولید ضریب را با scipy می‌نویسد. اما فرکانس قطع فیلتری که طراحی می کنید نرمال شده است (نسبت به فرکانس Nyquist) و وارد کردن اشتباه fs در اینجا یک اشتباه بسیار رایج است. علاوه بر این، پایداری و اعوجاج فاز ممکن است در فیلترهای IIR مشکل ساز باشد و تأخیر ممکن است در سیستم های بلادرنگ مشکل باشد. مطمئن شوید که فیلتر تولید شده توسط هوش مصنوعی را با یک نمودار پاسخ فرکانسی و یک سیگنال تست شناخته شده تأیید کنید.

سه کیف کوچک

مورد 1 - ارتعاش همپوشانی. یک مهندس از ارتعاش یک موتور در 1 کیلوهرتز نمونه برداری می کند و یک پیک قوی در FFT در 300 هرتز می بیند. این پیک که با طراحی موتور همخوانی ندارد، گیج کننده است. در واقع یک قطعه واقعی در موتور حدود 1300 هرتز وجود دارد. نمونه برداری 1 کیلوهرتز برای این کار کافی نیست (Nyquist 500 هرتز) و 1300 هرتز با 300 هرتز همپوشانی دارند. پس از بحث با هوش مصنوعی "این که آیا این پیک واقعی است یا نام مستعار" و افزایش فرکانس نمونه برداری به 5 کیلوهرتز، پیک در مکان صحیح 1300 هرتز ظاهر می شود. درس: در یک تپه مشکوک، کفایت نمونه گیری سوال اول.

مورد 2 - پنجره رد شده. یک کارآموز یک کد FFT را از هوش مصنوعی درخواست می کند و آن را اجرا می کند. او انتظار یک آهنگ تست فرکانس واحد را دارد اما شاهد گسترش گسترده در سراسر طیف است. مشکل این است که کد پنجره (نشت طیفی) را انجام نمی دهد. به هوش مصنوعی بگویید "پنجره هان را اضافه کنید و اصلاح دامنه را اعمال کنید" و خروجی به اوج تیز مورد انتظار باز می گردد. درس: کد FFT را با یک سیگنال تک فرکانس شناخته شده تست کنید. در صورت وجود نشتی پنجره را بررسی کنید.

مورد 3 - fs اشتباه. یک مهندس داده های ضبط کننده را تجزیه و تحلیل می کند. دستگاه با فرکانس 48 کیلوهرتز ضبط می‌کرد، اما 44.1 کیلوهرتز پیش‌فرض در کد هوش مصنوعی وارد شد. همه فرکانس ها 8٪ جابجا می شوند. صدای 1000 هرتز در 1088 هرتز ظاهر می شود. هنگام بررسی fs واقعی تجهیزات اندازه گیری خطا پیدا می شود. درس: فراوانی نمونه‌گیری، بحرانی‌ترین عدد در زنجیره تحلیل است. باید از منبع تایید شود

الگوهای درخواستی قابل کپی

الگوی راه اندازی FFT"یک کد تجزیه و تحلیل FFT را در پایتون بنویسید (numpy/scipy). ورودی: samplingfrequency fs=[value] Hz، رشته سیگنال 'x'. اجازه دهید کد موارد زیر را انجام دهد: (1) پنجره هان را اعمال کنید، (2) FFT را دریافت کنید، (3) با دقت 4-4 فرکانس را در مقیاس یک طرفه ترسیم کنید. طیف با تصحیح پنجره در هر مرحله از کد "لطفاً در خط نظر بیان کنید که کدام فرض را انجام می دهید تا بتوانم آن را تأیید کنم."

الگوی کنترل نمونه برداری "بالاترین فرکانس قابل توجه سیگنال من تقریباً [X] هرتز است. حاشیه Nyquist، نیاز به فیلتر ضد آلیاسینگ و حاشیه ایمنی عملی هنگام انتخاب فرکانس نمونه برداری را توضیح دهید. محدوده ای را پیشنهاد دهید، اما تاکید کنید که من باید این را با اندازه گیری طیف واقعی سیگنال تأیید کنم."

FILTER DESIGN TEMPLATE "یک فیلتر دیجیتال گذر [کم/بالا/باند] با اسکیپی طراحی کنید. فرکانس قطع [X] هرتز، فرکانس نمونه‌برداری fs=[Y] هرتز. گزینه‌های FIR و IIR (پایداری، فاز، تأخیر، بار محاسباتی) را مقایسه کنید. همچنین در کد به وضوح نشان دهید که چگونه فرکانس پاسخ معتبر را با یک کد نرمال می‌کند.

الگوی اعتبار سنجی نتایج "کد پردازش سیگنال زیر را بررسی کنید و منابع خطاهای بی صدا را علامت گذاری کنید: fs اشتباه، پنجره رد شده، تداخل واحد (Hz/kHz، V/mV)، عدم عادی سازی، تداخل طیف یک یا دو طرفه. پیشنهاد کنید چگونه [با کدام کد] علامت را آزمایش کنم.

اعلان ضعیف / اعلان قوی

اعلان ضعیف: "فرکانس این سیگنال را بیابید."

تذکر قوی: "من یک آرایه سیگنال با فرکانس نمونه برداری 10 کیلوهرتز دارم. یک کد پایتون بنویسید که اجزای فرکانس غالب را با FFT پیدا کند؛ از پنجره هان و اصلاح دامنه استفاده کنید، محور فرکانس را بر اساس fs مقیاس کنید. در پایان کد، یک بلوک اعتبار سنجی با یک سیگنال آزمایشی مصنوعی f11 را اضافه کنید و اگر سیگنال تست مصنوعی f11 را ببینید."

اعلان ضعیف یک پاسخ بدون زمینه تولید می کند و fs را فرض می کند. پارامترهای prompt قوی را برمی گرداند و یک بلوک آزمایشی خود تأیید را درخواست می کند.

جدول واحدها و مفروضات در پردازش سیگنال

مفهوم

خطای مکرر

راستی آزمایی

فرکانس نمونه برداری (fs)

پیش فرض به جای FS واقعی دستگاه

تایید از تنظیمات ضبط

محور فرکانس

اگر fs اشتباه باشد کل محور جابجا می شود

آهنگ تست فرکانس شناخته شده

پنجره

نشت طیفی هنگام پرش

عرض اوج در سیگنال یکنواخت

دامنه

عادی سازی/تصحیح وجود ندارد

مقایسه با سیگنال دامنه شناخته شده

برش فیلتر

نرمال کردن خطا طبق fs

نمودار پاسخ فرکانس

احتیاط: فقط به این دلیل که نمودار FFT صاف و قابل باور به نظر می رسد به این معنی نیست که دقیق است. اگر محور فرکانس به درستی مقیاس بندی نشده باشد، همه پیک ها در جای اشتباهی قرار دارند اما نمودار کامل به نظر می رسد. همیشه با یک مرجع شناخته شده کالیبره کنید.

اشتباهات رایج

• عدم تأیید فرکانس نمونه برداری از منبع. fs اشتباه همه فرکانس ها را جابجا می کند.
• نقض Nyquist و عدم توجه به aliasing. در تپه های مشکوک، ابتدا کفایت نمونه برداری را زیر سوال ببرید.
• پرش از پنجره در FFT. نشت طیفی مانند یک اوج واقعی به نظر می رسد.
• فراموشی نرمال سازی دامنه دامنه ها تا ارزش فیزیکی بدون مقیاس باقی می مانند.
• عادی سازی نادرست فرکانس قطع فیلتر به fs. فیلتر در مکانی متفاوت از آنچه انتظار می رود برش می دهد.

به طور خلاصه

در این واحد، شما هوش مصنوعی را به عنوان کمکی قدرتمند در یادگیری مفاهیم پردازش سیگنال، نوشتن کد FFT و فیلتر و ساخت تحلیل قرار داده اید. اما در پردازش سیگنال، نتایج را می‌توان بی‌صدا تحریف کرد: فرکانس نمونه‌برداری اشتباه، پنجره‌بندی نادیده گرفته شده، حجم تداخلی، یا عدم نرمال‌سازی، نمودار را زیبا اما نادرست می‌کند. بنابراین هر کدی را که هوش مصنوعی تولید می کند در برابر سیگنال مرجع شناخته شده آزمایش کنید، فرکانس نمونه برداری را از منبع تأیید کنید، و هر نتیجه را از نظر واحد و قابلیت فیزیکی آزمایش کنید. مفهوم Nyquist و Aliasing را در ابتدای هر تحلیل بررسی کنید.

وظیفه کاربردی

یک سیگنال آزمایش مصنوعی در پایتون ایجاد کنید: مجموع دو فرکانس شناخته شده (به عنوان مثال 1 کیلوهرتز و 3 کیلوهرتز)، fs=10 کیلوهرتز. کد تجزیه و تحلیل را از هوش مصنوعی با الگوی "FFT setup" درخواست کنید و بررسی کنید که پیک ها در فرکانس های صحیح ظاهر شوند. سپس عمداً fs ها را اشتباه وارد کنید (مثلاً 8 کیلوهرتز) و مشاهده کنید که چگونه پیک ها جابه جا می شوند. در نهایت پنجره را بردارید و نشت طیفی را ببینید. نتایج هر آزمایش را در یک جمله بنویسید.

چک لیست

• [ ] من فرکانس نمونه برداری (fs) را از تنظیمات واقعی ضبط کننده تأیید کردم.
• [ ] من معیار Nyquist را بررسی کردم و خطر aliasing را ارزیابی کردم.
• [ ] من بررسی کرده ام که اصلاح پنجره و دامنه در کد FFT اجرا شده است.
• [ ] من کد را با یک سیگنال مرجع با فرکانس شناخته شده آزمایش کردم.
• [ ] با پاسخ بصری تأیید کردم که فرکانس قطع فیلتر به درستی به fs نرمال شده است.
• [ ] من همه واحدها (Hz/kHz، V/mV) را سازگار کردم.