સિગ્નલ પ્રોસેસિંગ અને ડેટા એનાલિસિસ

નફો:

• સિગ્નલ પ્રોસેસિંગ પેરામીટર્સ જેમ કે સેમ્પલિંગ ફ્રીક્વન્સી, ફિલ્ટર પ્રકાર અને AI સાથે વિન્ડોઇંગને ચોક્કસ રીતે સ્થાપિત કરવાની ક્ષમતા
• FFT, ફિલ્ટર ડિઝાઇન અને અવાજ વિશ્લેષણ અને Nyquist અને aliasing તપાસવા માટે Python કોડ જનરેટ કરવાની ક્ષમતા
• AI-જનરેટેડ સ્પેક્ટ્રમ અર્થઘટનને માપન અને ભૌતિક અપેક્ષા સાથે સરખાવીને ચકાસવાની ક્ષમતા

એકલા સેન્સર, માઇક્રોફોન અથવા પાવર લાઇનમાંથી કાચો ડેટા ઘણીવાર અર્થહીન હોય છે; આવર્તન, કંપનવિસ્તાર અને સમયની અક્ષ પર પ્રક્રિયા કરવી અને તેનું અર્થઘટન કરવું જરૂરી છે. FFT વડે સ્પેક્ટ્રમ કાઢવું, અવાજને ફિલ્ટર કરવું, વાઇબ્રેશન સિગ્નેચરને ઓળખવું... આ બધી સિગ્નલ પ્રોસેસિંગ છે અને AI આ વિસ્તારમાં ઝડપી પાયથોન કોડ જનરેટ કરે છે, ખ્યાલો સમજાવે છે, ફિલ્ટર ગુણાંકની ગણતરી કરે છે. પરંતુ સિગ્નલ પ્રોસેસિંગમાં એક નાની પેરામીટર ભૂલ (ખોટી સેમ્પલિંગ ફ્રિકવન્સી, ખોટી વિન્ડો, સ્કીપ કરેલ Nyquist કંટ્રોલ) સમગ્ર વિશ્લેષણને ચુપચાપ બગાડે છે; કોડ ભૂલો આપતો નથી, તે માત્ર ખોટા પરિણામો આપે છે. આ એકમમાં, અમે AI સાથે સાચા પરિમાણો સેટ કરવા, Nyquist અને aliasingના સંદર્ભમાં જનરેટ કરેલા કોડને તપાસવા અને ભૌતિક વાસ્તવિકતા સાથે સ્પેક્ટ્રમ અર્થઘટનને ચકાસવાને આવરી લઈશું.

મૂળભૂત પરિમાણો: સેમ્પલિંગ, Nyquist, Aliasing

ડિજિટલ સિગ્નલ પ્રોસેસિંગનો પ્રથમ નિયમ Nyquist-Shannon પ્રમેય છે: સિગ્નલને સચોટ રીતે રજૂ કરવા માટે, સેમ્પલિંગ ફ્રીક્વન્સી સિગ્નલમાં સૌથી વધુ આવર્તન ઘટક કરતાં ઓછામાં ઓછી બમણી હોવી જોઈએ. નહિંતર, ઉચ્ચ ફ્રીક્વન્સી ઓછી ફ્રીક્વન્સીઝ (એલિયાસિંગ) તરીકે દેખાશે અને આને ઉલટાવી શકાશે નહીં.

સિગ્નલમાં સૌથી વધુ આવર્તન: f_max = 2 kHz ન્યુનત્તમ નમૂનાની આવર્તન: f_s ≥ 2 · f_max = 4 kHz વ્યવહારમાં હાંસિયો છોડવા માટે: f_s ≈ 5 · f_max = 10 kHz પસંદ કરેલ છે ઉપરાંત, એનાલોગ વિરોધી એલિઆસિંગ ફિલ્ટર ખૂબ જ જરૂરી છે.

સાવધાન: જ્યારે AI સેમ્પલિંગ ફ્રીક્વન્સી સૂચવે છે, ત્યારે ખાતરી કરો કે તે તમારા સિગ્નલના ઉચ્ચતમ ઘટકના આધારે Nyquist પ્રદાન કરે છે કે કેમ. ઓછી સેમ્પલિંગ ફ્રીક્વન્સીમાં પણ કોડ ભૂલો વિના ચાલે છે; પરંતુ ઉપનામને કારણે પરિણામ ખોટું છે. વધુમાં, હાર્ડવેરમાં એન્ટિ-અલાઇઝિંગ ફિલ્ટર વિના કોઈપણ સોફ્ટવેર આ ભૂલને પૂર્વવત્ કરી શકતું નથી.

FFT માટે રિઝોલ્યુશન અને વિન્ડોવિંગ

FFT નું આવર્તન રીઝોલ્યુશન નમૂનાની આવર્તન અને નમૂનાઓની સંખ્યા પર આધારિત છે: Δf = f_s / N. વધુ સારા રીઝોલ્યુશન માટે તમે કાં તો વધુ નમૂનાઓ એકત્રિત કરો છો અથવા નીચલા f_s પસંદ કરો છો (Nyquist તોડ્યા વિના). વધુમાં, સિગ્નલની શરૂઆત અને અંત વચ્ચેની વિરામ "સ્પેક્ટ્રલ લિકેજ" બનાવે છે; આને ઘટાડવા માટે, હેન અને હેમિંગ જેવા વિન્ડો ફંક્શન લાગુ કરવામાં આવે છે.

f_s = 10 kHz, N = 1024 નમૂનાઓ ફ્રીક્વન્સી રિઝોલ્યુશન: Δf = 10000 / 1024 ≈ 9.77 Hz કુલ રેકોર્ડિંગ સમય: T = N / f_s = 1024 / 10000 ≈ 102.4 ms

FFT અને ફિલ્ટર કોડ જનરેટ અને ચેક કરી રહ્યાં છે

AI થી FFT કોડની વિનંતી કરતી વખતે નમૂનાની આવર્તન, વિન્ડો પ્રકાર અને અક્ષ સ્કેલનો સ્પષ્ટપણે ઉલ્લેખ કરો. નીચેનો કોડ સિગ્નલના એકતરફી કંપનવિસ્તાર સ્પેક્ટ્રમને આઉટપુટ કરે છે:

npfs = 10000 # સેમ્પલિંગ ફ્રીક્વન્સી (Hz) તરીકે numpy આયાત કરો - Nyquist ને ચકાસો!N = 1024t = np.arange(N) / fs# સેમ્પલ સિગ્નલ: 500 Hz + 1500 Hzx = np.sin(2*np.pi*500t) +*500 0.5*np.sin(2*np.pi*1500*t)w = np.hanning(N) # વિન્ડોઇંગ: ગેઇન# ચેક પીક ફ્રીક્વન્સીપીક્સ = f[np.argsort(mag)[-2:]]પ્રિન્ટ("પ્રબળ ફ્રીક્વન્સીઝ (Hzrp.so)" દ્વારા સામાન્ય સ્પેક્ટ્રલ લીક ઘટાડે છે:

આ કોડને ચેક કરતી વખતે તમને પૂછવામાં આવશે: શું ફ્રીક્વન્સી એક્સિસ ખરેખર Hz છે અથવા સેમ્પલ ઈન્ડેક્સ (rfftfreq વપરાય છે)? શું વિન્ડો ગેઇન માટે કંપનવિસ્તાર સામાન્ય છે? શું અપેક્ષિત 500 અને 1500 Hz શિખરો ખરેખર તે બિંદુઓ પર થાય છે? જો તમે જાણીતા ટેસ્ટ સિગ્નલ (સિંગલ ફ્રીક્વન્સી સાઈન) વડે કોડને ચકાસો છો, તો તમે વિશ્વાસપૂર્વક અક્ષ અને નોર્મલાઇઝેશનની પુષ્ટિ કરશો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા:"આ ડેટા પર FFT લાગુ કરો."(પરિણામ: સેમ્પલિંગ ફ્રીક્વન્સી, એક્સિસ સ્કેલ અને વિન્ડોઇંગ અસ્પષ્ટ છે; મોટે ભાગે ગ્રાફ ખોટા અક્ષ પર રચાયેલો છે.) STRONG:"10 kHz સેમ્પલ સિગ્નલ પર FFT લાગુ કરો. પ્રદાન કરો:- Hz માં ફ્રીક્વન્સી એક્સિસ પ્લૉટ કરો (અને વિન્ડોને સામાન્ય રીતે rfftfream દ્વારા એપ્લિકેશનનો ઉપયોગ કરો). ગેઇન.- બે પ્રભાવશાળી ફ્રીક્વન્સીઝને ડિજીટલ રીતે છાપો.- ગ્રાફ પર Nyquist મર્યાદા (5 kHz) ને ચિહ્નિત કરો નોંધ કરો કે જો સેમ્પલિંગ ફ્રીક્વન્સી ખોટી હશે તો અક્ષ બદલાઈ જશે."

ફિલ્ટર ડિઝાઇન અને અવાજ વિશ્લેષણ

AI નીચા/ઉચ્ચ/બેન્ડપાસ ફિલ્ટર ગુણાંક (FIR/IIR) જનરેટ કરી શકે છે. પરંતુ ફિલ્ટરની કટ-ઓફ આવર્તન, ક્રમ અને સ્થિરતા તપાસવી આવશ્યક છે. તે ઉચ્ચ ક્રમમાં અસ્થિરતા અને તબક્કાના વિકૃતિનું કારણ બની શકે છે, ખાસ કરીને IIR ફિલ્ટરમાં. ફિલ્ટર ડિઝાઈન કર્યા પછી, કટઓફ યોગ્ય જગ્યાએ છે અને પાસબેન્ડમાં કોઈ અનિચ્છનીય લહેર નથી તે જોવા માટે ફ્રીક્વન્સી રિસ્પોન્સ (બોડ-જેવો) પ્લૉટ કરો.

ઘોંઘાટ વિશ્લેષણમાં લાક્ષણિક કાર્ય એ અવાજથી વાસ્તવિક સંકેતને અલગ કરવાનું છે. અહીં, સિગ્નલની ભૌતિક બેન્ડવિડ્થ સામે AI ના સૂચવેલ થ્રેશોલ્ડ અથવા ફિલ્ટરનું મૂલ્યાંકન કરો: જો તમારું વાસ્તવિક સિગ્નલ 0-500 Hz પર હોય, તો 2 kHz પરનો ઘટક મોટે ભાગે અવાજ અથવા હસ્તક્ષેપ છે. AI આંકડા આપે છે; તમે ભૌતિક અર્થઘટન કરો.

ભૌતિક વાસ્તવિકતા સાથે સ્પેક્ટ્રમ અર્થઘટનને માન્ય કરવું

સ્પેક્ટ્રમનું અર્થઘટન કરતી વખતે, AI વાજબી બનાવે છે પરંતુ હંમેશા ચોક્કસ અનુમાન નથી જેમ કે "50 Hz પર ટોચ છે, આ ગ્રીડ હસ્તક્ષેપ છે." આ ટિપ્પણીઓને ભૌતિક અપેક્ષા સાથે સરખાવો: શું સિસ્ટમમાં ખરેખર 50 Hz મેઈન કનેક્શન છે? શું મોટરના કંપન સ્પેક્ટ્રમમાં અપેક્ષિત પરિભ્રમણ આવર્તન અને હાર્મોનિક્સ લગભગ છે? જો શક્ય હોય તો, બીજી પદ્ધતિ (વિવિધ સેન્સર, અલગ સૉફ્ટવેર) વડે માપનું પુનરાવર્તન કરો અને સમાન શિખરો જુઓ.

સંકેત: દરેક સ્પેક્ટ્રમ અર્થઘટન માટે, "આ શિખર કઈ ભૌતિક ઘટનાને અનુરૂપ છે?" પ્રશ્ન પૂછો. 50/100/150 હર્ટ્ઝ નેટવર્ક અને તેના હાર્મોનિક્સ, રોટેશન ફ્રિકવન્સી અને ફરતી મશીનોમાં તેના ગુણાંક અને સ્વિચિંગ પાવર સપ્લાયમાં સ્વિચિંગ ફ્રીક્વન્સી જાણીતી હસ્તાક્ષર છે. અજ્ઞાત શિખર કાં તો વાસ્તવિક ઘટના છે અથવા માપ/પ્રોસેસિંગ ભૂલ છે; બંનેનું સંશોધન કરો.

મીની કેસ

એક R&D એન્જિનિયર ચાહકના વાઇબ્રેશનને માપે છે અને AI પાસે સ્પેક્ટ્રમનું અર્થઘટન કરે છે. "ત્યાં 1200 Hz પર એક પ્રભાવશાળી શિખર છે, આ નિષ્ફળતા સહન કરી શકે છે," AI કહે છે. એન્જિનિયર ચાહકની ઝડપને નિયંત્રિત કરે છે: 1800 rpm = 30 Hz. બેરિંગ અને બ્લેડ ટ્રાન્ઝિશન ફ્રીક્વન્સી આ ચક્ર સાથે સુસંગત ચોક્કસ મૂલ્યો પર હોવાની અપેક્ષા છે; 1200 Hz આમાંના કોઈપણને અનુરૂપ નથી. તે નમૂનાની આવર્તનને નિયંત્રિત કરે છે: સિગ્નલ 2 kHz સુધીની સામગ્રી ધરાવે છે, પરંતુ માત્ર 2 kHz જ નમૂના લેવામાં આવે છે, તેથી Nyquist ઉલ્લંઘન. 1200 Hz પરની ટોચ એ એલિયાસિંગના પરિણામે ભૂતની આવર્તન છે. જ્યારે હું સેમ્પલિંગ આવર્તનને 8 kHz સુધી વધારીશ, ત્યારે ખોટા શિખર અદૃશ્ય થઈ જાય છે. પાઠ: ભૌતિક ચક્ર/આવર્તન અપેક્ષા અને સાચા નમૂના સાથે હંમેશા સ્પેક્ટ્રમ અર્થઘટનનું પરીક્ષણ કરો.

સામાન્ય ભૂલો

• Nyquist માપદંડને તપાસ્યા વિના નમૂનાની આવર્તન પસંદ કરવી; ઉપનામની અવગણના.
• Hz ને બદલે નમૂના ઇન્ડેક્સ પર FFT આવર્તન અક્ષ છોડીને.
• વિન્ડો વગર સિગ્નલ તરીકે સ્પેક્ટ્રલ લિકેજને ભૂલવું.
• વિન્ડો/નમૂનાઓની સંખ્યા દ્વારા કંપનવિસ્તારને સામાન્ય બનાવતા નથી.
• IIR ફિલ્ટર સ્થિરતા અને તબક્કાના વિકૃતિને તપાસી રહ્યાં નથી.
• ભૌતિક rpm/ફ્રિકવન્સીની અપેક્ષાએ તેનું પરીક્ષણ કર્યા વિના સ્પેક્ટ્રમ શિખરોનું અર્થઘટન કરવું.

સારાંશમાં

• નમૂનાની આવર્તન સિગ્નલના ઉચ્ચતમ ઘટક કરતાં ઓછામાં ઓછી બમણી હોવી જોઈએ; નહિંતર, એલિયાસિંગ સમગ્ર વિશ્લેષણને વિક્ષેપિત કરશે.
• FFT રીઝોલ્યુશન Δf = f_s/N; તમારી જરૂરિયાત મુજબ N અને f_s પસંદ કરો.
• વિન્ડોઇંગ સ્પેક્ટ્રલ લિકેજ ઘટાડે છે; વિન્ડો ગેઇન અનુસાર કંપનવિસ્તાર સામાન્ય કરો.
• અક્ષ અને નોર્મલાઇઝેશનની પુષ્ટિ કરવા માટે જાણીતા ટેસ્ટ સિગ્નલ સાથે AI કોડને ચકાસો.
• ફિલ્ટરની સ્થિરતા અને આવર્તન પ્રતિભાવને કાવતરું કરીને તપાસો.
• ભૌતિક આવર્તનની અપેક્ષા સાથે હંમેશા સ્પેક્ટ્રમ અર્થઘટનનું પરીક્ષણ કરો.

એપ્લિકેશન કાર્ય

જાણીતી આવર્તનનું પરીક્ષણ સંકેત જનરેટ કરો (દા.ત. 500 Hz + 1500 Hz સાઈન). AI થી FFT અને ફિલ્ટર કોડની વિનંતી કરો. પછી: (1) ચકાસો કે Nyquist માપદંડ પૂર્ણ થયો છે, (2) તપાસો કે FFT શિખરો ખરેખર 500 અને 1500 Hz પર દેખાય છે, (3) Nyquist ની નીચે સેમ્પલિંગ આવર્તનને જાણી જોઈને ઘટાડવું અને અવલોકન કરો કે ઉપનામ કેવી રીતે બનાવટી ટોચ બનાવે છે. તમારા અવલોકનો અને તમે સુધારેલ પરિમાણની નોંધ લો.