Nyereség:
- Képes pontosan meghatározni a jelfeldolgozási paramétereket, például mintavételi frekvenciát, szűrőtípust és az AI-val történő ablakolást
- Képes Python kódot generálni FFT-hez, szűrőtervezést és zajelemzést, valamint a Nyquist és az aliasing ellenőrzését
- Képes a mesterséges intelligencia által generált spektrumértelmezés ellenőrzésére a méréssel és a fizikai elvárással való összehasonlítással
A szenzorból, mikrofonból vagy tápvezetékből származó nyers adatok gyakran értelmetlenek; Feldolgozása, értelmezése szükséges a frekvencia, amplitúdó és idő tengelyén. Spektrum kivonás FFT-vel, zajszűrés, rezgésaláírás felismerése... Ezek mind jelfeldolgozás, és az AI gyors Python kódot generál ezen a területen, elmagyarázza a fogalmakat, kiszámítja a szűrő együtthatóját. De egy kis paraméterhiba a jelfeldolgozásban (rossz mintavételi frekvencia, rossz ablak, kihagyott Nyquist-vezérlés) csendben tönkreteszi az egész elemzést; A kód nem ad hibát, csak rossz eredményt ad. Ebben az egységben kitérünk a helyes paraméterek AI-val történő beállítására, a generált kód Nyquist és aliasozás szempontjából történő ellenőrzésére, valamint a spektrumértelmezés fizikai valósággal való ellenőrzésére.
Alapparaméterek: Mintavétel, Nyquist, Aliasing
A digitális jelfeldolgozás első szabálya a Nyquist-Shannon tétel: a jel pontos ábrázolásához a mintavételezési frekvenciának legalább kétszerese a jel legmagasabb frekvenciájú összetevőjének. Ellenkező esetben a magas frekvenciák alacsony frekvenciákként jelennek meg (aliasing), és ez nem fordítható vissza.
Legmagasabb frekvencia a jelben: f_max = 2 kHz Minimális mintavételezési frekvencia: f_s ≥ 2 · f_max = 4 kHz A gyakorlatban való mozgásterv meghagyásához: f_s ≈ 5 · f_max = 10 kHz van kiválasztva. Az analóg élsimító szűrőt is KÖTELEZŐ a mintavételezés előtt.
Vigyázat: Amikor az AI mintavételezési frekvenciát javasol, feltétlenül ellenőrizze, hogy a Nyquist a jel legmagasabb komponense alapján biztosítja-e. A kód alacsony mintavételi frekvencián is hiba nélkül fut; de az eredmény aliasing miatt rossz. Ezenkívül egyetlen szoftver sem tudja visszavonni ezt a hibát a hardveres élsimító szűrő nélkül.
Felbontás és ablakozás az FFT-hez
Az FFT frekvenciafelbontása a mintavételi frekvenciától és a minták számától függ: Δf = f_s / N. A finomabb felbontás érdekében vagy több mintát gyűjt, vagy alacsonyabb f_s-t választ (a Nyquist megtörése nélkül). Ezenkívül a jel eleje és vége közötti folytonossági hiány "spektrális szivárgást" hoz létre; Ennek csökkentése érdekében olyan ablakfüggvényeket alkalmaznak, mint a Hann és Hamming.
f_s = 10 kHz, N = 1024 minta Frekvencia felbontás: Δf = 10000 / 1024 ≈ 9,77 Hz Teljes felvételi idő: T = N / f_s = 1024 / 10000 ≈ 102,4 ms
FFT és szűrőkód generálása és ellenőrzése
Ha FFT-kódot kér az AI-tól, kifejezetten adja meg a mintavételi gyakoriságot, az ablak típusát és a tengely léptékét. A következő kód egy jel egyoldali amplitúdóspektrumát adja ki:
import numpy mint npfs = 10000 # mintavételi frekvencia (Hz) - ellenőrizze Nyquist!N = 1024t = np.arange(N) / fs# mintajel: 500 Hz + 1500 Hzx = np.sin(2*np.pi*500*t) + 0.5*np.sin(2*np.pi*1500*t)w = np.hanning(N) # ablakolás: csökkenti a gain#-el normalizált spektrális szivárgást check peak frequenciespeaks = f[np.argsort(mag)[-2:]]print("Dománs frekvenciák (Hz)sort):", np.)sort
A kód ellenőrzésekor a következő kérdés jelenik meg: A frekvenciatengely valóban Hz, vagy a minta indexe (rfftfreq használatos)? Normalizálva van az amplitúdó az ablak erősítésére? Valóban ezeken a pontokon jelentkeznek a várt 500 és 1500 Hz-es csúcsok? Ha egy ismert tesztjellel (egyfrekvenciás szinusz) ellenőrzi a kódot, akkor magabiztosan megerősíti a tengelyt és a normalizálást.
Gyenge felszólítás / Erős felszólítás
GYENGE:"Alkalmazza az FFT-t ezekre az adatokra." (Eredmény: a mintavételi frekvencia, a tengely léptéke és az ablakok nem egyértelműek; a grafikon valószínűleg rossz tengelyen van ábrázolva.) STRONG:"Alkalmazza az FFT-t egy 10 kHz-es mintavételezett jelre. Adja meg: - Ábrázolja a frekvencia tengelyét Hz-ben (használja az rfftfreq ablakot, és használja a normalizálási ablakot). - Alkalmazza a két Hannl erősítés ablakot. domináns frekvenciák digitálisan.- Jelölje be a Nyquist határértéket (5 kHz) a grafikonon. Vegye figyelembe, hogy a tengely eltolódik, ha a mintavételi frekvencia nem megfelelő."
Szűrő tervezés és zajelemzés
A mesterséges intelligencia alacsony/magas/sáváteresztő szűrő együtthatókat (FIR/IIR) képes generálni. De ellenőrizni kell a szűrő levágási frekvenciáját, sorrendjét és stabilitását. Ez nagy sorrendű instabilitást és fázistorzulást okozhat, különösen az IIR szűrőkben. A szűrő megtervezése után ábrázolja a frekvenciamenetet (Bode-szerű), hogy lássa, a cutoff a megfelelő helyen van, és nincs nem kívánt hullámosság az áteresztősávban.
A zajanalízis tipikus feladata a valós jel és a zaj elkülönítése. Itt értékelje az AI által javasolt küszöbértéket vagy szűrőt a jel fizikai sávszélességéhez képest: ha a valódi jel 0-500 Hz, akkor a 2 kHz-es komponens valószínűleg zaj vagy interferencia. A mesterséges intelligencia statisztikákat ad; Te készíted a fizikai értelmezést.
A spektrumértelmezés érvényesítése a fizikai valósággal
A spektrum értelmezésekor az AI ésszerű, de nem mindig pontos következtetéseket von le, például „50 Hz-en csúcs van, ez hálózati interferencia”. Hasonlítsa össze ezeket a megjegyzéseket a fizikai elvárással: Valóban van a rendszernek 50 Hz-es hálózati csatlakozása? A várható forgási frekvencia és harmonikusok közel vannak a motor rezgésspektrumában? Ha lehetséges, ismételje meg a mérést egy második módszerrel (más érzékelő, más szoftver), és ugyanazokat a csúcsokat nézze meg.
Tipp: Minden spektrumértelmezésnél "milyen fizikai jelenségnek felel meg ez a csúcs?" Tedd fel a kérdést. Az 50/100/150 Hz-es hálózat és annak harmonikusai, a forgási frekvencia és ennek többszörösei a forgó gépeknél, valamint a kapcsolási frekvencia a kapcsolóüzemű tápegységekben ismert jelek. Az ismeretlen csúcs vagy valós esemény, vagy mérési/feldolgozási hiba; Kutasd mindkettőt.
Mini tok
Egy K+F mérnök méri a ventilátor rezgését, és az AI értelmezi a spektrumot. "Van egy domináns csúcs 1200 Hz-en, ez lehet csapágyhiba" - mondja az AI. A mérnök szabályozza a ventilátor fordulatszámát: 1800 ford./perc = 30 Hz. A csapágy és a lapát átmeneti frekvenciák várhatóan bizonyos értékeken kompatibilisek ezzel a ciklussal; Az 1200 Hz ezek egyikének sem felel meg. Szabályozza a mintavételezési frekvenciát: a jel 2 kHz-ig hordoz tartalmat, de csak 2 kHz-en van mintavétel, tehát Nyquist-sértés. Az 1200 Hz-es csúcs az aliasingból származó szellemfrekvencia. Ha a mintavételezési frekvenciát 8 kHz-re növelem, a hamis csúcs eltűnik. Tanulság: mindig tesztelje a spektrumértelmezést fizikai ciklus/frekvencia-elvárással és helyes mintavétellel.
Gyakori hibák
- A mintavételi gyakoriság kiválasztása a Nyquist-kritérium ellenőrzése nélkül; Néző aliasing.
- Az FFT frekvenciatengelyt a mintaindexnél hagyva Hz helyett.
- A spektrális szivárgást ablakozás nélküli jelnek tévesztjük.
- Nem normalizálja az amplitúdót az ablakok/minták számával.
- Nem ellenőrzi az IIR szűrő stabilitását és a fázistorzulást.
- A spektrumcsúcsok értelmezése a fizikai fordulatszám/frekvencia előrejelzése nélkül történő tesztelés nélkül.
Összefoglalva
- A mintavételezési frekvenciának a jel legmagasabb komponensének legalább kétszeresének kell lennie; Ellenkező esetben az álnév megzavarja a teljes elemzést.
- FFT felbontás Δf = f_s/N; Válassza az N és az f_s értéket az igényeinek megfelelően.
- Az ablakozás csökkenti a spektrális szivárgást; normalizálja az amplitúdót az ablak erősítésének megfelelően.
- A tengely és a normalizálás megerősítéséhez ellenőrizze az AI-kódot egy ismert tesztjellel.
- Ellenőrizze a szűrő stabilitását és frekvenciamenetét az ábrázolással.
- Mindig tesztelje a spektrumértelmezést a fizikai frekvencia elvárásával.
Pályázati feladat
Ismert frekvenciájú tesztjelet generál (pl. 500 Hz + 1500 Hz szinusz). Kérjen FFT- és szűrőkódot az AI-tól. Ezután: (1) ellenőrizze, hogy teljesül-e a Nyquist-kritérium, (2) ellenőrizze, hogy az FFT csúcsok valóban megjelennek-e 500 és 1500 Hz-en, (3) szándékosan csökkentse a mintavételezési frekvenciát Nyquist alatt, és figyelje meg, hogyan hoz létre az aliasing hamis csúcsot. Jegyezze fel észrevételeit és a javított paramétert.