ಲಾಭಗಳು:
- ಮಾದರಿ ಆವರ್ತನ, ಫಿಲ್ಟರ್ ಪ್ರಕಾರ ಮತ್ತು AI ಯೊಂದಿಗೆ ಕಿಟಕಿಯಂತಹ ಸಿಗ್ನಲ್ ಪ್ರೊಸೆಸಿಂಗ್ ನಿಯತಾಂಕಗಳನ್ನು ನಿಖರವಾಗಿ ಸ್ಥಾಪಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಎಫ್ಎಫ್ಟಿಗಾಗಿ ಪೈಥಾನ್ ಕೋಡ್ ಅನ್ನು ರಚಿಸುವ ಸಾಮರ್ಥ್ಯ, ಫಿಲ್ಟರ್ ವಿನ್ಯಾಸ ಮತ್ತು ಶಬ್ದ ವಿಶ್ಲೇಷಣೆ ಮತ್ತು ನೈಕ್ವಿಸ್ಟ್ ಮತ್ತು ಅಲಿಯಾಸಿಂಗ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ
- ಮಾಪನ ಮತ್ತು ಭೌತಿಕ ನಿರೀಕ್ಷೆಗೆ ಹೋಲಿಸುವ ಮೂಲಕ AI- ರಚಿತವಾದ ಸ್ಪೆಕ್ಟ್ರಮ್ ವ್ಯಾಖ್ಯಾನವನ್ನು ಪರಿಶೀಲಿಸುವ ಸಾಮರ್ಥ್ಯ
ಸಂವೇದಕ, ಮೈಕ್ರೊಫೋನ್ ಅಥವಾ ಪವರ್ ಲೈನ್ನಿಂದ ಕಚ್ಚಾ ಡೇಟಾ ಸಾಮಾನ್ಯವಾಗಿ ಅರ್ಥಹೀನವಾಗಿರುತ್ತದೆ; ಆವರ್ತನ, ವೈಶಾಲ್ಯ ಮತ್ತು ಸಮಯದ ಅಕ್ಷದ ಮೇಲೆ ಅದನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲು ಮತ್ತು ಅರ್ಥೈಸಲು ಇದು ಅವಶ್ಯಕವಾಗಿದೆ. ಎಫ್ಎಫ್ಟಿಯೊಂದಿಗೆ ಸ್ಪೆಕ್ಟ್ರಮ್ ಅನ್ನು ಹೊರತೆಗೆಯುವುದು, ಶಬ್ದವನ್ನು ಫಿಲ್ಟರ್ ಮಾಡುವುದು, ಕಂಪನ ಸಹಿಯನ್ನು ಗುರುತಿಸುವುದು... ಇವೆಲ್ಲವೂ ಸಿಗ್ನಲ್ ಪ್ರಕ್ರಿಯೆ ಮತ್ತು AI ಈ ಪ್ರದೇಶದಲ್ಲಿ ವೇಗದ ಪೈಥಾನ್ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಪರಿಕಲ್ಪನೆಗಳನ್ನು ವಿವರಿಸುತ್ತದೆ, ಫಿಲ್ಟರ್ ಗುಣಾಂಕವನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುತ್ತದೆ. ಆದರೆ ಸಿಗ್ನಲ್ ಸಂಸ್ಕರಣೆಯಲ್ಲಿನ ಸಣ್ಣ ನಿಯತಾಂಕ ದೋಷ (ತಪ್ಪು ಮಾದರಿ ಆವರ್ತನ, ತಪ್ಪು ವಿಂಡೋ, ಸ್ಕಿಪ್ಡ್ ನೈಕ್ವಿಸ್ಟ್ ನಿಯಂತ್ರಣ) ಸಂಪೂರ್ಣ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಮೌನವಾಗಿ ಹಾಳುಮಾಡುತ್ತದೆ; ಕೋಡ್ ದೋಷಗಳನ್ನು ನೀಡುವುದಿಲ್ಲ, ಅದು ತಪ್ಪು ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ. ಈ ಘಟಕದಲ್ಲಿ, ನಾವು AI ಯೊಂದಿಗೆ ಸರಿಯಾದ ನಿಯತಾಂಕಗಳನ್ನು ಹೊಂದಿಸುತ್ತೇವೆ, ನೈಕ್ವಿಸ್ಟ್ ಮತ್ತು ಅಲಿಯಾಸಿಂಗ್ನ ವಿಷಯದಲ್ಲಿ ರಚಿತವಾದ ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇವೆ ಮತ್ತು ಭೌತಿಕ ವಾಸ್ತವದೊಂದಿಗೆ ಸ್ಪೆಕ್ಟ್ರಮ್ ವ್ಯಾಖ್ಯಾನವನ್ನು ಪರಿಶೀಲಿಸುತ್ತೇವೆ.
ಮೂಲ ನಿಯತಾಂಕಗಳು: ಸ್ಯಾಂಪ್ಲಿಂಗ್, ನೈಕ್ವಿಸ್ಟ್, ಅಲಿಯಾಸಿಂಗ್
ಡಿಜಿಟಲ್ ಸಿಗ್ನಲ್ ಸಂಸ್ಕರಣೆಯ ಮೊದಲ ನಿಯಮವೆಂದರೆ ನೈಕ್ವಿಸ್ಟ್-ಶಾನನ್ ಪ್ರಮೇಯ: ಸಂಕೇತವನ್ನು ನಿಖರವಾಗಿ ಪ್ರತಿನಿಧಿಸಲು, ಮಾದರಿ ಆವರ್ತನವು ಸಿಗ್ನಲ್ನಲ್ಲಿನ ಅತ್ಯಧಿಕ ಆವರ್ತನ ಘಟಕಕ್ಕಿಂತ ಕನಿಷ್ಠ ಎರಡು ಪಟ್ಟು ಇರಬೇಕು. ಇಲ್ಲದಿದ್ದರೆ, ಹೆಚ್ಚಿನ ಆವರ್ತನಗಳು ಕಡಿಮೆ ಆವರ್ತನಗಳಾಗಿ ಗೋಚರಿಸುತ್ತವೆ (ಅಲಿಯಾಸಿಂಗ್) ಮತ್ತು ಇದನ್ನು ಹಿಂತಿರುಗಿಸಲಾಗುವುದಿಲ್ಲ.
ಸಿಗ್ನಲ್ನಲ್ಲಿ ಅತ್ಯಧಿಕ ಆವರ್ತನ: f_max = 2 kHzಕನಿಷ್ಠ ಮಾದರಿ ಆವರ್ತನ: f_s ≥ 2 · f_max = 4 kHz ಆಚರಣೆಯಲ್ಲಿ ಅಂಚು ಬಿಡಲು: f_s ≈ 5 · f_max = 10 kHz ಅನ್ನು ಆಯ್ಕೆಮಾಡಲಾಗಿದೆ ಹಾಗೆಯೇ, ಅನಲಾಗ್ ವಿರೋಧಿ ಅಲಿಯಾಸಿಂಗ್ ಫಿಲ್ಟರ್ ಆಗಿರಬೇಕು.
ಎಚ್ಚರಿಕೆ: AI ಮಾದರಿ ಆವರ್ತನವನ್ನು ಸೂಚಿಸಿದಾಗ, ಅದು ನಿಮ್ಮ ಸಿಗ್ನಲ್ನ ಅತ್ಯುನ್ನತ ಅಂಶವನ್ನು ಆಧರಿಸಿ Nyquist ಅನ್ನು ಒದಗಿಸುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ಪರೀಕ್ಷಿಸಲು ಮರೆಯದಿರಿ. ಕಡಿಮೆ ಮಾದರಿ ಆವರ್ತನದಲ್ಲಿಯೂ ಸಹ ಕೋಡ್ ದೋಷಗಳಿಲ್ಲದೆ ಚಲಿಸುತ್ತದೆ; ಆದರೆ ಅಲಿಯಾಸಿಂಗ್ನಿಂದಾಗಿ ಫಲಿತಾಂಶವು ತಪ್ಪಾಗಿದೆ. ಹೆಚ್ಚುವರಿಯಾಗಿ, ಹಾರ್ಡ್ವೇರ್ನಲ್ಲಿ ವಿರೋಧಿ ಅಲಿಯಾಸಿಂಗ್ ಫಿಲ್ಟರ್ ಇಲ್ಲದೆ ಯಾವುದೇ ಸಾಫ್ಟ್ವೇರ್ ಈ ದೋಷವನ್ನು ರದ್ದುಗೊಳಿಸುವುದಿಲ್ಲ.
FFT ಗಾಗಿ ರೆಸಲ್ಯೂಶನ್ ಮತ್ತು ವಿಂಡೋ
FFT ಯ ಆವರ್ತನ ನಿರ್ಣಯವು ಮಾದರಿ ಆವರ್ತನ ಮತ್ತು ಮಾದರಿಗಳ ಸಂಖ್ಯೆಯನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ: Δf = f_s / N. ಉತ್ತಮವಾದ ರೆಸಲ್ಯೂಶನ್ಗಾಗಿ ನೀವು ಹೆಚ್ಚಿನ ಮಾದರಿಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ ಅಥವಾ ಕಡಿಮೆ f_s ಅನ್ನು ಆಯ್ಕೆ ಮಾಡಿ (Nyquist ಅನ್ನು ಮುರಿಯದೆ). ಹೆಚ್ಚುವರಿಯಾಗಿ, ಸಿಗ್ನಲ್ನ ಪ್ರಾರಂಭ ಮತ್ತು ಅಂತ್ಯದ ನಡುವಿನ ಸ್ಥಗಿತವು "ಸ್ಪೆಕ್ಟ್ರಲ್ ಲೀಕೇಜ್" ಅನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ; ಇದನ್ನು ಕಡಿಮೆ ಮಾಡಲು, ಹ್ಯಾನ್ ಮತ್ತು ಹ್ಯಾಮಿಂಗ್ನಂತಹ ವಿಂಡೋ ಕಾರ್ಯಗಳನ್ನು ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ.
f_s = 10 kHz, N = 1024 ಮಾದರಿಗಳು ಆವರ್ತನ ರೆಸಲ್ಯೂಶನ್: Δf = 10000 / 1024 ≈ 9.77 Hz ಒಟ್ಟು ರೆಕಾರ್ಡಿಂಗ್ ಸಮಯ: T = N / f_s = 1024 / 10000 ≈ 102.4 ms
FFT ಮತ್ತು ಫಿಲ್ಟರ್ ಕೋಡ್ ಅನ್ನು ರಚಿಸುವುದು ಮತ್ತು ಪರಿಶೀಲಿಸುವುದು
AI ನಿಂದ FFT ಕೋಡ್ ಅನ್ನು ವಿನಂತಿಸುವಾಗ ಮಾದರಿ ಆವರ್ತನ, ವಿಂಡೋ ಪ್ರಕಾರ ಮತ್ತು ಅಕ್ಷದ ಪ್ರಮಾಣವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ನಿರ್ದಿಷ್ಟಪಡಿಸಿ. ಕೆಳಗಿನ ಕೋಡ್ ಸಂಕೇತದ ಏಕಪಕ್ಷೀಯ ವೈಶಾಲ್ಯ ವರ್ಣಪಟಲವನ್ನು ನೀಡುತ್ತದೆ:
npfs = 10000 # ಮಾದರಿ ಆವರ್ತನ (Hz) ಎಂದು ನಂಬಿ ಆಮದು ಮಾಡಿ - Nyquist!N = 1024t = np.arange(N) / fs# ಮಾದರಿ ಸಂಕೇತವನ್ನು ಪರಿಶೀಲಿಸಿ: 500 Hz + 1500 Hzx = np.sin(2*np.pi)*500 0.5*np.sin(2*np.pi*1500*t)w = np.hanning(N) # windowing: ಗಳಿಕೆಯಿಂದ ಸಾಮಾನ್ಯೀಕರಿಸಿದ ಸ್ಪೆಕ್ಟ್ರಲ್ ಸೋರಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ # ಚೆಕ್ ಪೀಕ್ ಆವರ್ತನಗಳುಸ್ಪೀಕ್ಸ್ = f[np.argsort(mag)[-2:]]ಮುದ್ರಣ("ಪ್ರಧಾನ ಆವರ್ತನಗಳು):"(nz.peaks)t
ಈ ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸುವಾಗ ನಿಮ್ಮನ್ನು ಕೇಳಲಾಗುತ್ತದೆ: ಆವರ್ತನ ಅಕ್ಷವು ನಿಜವಾಗಿಯೂ Hz ಆಗಿದೆಯೇ ಅಥವಾ ಮಾದರಿ ಸೂಚ್ಯಂಕವನ್ನು (rfftfreq ಬಳಸಲಾಗಿದೆಯೇ)? ವಿಂಡೋ ಗಳಿಕೆಗೆ ವೈಶಾಲ್ಯವನ್ನು ಸಾಮಾನ್ಯೀಕರಿಸಲಾಗಿದೆಯೇ? ನಿರೀಕ್ಷಿತ 500 ಮತ್ತು 1500 Hz ಶಿಖರಗಳು ನಿಜವಾಗಿಯೂ ಆ ಹಂತಗಳಲ್ಲಿ ಸಂಭವಿಸುತ್ತವೆಯೇ? ನೀವು ತಿಳಿದಿರುವ ಪರೀಕ್ಷಾ ಸಂಕೇತದೊಂದಿಗೆ (ಏಕ ಆವರ್ತನ ಸೈನ್) ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿದರೆ, ನೀವು ಅಕ್ಷ ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಣವನ್ನು ವಿಶ್ವಾಸದಿಂದ ದೃಢೀಕರಿಸುತ್ತೀರಿ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ:"ಈ ಡೇಟಾಕ್ಕೆ FFT ಅನ್ನು ಅನ್ವಯಿಸಿ."(ಫಲಿತಾಂಶ: ಮಾದರಿ ಆವರ್ತನ, ಅಕ್ಷದ ಪ್ರಮಾಣ ಮತ್ತು ಕಿಟಕಿಗಳು ಅಸ್ಪಷ್ಟವಾಗಿವೆ; ಗ್ರಾಫ್ ಅನ್ನು ತಪ್ಪಾದ ಅಕ್ಷದ ಮೇಲೆ ಯೋಜಿಸಲಾಗಿದೆ.)STRONG:"10 kHz ಮಾದರಿಯ ಸಿಗ್ನಲ್ಗೆ FFT ಅನ್ನು ಅನ್ವಯಿಸಿ. ಒದಗಿಸಿ:- Hz ನಲ್ಲಿ ಆವರ್ತನ ಅಕ್ಷವನ್ನು ಪ್ಲಾಟ್ ಮಾಡಿ ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ rfftfreq ವಿಂಡೊವನ್ನು ಬಳಸಿ. ವಿಂಡೋ ಗೇನ್.- ಎರಡು ಪ್ರಬಲ ಆವರ್ತನಗಳನ್ನು ಡಿಜಿಟಲ್ ಆಗಿ ಮುದ್ರಿಸಿ.- ಮಾದರಿ ಆವರ್ತನವು ತಪ್ಪಾಗಿದ್ದರೆ ಅಕ್ಷವು ಬದಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಗ್ರಾಫ್ನಲ್ಲಿ ನೈಕ್ವಿಸ್ಟ್ ಮಿತಿಯನ್ನು (5 kHz) ಗುರುತಿಸಿ."
ಫಿಲ್ಟರ್ ವಿನ್ಯಾಸ ಮತ್ತು ಶಬ್ದ ವಿಶ್ಲೇಷಣೆ
AI ಕಡಿಮೆ/ಹೆಚ್ಚಿನ/ಬ್ಯಾಂಡ್ಪಾಸ್ ಫಿಲ್ಟರ್ ಗುಣಾಂಕಗಳನ್ನು (FIR/IIR) ಉತ್ಪಾದಿಸಬಹುದು. ಆದರೆ ಫಿಲ್ಟರ್ನ ಕಟ್-ಆಫ್ ಆವರ್ತನ, ಆದೇಶ ಮತ್ತು ಸ್ಥಿರತೆಯನ್ನು ಪರಿಶೀಲಿಸಬೇಕು. ಇದು ವಿಶೇಷವಾಗಿ IIR ಫಿಲ್ಟರ್ಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಕ್ರಮಾಂಕದ ಅಸ್ಥಿರತೆ ಮತ್ತು ಹಂತದ ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಉಂಟುಮಾಡಬಹುದು. ಫಿಲ್ಟರ್ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿದ ನಂತರ, ಕಟ್ಆಫ್ ಸರಿಯಾದ ಸ್ಥಳದಲ್ಲಿದೆ ಮತ್ತು ಪಾಸ್ಬ್ಯಾಂಡ್ನಲ್ಲಿ ಯಾವುದೇ ಅನಗತ್ಯ ಏರಿಳಿತವಿಲ್ಲ ಎಂದು ನೋಡಲು ಆವರ್ತನ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು (ಬೋಡ್ ತರಹದ) ರೂಪಿಸಿ.
ಶಬ್ದ ವಿಶ್ಲೇಷಣೆಯಲ್ಲಿನ ವಿಶಿಷ್ಟ ಕಾರ್ಯವೆಂದರೆ ಶಬ್ದದಿಂದ ನಿಜವಾದ ಸಂಕೇತವನ್ನು ಪ್ರತ್ಯೇಕಿಸುವುದು. ಇಲ್ಲಿ, AI ಸೂಚಿಸಿದ ಮಿತಿಯನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ ಅಥವಾ ಸಿಗ್ನಲ್ನ ಭೌತಿಕ ಬ್ಯಾಂಡ್ವಿಡ್ತ್ ವಿರುದ್ಧ ಫಿಲ್ಟರ್ ಮಾಡಿ: ನಿಮ್ಮ ನೈಜ ಸಿಗ್ನಲ್ 0-500 Hz ನಲ್ಲಿದ್ದರೆ, 2 kHz ನಲ್ಲಿನ ಘಟಕವು ಹೆಚ್ಚಾಗಿ ಶಬ್ದ ಅಥವಾ ಹಸ್ತಕ್ಷೇಪವಾಗಿರುತ್ತದೆ. AI ಅಂಕಿಅಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ; ನೀವು ಭೌತಿಕ ವ್ಯಾಖ್ಯಾನವನ್ನು ಮಾಡುತ್ತೀರಿ.
ಭೌತಿಕ ರಿಯಾಲಿಟಿಯೊಂದಿಗೆ ಸ್ಪೆಕ್ಟ್ರಮ್ ಇಂಟರ್ಪ್ರಿಟೇಶನ್ ಅನ್ನು ಮೌಲ್ಯೀಕರಿಸುವುದು
ಸ್ಪೆಕ್ಟ್ರಮ್ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸುವಾಗ, AI ಸಮಂಜಸವಾದ ಆದರೆ ಯಾವಾಗಲೂ ನಿಖರವಾದ ತೀರ್ಮಾನಗಳನ್ನು ಮಾಡುವುದಿಲ್ಲ, ಉದಾಹರಣೆಗೆ "50 Hz ನಲ್ಲಿ ಗರಿಷ್ಠವಿದೆ, ಇದು ಗ್ರಿಡ್ ಹಸ್ತಕ್ಷೇಪವಾಗಿದೆ." ಈ ಕಾಮೆಂಟ್ಗಳನ್ನು ಭೌತಿಕ ನಿರೀಕ್ಷೆಯೊಂದಿಗೆ ಹೋಲಿಕೆ ಮಾಡಿ: ಸಿಸ್ಟಮ್ ನಿಜವಾಗಿಯೂ 50 Hz ಮುಖ್ಯ ಸಂಪರ್ಕವನ್ನು ಹೊಂದಿದೆಯೇ? ಮೋಟಾರ್ನ ಕಂಪನ ವರ್ಣಪಟಲದಲ್ಲಿ ನಿರೀಕ್ಷಿತ ಆವರ್ತನ ಆವರ್ತನ ಮತ್ತು ಹಾರ್ಮೋನಿಕ್ಸ್ ಇದೆಯೇ? ಸಾಧ್ಯವಾದರೆ, ಎರಡನೇ ವಿಧಾನದೊಂದಿಗೆ ಮಾಪನವನ್ನು ಪುನರಾವರ್ತಿಸಿ (ವಿಭಿನ್ನ ಸಂವೇದಕ, ವಿಭಿನ್ನ ಸಾಫ್ಟ್ವೇರ್) ಮತ್ತು ಅದೇ ಶಿಖರಗಳನ್ನು ನೋಡಿ.
ಸುಳಿವು: ಪ್ರತಿ ಸ್ಪೆಕ್ಟ್ರಮ್ ವ್ಯಾಖ್ಯಾನಕ್ಕಾಗಿ, "ಈ ಶಿಖರವು ಯಾವ ಭೌತಿಕ ವಿದ್ಯಮಾನಕ್ಕೆ ಅನುಗುಣವಾಗಿರುತ್ತದೆ?" ಪ್ರಶ್ನೆ ಕೇಳಿ. 50/100/150 Hz ನೆಟ್ವರ್ಕ್ ಮತ್ತು ಅದರ ಹಾರ್ಮೋನಿಕ್ಸ್, ತಿರುಗುವ ಆವರ್ತನ ಮತ್ತು ತಿರುಗುವ ಯಂತ್ರಗಳಲ್ಲಿ ಅದರ ಗುಣಕಗಳು ಮತ್ತು ಸ್ವಿಚಿಂಗ್ ಪವರ್ ಸಪ್ಲೈಗಳಲ್ಲಿ ಸ್ವಿಚಿಂಗ್ ಆವರ್ತನವು ತಿಳಿದಿರುವ ಸಹಿಗಳು. ಅಜ್ಞಾತ ಶಿಖರವು ನೈಜ ಘಟನೆ ಅಥವಾ ಮಾಪನ/ಸಂಸ್ಕರಣೆ ದೋಷವಾಗಿದೆ; ಎರಡನ್ನೂ ಸಂಶೋಧಿಸಿ.
ಮಿನಿ ಕೇಸ್
R&D ಎಂಜಿನಿಯರ್ ಫ್ಯಾನ್ನ ಕಂಪನವನ್ನು ಅಳೆಯುತ್ತಾರೆ ಮತ್ತು AI ಸ್ಪೆಕ್ಟ್ರಮ್ ಅನ್ನು ಅರ್ಥೈಸುತ್ತಾರೆ. "1200 Hz ನಲ್ಲಿ ಪ್ರಬಲವಾದ ಶಿಖರವಿದೆ, ಇದು ವೈಫಲ್ಯವನ್ನು ಹೊಂದಿರಬಹುದು" ಎಂದು AI ಹೇಳುತ್ತದೆ. ಎಂಜಿನಿಯರ್ ಫ್ಯಾನ್ನ ವೇಗವನ್ನು ನಿಯಂತ್ರಿಸುತ್ತಾರೆ: 1800 rpm = 30 Hz. ಬೇರಿಂಗ್ ಮತ್ತು ಬ್ಲೇಡ್ ಪರಿವರ್ತನೆಯ ಆವರ್ತನಗಳು ಈ ಚಕ್ರಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗುವ ಕೆಲವು ಮೌಲ್ಯಗಳಲ್ಲಿ ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ; 1200 Hz ಇವುಗಳಲ್ಲಿ ಯಾವುದಕ್ಕೂ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ. ಇದು ಮಾದರಿ ಆವರ್ತನವನ್ನು ನಿಯಂತ್ರಿಸುತ್ತದೆ: ಸಿಗ್ನಲ್ 2 kHz ವರೆಗೆ ವಿಷಯವನ್ನು ಒಯ್ಯುತ್ತದೆ, ಆದರೆ ಕೇವಲ 2 kHz ಅನ್ನು ಸ್ಯಾಂಪಲ್ ಮಾಡಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ Nyquist ಉಲ್ಲಂಘನೆಯಾಗಿದೆ. 1200 Hz ನಲ್ಲಿನ ಗರಿಷ್ಠವು ಅಲಿಯಾಸಿಂಗ್ನಿಂದ ಉಂಟಾಗುವ ಪ್ರೇತ ಆವರ್ತನವಾಗಿದೆ. ನಾನು ಮಾದರಿ ಆವರ್ತನವನ್ನು 8 kHz ಗೆ ಹೆಚ್ಚಿಸಿದಾಗ, ತಪ್ಪು ಶಿಖರವು ಕಣ್ಮರೆಯಾಗುತ್ತದೆ. ಪಾಠ: ಯಾವಾಗಲೂ ಭೌತಿಕ ಚಕ್ರ/ಆವರ್ತನ ನಿರೀಕ್ಷೆ ಮತ್ತು ಸರಿಯಾದ ಮಾದರಿಯೊಂದಿಗೆ ಸ್ಪೆಕ್ಟ್ರಮ್ ವ್ಯಾಖ್ಯಾನವನ್ನು ಪರೀಕ್ಷಿಸಿ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ನೈಕ್ವಿಸ್ಟ್ ಮಾನದಂಡವನ್ನು ಪರಿಶೀಲಿಸದೆ ಮಾದರಿ ಆವರ್ತನವನ್ನು ಆರಿಸುವುದು; ಅಲಿಯಾಸ್ ಅನ್ನು ಕಡೆಗಣಿಸಲಾಗಿದೆ.
- Hz ಬದಲಿಗೆ ಮಾದರಿ ಸೂಚ್ಯಂಕದಲ್ಲಿ FFT ಆವರ್ತನ ಅಕ್ಷವನ್ನು ಬಿಡುವುದು.
- ಕಿಟಕಿ ಇಲ್ಲದೆಯೇ ಸಿಗ್ನಲ್ ಆಗಿ ಸ್ಪೆಕ್ಟ್ರಲ್ ಸೋರಿಕೆಯನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು.
- ಕಿಟಕಿಗಳು/ಮಾದರಿಗಳ ಸಂಖ್ಯೆಯಿಂದ ವೈಶಾಲ್ಯವನ್ನು ಸಾಮಾನ್ಯಗೊಳಿಸುವುದಿಲ್ಲ.
- IIR ಫಿಲ್ಟರ್ ಸ್ಥಿರತೆ ಮತ್ತು ಹಂತದ ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಪರಿಶೀಲಿಸುತ್ತಿಲ್ಲ.
- ಸ್ಪೆಕ್ಟ್ರಮ್ ಶಿಖರಗಳನ್ನು ಭೌತಿಕ rpm/ಆವರ್ತನದ ನಿರೀಕ್ಷೆಯಲ್ಲಿ ಪರೀಕ್ಷಿಸದೆಯೇ ಅರ್ಥೈಸುವುದು.
ಸಾರಾಂಶದಲ್ಲಿ
- ಮಾದರಿ ಆವರ್ತನವು ಸಿಗ್ನಲ್ನ ಅತ್ಯುನ್ನತ ಅಂಶಕ್ಕಿಂತ ಕನಿಷ್ಠ ಎರಡು ಪಟ್ಟು ಇರಬೇಕು; ಇಲ್ಲದಿದ್ದರೆ, ಅಲಿಯಾಸಿಂಗ್ ಸಂಪೂರ್ಣ ವಿಶ್ಲೇಷಣೆಯನ್ನು ಅಡ್ಡಿಪಡಿಸುತ್ತದೆ.
- FFT ರೆಸಲ್ಯೂಶನ್ Δf = f_s/N; ನಿಮ್ಮ ಅಗತ್ಯಕ್ಕೆ ಅನುಗುಣವಾಗಿ N ಮತ್ತು f_s ಆಯ್ಕೆಮಾಡಿ.
- ಕಿಟಕಿಯು ರೋಹಿತದ ಸೋರಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ; ವಿಂಡೋ ಗಳಿಕೆಗೆ ಅನುಗುಣವಾಗಿ ವೈಶಾಲ್ಯವನ್ನು ಸಾಮಾನ್ಯಗೊಳಿಸಿ.
- ಅಕ್ಷ ಮತ್ತು ಸಾಮಾನ್ಯೀಕರಣವನ್ನು ಖಚಿತಪಡಿಸಲು ತಿಳಿದಿರುವ ಪರೀಕ್ಷಾ ಸಂಕೇತದೊಂದಿಗೆ AI ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿ.
- ಪ್ಲಾಟ್ ಮಾಡುವ ಮೂಲಕ ಫಿಲ್ಟರ್ ಸ್ಥಿರತೆ ಮತ್ತು ಆವರ್ತನ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪರಿಶೀಲಿಸಿ.
- ಭೌತಿಕ ಆವರ್ತನದ ನಿರೀಕ್ಷೆಯೊಂದಿಗೆ ಯಾವಾಗಲೂ ಸ್ಪೆಕ್ಟ್ರಮ್ ವ್ಯಾಖ್ಯಾನವನ್ನು ಪರೀಕ್ಷಿಸಿ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ತಿಳಿದಿರುವ ಆವರ್ತನದ ಪರೀಕ್ಷಾ ಸಂಕೇತವನ್ನು ರಚಿಸಿ (ಉದಾ. 500 Hz + 1500 Hz ಸೈನ್). AI ನಿಂದ FFT ಮತ್ತು ಫಿಲ್ಟರ್ ಕೋಡ್ ಅನ್ನು ವಿನಂತಿಸಿ. ನಂತರ: (1) Nyquist ಮಾನದಂಡವನ್ನು ಪೂರೈಸಲಾಗಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ, (2) FFT ಶಿಖರಗಳು ನಿಜವಾಗಿ 500 ಮತ್ತು 1500 Hz ನಲ್ಲಿ ಗೋಚರಿಸುತ್ತವೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸಿ, (3) ಉದ್ದೇಶಪೂರ್ವಕವಾಗಿ Nyquist ಗಿಂತ ಕೆಳಗಿನ ಮಾದರಿ ಆವರ್ತನವನ್ನು ಕಡಿಮೆ ಮಾಡಿ ಮತ್ತು ಅಲಿಯಾಸಿಂಗ್ ಹೇಗೆ ನಕಲಿ ಶಿಖರವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ. ನಿಮ್ಮ ಅವಲೋಕನಗಳನ್ನು ಮತ್ತು ನೀವು ಸರಿಪಡಿಸಿದ ನಿಯತಾಂಕವನ್ನು ಗಮನಿಸಿ.