സിഗ്നൽ പ്രോസസ്സിംഗും ഡാറ്റ വിശകലനവും

നേട്ടങ്ങൾ:

• സാമ്പിൾ ഫ്രീക്വൻസി, ഫിൽട്ടർ തരം, AI ഉപയോഗിച്ച് വിൻഡോ ചെയ്യൽ തുടങ്ങിയ സിഗ്നൽ പ്രോസസ്സിംഗ് പാരാമീറ്ററുകൾ കൃത്യമായി സ്ഥാപിക്കാനുള്ള കഴിവ്
• FFT, ഫിൽട്ടർ ഡിസൈൻ, നോയ്‌സ് അനാലിസിസ് എന്നിവയ്‌ക്കായി പൈത്തൺ കോഡ് സൃഷ്‌ടിക്കാനും Nyquist ഉം അപരനാമവും പരിശോധിക്കാനുമുള്ള കഴിവ്
• AI- ജനറേറ്റഡ് സ്‌പെക്‌ട്രം വ്യാഖ്യാനം അളക്കാനും ശാരീരിക പ്രതീക്ഷയുമായി താരതമ്യം ചെയ്യാനും ഉള്ള കഴിവ്

സെൻസർ, മൈക്രോഫോൺ അല്ലെങ്കിൽ പവർ ലൈനിൽ നിന്നുള്ള അസംസ്‌കൃത ഡാറ്റ പലപ്പോഴും അർത്ഥശൂന്യമാണ്; ആവൃത്തി, വ്യാപ്തി, സമയം എന്നിവയുടെ അച്ചുതണ്ടിൽ ഇത് പ്രോസസ്സ് ചെയ്യുകയും വ്യാഖ്യാനിക്കുകയും ചെയ്യേണ്ടത് ആവശ്യമാണ്. എഫ്എഫ്‌ടി ഉപയോഗിച്ച് സ്പെക്‌ട്രം എക്‌സ്‌ട്രാക്‌റ്റുചെയ്യൽ, നോയ്‌സ് ഫിൽട്ടറിംഗ്, വൈബ്രേഷൻ സിഗ്‌നേച്ചർ തിരിച്ചറിയൽ... ഇവയെല്ലാം സിഗ്നൽ പ്രോസസ്സിംഗ് ആണ്, കൂടാതെ AI ഈ പ്രദേശത്ത് അതിവേഗ പൈത്തൺ കോഡ് സൃഷ്‌ടിക്കുന്നു, ആശയങ്ങൾ വിശദീകരിക്കുന്നു, ഫിൽട്ടർ കോഫിഫിഷ്യൻ്റ് കണക്കാക്കുന്നു. എന്നാൽ സിഗ്നൽ പ്രോസസ്സിംഗിലെ ഒരു ചെറിയ പാരാമീറ്റർ പിശക് (തെറ്റായ സാമ്പിൾ ഫ്രീക്വൻസി, തെറ്റായ വിൻഡോ, ഒഴിവാക്കിയ Nyquist നിയന്ത്രണം) മുഴുവൻ വിശകലനത്തെയും നിശബ്ദമായി നശിപ്പിക്കുന്നു; കോഡ് പിശകുകൾ നൽകുന്നില്ല, അത് തെറ്റായ ഫലങ്ങൾ നൽകുന്നു. ഈ യൂണിറ്റിൽ, ഞങ്ങൾ AI ഉപയോഗിച്ച് ശരിയായ പാരാമീറ്ററുകൾ സജ്ജീകരിക്കും, Nyquist, aliasing എന്നിവയുടെ അടിസ്ഥാനത്തിൽ ജനറേറ്റുചെയ്‌ത കോഡ് പരിശോധിക്കുന്നതും ഭൗതിക യാഥാർത്ഥ്യവുമായി സ്പെക്ട്രം വ്യാഖ്യാനം പരിശോധിക്കുന്നതും ഞങ്ങൾ കവർ ചെയ്യും.

അടിസ്ഥാന പാരാമീറ്ററുകൾ: സാംപ്ലിംഗ്, നൈക്വിസ്റ്റ്, അലിയാസിംഗ്

ഡിജിറ്റൽ സിഗ്നൽ പ്രോസസ്സിംഗിൻ്റെ ആദ്യ നിയമം Nyquist-Shannon theorem ആണ്: ഒരു സിഗ്നലിനെ കൃത്യമായി പ്രതിനിധീകരിക്കുന്നതിന്, സാമ്പിൾ ഫ്രീക്വൻസി സിഗ്നലിലെ ഏറ്റവും ഉയർന്ന ഫ്രീക്വൻസി ഘടകത്തിൻ്റെ ഇരട്ടിയെങ്കിലും ആയിരിക്കണം. അല്ലെങ്കിൽ, ഉയർന്ന ആവൃത്തികൾ കുറഞ്ഞ ആവൃത്തികളായി (അപരനാമം) ദൃശ്യമാകും, ഇത് പഴയപടിയാക്കാൻ കഴിയില്ല.

സിഗ്നലിലെ ഏറ്റവും ഉയർന്ന ആവൃത്തി: f_max = 2 kHzമിനിമം സാമ്പിൾ ഫ്രീക്വൻസി: f_s ≥ 2 · f_max = 4 kHz പ്രായോഗികമായി മാർജിൻ വിടാൻ: f_s ≈ 5 · f_max = 10 kHz തിരഞ്ഞെടുത്തു, കൂടാതെ, ഒരു അനലോഗ് ആൻ്റി-അലിയാസിംഗ് ഫിൽട്ടർ നിർബന്ധമാണ്

മുന്നറിയിപ്പ്: AI ഒരു സാമ്പിൾ ഫ്രീക്വൻസി നിർദ്ദേശിക്കുമ്പോൾ, അത് നിങ്ങളുടെ സിഗ്നലിൻ്റെ ഏറ്റവും ഉയർന്ന ഘടകത്തെ അടിസ്ഥാനമാക്കി Nyquist നൽകുന്നുണ്ടോയെന്ന് പരിശോധിക്കുന്നത് ഉറപ്പാക്കുക. കുറഞ്ഞ സാമ്പിൾ ഫ്രീക്വൻസിയിൽ പോലും കോഡ് പിശകുകളില്ലാതെ പ്രവർത്തിക്കുന്നു; എന്നാൽ അപരനാമം കാരണം ഫലം തെറ്റാണ്. കൂടാതെ, ഹാർഡ്‌വെയറിലെ ആൻ്റി-അലിയാസിംഗ് ഫിൽട്ടർ ഇല്ലാതെ ഒരു സോഫ്റ്റ്‌വെയറും ഈ പിശക് പഴയപടിയാക്കാൻ കഴിയില്ല.

FFT-യ്‌ക്കുള്ള റെസല്യൂഷനും വിൻഡോയും

FFT യുടെ ഫ്രീക്വൻസി റെസലൂഷൻ സാമ്പിളുകളുടെ ആവൃത്തിയെയും സാമ്പിളുകളുടെ എണ്ണത്തെയും ആശ്രയിച്ചിരിക്കുന്നു. കൂടാതെ, സിഗ്നലിൻ്റെ തുടക്കവും അവസാനവും തമ്മിലുള്ള വിരാമം "സ്പെക്ട്രൽ ചോർച്ച" സൃഷ്ടിക്കുന്നു; ഇത് കുറയ്ക്കുന്നതിന്, ഹാൻ, ഹാമിംഗ് തുടങ്ങിയ വിൻഡോ ഫംഗ്ഷനുകൾ പ്രയോഗിക്കുന്നു.

f_s = 10 kHz, N = 1024 സാമ്പിളുകൾ ഫ്രീക്വൻസി റെസല്യൂഷൻ: Δf = 10000 / 1024 ≈ 9.77 Hz ആകെ റെക്കോർഡിംഗ് സമയം: T = N / f_s = 1024 / 10000 ≈ 102.4 ms

FFT, ഫിൽട്ടർ കോഡ് എന്നിവ സൃഷ്ടിക്കുകയും പരിശോധിക്കുകയും ചെയ്യുന്നു

AI-യിൽ നിന്ന് FFT കോഡ് അഭ്യർത്ഥിക്കുമ്പോൾ സാമ്പിൾ ഫ്രീക്വൻസി, വിൻഡോ തരം, ആക്സിസ് സ്കെയിൽ എന്നിവ വ്യക്തമായി വ്യക്തമാക്കുക. ഇനിപ്പറയുന്ന കോഡ് ഒരു സിഗ്നലിൻ്റെ ഏകപക്ഷീയമായ ആംപ്ലിറ്റ്യൂഡ് സ്പെക്ട്രം നൽകുന്നു:

npfs = 10000 # സാമ്പിൾ ഫ്രീക്വൻസി (Hz) ആയി ഇറക്കുമതി ചെയ്യുക - Nyquist പരിശോധിക്കുക 0.5*np.sin(2*np.pi*1500*t)w = np.hanning(N) # windowing: സ്പെക്‌ട്രൽ ലീക്ക് നോർമലൈസ് ചെയ്‌ത നേട്ടം # ചെക്ക് പീക്ക് ഫ്രീക്വൻസിസ്പീക്കുകൾ = f[np.argsort(mag)[-2:]]print("Dominant frequencies):"(nzaks)st

ഈ കോഡ് പരിശോധിക്കുമ്പോൾ നിങ്ങളോട് ചോദിക്കും: ഫ്രീക്വൻസി അക്ഷം ശരിക്കും Hz ആണോ അതോ സാമ്പിൾ സൂചിക (rfftfreq ഉപയോഗിക്കുന്നു) ആണോ? വിൻഡോ നേട്ടത്തിലേക്ക് ആംപ്ലിറ്റ്യൂഡ് നോർമലൈസ് ചെയ്തിട്ടുണ്ടോ? പ്രതീക്ഷിക്കുന്ന 500, 1500 Hz കൊടുമുടികൾ യഥാർത്ഥത്തിൽ ആ പോയിൻ്റുകളിൽ സംഭവിക്കുന്നുണ്ടോ? അറിയപ്പെടുന്ന ഒരു ടെസ്റ്റ് സിഗ്നൽ (സിംഗിൾ ഫ്രീക്വൻസി സൈൻ) ഉപയോഗിച്ച് നിങ്ങൾ കോഡ് പരിശോധിക്കുകയാണെങ്കിൽ, നിങ്ങൾ ആത്മവിശ്വാസത്തോടെ അച്ചുതണ്ടും നോർമലൈസേഷനും സ്ഥിരീകരിക്കും.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായത്:"ഈ ഡാറ്റയിലേക്ക് FFT പ്രയോഗിക്കുക."(ഫലം: സാമ്പിൾ ഫ്രീക്വൻസി, ആക്‌സിസ് സ്കെയിൽ, വിൻഡോയിംഗ് എന്നിവ വ്യക്തമല്ല; ഗ്രാഫ് മിക്കവാറും തെറ്റായ അച്ചുതണ്ടിലാണ് പ്ലോട്ട് ചെയ്‌തിരിക്കുന്നത്.)STRONG:"10 kHz സാമ്പിൾ ചെയ്ത സിഗ്നലിലേക്ക് FFT പ്രയോഗിക്കുക. നൽകുക:- Hz-ൽ ഫ്രീക്വൻസി അക്ഷം പ്ലോട്ട് ചെയ്യുക (വിൻഡോ ഉപയോഗിച്ച് rfft-ഉപയോഗിക്കുക). വിൻഡോ നേട്ടം.- രണ്ട് ആധിപത്യ ആവൃത്തികൾ ഡിജിറ്റലായി പ്രിൻ്റ് ചെയ്യുക.- ഗ്രാഫിൽ Nyquist പരിധി (5 kHz) അടയാളപ്പെടുത്തുക, മാതൃകാ ആവൃത്തി തെറ്റാണെങ്കിൽ അക്ഷം മാറും."

ഫിൽട്ടർ ഡിസൈനും ശബ്ദ വിശകലനവും

AI-ക്ക് താഴ്ന്ന/ഉയർന്ന/ബാൻഡ്‌പാസ് ഫിൽട്ടർ ഗുണകങ്ങൾ (FIR/IIR) സൃഷ്ടിക്കാൻ കഴിയും. എന്നാൽ ഫിൽട്ടറിൻ്റെ കട്ട് ഓഫ് ഫ്രീക്വൻസി, ഓർഡർ, സ്ഥിരത എന്നിവ പരിശോധിക്കണം. ഇത് ഉയർന്ന ക്രമത്തിലുള്ള അസ്ഥിരതയ്ക്കും ഘട്ടം വികൃതത്തിനും കാരണമാകും, പ്രത്യേകിച്ച് IIR ഫിൽട്ടറുകളിൽ. ഫിൽട്ടർ രൂപകല്പന ചെയ്ത ശേഷം, കട്ട്ഓഫ് ശരിയായ സ്ഥലത്താണെന്നും പാസ്ബാൻഡിൽ അനാവശ്യമായ അലയൊലികൾ ഇല്ലെന്നും കാണുന്നതിന് ഫ്രീക്വൻസി പ്രതികരണം (ബോഡ് പോലെയുള്ളത്) പ്ലോട്ട് ചെയ്യുക.

യഥാർത്ഥ സിഗ്നലിനെ ശബ്ദത്തിൽ നിന്ന് വേർതിരിക്കുക എന്നതാണ് ശബ്ദ വിശകലനത്തിലെ സാധാരണ ജോലി. ഇവിടെ, AI നിർദ്ദേശിച്ചിരിക്കുന്ന ത്രെഷോൾഡ് അല്ലെങ്കിൽ സിഗ്നലിൻ്റെ ഫിസിക്കൽ ബാൻഡ്‌വിഡ്ത്ത് ഫിൽട്ടർ വിലയിരുത്തുക: നിങ്ങളുടെ യഥാർത്ഥ സിഗ്നൽ 0-500 Hz ആണെങ്കിൽ, 2 kHz-ലെ ഒരു ഘടകം മിക്കവാറും ശബ്ദമോ ഇടപെടലോ ആയിരിക്കും. AI സ്ഥിതിവിവരക്കണക്കുകൾ നൽകുന്നു; നിങ്ങൾ ശാരീരിക വ്യാഖ്യാനം നടത്തുന്നു.

ഫിസിക്കൽ റിയാലിറ്റി ഉപയോഗിച്ച് സ്പെക്ട്രം വ്യാഖ്യാനം സാധൂകരിക്കുന്നു

ഒരു സ്പെക്‌ട്രം വ്യാഖ്യാനിക്കുമ്പോൾ, "50 Hz-ൽ ഒരു കൊടുമുടിയുണ്ട്, ഇത് ഗ്രിഡ് ഇടപെടലാണ്" എന്നതുപോലുള്ള ന്യായമായ എന്നാൽ എല്ലായ്‌പ്പോഴും കൃത്യമല്ലാത്ത അനുമാനങ്ങൾ AI ഉണ്ടാക്കുന്നു. ഈ അഭിപ്രായങ്ങളെ ശാരീരിക പ്രതീക്ഷയുമായി താരതമ്യം ചെയ്യുക: സിസ്റ്റത്തിന് ശരിക്കും 50 Hz മെയിൻ കണക്ഷൻ ഉണ്ടോ? പ്രതീക്ഷിക്കുന്ന റൊട്ടേഷൻ ഫ്രീക്വൻസിയും ഹാർമോണിക്സും ഒരു മോട്ടോറിൻ്റെ വൈബ്രേഷൻ സ്പെക്ട്രത്തിൽ ഏതാണ്ട് ഉണ്ടോ? സാധ്യമെങ്കിൽ, രണ്ടാമത്തെ രീതി (വ്യത്യസ്‌ത സെൻസർ, വ്യത്യസ്‌ത സോഫ്‌റ്റ്‌വെയർ) ഉപയോഗിച്ച് അളക്കൽ ആവർത്തിക്കുക, അതേ കൊടുമുടികൾ കാണുക.

സൂചന: ഓരോ സ്പെക്ട്രം വ്യാഖ്യാനത്തിനും, "ഈ കൊടുമുടി ഏത് ഭൗതിക പ്രതിഭാസവുമായി പൊരുത്തപ്പെടുന്നു?" ചോദ്യം ചോദിക്കുക. 50/100/150 ഹെർട്‌സ് നെറ്റ്‌വർക്കും അതിൻ്റെ ഹാർമോണിക്‌സ്, റൊട്ടേഷൻ ഫ്രീക്വൻസി, കറങ്ങുന്ന മെഷീനുകളിലെ അതിൻ്റെ ഗുണിതങ്ങൾ, പവർ സപ്ലൈസ് മാറുന്നതിലെ സ്വിച്ചിംഗ് ഫ്രീക്വൻസി എന്നിവ അറിയപ്പെടുന്ന ഒപ്പുകളാണ്. അജ്ഞാതമായ ഒരു കൊടുമുടി ഒന്നുകിൽ ഒരു യഥാർത്ഥ സംഭവം അല്ലെങ്കിൽ ഒരു അളവ്/പ്രോസസ്സിംഗ് പിശക്; രണ്ടും ഗവേഷണം ചെയ്യുക.

മിനി കേസ്

ഒരു R&D എഞ്ചിനീയർ ഒരു ഫാനിൻ്റെ വൈബ്രേഷൻ അളക്കുകയും AI സ്പെക്ട്രത്തെ വ്യാഖ്യാനിക്കുകയും ചെയ്യുന്നു. "1200 ഹെർട്‌സിൽ ഒരു പ്രബലമായ കൊടുമുടിയുണ്ട്, ഇത് പരാജയപ്പെടാം," AI പറയുന്നു. എഞ്ചിനീയർ ഫാനിൻ്റെ വേഗത നിയന്ത്രിക്കുന്നു: 1800 rpm = 30 Hz. ബെയറിംഗ്, ബ്ലേഡ് ട്രാൻസിഷൻ ഫ്രീക്വൻസികൾ ഈ സൈക്കിളിന് അനുയോജ്യമായ ചില മൂല്യങ്ങളിൽ ആയിരിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നു; 1200 Hz ഇവയിലൊന്നും പൊരുത്തപ്പെടുന്നില്ല. ഇത് സാംപ്ലിംഗ് ഫ്രീക്വൻസി നിയന്ത്രിക്കുന്നു: സിഗ്നൽ 2 kHz വരെ ഉള്ളടക്കം വഹിക്കുന്നു, എന്നാൽ 2 kHz മാത്രമേ സാമ്പിൾ ചെയ്തിട്ടുള്ളൂ, അതിനാൽ Nyquist ലംഘനം. 1200 Hz-ലെ കൊടുമുടി അപരനാമത്തിൻ്റെ ഫലമായുണ്ടാകുന്ന ഒരു പ്രേത ആവൃത്തിയാണ്. ഞാൻ സാമ്പിൾ ഫ്രീക്വൻസി 8 kHz ആയി വർദ്ധിപ്പിക്കുമ്പോൾ, തെറ്റായ കൊടുമുടി അപ്രത്യക്ഷമാകുന്നു. പാഠം: ഫിസിക്കൽ സൈക്കിൾ/ഫ്രീക്വൻസി പ്രതീക്ഷയും ശരിയായ സാമ്പിളും ഉപയോഗിച്ച് സ്പെക്ട്രം വ്യാഖ്യാനം എപ്പോഴും പരീക്ഷിക്കുക.

സാധാരണ തെറ്റുകൾ

• Nyquist മാനദണ്ഡം പരിശോധിക്കാതെ സാമ്പിൾ ആവൃത്തി തിരഞ്ഞെടുക്കുന്നു; അപരനാമത്തെ അവഗണിക്കുന്നു.
• Hz-ന് പകരം സാമ്പിൾ സൂചികയിൽ FFT ഫ്രീക്വൻസി അക്ഷം വിടുന്നു.
• വിൻഡോ ചെയ്യാതെയുള്ള സിഗ്നലായി സ്പെക്ട്രൽ ചോർച്ച തെറ്റിദ്ധരിക്കുന്നു.
• വിൻഡോകളുടെ/സാമ്പിളുകളുടെ എണ്ണം അനുസരിച്ച് ആംപ്ലിറ്റ്യൂഡ് നോർമലൈസ് ചെയ്യുന്നില്ല.
• IIR ഫിൽട്ടർ സ്ഥിരതയും ഘട്ടം വികൃതവും പരിശോധിക്കുന്നില്ല.
• ഫിസിക്കൽ ആർപിഎം/ഫ്രീക്വൻസി പ്രതീക്ഷിച്ച് സ്പെക്‌ട്രം പീക്കുകൾ പരീക്ഷിക്കാതെ വ്യാഖ്യാനിക്കുന്നു.

ചുരുക്കത്തിൽ

• സാംപ്ലിംഗ് ആവൃത്തി സിഗ്നലിൻ്റെ ഏറ്റവും ഉയർന്ന ഘടകത്തിൻ്റെ ഇരട്ടിയെങ്കിലും ആയിരിക്കണം; അല്ലെങ്കിൽ, അപരനാമം മുഴുവൻ വിശകലനത്തെയും തടസ്സപ്പെടുത്തും.
• FFT റെസല്യൂഷൻ Δf = f_s/N; നിങ്ങളുടെ ആവശ്യമനുസരിച്ച് N, f_s എന്നിവ തിരഞ്ഞെടുക്കുക.
• വിൻഡോസ് സ്പെക്ട്രൽ ചോർച്ച കുറയ്ക്കുന്നു; വിൻഡോ നേട്ടത്തിനനുസരിച്ച് വ്യാപ്തി സാധാരണമാക്കുക.
• അച്ചുതണ്ടും നോർമലൈസേഷനും സ്ഥിരീകരിക്കുന്നതിന് അറിയപ്പെടുന്ന ടെസ്റ്റ് സിഗ്നൽ ഉപയോഗിച്ച് AI കോഡ് പരിശോധിക്കുക.
• പ്ലോട്ട് ചെയ്തുകൊണ്ട് ഫിൽട്ടർ സ്ഥിരതയും ആവൃത്തി പ്രതികരണവും പരിശോധിക്കുക.
• ഫിസിക്കൽ ഫ്രീക്വൻസി പ്രതീക്ഷിച്ച് സ്പെക്ട്രം വ്യാഖ്യാനം എപ്പോഴും പരീക്ഷിക്കുക.

ആപ്ലിക്കേഷൻ ടാസ്ക്

അറിയപ്പെടുന്ന ആവൃത്തിയുടെ ഒരു ടെസ്റ്റ് സിഗ്നൽ സൃഷ്ടിക്കുക (ഉദാ. 500 Hz + 1500 Hz സൈൻ). AI-യിൽ നിന്ന് FFT, ഫിൽട്ടർ കോഡ് എന്നിവ അഭ്യർത്ഥിക്കുക. തുടർന്ന്: (1) Nyquist മാനദണ്ഡം പാലിക്കപ്പെടുന്നുണ്ടോ എന്ന് പരിശോധിക്കുക, (2) FFT കൊടുമുടികൾ യഥാർത്ഥത്തിൽ 500, 1500 Hz എന്നിവയിൽ ദൃശ്യമാകുന്നുണ്ടോയെന്ന് പരിശോധിക്കുക, (3) Nyquist-ന് താഴെയുള്ള സാമ്പിൾ ഫ്രീക്വൻസി മനഃപൂർവ്വം കുറയ്ക്കുകയും അപരനാമം ഒരു വ്യാജമായ കൊടുമുടി സൃഷ്ടിക്കുന്നത് എങ്ങനെയെന്ന് നിരീക്ഷിക്കുകയും ചെയ്യുക. നിങ്ങളുടെ നിരീക്ഷണങ്ങളും നിങ്ങൾ തിരുത്തിയ പാരാമീറ്ററും ശ്രദ്ധിക്കുക.