ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਅਤੇ ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ

ਲਾਭ:

• ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਪੈਰਾਮੀਟਰਾਂ ਜਿਵੇਂ ਕਿ ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ, ਫਿਲਟਰ ਕਿਸਮ ਅਤੇ ਏਆਈ ਨਾਲ ਵਿੰਡੋਿੰਗ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਸਥਾਪਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• FFT, ਫਿਲਟਰ ਡਿਜ਼ਾਈਨ ਅਤੇ ਸ਼ੋਰ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ Nyquist ਅਤੇ aliasing ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਪਾਈਥਨ ਕੋਡ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ
• ਮਾਪ ਅਤੇ ਭੌਤਿਕ ਉਮੀਦ ਨਾਲ ਤੁਲਨਾ ਕਰਕੇ ਏਆਈ ਦੁਆਰਾ ਤਿਆਰ ਸਪੈਕਟ੍ਰਮ ਵਿਆਖਿਆ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਇਕੱਲੇ ਸੈਂਸਰ, ਮਾਈਕ੍ਰੋਫ਼ੋਨ, ਜਾਂ ਪਾਵਰ ਲਾਈਨ ਤੋਂ ਕੱਚਾ ਡੇਟਾ ਅਕਸਰ ਅਰਥਹੀਣ ਹੁੰਦਾ ਹੈ; ਇਸ ਨੂੰ ਬਾਰੰਬਾਰਤਾ, ਐਪਲੀਟਿਊਡ ਅਤੇ ਸਮੇਂ ਦੇ ਧੁਰੇ 'ਤੇ ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਵਿਆਖਿਆ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ। FFT ਨਾਲ ਸਪੈਕਟ੍ਰਮ ਕੱਢਣਾ, ਸ਼ੋਰ ਫਿਲਟਰ ਕਰਨਾ, ਵਾਈਬ੍ਰੇਸ਼ਨ ਹਸਤਾਖਰ ਨੂੰ ਪਛਾਣਨਾ... ਇਹ ਸਭ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਹਨ ਅਤੇ AI ਇਸ ਖੇਤਰ ਵਿੱਚ ਤੇਜ਼ ਪਾਈਥਨ ਕੋਡ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਸੰਕਲਪਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ, ਫਿਲਟਰ ਗੁਣਾਂਕ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਪਰ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਇੱਕ ਛੋਟੀ ਪੈਰਾਮੀਟਰ ਗਲਤੀ (ਗਲਤ ਨਮੂਨੇ ਦੀ ਬਾਰੰਬਾਰਤਾ, ਗਲਤ ਵਿੰਡੋ, ਛੱਡਿਆ ਗਿਆ Nyquist ਨਿਯੰਤਰਣ) ਚੁੱਪਚਾਪ ਪੂਰੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਬਰਬਾਦ ਕਰ ਦਿੰਦਾ ਹੈ; ਕੋਡ ਗਲਤੀਆਂ ਨਹੀਂ ਦਿੰਦਾ, ਇਹ ਸਿਰਫ ਗਲਤ ਨਤੀਜੇ ਦਿੰਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ AI ਨਾਲ ਸਹੀ ਮਾਪਦੰਡਾਂ ਨੂੰ ਸੈੱਟ ਕਰਨਾ, Nyquist ਅਤੇ aliasing ਦੇ ਰੂਪ ਵਿੱਚ ਤਿਆਰ ਕੀਤੇ ਕੋਡ ਦੀ ਜਾਂਚ ਕਰਨਾ, ਅਤੇ ਭੌਤਿਕ ਅਸਲੀਅਤ ਦੇ ਨਾਲ ਸਪੈਕਟ੍ਰਮ ਵਿਆਖਿਆ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ਸ਼ਾਮਲ ਕਰਾਂਗੇ।

ਮੁੱਢਲੇ ਮਾਪਦੰਡ: ਨਮੂਨਾ, ਨਾਇਕਵਿਸਟ, ਅਲੀਜ਼ਿੰਗ

ਡਿਜੀਟਲ ਸਿਗਨਲ ਪ੍ਰੋਸੈਸਿੰਗ ਦਾ ਪਹਿਲਾ ਨਿਯਮ Nyquist-Shannon ਥਿਊਰਮ ਹੈ: ਇੱਕ ਸਿਗਨਲ ਨੂੰ ਸਹੀ ਰੂਪ ਵਿੱਚ ਦਰਸਾਉਣ ਲਈ, ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਸਿਗਨਲ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਬਾਰੰਬਾਰਤਾ ਵਾਲੇ ਹਿੱਸੇ ਤੋਂ ਘੱਟੋ-ਘੱਟ ਦੁੱਗਣੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਨਹੀਂ ਤਾਂ, ਉੱਚ ਫ੍ਰੀਕੁਐਂਸੀ ਘੱਟ ਫ੍ਰੀਕੁਐਂਸੀ (ਅਲੀਅਸਿੰਗ) ਦੇ ਰੂਪ ਵਿੱਚ ਦਿਖਾਈ ਦੇਵੇਗੀ ਅਤੇ ਇਸਨੂੰ ਉਲਟਾ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।

ਸਿਗਨਲ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਬਾਰੰਬਾਰਤਾ: f_max = 2 kHz ਨਿਊਨਤਮ ਨਮੂਨੇ ਦੀ ਬਾਰੰਬਾਰਤਾ: f_s ≥ 2 · f_max = 4 kHz ਅਭਿਆਸ ਵਿੱਚ ਹਾਸ਼ੀਏ ਨੂੰ ਛੱਡਣ ਲਈ: f_s ≈ 5 · f_max = 10 kHz ਚੁਣਿਆ ਗਿਆ ਹੈ ਇਸਦੇ ਨਾਲ ਹੀ, ਇੱਕ ਐਨਾਲਾਗ ਐਂਟੀ-ਅਲਾਈਜ਼ਿੰਗ ਫਿਲਟਰ ਲਾਜ਼ਮੀ ਹੈ।

ਸਾਵਧਾਨ: ਜਦੋਂ AI ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦਾ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਇਹ ਤੁਹਾਡੇ ਸਿਗਨਲ ਦੇ ਸਭ ਤੋਂ ਉੱਚੇ ਹਿੱਸੇ ਦੇ ਆਧਾਰ 'ਤੇ Nyquist ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਜਾਂ ਨਹੀਂ। ਕੋਡ ਘੱਟ ਨਮੂਨੇ ਦੀ ਬਾਰੰਬਾਰਤਾ 'ਤੇ ਵੀ ਗਲਤੀਆਂ ਤੋਂ ਬਿਨਾਂ ਚੱਲਦਾ ਹੈ; ਪਰ ਉਪਨਾਮ ਦੇ ਕਾਰਨ ਨਤੀਜਾ ਗਲਤ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਕੋਈ ਵੀ ਸੌਫਟਵੇਅਰ ਹਾਰਡਵੇਅਰ ਵਿੱਚ ਐਂਟੀ-ਐਲੀਜ਼ਿੰਗ ਫਿਲਟਰ ਤੋਂ ਬਿਨਾਂ ਇਸ ਗਲਤੀ ਨੂੰ ਅਨਡੂ ਨਹੀਂ ਕਰ ਸਕਦਾ ਹੈ।

FFT ਲਈ ਰੈਜ਼ੋਲੂਸ਼ਨ ਅਤੇ ਵਿੰਡੋਿੰਗ

FFT ਦਾ ਬਾਰੰਬਾਰਤਾ ਰੈਜ਼ੋਲੂਸ਼ਨ ਨਮੂਨੇ ਦੀ ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਨਮੂਨਿਆਂ ਦੀ ਗਿਣਤੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ: Δf = f_s / N. ਵਧੀਆ ਰੈਜ਼ੋਲਿਊਸ਼ਨ ਲਈ ਤੁਸੀਂ ਜਾਂ ਤਾਂ ਹੋਰ ਨਮੂਨੇ ਇਕੱਠੇ ਕਰਦੇ ਹੋ ਜਾਂ ਘੱਟ f_s (ਨਾਈਕਵਿਸਟ ਨੂੰ ਤੋੜੇ ਬਿਨਾਂ) ਚੁਣਦੇ ਹੋ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਸਿਗਨਲ ਦੀ ਸ਼ੁਰੂਆਤ ਅਤੇ ਅੰਤ ਵਿਚਕਾਰ ਵਿਘਨ "ਸਪੈਕਟਰਲ ਲੀਕੇਜ" ਬਣਾਉਂਦਾ ਹੈ; ਇਸ ਨੂੰ ਘਟਾਉਣ ਲਈ, ਵਿੰਡੋ ਫੰਕਸ਼ਨ ਜਿਵੇਂ ਕਿ ਹੈਨ ਅਤੇ ਹੈਮਿੰਗ ਲਾਗੂ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।

f_s = 10 kHz, N = 1024 ਸੈਂਪਲ ਫਰੀਕੁਐਂਸੀ ਰੈਜ਼ੋਲਿਊਸ਼ਨ: Δf = 10000 / 1024 ≈ 9.77 Hz ਕੁੱਲ ਰਿਕਾਰਡਿੰਗ ਸਮਾਂ: T = N / f_s = 1024 / 10000 ≈ 102.4 ms

FFT ਅਤੇ ਫਿਲਟਰ ਕੋਡ ਬਣਾਉਣਾ ਅਤੇ ਜਾਂਚ ਕਰਨਾ

AI ਤੋਂ FFT ਕੋਡ ਦੀ ਬੇਨਤੀ ਕਰਨ ਵੇਲੇ ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ, ਵਿੰਡੋ ਦੀ ਕਿਸਮ, ਅਤੇ ਧੁਰੇ ਦਾ ਪੈਮਾਨਾ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦਿਓ। ਹੇਠਾਂ ਦਿੱਤਾ ਕੋਡ ਇੱਕ ਸਿਗਨਲ ਦੇ ਇੱਕ-ਪਾਸੜ ਐਪਲੀਟਿਊਡ ਸਪੈਕਟ੍ਰਮ ਨੂੰ ਆਊਟਪੁੱਟ ਕਰਦਾ ਹੈ:

npfs = 10000 # ਸੈਂਪਲਿੰਗ ਫ੍ਰੀਕੁਐਂਸੀ (Hz) - Nyquist ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ! N = 1024t = np.arange(N) / fs# ਨਮੂਨਾ ਸਿਗਨਲ: 500 Hz + 1500 Hzx = np.sin(2*np.pi*500t) +*500 0.5*np.sin(2*np.pi*1500*t)w = np.hanning(N) # ਵਿੰਡੋਿੰਗ: ਸਪੈਕਟ੍ਰਲ ਲੀਕ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ, ਜੋ ਲਾਭ# ਚੈੱਕ ਪੀਕ ਫ੍ਰੀਕੁਐਂਸੀਪੀਕਸ = f[np.argsort(mag)[-2:]]print("Dominant ਫ੍ਰੀਕੁਐਂਸੀਜ਼ (Hzrpt)", (Hzrts)):

ਇਸ ਕੋਡ ਦੀ ਜਾਂਚ ਕਰਦੇ ਸਮੇਂ ਤੁਹਾਨੂੰ ਪੁੱਛਿਆ ਜਾਵੇਗਾ: ਕੀ ਬਾਰੰਬਾਰਤਾ ਧੁਰਾ ਅਸਲ ਵਿੱਚ Hz ਹੈ ਜਾਂ ਕੀ ਸੈਂਪਲ ਇੰਡੈਕਸ (rfftfreq ਵਰਤਿਆ ਗਿਆ ਹੈ)? ਕੀ ਐਪਲੀਟਿਊਡ ਵਿੰਡੋ ਦੇ ਲਾਭ ਲਈ ਸਧਾਰਣ ਹੈ? ਕੀ ਸੰਭਾਵਿਤ 500 ਅਤੇ 1500 Hz ਚੋਟੀਆਂ ਅਸਲ ਵਿੱਚ ਉਹਨਾਂ ਬਿੰਦੂਆਂ 'ਤੇ ਹੁੰਦੀਆਂ ਹਨ? ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਟੈਸਟ ਸਿਗਨਲ (ਸਿੰਗਲ ਫ੍ਰੀਕੁਐਂਸੀ ਸਾਈਨ) ਨਾਲ ਕੋਡ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਭਰੋਸੇ ਨਾਲ ਧੁਰੇ ਅਤੇ ਸਧਾਰਣਕਰਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋਗੇ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ:"ਇਸ ਡੇਟਾ 'ਤੇ FFT ਲਾਗੂ ਕਰੋ।"(ਨਤੀਜਾ: ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ, ਧੁਰੀ ਦਾ ਪੈਮਾਨਾ ਅਤੇ ਵਿੰਡੋਿੰਗ ਅਸਪਸ਼ਟ ਹੈ; ਗ੍ਰਾਫ਼ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਗਲਤ ਧੁਰੇ 'ਤੇ ਪਲਾਟ ਕੀਤਾ ਗਿਆ ਹੈ।)STRONG:"10 kHz ਨਮੂਨੇ ਵਾਲੇ ਸਿਗਨਲ 'ਤੇ FFT ਲਾਗੂ ਕਰੋ। ਪ੍ਰਦਾਨ ਕਰੋ:- Hz ਵਿੱਚ ਬਾਰੰਬਾਰਤਾ ਧੁਰਾ ਪਲਾਟ ਕਰੋ (ਅਤੇ ਵਿੰਡੋ ਨੂੰ rfftfream ਦੁਆਰਾ ਸਧਾਰਨ ਰੂਪ ਵਿੱਚ ਵਰਤੋ)। ਲਾਭ।- ਦੋ ਪ੍ਰਮੁੱਖ ਫ੍ਰੀਕੁਐਂਸੀਜ਼ ਨੂੰ ਡਿਜੀਟਲ ਰੂਪ ਵਿੱਚ ਪ੍ਰਿੰਟ ਕਰੋ।- ਗ੍ਰਾਫ ਉੱਤੇ Nyquist ਸੀਮਾ (5 kHz) ਨੂੰ ਮਾਰਕ ਕਰੋ ਨੋਟ ਕਰੋ ਕਿ ਜੇਕਰ ਸੈਂਪਲਿੰਗ ਫ੍ਰੀਕੁਐਂਸੀ ਗਲਤ ਹੈ ਤਾਂ ਧੁਰਾ ਬਦਲ ਜਾਵੇਗਾ।"

ਫਿਲਟਰ ਡਿਜ਼ਾਈਨ ਅਤੇ ਸ਼ੋਰ ਵਿਸ਼ਲੇਸ਼ਣ

AI ਘੱਟ/ਉੱਚ/ਬੈਂਡਪਾਸ ਫਿਲਟਰ ਗੁਣਾਂਕ (FIR/IIR) ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ। ਪਰ ਫਿਲਟਰ ਦੀ ਕੱਟ-ਆਫ ਬਾਰੰਬਾਰਤਾ, ਆਰਡਰ ਅਤੇ ਸਥਿਰਤਾ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ. ਇਹ ਉੱਚ ਕ੍ਰਮ ਅਸਥਿਰਤਾ ਅਤੇ ਪੜਾਅ ਵਿਗਾੜ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ, ਖਾਸ ਕਰਕੇ IIR ਫਿਲਟਰਾਂ ਵਿੱਚ. ਫਿਲਟਰ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਤੋਂ ਬਾਅਦ, ਇਹ ਦੇਖਣ ਲਈ ਕਿ ਕਟੌਫ ਸਹੀ ਥਾਂ 'ਤੇ ਹੈ ਅਤੇ ਪਾਸਬੈਂਡ ਵਿੱਚ ਕੋਈ ਅਣਚਾਹੇ ਤਰੰਗ ਨਹੀਂ ਹੈ, ਬਾਰੰਬਾਰਤਾ ਪ੍ਰਤੀਕਿਰਿਆ (ਬੋਡ-ਵਰਗੀ) ਨੂੰ ਪਲਾਟ ਕਰੋ।

ਸ਼ੋਰ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਖਾਸ ਕੰਮ ਅਸਲ ਸਿਗਨਲ ਨੂੰ ਸ਼ੋਰ ਤੋਂ ਵੱਖ ਕਰਨਾ ਹੈ। ਇੱਥੇ, AI ਦੇ ਸੁਝਾਏ ਗਏ ਥ੍ਰੈਸ਼ਹੋਲਡ ਦਾ ਮੁਲਾਂਕਣ ਕਰੋ ਜਾਂ ਸਿਗਨਲ ਦੀ ਭੌਤਿਕ ਬੈਂਡਵਿਡਥ ਦੇ ਵਿਰੁੱਧ ਫਿਲਟਰ ਕਰੋ: ਜੇਕਰ ਤੁਹਾਡਾ ਅਸਲ ਸਿਗਨਲ 0-500 Hz 'ਤੇ ਹੈ, ਤਾਂ 2 kHz 'ਤੇ ਇੱਕ ਭਾਗ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਤ ਤੌਰ 'ਤੇ ਸ਼ੋਰ ਜਾਂ ਦਖਲਅੰਦਾਜ਼ੀ ਹੈ। AI ਅੰਕੜੇ ਦਿੰਦਾ ਹੈ; ਤੁਸੀਂ ਭੌਤਿਕ ਵਿਆਖਿਆ ਕਰਦੇ ਹੋ।

ਭੌਤਿਕ ਅਸਲੀਅਤ ਦੇ ਨਾਲ ਸਪੈਕਟ੍ਰਮ ਵਿਆਖਿਆ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ

ਇੱਕ ਸਪੈਕਟ੍ਰਮ ਦੀ ਵਿਆਖਿਆ ਕਰਦੇ ਸਮੇਂ, AI ਵਾਜਬ ਬਣਾਉਂਦਾ ਹੈ ਪਰ ਹਮੇਸ਼ਾ ਸਹੀ ਅਨੁਮਾਨ ਨਹੀਂ ਬਣਾਉਂਦਾ ਜਿਵੇਂ ਕਿ "50 Hz 'ਤੇ ਇੱਕ ਸਿਖਰ ਹੈ, ਇਹ ਗਰਿੱਡ ਦਖਲ ਹੈ।" ਇਹਨਾਂ ਟਿੱਪਣੀਆਂ ਦੀ ਸਰੀਰਕ ਉਮੀਦ ਨਾਲ ਤੁਲਨਾ ਕਰੋ: ਕੀ ਸਿਸਟਮ ਵਿੱਚ ਅਸਲ ਵਿੱਚ 50 Hz ਮੇਨ ਕੁਨੈਕਸ਼ਨ ਹੈ? ਕੀ ਇੱਕ ਮੋਟਰ ਦੇ ਵਾਈਬ੍ਰੇਸ਼ਨ ਸਪੈਕਟ੍ਰਮ ਵਿੱਚ ਅਨੁਮਾਨਿਤ ਰੋਟੇਸ਼ਨ ਬਾਰੰਬਾਰਤਾ ਅਤੇ ਹਾਰਮੋਨਿਕਸ ਲਗਭਗ ਮੌਜੂਦ ਹਨ? ਜੇ ਸੰਭਵ ਹੋਵੇ, ਤਾਂ ਮਾਪ ਨੂੰ ਦੂਜੀ ਵਿਧੀ (ਵੱਖ-ਵੱਖ ਸੈਂਸਰ, ਵੱਖ-ਵੱਖ ਸੌਫਟਵੇਅਰ) ਨਾਲ ਦੁਹਰਾਓ ਅਤੇ ਉਹੀ ਚੋਟੀਆਂ ਦੇਖੋ।

ਸੰਕੇਤ: ਹਰੇਕ ਸਪੈਕਟ੍ਰਮ ਵਿਆਖਿਆ ਲਈ, "ਇਹ ਸਿਖਰ ਕਿਸ ਭੌਤਿਕ ਵਰਤਾਰੇ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ?" ਸਵਾਲ ਪੁੱਛੋ। 50/100/150 Hz ਨੈੱਟਵਰਕ ਅਤੇ ਇਸਦੇ ਹਾਰਮੋਨਿਕਸ, ਰੋਟੇਸ਼ਨ ਫ੍ਰੀਕੁਐਂਸੀ ਅਤੇ ਰੋਟੇਟਿੰਗ ਮਸ਼ੀਨਾਂ ਵਿੱਚ ਇਸਦੇ ਗੁਣਜ, ਅਤੇ ਸਵਿਚਿੰਗ ਪਾਵਰ ਸਪਲਾਈ ਵਿੱਚ ਸਵਿਚਿੰਗ ਬਾਰੰਬਾਰਤਾ ਜਾਣੇ ਜਾਂਦੇ ਹਸਤਾਖਰ ਹਨ। ਇੱਕ ਅਣਜਾਣ ਸਿਖਰ ਜਾਂ ਤਾਂ ਇੱਕ ਅਸਲੀ ਘਟਨਾ ਹੈ ਜਾਂ ਇੱਕ ਮਾਪ/ਪ੍ਰੋਸੈਸਿੰਗ ਗਲਤੀ ਹੈ; ਦੋਵਾਂ ਦੀ ਖੋਜ ਕਰੋ।

ਮਿੰਨੀ ਕੇਸ

ਇੱਕ R&D ਇੰਜੀਨੀਅਰ ਇੱਕ ਪੱਖੇ ਦੀ ਵਾਈਬ੍ਰੇਸ਼ਨ ਨੂੰ ਮਾਪਦਾ ਹੈ ਅਤੇ AI ਕੋਲ ਸਪੈਕਟ੍ਰਮ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ। AI ਕਹਿੰਦਾ ਹੈ, "1200 Hz 'ਤੇ ਇੱਕ ਪ੍ਰਭਾਵੀ ਸਿਖਰ ਹੈ, ਇਹ ਅਸਫਲਤਾ ਦਾ ਸਾਹਮਣਾ ਕਰ ਸਕਦਾ ਹੈ।" ਇੰਜੀਨੀਅਰ ਪੱਖੇ ਦੀ ਗਤੀ ਨੂੰ ਕੰਟਰੋਲ ਕਰਦਾ ਹੈ: 1800 rpm = 30 Hz. ਬੇਅਰਿੰਗ ਅਤੇ ਬਲੇਡ ਪਰਿਵਰਤਨ ਫ੍ਰੀਕੁਐਂਸੀ ਇਸ ਚੱਕਰ ਦੇ ਅਨੁਕੂਲ ਕੁਝ ਮੁੱਲਾਂ 'ਤੇ ਹੋਣ ਦੀ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; 1200 Hz ਇਹਨਾਂ ਵਿੱਚੋਂ ਕਿਸੇ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ। ਇਹ ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਨੂੰ ਨਿਯੰਤਰਿਤ ਕਰਦਾ ਹੈ: ਸਿਗਨਲ 2 kHz ਤੱਕ ਸਮੱਗਰੀ ਰੱਖਦਾ ਹੈ, ਪਰ ਸਿਰਫ 2 kHz ਦਾ ਨਮੂਨਾ ਲਿਆ ਜਾਂਦਾ ਹੈ, ਇਸਲਈ ਇੱਕ Nyquist ਉਲੰਘਣਾ। 1200 Hz 'ਤੇ ਸਿਖਰ ਅਲੀਸਿੰਗ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਇੱਕ ਭੂਤ ਬਾਰੰਬਾਰਤਾ ਹੈ। ਜਦੋਂ ਮੈਂ ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਨੂੰ 8 kHz ਤੱਕ ਵਧਾਉਂਦਾ ਹਾਂ, ਤਾਂ ਝੂਠੀ ਸਿਖਰ ਗਾਇਬ ਹੋ ਜਾਂਦੀ ਹੈ। ਪਾਠ: ਭੌਤਿਕ ਚੱਕਰ/ਵਾਰਵਾਰਤਾ ਦੀ ਉਮੀਦ ਅਤੇ ਸਹੀ ਨਮੂਨੇ ਦੇ ਨਾਲ ਹਮੇਸ਼ਾ ਸਪੈਕਟ੍ਰਮ ਵਿਆਖਿਆ ਦੀ ਜਾਂਚ ਕਰੋ।

ਆਮ ਗਲਤੀਆਂ

• Nyquist ਮਾਪਦੰਡ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਦੀ ਚੋਣ ਕਰਨਾ; ਉਪਨਾਮ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ।
• Hz ਦੀ ਬਜਾਏ ਨਮੂਨਾ ਸੂਚਕਾਂਕ 'ਤੇ FFT ਬਾਰੰਬਾਰਤਾ ਧੁਰੇ ਨੂੰ ਛੱਡਣਾ।
• ਖਿੜਕੀ ਦੇ ਬਿਨਾਂ ਸਿਗਨਲ ਵਜੋਂ ਸਪੈਕਟ੍ਰਲ ਲੀਕੇਜ ਨੂੰ ਗਲਤ ਸਮਝਣਾ।
• ਵਿੰਡੋਜ਼/ਨਮੂਨਿਆਂ ਦੀ ਸੰਖਿਆ ਦੁਆਰਾ ਐਪਲੀਟਿਊਡ ਨੂੰ ਸਧਾਰਣ ਨਹੀਂ ਕਰਨਾ।
• IIR ਫਿਲਟਰ ਸਥਿਰਤਾ ਅਤੇ ਪੜਾਅ ਵਿਗਾੜ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ।
• ਭੌਤਿਕ rpm/ਫ੍ਰੀਕੁਐਂਸੀ ਦੀ ਉਮੀਦ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਸਪੈਕਟ੍ਰਮ ਸਿਖਰਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ।

ਸੰਖੇਪ ਵਿੱਚ

• ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਸਿਗਨਲ ਦੇ ਸਭ ਤੋਂ ਉੱਚੇ ਹਿੱਸੇ ਤੋਂ ਘੱਟੋ-ਘੱਟ ਦੁੱਗਣੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ; ਨਹੀਂ ਤਾਂ, ਅਲੀਸਿੰਗ ਪੂਰੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਵਿਗਾੜ ਦੇਵੇਗੀ।
• FFT ਰੈਜ਼ੋਲਿਊਸ਼ਨ Δf = f_s/N; ਆਪਣੀ ਲੋੜ ਅਨੁਸਾਰ N ਅਤੇ f_s ਚੁਣੋ।
• ਵਿੰਡੋਿੰਗ ਸਪੈਕਟ੍ਰਲ ਲੀਕੇਜ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ; ਵਿੰਡੋ ਦੇ ਲਾਭ ਦੇ ਅਨੁਸਾਰ ਐਪਲੀਟਿਊਡ ਨੂੰ ਆਮ ਬਣਾਓ।
• ਧੁਰੇ ਅਤੇ ਸਧਾਰਣਕਰਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਟੈਸਟ ਸਿਗਨਲ ਨਾਲ AI ਕੋਡ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।
• ਫਿਲਟਰ ਦੀ ਸਥਿਰਤਾ ਅਤੇ ਬਾਰੰਬਾਰਤਾ ਪ੍ਰਤੀਕਿਰਿਆ ਨੂੰ ਪਲਾਟ ਕਰਕੇ ਜਾਂਚੋ।
• ਹਮੇਸ਼ਾ ਭੌਤਿਕ ਬਾਰੰਬਾਰਤਾ ਦੀ ਉਮੀਦ ਨਾਲ ਸਪੈਕਟ੍ਰਮ ਵਿਆਖਿਆ ਦੀ ਜਾਂਚ ਕਰੋ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਜਾਣੀ-ਪਛਾਣੀ ਬਾਰੰਬਾਰਤਾ ਦਾ ਇੱਕ ਟੈਸਟ ਸਿਗਨਲ ਤਿਆਰ ਕਰੋ (ਜਿਵੇਂ ਕਿ 500 Hz + 1500 Hz ਸਾਈਨ)। AI ਤੋਂ FFT ਅਤੇ ਫਿਲਟਰ ਕੋਡ ਦੀ ਬੇਨਤੀ ਕਰੋ। ਫਿਰ: (1) ਤਸਦੀਕ ਕਰੋ ਕਿ Nyquist ਮਾਪਦੰਡ ਪੂਰਾ ਹੋਇਆ ਹੈ, (2) ਜਾਂਚ ਕਰੋ ਕਿ FFT ਸਿਖਰਾਂ ਅਸਲ ਵਿੱਚ 500 ਅਤੇ 1500 Hz 'ਤੇ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ, (3) ਜਾਣਬੁੱਝ ਕੇ Nyquist ਤੋਂ ਹੇਠਾਂ ਨਮੂਨਾ ਲੈਣ ਦੀ ਬਾਰੰਬਾਰਤਾ ਨੂੰ ਘਟਾਓ ਅਤੇ ਵੇਖੋ ਕਿ ਕਿਵੇਂ ਉਪਨਾਮ ਇੱਕ ਜਾਅਲੀ ਸਿਖਰ ਬਣਾਉਂਦਾ ਹੈ। ਆਪਣੇ ਨਿਰੀਖਣਾਂ ਅਤੇ ਪੈਰਾਮੀਟਰ ਨੂੰ ਨੋਟ ਕਰੋ ਜੋ ਤੁਸੀਂ ਠੀਕ ਕੀਤਾ ਹੈ।