Ganhos:
- Capacidade de estabelecer com precisão parâmetros de processamento de sinal, como frequência de amostragem, tipo de filtro e janelamento com IA
- Capacidade de gerar código Python para FFT, design de filtro e análise de ruído e verificação de Nyquist e aliasing
- Capacidade de verificar a interpretação do espectro gerado por IA, comparando-a com a medição e a expectativa física
Os dados brutos de um sensor, microfone ou linha de energia geralmente não têm sentido; É necessário processá-lo e interpretá-lo no eixo da frequência, amplitude e tempo. Extrair espectro com FFT, filtrar ruído, reconhecer uma assinatura de vibração... Tudo isso é processamento de sinal e a IA gera código Python rápido nesta área, explica conceitos, calcula coeficiente de filtro. Mas um pequeno erro de parâmetro no processamento do sinal (frequência de amostragem errada, janela errada, controle de Nyquist ignorado) arruina silenciosamente toda a análise; O código não dá erros, apenas dá resultados errados. Nesta unidade, abordaremos a configuração dos parâmetros corretos com IA, a verificação do código gerado em termos de Nyquist e aliasing e a verificação da interpretação do espectro com a realidade física.
Parâmetros Básicos: Amostragem, Nyquist, Aliasing
A primeira regra do processamento de sinais digitais é o teorema de Nyquist-Shannon: para representar um sinal com precisão, a frequência de amostragem deve ser pelo menos duas vezes a componente de frequência mais alta do sinal. Caso contrário, as altas frequências aparecerão como baixas frequências (aliasing) e isso não poderá ser revertido.
Frequência mais alta no sinal: f_max = 2 kHzFrequência mínima de amostragem: f_s ≥ 2 · f_max = 4 kHzPara deixar margem na prática: f_s ≈ 5 · f_max = 10 kHz é selecionadoAlém disso, um filtro anti-aliasing analógico é OBRIGATÓRIO ANTES da amostragem.
Cuidado: Quando a IA sugerir uma frequência de amostragem, certifique-se de verificar se ela fornece Nyquist com base no componente mais alto do seu sinal. O código é executado sem erros mesmo em baixa frequência de amostragem; mas o resultado está errado devido ao alias. Além disso, nenhum software pode desfazer esse erro sem um filtro anti-aliasing no hardware.
Resolução e janelas para FFT
A resolução de frequência da FFT depende da frequência de amostragem e do número de amostras: Δf = f_s / N. Para uma resolução mais precisa, você coleta mais amostras ou escolhe f_s mais baixo (sem quebrar Nyquist). Além disso, a descontinuidade entre o início e o fim do sinal cria “vazamento espectral”; Para reduzir isso, são aplicadas funções de janela como Hann e Hamming.
f_s = 10 kHz, N = 1024 amostrasResolução de frequência: Δf = 10000/1024 ≈ 9,77 HzTempo total de gravação: T = N / f_s = 1024/10000 ≈ 102,4 ms
Gerando e verificando FFT e código de filtro
Especifique explicitamente a frequência de amostragem, o tipo de janela e a escala do eixo ao solicitar o código FFT da IA. O código a seguir gera o espectro de amplitude unilateral de um sinal:
importar numpy como npfs = 10000 # frequência de amostragem (Hz) - verifique Nyquist!N = 1024t = np.arange(N) / fs# sinal de amostra: 500 Hz + 1500 Hzx = np.sin(2*np.pi*500*t) + 0,5*np.sin(2*np.pi*1500*t)w = np.hanning(N) # janelamento: reduz o vazamento espectral normalizado pelo ganho# verifica as frequências de picopeaks = f[np.argsort(mag)[-2:]]print("Freqüências dominantes (Hz):", np.sort(peaks))
Ao verificar este código, você será questionado: O eixo de frequência é realmente Hz ou é o índice de amostra (rfftfreq usado)? A amplitude está normalizada para o ganho da janela? Os picos esperados de 500 e 1.500 Hz realmente ocorrem nesses pontos? Se você verificar o código com um sinal de teste conhecido (senoidal de frequência única), confirmará com segurança o eixo e a normalização.
Alerta Fraco/Prompt Forte
FRACO:"Aplique FFT a estes dados."(Resultado: frequência de amostragem, escala de eixo e janelamento não estão claros; o gráfico provavelmente está plotado no eixo errado.)FORTE:"Aplique FFT a um sinal amostrado de 10 kHz. Forneça:- Trace o eixo de frequência em Hz (use rfftfreq).- Aplique a janela de Hann e normalize a amplitude pelo ganho da janela.- Imprima as duas frequências dominantes digitalmente.- Marque o limite de Nyquist (5 kHz) no gráfico. Observe que o eixo mudará se a frequência de amostragem estiver incorreta.
Projeto de filtro e análise de ruído
AI pode gerar coeficientes de filtro passa-banda baixo/alto/(FIR/IIR). Mas a frequência de corte, a ordem e a estabilidade do filtro devem ser verificadas. Pode causar instabilidade de ordem elevada e distorção de fase, especialmente em filtros IIR. Depois de projetar o filtro, plote a resposta de frequência (tipo Bode) para ver se o corte está no lugar certo e se não há ondulação indesejada na banda passante.
A tarefa típica na análise de ruído é separar o sinal real do ruído. Aqui, avalie o limite ou filtro sugerido pela IA em relação à largura de banda física do sinal: se o seu sinal real estiver em 0-500 Hz, um componente em 2 kHz provavelmente é ruído ou interferência. A IA fornece estatísticas; Você faz a interpretação física.
Validando a Interpretação do Espectro com a Realidade Física
Ao interpretar um espectro, a IA faz inferências razoáveis, mas nem sempre precisas, como “Há um pico em 50 Hz, isso é interferência na rede”. Compare estes comentários com a expectativa física: O sistema realmente possui uma conexão de rede elétrica de 50 Hz? A frequência de rotação e os harmônicos esperados estão próximos do espectro de vibração de um motor? Se possível, repita a medição com um segundo método (sensor diferente, software diferente) e veja os mesmos picos.
Dica: Para cada interpretação do espectro, "a que fenômeno físico corresponde esse pico?" Faça a pergunta. Rede 50/100/150 Hz e seus harmônicos, frequência de rotação e seus múltiplos em máquinas rotativas e frequência de chaveamento em fontes chaveadas são assinaturas conhecidas. Um pico desconhecido é um evento real ou um erro de medição/processamento; Pesquise ambos.
Mini Estojo
Um engenheiro de P&D mede a vibração de um ventilador e faz com que a IA interprete o espectro. “Há um pico dominante em 1200 Hz, isso pode ser uma falha no rolamento”, diz AI. O engenheiro controla a velocidade do ventilador: 1800 rpm = 30 Hz. Espera-se que as frequências de transição dos rolamentos e das pás estejam em determinados valores compatíveis com este ciclo; 1200 Hz não corresponde a nenhum destes. Ele controla a frequência de amostragem: o sinal carrega conteúdo de até 2 kHz, mas apenas 2 kHz é amostrado, portanto, uma violação de Nyquist. O pico em 1200 Hz é uma frequência fantasma resultante do aliasing. Quando aumento a frequência de amostragem para 8 kHz, o pico falso desaparece. Lição: sempre teste a interpretação do espectro com expectativa de ciclo físico/frequência e amostragem correta.
Erros Comuns
- Escolher a frequência de amostragem sem verificar o critério de Nyquist; Ignorando o alias.
- Deixando o eixo de frequência FFT no índice de amostra em vez de Hz.
- Confundir o vazamento espectral com um sinal sem janelamento.
- Não normalizar a amplitude por número de janelas/amostras.
- Não verificando a estabilidade do filtro IIR e a distorção de fase.
- Interpretar picos de espectro sem testá-los em antecipação à rpm/frequência física.
Em resumo
- A frequência de amostragem deve ser pelo menos duas vezes a componente mais alta do sinal; Caso contrário, o alias interromperá toda a análise.
- Resolução FFT Δf = f_s/N; Escolha N e f_s de acordo com sua necessidade.
- O janelamento reduz o vazamento espectral; normalize a amplitude de acordo com o ganho da janela.
- Verifique o código AI com um sinal de teste conhecido para confirmar o eixo e a normalização.
- Verifique a estabilidade do filtro e a resposta de frequência traçando-o.
- Sempre teste a interpretação do espectro com expectativa de frequência física.
Tarefa de aplicativo
Gere um sinal de teste de frequência conhecida (por exemplo, 500 Hz + 1500 Hz senoidal). Solicite FFT e filtre o código da IA. Então: (1) verifique se o critério de Nyquist foi atendido, (2) verifique se os picos da FFT realmente aparecem em 500 e 1500 Hz, (3) reduza deliberadamente a frequência de amostragem abaixo de Nyquist e observe como o aliasing cria um pico espúrio. Anote suas observações e o parâmetro que você corrigiu.