ලාභ:
- AI සහාය ඇතිව නියැදීම, Nyquist සහ අන්වර්ථ සංකල්ප නිවැරදිව ගොඩනැගීමට සහ යෙදීමට ඇති හැකියාව
- FFT, පෙරහන් සැලසුම් සහ කවුළු පියවර කෙටුම්පත් කේතයට පරිවර්තනය කිරීමේ හැකියාව සහ AI සමඟ ගණනය කිරීම්
- විමර්ශන සංඥා, ඒකක පාලනය සහ මිනුම් සමඟ AI විසින් නිපදවන ලද සංඥා සැකසුම් ප්රතිඵල සත්යාපනය කිරීමේ හැකියාව
සංඥා සැකසුම් යනු ඉලෙක්ට්රොනික හා සන්නිවේදන ඉංජිනේරු විද්යාවේ හදවතයි: වෝල්ටීයතා තරංගයක්, ශබ්ද පටිගත කිරීමක්, සංවේදක කියවීමක් හෝ රේඩියෝ සංඥාවක් ලබාගෙන එහි ඇති තොරතුරු උකහා ගැනීම, එහි ශබ්දය පිරිසිදු කිරීම සහ එය පරිවර්තනය කිරීමේ කලාව. මෙම ඒකකය තුළ, සංඥා සැකසුම් සංකල්ප ඉගෙන ගැනීමට, පෙරහන සහ පරිවර්තන ගණනය කිරීම් ගොඩනඟා ගැනීමට සහ පයිතන් කේතය සමඟ විශ්ලේෂණය කිරීමට AI භාවිතා කරන්නේ කෙසේදැයි ඔබට පෙනෙනු ඇත. නමුත් ආරම්භයේ සිටම අනතුරු ඇඟවීමක්: සංඥා සැකසීමේදී කුඩා සංකල්පීය දෝෂයක් (වැරදි නියැදීමේ සංඛ්යාතය, කවුළුව මඟහැරීම, මැදිහත්වීමේ ඒකකය) ප්රතිඵලය සම්පූර්ණයෙන්ම සහ නිහඬව විකෘති කරනු ඇත; ප්රස්ථාරය තවමත් හොඳ බව පෙනේ, නමුත් එය වැරදියි. දන්නා යොමු සංඥාවකට සහ ඒකක පාලනයකට එරෙහිව AI නිපදවන සෑම ප්රතිඵලයක්ම පරීක්ෂා කිරීම අත්යවශ්ය වන්නේ එබැවිනි.
නියැදීම සහ නයික්විස්ට්: සියල්ල ආරම්භ වන තැන
පරිගණකයක් තුළ ඇනලොග් සංඥාවක් (අඛණ්ඩ තරංගයක්) සැකසීමට, අපි එය නිශ්චිත කාල පරතරයකින් මැන එය අංකයක් බවට පරිවර්තනය කරමු; මෙය නියැදීම ලෙස හැඳින්වේ. එය නියැදීමේ සංඛ්යාතය (fs, ඒකක Hz) අපි තත්පරයකට සාම්පල කීයක් ගන්නවාද යන්නයි. Nyquist නිර්ණායකය පවසන්නේ සංඥාවක් නිවැරදිව ප්රතිසාධනය කිරීමට නම්, නියැදි සංඛ්යාතය සංඥාවේ ඉහළම සංඛ්යාතය මෙන් අවම වශයෙන් දෙගුණයක් විය යුතු බවයි. මෙම කොන්දේසිය සපුරා නොමැති නම්, ඉහළ සංඛ්යාත අඩු සංඛ්යාත ලෙස පෙනෙන්නට පටන් ගනී; මෙය අන්වර්ථකරණය ලෙස හැඳින්වෙන අතර ඔබට මෙම අවස්ථා දෙක අතර වෙනස හඳුනාගත නොහැකි බැවින් දත්ත ස්ථිරවම දූෂිත වේ.
AI මෙම සංකල්පය ඉතා හොඳින් පැහැදිලි කරන අතර උදාහරණ සමඟින් එය නිරූපණය කළ හැකිය. නමුත් ඔබේ නියැදීමේ සංඛ්යාතය තෝරාගැනීමේදී ඔබ තීරණය කරයි: ඔබේ සංඥාවේ සත්ය කලාප පළල කුමක්ද, ඔබට ප්රති-අන්වර්ථ ඇනලොග් ෆිල්ටරයක් තිබේද, ඔබේ ADC (Analog-Digital Converter: Analog-Digital Converter: ප්රතිසම සංඥාව අංකයට පරිවර්තනය කරන චිපය) ඇත්ත වශයෙන්ම ක්රියාත්මක වන වේගය කුමක්ද. AI විසින් නියැදීම් සංඛ්යාතයක් "යෝජනා" කළ හැක, නමුත් මෙම යෝජනාව ඔබගේ සංඥාවේ සැබෑ වර්ණාවලිය මැනීමකින් තොරව අනුමාන කිරීමකි.
ඉඟිය: AI වෙතින් නියැදි ප්රශ්නයක් අසන විට, ඔබේ සංඥාවේ ඉහළම සංඛ්යාතය සහ කලාප පළල ඔබම සඳහන් කරන්න. "මගේ සංඥාවේ ඉහළම සංරචකය ~4 kHz නම්, මම fs තෝරාගත යුත්තේ කෙසේද සහ ප්රති-අන්වර්ථ පෙරහන දැමිය යුත්තේ කොතැනටද?" වගේ. AI වර්ණාවලිය අනුමාන නොකරන්න; මැනීම.
FFT සහ සංඛ්යාත විශ්ලේෂණය
FFT (Fast Fourier Transform) යනු වේග අක්ෂයේ සිට සංඛ්යාත අක්ෂයට සංඥාවක් පරිවර්තනය කරන වේගවත් ඇල්ගොරිතමයකි. එබැවින් "මෙම සංඥාවේ ඇති සංඛ්යාත මොනවාද සහ කොපමණ බලයක් තිබේද?" යන ප්රශ්නයට පිළිතුරු දෙයි. AI FFT ක්රියාවට නැංවීම, ප්රතිඵල අර්ථකථනය කිරීම සහ Python කේතය (numpy/scipy) ලියන ආකාරය ඉතා හොඳින් කරයි. නමුත් FFT හි පොදු දෝෂ ඇති අතර, AI කේතයට නිහඬව ඒවා ඇතුළත් කළ හැක:
- සංඛ්යාත අක්ෂ පරිමාණය: FFT ප්රතිදානයේ සංඛ්යාත අක්ෂය නියැදි සංඛ්යාතය මත රඳා පවතී. fs වැරදි ලෙස ඇතුළත් කර ඇත්නම්, සියලුම සංඛ්යාත වැරදි ලෙස ප්රතිදානය වේ, නමුත් ප්රස්ථාරය සාමාන්ය ලෙස දිස්වේ.
- කවුළුව: සීමිත සංඥා කැබැල්ලක් ලැබුණු විට, දාරවල විසන්ධි වීම සිදු වන අතර වර්ණාවලියේ ව්යාජ පැතිරීම (වර්ණාවලි කාන්දු වීම) නිරීක්ෂණය කරනු ලැබේ. Hann, Hamming වගේ Windows මේක අඩු කරනවා. AI කේතය කවුළුව මඟ හැරියහොත්, ප්රතිඵලය නොමඟ යවන සුළු වනු ඇත.
- විස්තාරය සාමාන්යකරණය: FFT ප්රතිදානයේ විස්තාරය සැබෑ භෞතික අගයට පරිවර්තනය කිරීම සඳහා පරිමාණය සහ කවුළු නිවැරදි කිරීම අවශ්ය වේ. මඟ හැරියහොත්, විස්තාරය වැරදි වනු ඇත.
පෙරහන් නිර්මාණය
පෙරහනක් යනු සංඥාවකින් අනවශ්ය සංඛ්යාත උකහා ගන්නා පරිපථයක් හෝ ඇල්ගොරිතමයකි. මූලික වර්ග හතරක් ඇත: අඩු-පාස් (අඩු සංඛ්යාත පසුකරයි), හයි-පාස්, බෑන්ඩ්-පාස් සහ බෑන්ඩ්-පාස් (නොච්). ඩිජිටල් පෙරහන් විශාල පවුල් දෙකක් ඇත: FIR (සීමිත ආවේග ප්රතිචාරය, ස්ථායී සහ රේඛීය අදියර) සහ IIR (අසීමිත ආවේග ප්රතිචාරය, අඩු ගණනය කිරීම් සහිත දැඩි සංක්රාන්තිය නමුත් ස්ථායීතාවය සහ අවධි අවදානම).
AI විසින් ෆිල්ටරයක සැලසුම් පියවර පැහැදිලි කරයි (කට්ටෆ් සංඛ්යාතය, පාස්බෑන්ඩ්, නැවතුම් පටි දුර්වල කිරීම, ඇණවුම් තේරීම) සහ සංගුණක උත්පාදක කේතය scipy සමඟ ලියයි. නමුත් ඔබ විසින් නිර්මාණය කරන ලද ෆිල්ටරයේ කඩඉම් සංඛ්යාතය සාමාන්යකරණය කර (Nyquist සංඛ්යාතයට සාපේක්ෂව) ලබා දී ඇති අතර, මෙහි fs වැරදි ලෙස ඇතුළත් කිරීම ඉතා සාමාන්ය වැරැද්දකි. මීට අමතරව, IIR ෆිල්ටරවල ස්ථායීතාවය සහ අදියර විකෘති වීම ගැටළුවක් විය හැකි අතර, තත්ය කාලීන පද්ධතිවල ප්රමාදය ගැටළුවක් විය හැක. සංඛ්යාත ප්රතිචාර ප්රස්ථාරයක් සහ දන්නා පරීක්ෂණ සංඥාවක් සමඟ AI-ජනනය කරන ලද පෙරහන සත්යාපනය කිරීමට වග බලා ගන්න.
කුඩා නඩු තුනක්
නඩුව 1 - අතිච්ඡාදනය වන කම්පනය. ඉංජිනේරුවෙකු 1 kHz දී මෝටරයක කම්පනය සාම්පල කරන අතර 300 Hz දී FFT හි ශක්තිමත් උච්චයක් දකියි. එන්ජින් සැලසුමට නොගැලපෙන මෙම උච්චය අවුල් සහගතය. ඇත්ත වශයෙන්ම එන්ජිම තුළ 1300 Hz පමණ සැබෑ සංරචකයක් ඇත; මේ සඳහා 1 kHz නියැදීම ප්රමාණවත් නොවේ (Nyquist 500 Hz) සහ 1300 Hz අතිච්ඡාදනය 300 Hz. AI සමඟ සාකච්ඡා කිරීමෙන් පසු "මෙම උච්චය සැබෑ හෝ අන්වර්ථවත්ද" සහ නියැදීමේ සංඛ්යාතය 5 kHz දක්වා වැඩි කිරීමෙන් පසුව, උපරිමය 1300 Hz හි නිවැරදි ස්ථානයේ දිස්වේ. පාඩම: සැක සහිත කන්දක් මත, පළමු ප්රශ්නය නියැදීමේ ප්රමාණවත් බව.
නඩුව 2 - මඟ හැරිය කවුළුව. සීමාවාසිකයෙකු AI වෙතින් FFT කේතයක් ඉල්ලා එය ක්රියාත්මක කරයි. ඔහු තනි සංඛ්යාත පරීක්ෂණ ස්වරයක් අපේක්ෂා කරන නමුත් වර්ණාවලිය පුරා පුළුල්ව පැතිරී ඇති බවක් දකී. ගැටළුව වන්නේ කේතය windowing (වර්ණාවලි කාන්දු වීම) සිදු නොකිරීමයි. AI ට පවසන්න "හැන් කවුළුව එකතු කර විස්තාරය නිවැරදි කිරීම යොදන්න" සහ ප්රතිදානය අපේක්ෂිත තියුණු උච්චස්ථානයට නැවත පැමිණේ. පාඩම: දන්නා තනි-සංඛ්යාත සංඥාවක් සමඟ FFT කේතය පරීක්ෂා කරන්න; කාන්දුවක් තිබේ නම් කවුළුව පරීක්ෂා කරන්න.
නඩුව 3 - වැරදි fs. ඉංජිනේරුවෙකු රෙකෝඩරයෙන් දත්ත විශ්ලේෂණය කරයි. උපාංගය 48 kHz ලෙස වාර්තා කර ඇත, නමුත් පෙරනිමි 44.1 kHz AI කේතයට ඇතුළත් කර ඇත. සියලුම සංඛ්යාත 8% කින් මාරු කරනු ලැබේ; 1000 Hz ස්වරයක් 1088 Hz දී දිස්වේ. මිනුම් උපකරණවල සැබෑ fs පරීක්ෂා කිරීමේදී දෝෂයක් දක්නට ලැබේ. පාඩම: නියැදීමේ සංඛ්යාතය විශ්ලේෂණ දාමයේ තනි තීරණාත්මක සංඛ්යාවයි; මූලාශ්රයෙන් සත්යාපනය කළ යුතුය.
පිටපත් කළ හැකි ඉක්මන් සැකිලි
FFT SETUP TEMPLATE"Python (numpy/scipy) හි FFT විශ්ලේෂණ කේතයක් ලියන්න (numpy/scipy) ආදානය: samplingfrequency fs=[value] Hz, signal string 'x'. කේතයට පහත දේ කිරීමට ඉඩ දෙන්න: (1) Hann window යොදන්න, (2) FFT සංඛ්යාතයට සාපේක්ෂව (3) සංඛ්යාතයට සාපේක්ෂව FFT ලබා ගන්න (3) කේතයේ සෑම පියවරකදීම ඒකපාර්ශ්වික විස්තාරය වර්ණාවලිය "කරුණාකර ඔබ කරන්නේ කුමන උපකල්පනයද යන්න සඳහන් කරන්න, එවිට මට එය සත්යාපනය කළ හැක."
නියැදි පාලන අච්චුව "මගේ සංඥාවේ ඉහළම සැලකිය යුතු සංඛ්යාතය දළ වශයෙන් [X] Hz වේ. නියැදි සංඛ්යාතයක් තෝරාගැනීමේදී Nyquist මායිම, ප්රති-අන්වර්ථ පෙරහනක අවශ්යතාවය සහ ආරක්ෂාවේ ප්රායෝගික ආන්තිකය පැහැදිලි කරන්න. පරාසයක් යෝජනා නමුත් සංඥාවේ සත්ය වර්ණාවලිය මැනීමෙන් මා මෙය සත්යාපනය කළ යුතු බව අවධාරණය කරන්න."
පෙරහන් සැලසුම් අච්චුව "scipy සමඟ [අඩු/ඉහළ/බෑන්ඩ්] සමත් සංඛ්යාංක පෙරහනක් සැලසුම් කරන්න. කඩඉම් සංඛ්යාතය [X] Hz, නියැදි සංඛ්යාත fs=[Y] Hz. FIR සහ IIR විකල්ප සසඳන්න (ස්ථායීතාව, අදියර, ප්රමාදය, ගණනය කිරීමේ භාරය). කඩඉම් ප්රතිචාර සංඛ්යාතය සාමාන්යකරණය කර ඇති ආකාරය කේතය සමඟ පැහැදිලිව පෙන්වන්න.
ප්රතිඵල වලංගු කිරීමේ අච්චුව "පහත සංඥා සැකසුම් කේතය පරීක්ෂා කර නිශ්ශබ්ද දෝෂ වල මූලාශ්ර සලකුණු කරන්න: වැරදි fs, මඟ හැරුණු කවුළු, ඒකක හරස්කඩ (Hz/kHz,V/mV), සාමාන්යකරණය නොමැතිකම, තනි/ද්විත්ව-පාර්ශ්වික වර්ණාවලි හරස් ටෝක්. මා විසින් පරීක්ෂා කළ යුතු ආකාරය යෝජනා කරන්න (එක් එක් යොමු සංඥාව සමඟ.."
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ප්රොම්ප්ට්: "මෙම සංඥාවේ සංඛ්යාතය සොයන්න."
ප්රබල ප්රොම්ප්ට්: "මට 10 kHz නියැදි සංඛ්යාතයක් සහිත සංඥා අරාවක් ඇත. FFT සමඟ ප්රමුඛ සංඛ්යාත සංරචක සොයා ගන්නා පයිතන් කේතයක් ලියන්න; Hann window සහ amplitude correction භාවිතා කරන්න, fs අනුව සංඛ්යාත අක්ෂය පරිමාණය කරන්න. කේතය අවසානයේ, කෘත්රිම kHz සංඥාව බලන්නේ නම්, kHz 1 කෘත්රිම සංඥාවක් සමඟ වලංගු කිරීමේ වාරණයක් එක් කරන්න."
දුර්වල ප්රමාදය සන්දර්භය-නිදහස් ප්රතිචාරයක් නිපදවන අතර fs උපකල්පනය කරයි; එය ශක්තිමත් කඩිනම් පරාමිති ලබා දෙන අතර ස්වයං-සත්යාපන පරීක්ෂණ වාරණ සඳහා විමසයි.
සංඥා සැකසීමේදී ඒකක සහ උපකල්පන වගුව
සංකල්පය
නිතර දෝෂ
සත්යාපනය
නියැදීමේ වාර ගණන (fs)
උපාංගයේ සැබෑ FS වෙනුවට පෙරනිමිය
රෙකෝඩර සැකසීමෙන් තහවුරු කිරීම
සංඛ්යාත අක්ෂය
fs වැරදි නම් මුළු අක්ෂයම මාරු වෙනවා
දන්නා සංඛ්යාත පරීක්ෂණ ස්වරය
කවුළුව
මඟ හැරිය විට වර්ණාවලි කාන්දු වීම
මොනොටෝන සංඥාවේ උපරිම පළල
විස්තාරය
සාමාන්යකරණය/නිවැරදි කිරීම අතුරුදහන්
දන්නා විස්තාරය සංඥාව සමඟ සැසඳීම
පෙරහන කපා
fs අනුව දෝෂය සාමාන්යකරණය කරන්න
සංඛ්යාත ප්රතිචාර ප්රස්තාරය
අවවාදයයි: FFT ප්රස්ථාරයක් සුමට හා විශ්වාස කළ හැකි බව පෙනෙන නිසා එය නිවැරදි බව අදහස් නොවේ. සංඛ්යාත අක්ෂය වැරදි ලෙස පරිමාණය කර ඇත්නම්, සියලුම ශිඛර වැරදි ස්ථානයක ඇති නමුත් ප්රස්ථාරය පරිපූර්ණ ලෙස පෙනේ. දන්නා සඳහනක් සමඟ සැමවිටම ක්රමාංකනය කරන්න.
පොදු වැරදි
- මූලාශ්රයෙන් නියැදීමේ සංඛ්යාතය සත්යාපනය නොකිරීම. වැරදි fs සියලු සංඛ්යාත මාරු කරයි.
- Nyquist උල්ලංඝනය කිරීම සහ අන්වර්ථ නාමය නොදැනීම. සැක සහිත කඳු මත, පළමුව නියැදීමේ ප්රමාණවත් බව ප්රශ්න කරන්න.
- FFT හි කවුළුව මඟ හැරීම. වර්ණාවලි කාන්දු වීම සැබෑ උච්චයක් ලෙස පෙනේ.
- විස්තාරය සාමාන්යකරණය අමතක කිරීම. විස්තාරය භෞතික අගයට නොගැලපේ.
- පෙරහන් කපා හැරීමේ සංඛ්යාතය fs වෙත වැරදි ලෙස සාමාන්යකරණය කිරීම. පෙරහන බලාපොරොත්තු වූවාට වඩා වෙනස් ස්ථානයක කැපේ.
සාරාංශයකින්
මෙම ඒකකය තුළ, ඔබ සංඥා සැකසුම් සංකල්ප ඉගෙනීම, FFT සහ පෙරහන් කේතය ලිවීම සහ විශ්ලේෂණය ගොඩනැගීම සඳහා ප්රබල ආධාරකයක් ලෙස AI ස්ථානගත කර ඇත. නමුත් සංඥා සැකසීමේදී, ප්රතිඵල නිශ්ශබ්දව විකෘති කළ හැක: වැරදි නියැදි සංඛ්යාතය, මඟ හැරුණු කවුළු, බාධා කරන පරිමාව හෝ සාමාන්යකරණය නොමැතිකම ප්රස්ථාරය ලස්සන නමුත් සාවද්ය කරයි. එබැවින් AI විසින් දන්නා සමුද්දේශ සංඥාවකට එරෙහිව නිපදවන සෑම කේතයක්ම පරීක්ෂා කරන්න, මූලාශ්රයෙන් නියැදීමේ සංඛ්යාතය සත්යාපනය කරන්න, සහ ඒකක සහ භෞතික විශ්වසනීයත්වය සඳහා එක් එක් ප්රතිඵලය පරීක්ෂා කරන්න. එක් එක් විශ්ලේෂණය ආරම්භයේදී Nyquist සහ අන්වර්ථය යන සංකල්පය පරීක්ෂා කරන්න.
යෙදුම් කාර්යය
Python හි කෘතිම පරීක්ෂණ සංඥාවක් සාදන්න: දන්නා සංඛ්යාත දෙකක එකතුව (උදා: 1 kHz සහ 3 kHz), fs=10 kHz. "FFT සැකසුම" අච්චුව සමඟ AI වෙතින් විශ්ලේෂණ කේතය ඉල්ලන්න සහ උච්ච නිවැරදි සංඛ්යාතවල දිස්වන බව තහවුරු කරන්න. පසුව හිතාමතාම වැරදි ලෙස fs ඇතුල් කරන්න (උදා: 8 kHz) සහ උච්ච මාරු වන ආකාරය නිරීක්ෂණය කරන්න. අවසාන වශයෙන්, කවුළුව ඉවත් කර වර්ණාවලි කාන්දුව බලන්න. එක් එක් අත්හදා බැලීමේ ප්රතිඵල එක් වාක්යයකින් ලියන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම රෙකෝඩරයේ සත්ය සැකසුමෙන් නියැදීමේ සංඛ්යාතය (fs) සත්යාපනය කළෙමි.
- [ ] මම Nyquist නිර්ණායකය පරීක්ෂා කර අන්වර්ථ නාමයේ අවදානම ඇගයීමට ලක් කළෙමි.
- [ ] FFT කේතය තුළ කවුළු සහ විස්තාරය නිවැරදි කිරීම ක්රියාත්මක කර ඇත්දැයි මම පරීක්ෂා කර ඇත්තෙමි.
- [ ] මම දන්නා සංඛ්යාතයේ සමුද්දේශ සංඥාවක් සමඟ කේතය පරීක්ෂා කළෙමි.
- [ ] පෙරහන් කඩඉම් සංඛ්යාතය fs වෙත නිවැරදිව සාමාන්යකරණය කර ඇති බව දෘෂ්ය ප්රතිචාරයෙන් මම සත්යාපනය කළෙමි.
- [ ] මම සියලුම ඒකක (Hz/kHz, V/mV) ස්ථාවර කළෙමි.