Fitimet:
- Aftësia për të vendosur me saktësi parametrat e përpunimit të sinjalit si frekuenca e marrjes së mostrave, lloji i filtrit dhe dritaret me AI
- Aftësia për të gjeneruar kodin Python për FFT, dizajnin e filtrit dhe analizën e zhurmës dhe kontrollimin e Nyquist dhe aliasing
- Aftësia për të verifikuar interpretimin e spektrit të gjeneruar nga AI duke e krahasuar atë me matjen dhe pritjet fizike
Të dhënat e papërpunuara vetëm nga një sensor, mikrofoni ose linja elektrike janë shpesh të pakuptimta; Është e nevojshme të përpunohet dhe interpretohet në boshtin e frekuencës, amplitudës dhe kohës. Nxjerrja e spektrit me FFT, filtrimi i zhurmës, njohja e një nënshkrimi vibrimi... Të gjitha këto janë përpunim sinjalesh dhe AI gjeneron kodin e shpejtë Python në këtë fushë, shpjegon konceptet, llogarit koeficientin e filtrit. Por një gabim i vogël parametri në përpunimin e sinjalit (frekuenca e gabuar e marrjes së mostrave, dritarja e gabuar, kontrolli i anashkaluar i Nyquist) prish në heshtje të gjithë analizën; Kodi nuk jep gabime, thjesht jep rezultate të gabuara. Në këtë njësi, ne do të mbulojmë vendosjen e parametrave të saktë me AI, kontrollimin e kodit të gjeneruar në termat e Nyquist dhe aliasing, dhe verifikimin e interpretimit të spektrit me realitetin fizik.
Parametrat bazë: Kampionimi, Nyquist, Aliasing
Rregulli i parë i përpunimit të sinjalit dixhital është teorema Nyquist-Shannon: për të paraqitur me saktësi një sinjal, frekuenca e kampionimit duhet të jetë së paku dyfishi i komponentit të frekuencës më të lartë në sinjal. Përndryshe, frekuencat e larta do të shfaqen si frekuenca të ulëta (aliasing) dhe kjo nuk mund të rikthehet.
Frekuenca më e lartë në sinjal: f_max = 2 kHz Frekuenca minimale e kampionimit: f_s ≥ 2 · f_max = 4 kHzPër të lënë margjinën në praktikë: është zgjedhur f_s ≈ 5 · f_max = 10 kHzGjithashtu, një filtër analog anti-aliasing DUHET DUHET DUHET ËSHTË.
Kujdes: Kur AI sugjeron një frekuencë kampionimi, sigurohuni që të kontrolloni nëse ofron Nyquist bazuar në komponentin më të lartë të sinjalit tuaj. Kodi funksionon pa gabime edhe në frekuencë të ulët të kampionimit; por rezultati është i gabuar për shkak të aliasing. Për më tepër, asnjë softuer nuk mund ta zhbëjë këtë gabim pa një filtër anti-aliasing në harduer.
Rezolucioni dhe dritaret për FFT
Rezolucioni i frekuencës së FFT varet nga frekuenca e marrjes së mostrave dhe numri i mostrave: Δf = f_s / N. Për rezolucion më të imët ju ose mblidhni më shumë mostra ose zgjidhni f_s më të ulëta (pa thyer Nyquist). Për më tepër, mosvazhdimi midis fillimit dhe fundit të sinjalit krijon "rrjedhje spektrale"; Për të reduktuar këtë, aplikohen funksionet e dritares si Hann dhe Hamming.
f_s = 10 kHz, N = 1024 mostra Rezolucioni i frekuencës: Δf = 10000 / 1024 ≈ 9,77 Hz Koha totale e regjistrimit: T = N / f_s = 1024 / 10000 ≈ 102,4 ms
Gjenerimi dhe kontrollimi i kodit FFT dhe filtrit
Specifikoni në mënyrë eksplicite frekuencën e marrjes së mostrave, llojin e dritares dhe shkallën e boshtit kur kërkoni kodin FFT nga AI. Kodi i mëposhtëm nxjerr spektrin e amplitudës së njëanshme të një sinjali:
importo numpy si npfs = 10000 # frekuenca e kampionimit (Hz) - verifiko Nyquist!N = 1024t = np.arange(N) / fs# sinjal mostër: 500 Hz + 1500 Hzx = np.sin(2*np.pi*500*t) + 0,5*np.sin(2*np.pi*1500*t)w = np.hanning(N) # dritare: zvogëlon rrjedhjen spektrale të normalizuar nga fitimi# kontrolloni frekuencat e pikut të pikut = f[np.argsort(mag)[-2:]print("Frekuencat dominante (Hz)(p.)ort",
Kur kontrolloni këtë kod do të pyeteni: A është me të vërtetë boshti i frekuencës Hz apo indeksi i mostrës (rfftfreq përdoret)? A është normalizuar amplituda në fitimin e dritares? A ndodhin vërtet majat e pritura 500 dhe 1500 Hz në ato pika? Nëse e verifikoni kodin me një sinjal provë të njohur (sinus me frekuencë të vetme), do të konfirmoni me siguri boshtin dhe normalizimin.
Prompt i dobët / Prompt i fortë
I DOBËT:"Aplikoni FFT për këto të dhëna." (Rezultati: frekuenca e marrjes së mostrave, shkalla e boshtit dhe dritaret janë të paqarta; grafiku ka shumë të ngjarë të vizatohet në boshtin e gabuar.) I FORTË:"Zbato FFT në një sinjal të mostrës 10 kHz. Siguro:- Paraqto boshtin e frekuencës në Hz (përdorni dritaren rffttu normalisht duke përdorur dritaren, duke përdorur rfftfrenq). fitim.- Shtypni dy frekuencat mbizotëruese në mënyrë dixhitale.- Shënoni kufirin Nyquist (5 kHz) në grafik. Vini re se boshti do të zhvendoset nëse frekuenca e marrjes së mostrave është e pasaktë.
Dizajni i filtrit dhe analiza e zhurmës
Inteligjenca artificiale mund të gjenerojë koeficientë filtri të ulët/të lartë/të lartë (FIR/IIR). Por duhet të kontrollohet frekuenca e ndërprerjes, rendi dhe qëndrueshmëria e filtrit. Mund të shkaktojë paqëndrueshmëri të rendit të lartë dhe shtrembërim fazor, veçanërisht në filtrat IIR. Pas dizajnimit të filtrit, vizatoni përgjigjen e frekuencës (si Bode) për të parë që ndërprerja është në vendin e duhur dhe nuk ka valëzim të padëshiruar në brezin e kalimit.
Detyra tipike në analizën e zhurmës është ndarja e sinjalit real nga zhurma. Këtu, vlerësoni pragun e sugjeruar të AI ose filtroni kundrejt gjerësisë së brezit fizik të sinjalit: nëse sinjali juaj i vërtetë është në 0-500 Hz, një komponent në 2 kHz ka shumë të ngjarë të jetë zhurmë ose ndërhyrje. UA jep statistika; Ju bëni interpretimin fizik.
Vërtetimi i interpretimit të spektrit me realitetin fizik
Kur interpreton një spektër, AI bën konkluzione të arsyeshme, por jo gjithmonë të sakta, të tilla si "Ka një kulm në 50 Hz, kjo është ndërhyrje në rrjet". Krahasoni këto komente me pritshmërinë fizike: A ka vërtet sistemi një lidhje me rrjetin 50 Hz? A janë afërsisht frekuenca e pritshme e rrotullimit dhe harmonikat në spektrin e dridhjeve të një motori? Nëse është e mundur, përsëritni matjen me një metodë të dytë (sensorë të ndryshëm, softuer të ndryshëm) dhe shikoni të njëjtat maja.
Këshillë: Për çdo interpretim të spektrit, "çfarë fenomeni fizik korrespondon kjo kulm?" Bëj pyetjen. Rrjeti 50/100/150 Hz dhe harmonikat e tij, frekuenca e rrotullimit dhe shumëfishat e saj në makinat rrotulluese dhe frekuenca e komutimit në furnizimet me energji komutuese janë nënshkrime të njohura. Një kulm i panjohur është ose një ngjarje reale ose një gabim matje/përpunimi; Hulumtoni të dyja.
Mini Case
Një inxhinier R&D mat dridhjen e një tifozi dhe ka AI të interpretojë spektrin. "Ka një kulm mbizotërues në 1200 Hz, kjo mund të jetë një dështim", thotë AI. Inxhinieri kontrollon shpejtësinë e ventilatorit: 1800 rpm = 30 Hz. Frekuencat e kalimit të kushinetave dhe tehut pritet të jenë në vlera të caktuara të përputhshme me këtë cikël; 1200 Hz nuk korrespondon me asnjë nga këto. Ai kontrollon frekuencën e kampionimit: sinjali mbart përmbajtje deri në 2 kHz, por vetëm 2 kHz merret kampion, pra një shkelje e Nyquist. Pika në 1200 Hz është një frekuencë fantazmë që rezulton nga aliasing. Kur rrit frekuencën e marrjes së mostrave në 8 kHz, kulmi i rremë zhduket. Mësimi: testoni gjithmonë interpretimin e spektrit me pritshmërinë e ciklit fizik/frekuencës dhe kampionimin e saktë.
Gabimet e zakonshme
- Zgjedhja e frekuencës së marrjes së mostrave pa kontrolluar kriterin Nyquist; Me pamje nga aliasing.
- Lënia e boshtit të frekuencës FFT në indeksin e mostrës në vend të Hz.
- Gabimi i rrjedhjes spektrale si një sinjal pa dritare.
- Nuk normalizon amplituda sipas numrit të dritareve/mostrave.
- Mos kontrollimi i qëndrueshmërisë së filtrit IIR dhe shtrembërimit të fazës.
- Interpretimi i majave të spektrit pa i testuar ato në pritje të rpm/frekuencës fizike.
Në përmbledhje
- Frekuenca e kampionimit duhet të jetë së paku dyfishi i komponentit më të lartë të sinjalit; Përndryshe, aliasing do të prishë të gjithë analizën.
- Rezolucioni FFT Δf = f_s/N; Zgjidhni N dhe f_s sipas nevojës tuaj.
- Dritarja zvogëlon rrjedhjen spektrale; normalizoni amplituda sipas fitimit të dritares.
- Verifikoni kodin AI me një sinjal të njohur testimi për të konfirmuar boshtin dhe normalizimin.
- Kontrolloni qëndrueshmërinë e filtrit dhe përgjigjen e frekuencës duke e vizatuar atë.
- Gjithmonë testoni interpretimin e spektrit me pritjen e frekuencës fizike.
Detyra e aplikimit
Gjeneroni një sinjal provë me frekuencë të njohur (p.sh. 500 Hz + 1500 Hz sinus). Kërkoni FFT dhe kodin e filtrit nga AI. Më pas: (1) verifikoni që kriteri Nyquist plotësohet, (2) kontrolloni që majat FFT shfaqen në të vërtetë në 500 dhe 1500 Hz, (3) zvogëloni qëllimisht frekuencën e marrjes së mostrave nën Nyquist dhe vëzhgoni sesi aliasing krijon një kulm të rremë. Vini re vëzhgimet tuaja dhe parametrin që keni korrigjuar.