Lợi nhuận:
- Khả năng thiết lập chính xác các thông số xử lý tín hiệu như tần số lấy mẫu, loại bộ lọc và cửa sổ bằng AI
- Khả năng tạo mã Python cho FFT, thiết kế bộ lọc và phân tích nhiễu cũng như kiểm tra Nyquist và khử răng cưa
- Khả năng xác minh việc giải thích phổ do AI tạo ra bằng cách so sánh nó với phép đo và kỳ vọng vật lý
Dữ liệu thô chỉ từ cảm biến, micrô hoặc đường dây điện thường vô nghĩa; Cần phải xử lý và giải thích nó trên trục tần số, biên độ và thời gian. Trích xuất phổ bằng FFT, lọc nhiễu, nhận dạng chữ ký rung... Đây đều là xử lý tín hiệu và AI tạo mã Python nhanh trong lĩnh vực này, giải thích các khái niệm, tính toán hệ số lọc. Nhưng một lỗi tham số nhỏ trong quá trình xử lý tín hiệu (sai tần số lấy mẫu, sai cửa sổ, bỏ qua điều khiển Nyquist) đã âm thầm phá hỏng toàn bộ quá trình phân tích; Mã không đưa ra lỗi, nó chỉ cho kết quả sai. Trong phần này, chúng ta sẽ đề cập đến việc thiết lập các tham số chính xác bằng AI, kiểm tra mã được tạo theo thuật ngữ Nyquist và khử răng cưa, đồng thời xác minh việc giải thích phổ bằng thực tế vật lý.
Các thông số cơ bản: Lấy mẫu, Nyquist, Aliasing
Quy tắc đầu tiên của xử lý tín hiệu số là định lý Nyquist-Shannon: để thể hiện chính xác tín hiệu, tần số lấy mẫu phải ít nhất gấp đôi thành phần tần số cao nhất trong tín hiệu. Nếu không, tần số cao sẽ xuất hiện dưới dạng tần số thấp (khử răng cưa) và điều này không thể đảo ngược được.
Tần số cao nhất trong tín hiệu: f_max = 2 kHz Tần số lấy mẫu tối thiểu: f_s ≥ 2 · f_max = 4 kHz Để chừa lề trong thực tế: f_s ≈ 5 · f_max = 10 kHz được chọn. Ngoài ra, bộ lọc khử răng cưa tương tự là PHẢI TRƯỚC KHI lấy mẫu.
Thận trọng: Khi AI đề xuất tần số lấy mẫu, hãy nhớ kiểm tra xem nó có cung cấp Nyquist dựa trên thành phần cao nhất trong tín hiệu của bạn hay không. Mã chạy không có lỗi ngay cả ở tần suất lấy mẫu thấp; nhưng kết quả sai do đặt bí danh. Ngoài ra, không có phần mềm nào có thể khắc phục được lỗi này nếu không có bộ lọc khử răng cưa trong phần cứng.
Độ phân giải và cửa sổ cho FFT
Độ phân giải tần số của FFT phụ thuộc vào tần số lấy mẫu và số lượng mẫu: Δf = f_s / N. Để có độ phân giải tốt hơn, bạn có thể thu thập nhiều mẫu hơn hoặc chọn f_s thấp hơn (không vi phạm Nyquist). Ngoài ra, sự gián đoạn giữa điểm đầu và điểm cuối của tín hiệu tạo ra hiện tượng "rò rỉ quang phổ"; Để giảm thiểu điều này, các hàm cửa sổ như Hann và Hamming được áp dụng.
f_s = 10 kHz, N = 1024 mẫu Độ phân giải tần số: Δf = 10000/1024 ≈ 9,77 Hz Tổng thời gian ghi: T = N/f_s = 1024/10000 ≈ 102,4 ms
Tạo và kiểm tra FFT và mã bộ lọc
Chỉ định rõ ràng tần suất lấy mẫu, loại cửa sổ và tỷ lệ trục khi yêu cầu mã FFT từ AI. Đoạn mã sau xuất ra phổ biên độ một phía của tín hiệu:
import numpy as npfs = 10000 # tần số lấy mẫu (Hz) - xác minh Nyquist!N = 1024t = np.arange(N) / fs# tín hiệu mẫu: 500 Hz + 1500 Hzx = np.sin(2*np.pi*500*t) + 0,5*np.sin(2*np.pi*1500*t)w = np.hanning(N) # windowing: giảm rò rỉ quang phổ được chuẩn hóa bằng mức tăng# kiểm tra tần số cực đạipeaks = f[np.argsort(mag)[-2:]]print("Tần số chiếm ưu thế (Hz):", np.sort(peaks))
Khi kiểm tra mã này, bạn sẽ được hỏi: Trục tần số có thực sự là Hz hay là chỉ số mẫu (rfftfreq được sử dụng)? Biên độ có được chuẩn hóa theo mức tăng cửa sổ không? Các đỉnh 500 và 1500 Hz dự kiến có thực sự xảy ra ở những điểm đó không? Nếu bạn xác minh mã bằng tín hiệu kiểm tra đã biết (sin tần số đơn), bạn sẽ tự tin xác nhận trục và chuẩn hóa.
Nhắc yếu / Nhắc mạnh
YẾU:"Áp dụng FFT cho dữ liệu này."(Kết quả: tần số lấy mẫu, thang đo trục và cửa sổ không rõ ràng; biểu đồ rất có thể được vẽ sai trục.) MẠNH:"Áp dụng FFT cho tín hiệu lấy mẫu 10 kHz. Cung cấp:- Vẽ trục tần số theo Hz (sử dụng rfftfreq).- Áp dụng cửa sổ Hann và chuẩn hóa biên độ theo mức tăng của cửa sổ.- In kỹ thuật số hai tần số vượt trội.- Đánh dấu giới hạn Nyquist (5 kHz) trên biểu đồ. Lưu ý rằng trục sẽ dịch chuyển nếu tần số lấy mẫu không chính xác."
Thiết kế bộ lọc và phân tích tiếng ồn
AI có thể tạo ra các hệ số bộ lọc thấp/cao/băng thông (FIR/IIR). Nhưng phải kiểm tra tần số cắt, thứ tự và độ ổn định của bộ lọc. Nó có thể gây mất ổn định bậc cao và biến dạng pha, đặc biệt là trong các bộ lọc IIR. Sau khi thiết kế bộ lọc, hãy vẽ biểu đồ đáp ứng tần số (giống Bode) để thấy rằng điểm cắt nằm đúng vị trí và không có gợn sóng không mong muốn trong dải thông.
Nhiệm vụ điển hình trong phân tích nhiễu là tách tín hiệu thực khỏi nhiễu. Tại đây, hãy đánh giá ngưỡng hoặc bộ lọc được đề xuất của AI dựa trên băng thông vật lý của tín hiệu: nếu tín hiệu thực của bạn ở mức 0-500 Hz thì thành phần ở tần số 2 kHz rất có thể là nhiễu hoặc nhiễu. AI đưa ra số liệu thống kê; Bạn thực hiện việc giải thích vật lý.
Xác thực giải thích quang phổ với thực tế vật lý
Khi diễn giải quang phổ, AI đưa ra những suy luận hợp lý nhưng không phải lúc nào cũng chính xác, chẳng hạn như “Có đỉnh ở tần số 50 Hz, đây là nhiễu lưới”. So sánh những nhận xét này với kỳ vọng vật lý: Hệ thống có thực sự có kết nối nguồn điện 50 Hz không? Tần số quay và sóng hài dự kiến có gần như trong phổ rung động của động cơ không? Nếu có thể, hãy lặp lại phép đo bằng phương pháp thứ hai (cảm biến khác, phần mềm khác) và xem các đỉnh giống nhau.
Gợi ý: Đối với mỗi cách giải thích phổ, "đỉnh này tương ứng với hiện tượng vật lý nào?" Đặt câu hỏi. Mạng 50/100/150 Hz và các sóng hài, tần số quay và bội số của nó trong các máy quay và tần số chuyển mạch trong nguồn điện chuyển mạch là những dấu hiệu đã biết. Đỉnh chưa xác định là sự kiện thực tế hoặc lỗi đo lường/xử lý; Nghiên cứu cả hai.
Hộp đựng nhỏ
Một kỹ sư R&D đo độ rung của quạt và nhờ AI giải thích quang phổ. AI cho biết: “Có một đỉnh cao nhất ở tần số 1200 Hz, điều này có thể khiến vòng bi bị hỏng”. Người kỹ sư điều khiển tốc độ quạt: 1800 vòng/phút = 30 Hz. Tần số chuyển tiếp vòng bi và lưỡi dao dự kiến sẽ ở các giá trị nhất định tương thích với chu kỳ này; 1200 Hz không tương ứng với bất kỳ điều nào trong số này. Nó kiểm soát tần số lấy mẫu: tín hiệu mang nội dung lên tới 2 kHz, nhưng chỉ lấy mẫu 2 kHz, do đó vi phạm Nyquist. Đỉnh ở 1200 Hz là tần số ma do khử răng cưa. Khi tôi tăng tần số lấy mẫu lên 8 kHz, đỉnh giả sẽ biến mất. Bài học: luôn kiểm tra khả năng giải thích phổ với kỳ vọng chu kỳ/tần số vật lý và lấy mẫu chính xác.
Những lỗi thường gặp
- Chọn tần số lấy mẫu mà không kiểm tra tiêu chí Nyquist; Nhìn ra bí danh.
- Để trục tần số FFT ở chỉ số mẫu thay vì Hz.
- Nhầm rò rỉ quang phổ là tín hiệu không có cửa sổ.
- Không chuẩn hóa biên độ theo số lượng cửa sổ/mẫu.
- Không kiểm tra độ ổn định của bộ lọc IIR và độ méo pha.
- Giải thích các đỉnh phổ mà không cần kiểm tra chúng để dự đoán tốc độ/tần số vật lý.
Tóm lại
- Tần số lấy mẫu ít nhất phải gấp đôi thành phần cao nhất của tín hiệu; Nếu không, việc đặt bí danh sẽ làm gián đoạn toàn bộ quá trình phân tích.
- Độ phân giải FFT Δf = f_s/N; Chọn N và f_s theo nhu cầu của bạn.
- Cửa sổ làm giảm rò rỉ quang phổ; bình thường hóa biên độ theo mức tăng cửa sổ.
- Xác minh mã AI bằng tín hiệu kiểm tra đã biết để xác nhận trục và chuẩn hóa.
- Kiểm tra độ ổn định của bộ lọc và đáp ứng tần số bằng cách vẽ đồ thị.
- Luôn kiểm tra khả năng giải thích phổ với kỳ vọng về tần số vật lý.
Nhiệm vụ ứng dụng
Tạo tín hiệu kiểm tra có tần số đã biết (ví dụ: hình sin 500 Hz + 1500 Hz). Yêu cầu FFT và mã lọc từ AI. Sau đó: (1) xác minh rằng tiêu chí Nyquist được đáp ứng, (2) kiểm tra xem các đỉnh FFT có thực sự xuất hiện ở tần số 500 và 1500 Hz hay không, (3) cố tình giảm tần số lấy mẫu xuống dưới Nyquist và quan sát cách khử răng cưa tạo ra một đỉnh giả. Lưu ý những quan sát của bạn và thông số bạn đã sửa.