Zpracování signálů a diagnostika

TL;DR: Rychlé shrnutí Zpracování Signálů a Diagnostiky

Zpracování signálů a diagnostika je klíčová disciplína pro analýzu chování systémů a odhalování poruch. Tato oblast se zaměřuje na transformaci a interpretaci dat z měření. Rozlišujeme signály deterministické a náhodné, energetické a výkonové, přičemž ty nestacionární představují největší výzvu.

Pro analýzu frekvenčního obsahu se primárně využívá Fourierova transformace (FT), diskrétní verze DFT (často implementovaná jako FFT). Ta je ale vhodná jen pro stacionární a periodické signály. Pro nestacionární data je nutné sáhnout po časo-frekvenčních metodách, jako je krátkodobá Fourierova transformace (STFT) nebo pokročilejší Wavelet transformace (WT). STFT dělí signál na krátké úseky, zatímco WT používá okna proměnné délky, což umožňuje lepší rozlišení v čase a frekvenci zároveň. V diagnostice je také důležité rozumět energii, výkonu a korelačním funkcím signálů a znát omezení jednotlivých metod pro reálná data, která jsou často nestacionární a nelineární.

Základy Zpracování Signálů a Diagnostika

Zpracování signálů a diagnostika se zabývá snímáním, analýzou a vyhodnocováním signálů s cílem určit stav a vlastnosti sledovaného systému. To je nezbytné například pro monitorování strojů nebo odhalování potenciálních poruch. V praxi se často jedná o zpracování vibračních nebo akustických signálů.

Co je signál a jeho dělení?

Signál je fyzikální veličina nesoucí informaci, která se mění v čase. Můžeme je rozdělit do několika kategorií:

• Deterministické signály: Lze je popsat přesným matematickým vyjádřením. Dále se dělí na:
• Periodické signály: Opakují se s pevnou periodou T, platí x(t) = x(T + t). Příkladem jsou harmonické signály s konstantní frekvencí a amplitudou, jako x(t) = A sin(2πft + φ). A je amplituda, f je frekvence a φ je počáteční fáze.
• Harmonické signály s proměnnou frekvencí: Jejich amplituda A(t) a frekvence f(t) se mohou měnit v čase.
• Náhodné signály: Nelze je přesně popsat matematickým vzorcem, ale spíše statisticky.

Další dělení je na energetické signály (jejichž energie je konečná a jsou časově omezené) a výkonové signály (jejichž výkon je konečný a jsou často periodické).

Energie a Výkon Signálu

Pro charakterizaci signálů v časové oblasti jsou důležité koncepty energie a výkonu:

• Energie signálu E: Definuje se jako integrál kvadrátu absolutní hodnoty signálu v čase. Je konečná pro signály s omezenou dobou trvání.
• Výkon signálu P: Vypočítá se jako časový průměr kvadrátu absolutní hodnoty signálu. Je konečný pro periodické signály.

Mezi další charakteristiky patří stejnosměrná složka (střední hodnota) a efektivní hodnota x_ef, která je odmocninou z výkonu sqrt(P). Například pro signál x(t) = 1 + sin(2πt) s periodou T0 = 1 je výkon P = 1.5, stejnosměrná složka x_de = 1 a efektivní hodnota x_ef = 1.2247.

Korelační Funkce Signálů

Korelační funkce nám pomáhají pochopit vztahy uvnitř signálu nebo mezi dvěma signály:

• Autokorelační funkce R(τ): Měří podobnost signálu se svou časově posunutou kopií. Pomocí ní lze zjistit, zda je signál periodický (autokorelační funkce periodického signálu je také periodická).
• Vzájemná korelační funkce R_xy(τ): Určuje závislost dvou různých signálů x(t) a y(t). Nabývá maxima pro posun τ, při kterém se signály nejvíce podobají. Lze tak určit například časový posun mezi dvěma signály. Jestliže jsou dva signály nezávislé, pak je vzájemná korelační funkce nulová.

Jako příklad lze uvést dva diskrétní jednotkové pulsy posunuté o 2 vteřiny. Jejich vzájemná korelační funkce R_xy dosáhne maxima pro posun τ = 2s, což indikuje, že první signál předchází druhý o 2 vteřiny.

Frekvenční Analýza Signálů: Fourierova Transformace (FT)

Frekvenční analýza je zásadní pro pochopení, jaké frekvenční složky tvoří daný signál. Hlavním nástrojem je zde Fourierova transformace.

Princip Fourierovy Transformace

Fourierova transformace je matematický nástroj, který převádí signál z časové oblasti do frekvenční oblasti. Je limitním případem Fourierovy řady pro neperiodické signály. Fourierův obraz X(ω) signálu x(t) se definuje jako integrál x(t) násobený komplexní exponenciálou e^(-jωt) přes celý časový rozsah. Pro její existenci je postačující, aby integrál absolutní hodnoty x(t) byl konečný.

Výsledkem FT je amplitudové spektrum |X(ω)| (sudá funkce frekvence) a fázové spektrum φ(ω) (lichá funkce frekvence), které popisují amplitudy a fáze jednotlivých frekvenčních složek signálu. Na rozdíl od Fourierových řad nabývá frekvence u FT i záporných hodnot.

Diskrétní Fourierova Transformace (DFT a FFT)

V praxi pracujeme s digitálními signály konečné délky. Pro ně se používá Diskrétní Fourierova transformace (DFT). Spektrum spočítané DFT není spojité, ale diskrétní posloupnost vzorků. Pro výpočet DFT se výhradně využívá algoritmus rychlé Fourierovy transformace (FFT), který je mnohem efektivnější.

Pro správnou interpretaci výsledků DFT je nutné, aby analyzovaný signál byl periodický a jeho parametry (amplituda, frekvence, fáze) byly konstantní po celou dobu měření. Příkladem je analýza signálu tvořeného třemi harmonickými složkami, kde DFT přesně určí jejich frekvence, amplitudy a počáteční fáze.

Úskalí DFT: Únik ve Spektru a Okénkové Funkce

Pokud signál není periodický nebo jeho délka neodpovídá celočíselnému násobku jeho periody, dochází k jevu zvanému únik ve spektru (nebo prosakování ve spektru). Energie signálu se pak ve spektru nerozprostře pouze na dané frekvenci, ale i v jejím okolí. K potlačení tohoto jevu se používají tzv. okénkové funkce (např. Hanningovo, Hammingovo okénko), které signál na okrajích analyzovaného úseku utlumí.

Jednostranná vs. Oboustranná Spektra

Frekvenční osa spektra se obvykle zakresluje buď jako oboustranné spektrum (od záporných do kladných frekvencí) nebo jako jednostranné spektrum (od 0 do f_s/2, kde f_s je vzorkovací frekvence). Záporné frekvence nemají fyzikální význam, a proto se v praxi pro vizualizaci amplitudového spektra používají jednostranná spektra.

Vlastnosti Fourierovy Transformace

Fourierova transformace má několik důležitých vlastností, které zjednodušují její použití:

• Linearita: Transformace součtu signálů je součet transformací.
• Posun v čase: Posun signálu v čase ovlivňuje pouze fázové spektrum.
• Posun ve frekvenci: Posun frekvence v časové oblasti odpovídá posunu ve frekvenční oblasti.
• Součin signálů: Fourierova transformace součinu dvou signálů odpovídá konvoluci jejich Fourierových obrazů.
• Konvoluce signálů: Fourierova transformace konvoluce dvou signálů odpovídá součinu jejich Fourierových obrazů.
• Parsevalova věta: Zachovává energii signálu, tj. energie v časové oblasti je stejná jako energie ve frekvenční oblasti.

Mezi Fourierovy transformace vybraných funkcí patří například Diracův impuls, jehož transformací je konstanta 1, nebo konstantní signál, jehož transformací je Diracův impuls ve frekvenční oblasti.

Zpracování Nestacionárních Signálů: Časo-Frekvenční Analýza

Pro signály, jejichž parametry se mění v čase (tzv. nestacionární signály), není klasická Fourierova transformace vhodná, protože dává pouze celkový frekvenční obsah bez informace o tom, kdy se jednotlivé frekvence objevily. Proto se používají časo-frekvenční metody.

Krátkodobá Fourierova Transformace (STFT)

Krátkodobá Fourierova transformace (STFT), neboli Short-Time Fourier Transform, je Fourierova transformace vypočtená z krátkých, časově posouvaných úseků analyzovaného signálu. Každý takový úsek je