Shrnutí na Zpracování signálů a diagnostika
Zpracování Signálů a Diagnostika: Komplexní Průvodce
Úvod
V tomto materiálu se seznámíte se zpracováním signálů ve frekvenční a časofrekvenční oblasti. Cílem je pochopit, jak Fourierova transformace a její varianty odhalují spektrální složení signálů, jak zacházet s nestacionárními daty a jak vybrat vhodné metody analýzy pro diagnostiku a zpracování signálů.
Definice: Fourierova transformace převádí signál z časové oblasti do frekvenční oblasti a ukazuje, jaká je rozložení amplitudy a fáze v závislosti na frekvenci.
Základy Fourierovy transformace a DFT
Princip
- Diskrétní Fourierova transformace (DFT) převádí konečný vzorek diskrétního signálu do diskrétního spektra.
- Vzorkováním spojitého signálu s periodou $T_x$ (vzorkovací frekvence $f_x = 1/T_x$) dostaneme vzorky $x[kT_x]$ a pro $N$ vzorků platí
$$X\left[\frac{n}{N T_x}\right] = T_x \sum_{k=0}^{N-1} x\left[kT_x\right] e^{-\frac{2\pi k n}{N}},\quad n=0,1,\dots,N-1$$
- Krok frekvenční osy je $\Delta f = f_x / N = 1 / (N T_x)$.
Definice: Inverzní DFT obnoví signál z jeho spektra podle vztahu
$$x[n] = \frac{1}{N T_x} \sum_{k=0}^{N-1} X\left[\frac{k}{N T_x}\right] e^{\frac{2\pi k n}{N}},\quad n=0,1,\dots,N-1$$
Pozor na aliasing a periodicitu
- DFT předpokládá periodický signál. Pokud signál není periodický, projevuje se únik ve spektru (spectral leakage).
- Spektrum je periodické s periodou $f_s = f_x$, tj. $X(f) = X(f - f_s)$. Proto se častěji používá jednostranné spektrum pro $f\in[0, f_s/2]$.
Okénkování a potlačení úniku
- Únik ve spektru způsobí, že energie se nerozdělí pouze do přesné frekvence, ale rozprostře se do okolí.
- Okénkové funkce (např. Hanning, Hamming) snižují únik tím, že zjemní přechody na koncích okna.
Definice: Hanningovo okénko je příklad funkce, která vynásobí krátký úsek signálu a tím změní jeho okrajové hodnoty pro lepší frekvenční vlastnosti.
Jednostranné a oboustranné spektrum
- Oboustranné spektrum zobrazuje kladné i záporné frekvence. Pro reálné signály jsou záporné frekvence zrcadlem kladných.
- Jednostranné spektrum zobrazuje pouze $f\ge 0$ až $f_s/2$ a je v praxi přehlednější.
Praktický příklad DFT
- Příklad: diskrétní signál s frekvencí 1 Hz, vzorkování $f_x=20,\mathrm{Hz}$ (tj. $T_x=0.05,\mathrm{s}$), $N=60$ vzorků (0–2.95 s).
- Krok spektra $\Delta f = f_x / N = 20/60 = 1/3,\mathrm{Hz}$.
- Spektrum má maxima na 1 Hz a také na frekvencích odpovídajících symetrii spektra (např. 19 Hz odpovídá komponentě u $-1,\mathrm{Hz}$ díky periodicitě DFT).
Limity Fourierovy analýzy
- Fourierova transformace vyžaduje lineární a stacionární systém a konstantní parametry signálu.
- U nelineárních nebo nestacionárních signálů výsledné spektrum představuje průměrnou informaci, která může zakrýt krátkodobé události (pulzy).
Definice: Únik ve spektru (spectral leakage) je rozložení energie spektrální složky do sousedních frekvencí v důsledku omezené délky signálu nebo nevhodného okna.
Časo-frekvenční zpracování (nestacionární signály)
Když parametry signálu mění v čase, Fourierova analýza celé délky signálu nemusí stačit. Použijeme časofrekvenční metody pro sledování vývoje spektra v čase.
Krátkodobá Fourierova transformace (STFT)
- STFT počítá Fourierovu transformaci z krátkých překrývajících se úseků signálu.
$$X(t,\omega) = \int_{-\infty}^{\infty} x(\tau) h(\tau - t) e^{-j\omega\tau} d\tau$$
- Okénková funkce $h(t)$ určuje délku úseku. Předpokládáme, že krátký úsek je (přibližně) stacionární.
- Amplitudové spektrum lze normalizovat korekčním faktorem
$$A(t,\omega) = 2 \frac{\left| X(t,\omega) \right|}{\frac{1}{T_w} \int_{0}^{T_w} h(\tau) d\tau}$$
- Délka okna ovlivní rozlišení: delší okno = lepší rozlišení ve frekvenci, kratší okno = lepší rozlišení v čase. Je to kompromis v souladu s Heisenberg-Gaborovým principem
$$\sigma_t \sigma_f \ge \frac{1}{2}$$
- Grafické zobrazení: kaskádový graf (waterfall) a spektrogram (barevné zobrazení energie v časo-frekvenční rovině).
Praktická doporučení pro STFT
- Volte délku okna podle pož
Zaregistruj se pro celé shrnutíKartičkyTest znalostíShrnutíPodcastMyšlenková mapa
Začni zdarma Už máš účet? Přihlásit se
Signály ve frekvencích
Klíčová slova: aplikace vibrační analýzy, základy a metody, Zpracování signálů ve frekvenční a časofrekvenční oblasti
Klíčové pojmy: DFT převádí konečný diskrétní signál do diskrétního spektra pomocí $\Delta f = f_x/N$, Inverzní DFT obnoví signál podle $x[n]=\frac{1}{N T_x}\sum_{k=0}^{N-1} X[\frac{k}{N T_x}] e^{\frac{2\pi k n}{N}}$, Únik ve spektru vzniká z neperiodického signálu a potlačuje se okénky (Hanning, Hamming), Spektrum je periodické s periodou $f_s$ a proto se běžně používá jednostranné spektrum $[0, f_s/2]$, STFT: $X(t,\omega)=\int x(\tau) h(\tau-t) e^{-j\omega\tau} d\tau$, kompromis čas vs. frekvence, Spektrogram je $P_{SP}(t,\omega)=|S_t(\omega)|^2$ a zobrazuje energii v časo-frekvenční rovině, Wavelet: $W(a,b)=\frac{1}{\sqrt{|a|}}\int s(t)\psi((t-b)/a) dt$ poskytuje multiresolution, Delší okno zlepší rozlišení ve frekvenci, kratší okno zlepší rozlišení v čase, Pro krátké pulzy preferujte wavelety nebo krátká okna s vysokým překryvem, Před analýzou vždy zvažte stacionaritu, linearitu a délku dat
## Úvod
V tomto materiálu se seznámíte se zpracováním signálů ve frekvenční a časofrekvenční oblasti. Cílem je pochopit, jak Fourierova transformace a její varianty odhalují spektrální složení signálů, jak zacházet s nestacionárními daty a jak vybrat vhodné metody analýzy pro diagnostiku a zpracování signálů.
> **Definice:** Fourierova transformace převádí signál z časové oblasti do frekvenční oblasti a ukazuje, jaká je rozložení amplitudy a fáze v závislosti na frekvenci.
## Základy Fourierovy transformace a DFT
### Princip
- Diskrétní Fourierova transformace (DFT) převádí konečný vzorek diskrétního signálu do diskrétního spektra.
- Vzorkováním spojitého signálu s periodou $T_x$ (vzorkovací frekvence $f_x = 1/T_x$) dostaneme vzorky $x[kT_x]$ a pro $N$ vzorků platí
$$X\left[\frac{n}{N T_x}\right] = T_x \sum_{k=0}^{N-1} x\left[kT_x\right] e^{-\frac{2\pi k n}{N}},\quad n=0,1,\dots,N-1$$
- Krok frekvenční osy je $\Delta f = f_x / N = 1 / (N T_x)$.
> **Definice:** Inverzní DFT obnoví signál z jeho spektra podle vztahu
$$x[n] = \frac{1}{N T_x} \sum_{k=0}^{N-1} X\left[\frac{k}{N T_x}\right] e^{\frac{2\pi k n}{N}},\quad n=0,1,\dots,N-1$$
### Pozor na aliasing a periodicitu
- DFT předpokládá periodický signál. Pokud signál není periodický, projevuje se únik ve spektru (spectral leakage).
- Spektrum je periodické s periodou $f_s = f_x$, tj. $X(f) = X(f - f_s)$. Proto se častěji používá jednostranné spektrum pro $f\in[0, f_s/2]$.
## Okénkování a potlačení úniku
- Únik ve spektru způsobí, že energie se nerozdělí pouze do přesné frekvence, ale rozprostře se do okolí.
- Okénkové funkce (např. Hanning, Hamming) snižují únik tím, že zjemní přechody na koncích okna.
> **Definice:** Hanningovo okénko je příklad funkce, která vynásobí krátký úsek signálu a tím změní jeho okrajové hodnoty pro lepší frekvenční vlastnosti.
## Jednostranné a oboustranné spektrum
- Oboustranné spektrum zobrazuje kladné i záporné frekvence. Pro reálné signály jsou záporné frekvence zrcadlem kladných.
- Jednostranné spektrum zobrazuje pouze $f\ge 0$ až $f_s/2$ a je v praxi přehlednější.
## Praktický příklad DFT
- Příklad: diskrétní signál s frekvencí 1 Hz, vzorkování $f_x=20\,\mathrm{Hz}$ (tj. $T_x=0.05\,\mathrm{s}$), $N=60$ vzorků (0–2.95 s).
- Krok spektra $\Delta f = f_x / N = 20/60 = 1/3\,\mathrm{Hz}$.
- Spektrum má maxima na 1 Hz a také na frekvencích odpovídajících symetrii spektra (např. 19 Hz odpovídá komponentě u $-1\,\mathrm{Hz}$ díky periodicitě DFT).
## Limity Fourierovy analýzy
- Fourierova transformace vyžaduje lineární a stacionární systém a konstantní parametry signálu.
- U nelineárních nebo nestacionárních signálů výsledné spektrum představuje průměrnou informaci, která může zakrýt krátkodobé události (pulzy).
> **Definice:** Únik ve spektru (spectral leakage) je rozložení energie spektrální složky do sousedních frekvencí v důsledku omezené délky signálu nebo nevhodného okna.
## Časo-frekvenční zpracování (nestacionární signály)
Když parametry signálu mění v čase, Fourierova analýza celé délky signálu nemusí stačit. Použijeme časofrekvenční metody pro sledování vývoje spektra v čase.
### Krátkodobá Fourierova transformace (STFT)
- STFT počítá Fourierovu transformaci z krátkých překrývajících se úseků signálu.
$$X(t,\omega) = \int_{-\infty}^{\infty} x(\tau) h(\tau - t) e^{-j\omega\tau} d\tau$$
- Okénková funkce $h(t)$ určuje délku úseku. Předpokládáme, že krátký úsek je (přibližně) stacionární.
- Amplitudové spektrum lze normalizovat korekčním faktorem
$$A(t,\omega) = 2 \frac{\left| X(t,\omega) \right|}{\frac{1}{T_w} \int_{0}^{T_w} h(\tau) d\tau}$$
- Délka okna ovlivní rozlišení: delší okno = lepší rozlišení ve frekvenci, kratší okno = lepší rozlišení v čase. Je to kompromis v souladu s Heisenberg-Gaborovým principem
$$\sigma_t \sigma_f \ge \frac{1}{2}$$
- Grafické zobrazení: kaskádový graf (waterfall) a spektrogram (barevné zobrazení energie v časo-frekvenční rovině).
### Praktická doporučení pro STFT
- Volte délku okna podle pož