Jelfeldolgozás és diagnosztika

TL;DR: Gyors összefoglaló: Jelfeldolgozás és Diagnosztika

A jelfeldolgozás és diagnosztika kulcsfontosságú tudományág a rendszerek viselkedésének elemzéséhez és a hibák felderítéséhez. Ez a terület a mérési adatok transzformációjára és értelmezésére összpontosít. Megkülönböztetünk determinisztikus és véletlenszerű, energia- és teljesítményjeleket, amelyek közül a nem-stacionárius jelek jelentik a legnagyobb kihívást.

A frekvenciatartalom elemzéséhez elsősorban a Fourier-transzformációt (FT), annak diszkrét változatát, a DFT-t (gyakran FFT-ként implementálva) használják. Ez azonban csak stacionárius és periodikus jelekhez alkalmas. Nem-stacionárius adatok esetén idő-frekvencia módszerekhez kell folyamodni, mint például a rövid idejű Fourier-transzformáció (STFT) vagy a fejlettebb Wavelet-transzformáció (WT). Az STFT rövid szakaszokra osztja a jelet, míg a WT változó hosszúságú ablakokat használ, ami jobb felbontást tesz lehetővé időben és frekvenciában egyaránt. A diagnosztikában az is fontos, hogy megértsük a jelek energiáját, teljesítményét és korrelációs függvényeit, valamint ismerjük az egyes módszerek korlátait a valós adatokra vonatkozóan, amelyek gyakran nem-stacionáriusak és nemlineárisak.

A Jelfeldolgozás és Diagnosztika Alapjai

A jelfeldolgozás és diagnosztika a jelek rögzítésével, elemzésével és kiértékelésével foglalkozik azzal a céllal, hogy meghatározza a megfigyelt rendszer állapotát és tulajdonságait. Ez elengedhetetlen például gépek monitorozására vagy potenciális hibák felderítésére. A gyakorlatban gyakran rezgési vagy akusztikus jelek feldolgozásáról van szó.

Mi a jel és felosztása?

A jel egy információt hordozó fizikai mennyiség, amely az időben változik. Több kategóriába sorolhatjuk őket:

• Determinisztikus jelek: Pontos matematikai kifejezéssel írhatók le. További felosztásuk:
  • Periodikus jelek: Fix T periódussal ismétlődnek, x(t) = x(T + t) érvényes rájuk. Példaként említhetők az állandó frekvenciájú és amplitúdójú harmonikus jelek, mint például x(t) = A sin(2πft + φ). A az amplitúdó, f a frekvencia és φ a kezdőfázis.
  • Változó frekvenciájú harmonikus jelek: Amplitúdójuk A(t) és frekvenciájuk f(t) változhat az időben.
• Véletlenszerű jelek: Nem írhatók le pontos matematikai képlettel, hanem inkább statisztikailag.

További felosztás az energiajelekre (amelyek energiája véges és időben korlátozottak) és a teljesítményjelekre (amelyek teljesítménye véges és gyakran periodikusak).

Jel Energia és Teljesítménye

A jelek időtartománybeli jellemzéséhez fontosak az energia és a teljesítmény fogalmai:

• Jel energiája E: A jel abszolút értékének négyzetének integráljaként definiálható az időben. Véges időtartamú jelek esetén véges.
• Jel teljesítménye P: A jel abszolút értékének négyzetének időbeli átlagaként számítható ki. Periodikus jelek esetén véges.

További jellemzők közé tartozik az egyenáramú komponens (átlagérték) és az effektív érték x_ef, amely a teljesítmény sqrt(P) négyzetgyöke. Például az x(t) = 1 + sin(2πt) jel esetén, T0 = 1 periódussal, a teljesítmény P = 1.5, az egyenáramú komponens x_de = 1 és az effektív érték x_ef = 1.2247.

Jelek Korrelációs Függvényei

A korrelációs függvények segítenek megérteni a jel belső összefüggéseit vagy két jel közötti kapcsolatokat:

• Autokorrelációs függvény R(τ): A jel és annak időben eltolt másolatának hasonlóságát méri. Segítségével megállapítható, hogy a jel periodikus-e (egy periodikus jel autokorrelációs függvénye is periodikus).
• Keresztkorrelációs függvény R_xy(τ): Két különböző x(t) és y(t) jel közötti függőséget határozza meg. A τ eltolásnál éri el maximumát, amikor a jelek a leginkább hasonlítanak egymásra. Így meghatározható például két jel közötti időbeli eltolás. Ha két jel független, akkor a keresztkorrelációs függvény nulla.

Példaként említhető két, 2 másodperccel eltolt diszkrét egységimpulzus. Keresztkorrelációs függvényük R_xy eléri a maximumát τ = 2s eltolásnál, ami azt jelzi, hogy az első jel 2 másodperccel megelőzi a másodikat.

Jelek Frekvenciaanalízise: Fourier-transzformáció (FT)

A frekvenciaanalízis alapvető fontosságú annak megértéséhez, hogy milyen frekvenciakomponensek alkotják az adott jelet. A fő eszköz itt a Fourier-transzformáció.

A Fourier-transzformáció elve

A Fourier-transzformáció egy matematikai eszköz, amely átalakítja a jelet az időtartományból a frekvenciatartományba. A Fourier-sor határhelyzete nem-periodikus jelek esetén. Az x(t) jel X(ω) Fourier-képe az x(t) és az e^(-jωt) komplex exponenciális szorzatának integráljaként definiálható a teljes időtartományon. Létezéséhez elegendő, ha az x(t) abszolút értékének integrálja véges.

Az FT eredménye az amplitúdóspektrum |X(ω)| (páros frekvenciafüggvény) és a fázisspektrum φ(ω) (páratlan frekvenciafüggvény), amelyek leírják a jel egyes frekvenciakomponenseinek amplitúdóit és fázisait. A Fourier-sorokkal ellentétben az FT-nél a frekvencia negatív értékeket is felvehet.

Diszkrét Fourier-transzformáció (DFT és FFT)

A gyakorlatban véges hosszúságú digitális jelekkel dolgozunk. Ezekhez a Diszkrét Fourier-transzformációt (DFT) használjuk. A DFT-vel számított spektrum nem folytonos, hanem diszkrét mintasorozat. A DFT számításához kizárólag a gyors Fourier-transzformáció (FFT) algoritmusát használják, amely sokkal hatékonyabb.

A DFT eredményeinek helyes értelmezéséhez szükséges, hogy az elemzett jel periodikus legyen, és paraméterei (amplitúdó, frekvencia, fázis) állandóak legyenek a mérés teljes időtartama alatt. Példaként említhető három harmonikus komponensből álló jel elemzése, ahol a DFT pontosan meghatározza azok frekvenciáit, amplitúdóit és kezdőfázisait.

A DFT buktatói: Spektrális szivárgás és ablakfüggvények

Ha a jel nem periodikus, vagy hossza nem felel meg periódusának egész számú többszörösének, akkor az úgynevezett spektrális szivárgás (vagy spektrális torzulás) jelensége lép fel. A jel energiája ekkor a spektrumban nem csak az adott frekvencián oszlik el, hanem annak környezetében is. Ennek a jelenségnek az elnyomására az úgynevezett ablakfüggvényeket (pl. Hanning, Hamming ablak) használják, amelyek a jel elemzett szakaszának szélein csillapítják a jelet.

Egyoldalas vs. Kétoldalas spektrumok

A spektrum frekvenciatengelyét általában vagy kétoldalas spektrumként (negatívtól pozitív frekvenciákig), vagy egyoldalas spektrumként (0-tól f_s/2-ig, ahol f_s a mintavételi frekvencia) ábrázolják. A negatív frekvenciáknak nincs fizikai jelentésük, ezért a gyakorlatban az amplitúdóspektrum vizualizálásához egyoldalas spektrumokat használnak.

A Fourier-transzformáció tulajdonságai

A Fourier-transzformáció számos fontos tulajdonsággal rendelkezik, amelyek egyszerűsítik a használatát:

• Linearitás: Jelek összegének transzformációja a transzformációk összege.
• Időbeli eltolás: A jel időbeli eltolása csak a fázisspektrumot befolyásolja.
• Frekvenciaeltolás: A frekvencia időtartománybeli eltolása a frekvenciatartománybeli eltolásnak felel meg.
• Jelek szorzata: Két jel szorzatának Fourier-transzformációja a Fourier-képeik konvolúciójának felel meg.
• Jelek konvolúciója: Két jel konvolúciójának Fourier-transzformációja a Fourier-képeik szorzatának felel meg.
• Parseval-tétel: Megőrzi a jel energiáját, azaz az időtartománybeli energia megegyezik a frekvenciatartománybeli energiával.

A kiválasztott függvények Fourier-transzformációi közé tartozik például a Dirac-impulzus, amelynek transzformáltja az 1 konstans, vagy az állandó jel, amelynek transzformáltja a Dirac-impulzus a frekvenciatartományban.

Nem-stacionárius Jelek Feldolgozása: Idő-Frekvencia Analízis

Azokhoz a jelekhez, amelyek paraméterei időben változnak (ún. nem-stacionárius jelek), a klasszikus Fourier-transzformáció nem alkalmas, mivel csak az összesített frekvenciatartalmat adja meg, anélkül, hogy információt szolgáltatna arról, mikor jelentek meg az egyes frekvenciák. Ezért idő-frekvencia módszereket alkalmaznak.

Rövid idejű Fourier-transzformáció (STFT)

A rövid idejű Fourier-transzformáció (STFT), vagy Short-Time Fourier Transform, az elemzett jel rövid, időben eltolt szakaszairól számított Fourier-transzformáció. Minden ilyen szakasz