Sinyal işlemede “hızlı” değişiklikler nasıl tespit edilir?

Bileşenlerin lehimlenebilirliğini ölçtüğümüz bir proje üzerinde çalışıyorum. Ölçülen sinyal gürültülü. 5000 milisaniyede başlayan değişikliği tanıyabilmemiz için sinyali gerçek zamanlı olarak işlememiz gerekir.

Sistemim her 10 milisaniyede bir gerçek değer örneği alıyor - ancak daha yavaş örneklemeye ayarlanabilir.

Bu düşüşü 5000 milisaniyede nasıl tespit edebilirim?
Sinyal / gürültü oranı hakkında ne düşünüyorsunuz? Odaklanmalı ve daha iyi sinyal almaya çalışmalı mıyız?
Her önlemin farklı sonuçları olduğu ve bazen düşüşün bu örnekten bile daha küçük olduğu bir sorun var.

Örnek Sinyal Örnek sinyali 2 Örnek sinyal 3

Veri dosyalarına bağlantı (grafikler için kullanılanlarla aynı değildir, ancak en son sistem durumunu gösterirler)

— Petr
kaynak

Göreceli olarak küçük bir sinyal-gürültü oranınız var. Çoğu algılama probleminde olduğu gibi, belirttiğiniz özelliği doğru bir şekilde algılama olasılığı ile orada olduğunu yanlış beyan etme olasılığı arasındaki dengeyi göz önünde bulundurmak istersiniz. Başvurunuz için hangisi daha önemlidir? Tespit gecikmesi gereksiniminiz var mı?

— Jason R

'Gürültü' daha çok belirli bir frekanstaki parazite benzer. Bu durumda (bir spektrum grafiği yardımcı olacaktır), uygun filtreleme işin çoğunu yapacaktır.

— Juancho

Aslında bu özelliğin algılanması çok önemlidir. Ama biraz gecikmeyle yaşayabilirim, ancak son durma konumunu ayarlamam gerekiyor, çünkü parçanın lehimle tam olarak nereye dokunduğunu bilmiyorum ve daldırma derinliğini kontrol etmem gerekiyor. Örneğin, daldırma işleminin 0,5 mm olması gerektiğini biliyorsanız, ideal boyutta lehim kürecik boyutuna göre teorik pozisyonu hesaplıyorum, ancak daha sonra dokunarak tespit ettiğim bir globülün gerçek boyutu için düzeltme yapmam gerekiyor - bu bir kuvvet değişikliği.

— Petr

Tüm ölçüm aracı yaylar üzerinde bulunur, böylece serbestçe hareket edebilir, ancak aynı zamanda gürültüyü de üretir ve ayrıca tüm ölçüm aralığı için sabit yaylarımız vardır ve elbette bu sorunlar, ölçülen kuvvetlerin çok korkunç olduğu en yüksek hassasiyet kullanıldığında ortaya çıkar. küçük.

— Petr

Juancho - belki bu yardımcı olabilir, ancak farklı frekanslara neden olan farklı parça parçaları için nasıl çözebilirim? Ayrıca, bu bileşen parça lehim içine daldırıldığında değişir, çünkü ıslatma işlemi gürültü seviyesini azaltır, ancak bu sadece daha büyük parçalar için gerçekleşir, burada içeri veya dışarıdayken neredeyse aynıdır.

— Petr

Yanıtlar:

Bu sorunun klasik referansı Basseville ve Nikiforov tarafından Ani Değişikliklerin Tespiti - Teori ve Uygulama'dır . Tüm kitap PDF olarak indirilebilir .

Benim tavsiyem CUSUM (kümülatif toplam) algoritması hakkındaki Bölüm 2.2'yi okumanızdır .

— Peter K.
kaynak

Genellikle bu problemi eğim tespitinden biri olarak çerçeveliyorum. Hareketli bir pencere üzerinde doğrusal bir regresyon hesaplarsanız, gösterilen düşüş eğim işaretinde ve / veya büyüklüğünde önemli bir değişiklik olarak görülebilir. Bu yaklaşım teklifleri "ayar" gerektiren bir dizi faktördür: örneğin, örnekleme frekansı, pencere boyutu, vb. Eğim işareti detektörünün sağlamlığını (gürültü direnci) etkileyecektir. Bu, yukarıdaki yorumların bazılarının uygulanabileceği yerdir. Hat bağlantısından önce uygulanabilecek her türlü filtreleme veya gürültü bastırma sonuçlarınızı iyileştirir.

— Throwback1986
kaynak

Verilerin sol kısmıyla verilerin sağ kısmının ortalamasının bir T istatistiğini hesaplayarak bu tür bir şey yaptım. Bu, geçiş noktasının hangisi olduğunu bilmediğinizi varsayar.

Yani, zaman ekseni boyunca birkaç yüz bölme noktasını deneyin ve en önemli T istatistiklerine sahip olanı bulun.

u_left, u_right : mean of left and right portion
s_left, s_right : SD of left and right portion
n_left, n_right : number of samples on left and right (subtract one from each for the one degree of freedom)

se = sqrt(s_left^2 / n_left^2 + s_right^2 / n_right^2)
T = (u_left - u_right) / se

Bunu ikili arama gibi bir şey olarak yapabilirsiniz. 10 veri noktasını deneyin, en büyük ikisini bulun, sonra bu noktalar arasında 10 puan deneyin. Bu şekilde oldukça hassas bir geçiş noktası elde edebilirsiniz. Doğruluk iddiasında değilim. :-)

Nasıl gittiğini bize bildirin!

PS Ortalama ve sd'yi, N ^ 2'den N'ye kadar olan her bir olasılık için bu bölümleme fonksiyonunu hesaplamanın karmaşıklığını azaltan hareketli toplamlar olarak hesaplayabilirsiniz. Bunu yaptığınızda, muhtemelen T istatistiklerini olası tüm bölüm noktalarında hesaplayabilirsiniz.

— MattD
kaynak