Алгоритмы обработки сигналов кодером: улучшение снижения шума и целостности сигнала

Алгоритмы обработки сигналов кодером: улучшение снижения шума и целостности сигнала

Современные электронные и коммуникационные системы зависят от точного захвата и интерпретации физических сигналов. Энкодеры — устройства, которые преобразуют положение, скорость или движение в цифровые данные — служат мостом между аналоговым миром и вычислительными системами. Однако необработанные сигналы кодера редко являются нетронутыми. Они загрязнены электрическими помехами, тепловыми колебаниями и ошибками квантования, которые могут ухудшить производительность в критически важных приложениях, таких как робототехника, медицинская визуализация и беспроводная связь. Алгоритмы обработки сигналов кодера предназначены для фильтрации этих артефактов, сохранения базовых данных и обеспечения целостности сигнала от датчика до микропроцессора. В этой статье рассматриваются основные типы шума, встречающиеся в системах кодирования, исследуются наиболее эффективные алгоритмы снижения шума и повышения целостности, и рассматриваются их реальные приложения — все это обеспечивает перспективный взгляд на новые тенденции в этой важной области.

Понимание обработки сигналов Encoder

Кодер обычно выводит поток импульсов, квадратурный сигнал или последовательный поток данных, который представляет собой инкрементное или абсолютное положение. В момент преобразования сигнал содержит как предполагаемую информацию, так и ложные компоненты из окружающей среды и саму электронику. Алгоритмы обработки сигналов действуют на эти необработанные выходы для достижения трех основных целей:

Цепочка обработки обычно начинается с аналогового фронтального кондиционирования (усиления, сглаживающей фильтрации), за которым следует аналого-цифровое преобразование, а затем цифровая фильтрация. Выбор алгоритма зависит от профиля шума, требуемой задержки и вычислительных ресурсов, доступных в целевой системе.

Роль выборки и разрешения

Перед применением алгоритмов важно понять, что более высокие скорости отбора проб и разрешения битов уменьшают определенные шумовые отложения, но увеличивают объем данных и энергопотребление. Хорошо спроектированный процессор кодеров сигнала уравновешивает эти параметры в соответствии с требованиями системы соотношения сигнал/шум (SNR). Например, в высокоскоростном управлении движением часто встречается выборка на несколько сотен килогерц, тогда как в устройствах ввода потребителей может быть достаточно нескольких килогерц.

Типы шума при обработке сигналов

Кодерные сигналы восприимчивы к нескольким источникам шума.Признание доминирующего типа является первым шагом к выбору эффективной стратегии фильтрации.

Понимание этих типов шума помогает инженерам выбирать алгоритмы, которые нацелены на конкретные спектральные или временные характеристики коррупции.

Ключевые алгоритмы снижения шума

Десятилетия исследований обработки сигналов позволили создать набор алгоритмов, адаптированных к различным шумовым средам. Ниже приведены наиболее широко используемые методы в приложениях кодирования с объяснениями их механизмов и компромиссов.

Фильтрация Калмана

Фильтр Калмана — адаптивный, рекурсивный алгоритм, который производит оптимальные оценки состояния системы (например, положение и скорость) в присутствии гауссовского шума. Он использует прогностическую модель динамики кодера — обычно постоянную скорость или постоянное ускорение — и объединяет это предсказание с шумными измерениями. Фильтр весит предсказание и измерение обратно к их соответствующим неопределенностям. На практике фильтр Калмана может резко уменьшить шум без введения фазового отставания, что делает его идеальным для управления движением в реальном времени. Однако он требует хорошей математической модели системы и тонкой настройки матриц ковариации процесса и шума измерения. Узнайте больше о фильтре Калмана в Википедии .

Медианная фильтрация

Медианный фильтр — это нелинейный метод, который заменяет каждую точку данных медианой своих соседей в пределах раздвижного окна. Он превосходит по удалению импульсного шума (шипов) и кратковременных сбоев, распространенных в сигналах кодера из-за отскока контакта или всплесков EMI. В отличие от линейных фильтров, медианный фильтр сохраняет острые края в сигнале (например, резкое изменение положения) при эффективном устранении выпадений. Недостатком является вычислительная стоимость, пропорциональная размеру окна и некоторое искажение сигнала, если окно слишком велико по отношению к динамике сигнала. Для кодеров высокого разрешения типична длина окна от 3 до 7 образцов.

Вейвлет-деноиз

Анализ волновода разлагает сигнал на несколько шкал (частотных полос) с использованием функции материнского вейвлета. Шум, особенно белый шум, имеет тенденцию равномерно распространяться по всем масштабам, в то время как энергия истинного сигнала концентрируется в нескольких больших коэффициентах. Вейвлет-денозирование применяет порог (мягкий или жесткий) к коэффициентам, подавляя небольшие вклады, приписываемые шуму, затем реконструирует сигнал. Этот метод особенно эффективен для нестационарных сигналов кодера - тех, у кого есть переходные функции, такие как старты, остановки или быстрое ускорение - потому что он адаптируется локально. Подробнее о вейвлет-денозировании в Википедии .

Фильтрация Wiener

Фильтр Винера — классический линейный фильтр, минимизирующий среднюю квадратную ошибку между желаемым чистым сигналом и отфильтрованным выходом. Он предполагает, что шум и сигнал неподвижны, некоррелированы и имеют известные спектры мощности. На практике фильтр Винера реализован в частотной области: FFT шумного сигнала умножается на функцию передачи, полученную из предполагаемого SNR на каждой частоте. Для кодеров сигналов, где спектр шума относительно плоский и спектр сигнала ограничен полосой, фильтр Винера обеспечивает почти оптимальную производительность. Однако он требует точной оценки спектра шума, который может меняться с температурой или скоростью.

Скользящая средняя и фильтрация Савицкого-Голея

Простой фильтр скользящей средней (бокскар) сглаживает данные путем усреднения фиксированного числа соседних образцов. Он вычислительно недорог и эффективен против высокочастотного случайного шума, но размывает края и вводит задержку фазы. Фильтр Савицкого-Голея расширяет эту идею, подгоняя полином низкой степени (обычно 2-го или 3-го порядка) к данным в движущемся окне с использованием наименьших квадратов. Он сохраняет более высокие моменты сигнала (пики, ширины) лучше, чем скользящая средняя и часто используется для оценки производных (например, скорость от положения). Для приложений кодирования, где требуется обратная связь производных в реальном времени, Савицкий-Голе является популярным выбором.

Улучшение целостности сигнала

Помимо простого снижения шума, современные системы кодеров должны поддерживать точность исходных данных по всей цепочке обработки.Целостность сигнала включает в себя сохранение точности времени, предотвращение потери данных и исправление ошибок, вносимых передачей или хранением.

Коды исправления ошибок (ECC)

В цифровых кодерах, передающих серийные данные (например, BiSS, SSI, EnDat), электромагнитный шум может переворачивать биты, вызывая ложные показания положения. Коды коррекции ошибок (FEC), такие как коды Хамминга, коды Рида-Соломона или циклические проверки избыточности (CRC), добавляют избыточные биты, которые позволяют приемнику обнаруживать и иногда исправлять ограниченное количество ошибок. Например, CRC-8, прилагаемый к каждому кадру кодера, может обнаруживать до 8-битных ошибок разрыва. Многие высокоточные кодеры включают ECC в качестве стандартной функции для обеспечения целостности данных в суровых промышленных условиях.

Адаптивная фильтрация

Адаптивный фильтр автоматически регулирует свои коэффициенты на основе статистики входных сигналов. Алгоритм наименьших средних квадратов (LMS) является общей реализацией: он сравнивает отфильтрованный выход с желаемой ссылкой (или прогнозируемым значением) и обновляет веса фильтра, чтобы минимизировать ошибку. В приложениях кодера адаптивные фильтры могут использоваться для отмены эха (например, для удаления отражений от длинных кабелей) или для отслеживания изменяющихся во времени шумовых паттернов, таких как помехи, вызванные двигателем. Основная задача заключается в обеспечении скорости и стабильности конвергенции без введения задержки.

Интерполирование и подразделение

Многие кодеры выводят ограниченное количество состояний за оборот (например, 1024 счета). Для повышения эффективного разрешения алгоритмы интерполяции обрабатывают аналоговые синусовые/косиновые сигналы от кодера и вычисляют тонкие положения между цифровыми переходами. Общие методы включают в себя аркангентные вычисления, таблицы поиска или алгоритмы CORDIC. Эти методы чувствительны к качеству сигнала; амплитудные несоответствия, смещения или фазовые ошибки вызывают нелинейность в интерполированном выходе. Алгоритмы, такие как коррекция Гейдемана или подгонка наименьших квадратов, используются для предварительной калибровки необработанных синусовых/косиновых сигналов, таким образом сохраняя целостность сигнала по всему разрешению.

Ввод откатывания и гистерезиса

На механических кодерах с контактами (например, поворотных переключателях, некоторых инкрементных кодерах) контактный отскок создает несколько ложных краев, когда оседает стеклоочиститель. Простой алгоритм отскока ожидает фиксированного периода (например, 1-5 мс) после первого края перед принятием последующих переходов. Более сложные подходы используют цифровые фильтры с гистерезисом - требующие изменения сигнала, чтобы превысить определенный порог перед регистрацией нового состояния - который отклоняет как отскоки, так и низкоамплитудный шум на сигнальных линиях.

Приложения в современных технологиях

Алгоритмы обработки сигналов кодера внедрены в бесчисленные системы, часто работающие прозрачно для конечного пользователя. Здесь мы рассмотрим несколько ключевых областей, где их влияние наиболее выражено.

Робототехника и автоматизация

В промышленных роботизированных рукавах, линейных приводах и коллаборативных роботах совместные кодеры обеспечивают обратную связь в реальном времени для управления замкнутым контуром. Шум в этих сигналах может привести к джиттеру, ошибкам отслеживания или даже нестабильности. Фильтры Калмана и производные Savitzky-Golay обычно реализуются в прошивке сервопривода для сглаживания сигнала скорости. Для взаимодействия человека и робота, такого как обратная связь силы в экзоскелетах, задержка, введенная тяжелой фильтрацией, должна быть сведена к минимуму - проблема, которую все чаще решает денозирование вейвлета на выделенных ядрах DSP.

Беспроводные системы связи

В программно-определяемых радиоприемниках и адаптивных антеннах кодеры используются в фазово-замкнутых петлях (PLL) и частотных синтезаторах. Здесь фазовый шум от цифровых управляющих сигналов кодера может ухудшить вектор ошибки системы (EVM). Адаптивная фильтрация и цифровые алгоритмы PLL с помощью петлевых фильтров на основе Калмана точно отслеживают частоту несущей при отказе от фазового джиттера. Узнайте больше о PLL в Википедии .

Медицинские устройства визуализации

КТ-сканеры, МРТ-машины и ультразвуковые зонды полагаются на точную обратную связь кодера для позиционирования головки или козла. Любой шум кодера переводится в артефакты движения, которые могут повредить диагностические изображения. Избыточные каналы кодера с алгоритмами перекрестной корреляции обнаруживают и маскируют локальные сбои, в то время как денозирование вейвлетов используется для очистки следов положения до того, как они подаются в конвейер реконструкции изображения. В роботизированной хирургии те же алгоритмы обеспечивают плавное, свободное от тремора движение хирургических инструментов.

Потребительская электроника

От колеса прокрутки в беспроводной мыши до бегового циферблата на цифровой камере потребительские устройства используют недорогие энкодеры. Качество сигнала часто плохое из-за ограничений по стоимости экранирования и разъемов. Программное обеспечение отскакивания, медианной фильтрации и интерполяции (через емкостное зондирование) являются стандартными в прошивке устройства. Игровые контроллеры также используют энкодеры для аналоговых палок и триггеров; адаптивные фильтры, чувствительные к ускорению, настраивают сглаживание на основе скорости ввода пользователя, чтобы минимизировать задержку, все еще отклоняя шум во время медленных движений.

Будущие тенденции и события

Неустанный спрос на более высокую точность, меньшую задержку и более низкое энергопотребление стимулирует эволюцию обработки сигналов кодера.

Машинное обучение для характеристики шума

Традиционные алгоритмы предполагают, что статистика шума известна или может быть оценена в Интернете. Методы машинного обучения, особенно небольшие нейронные сети или машины с опорным вектором, могут изучать сложные, нестационарные шумовые паттерны из данных датчиков. Например, сверточную нейронную сеть (CNN) можно обучить различать истинные края кодера и всплески EMI с использованием функций частоты времени. Раннее развертывание в автомобильных датчиках рулевого управления показывает снижение ложных показаний на 30% по сравнению с медианной фильтрацией.

Асинхронная и событийная обработка

Большинство процессов кодирования сегодня синхронны: образцы берутся через фиксированные промежутки времени. Асинхронные подходы, вдохновленные нейроморфной инженерией, события кодирования процесса (переходы кромки) по мере их возникновения. Это устраняет необходимость в избыточной выборке и снижает энергопотребление в беспроводных узлах кодирования. Алгоритмы на основе событий, такие как асинхронный фильтр Калмана или медианный фильтр с временными метками, исследуются для приложений с низким энергопотреблением Интернета вещей (IoT).

Интегрированные решения System-on-Chip (SoC)

Вместо того, чтобы внедрять алгоритмы в отдельный микроконтроллер или FPGA, кодеры следующего поколения интегрируют обработку сигнала непосредственно на чип кодера. Эти интеллектуальные кодеры используют встроенные ядра DSP или специализированные аппаратные ускорители для фильтрации, интерполяции и ECC Kalman. Преимущество заключается в чистом цифровом выходе (например, SPI или Ethernet/IP), который практически невосприимчив к внешнему шуму, потому что обработка происходит у источника.

Заключение

Алгоритмы обработки сигналов кодера образуют невидимый костяк бесчисленных технологий, требующих точных, надежных физических данных. От фундаментальных фильтров Kalman и медианных фильтров до продвинутых кодов деноизации вейвлетов и коррекции ошибок эти методы превращают загрязненные необработанные сигналы датчиков в надежные цифровые представления. Поскольку приложения в робототехнике, связи, медицинской визуализации и бытовой электронике продолжают требовать более высокой производительности, область движется к адаптивным, машинному обучению, улучшенным и интегрированным решениям. Инженеры, которые понимают сильные стороны и ограничения каждого алгоритма, могут сделать обоснованный выбор дизайна, который максимизирует целостность сигнала без ущерба для латентности или бюджета мощности. Будущее обработки кодера лежит не в одном универсальном алгоритме, а в интеллектуальных, контекстно-осознанных комбинациях, которые динамически адаптируются к постоянно меняющейся шумовой среде реального мира.