Важность методов обработки сигналов в повышении точности датчиков скорости

Каждый тип ошибки имеет различные спектральные и статистические характеристики, которые определяют, какая техника обработки сигналов наиболее эффективна. Например, тепловой шум белый и равномерно распределен по частотам, в то время как механический шум часто концентрируется ниже 10 Гц. Хорошо спроектированная цепочка обработки должна одновременно обращаться к этим нескольким источникам шума.

Методы обработки основных сигналов для повышения точности

Обработка сигналов включает в себя ряд математических операций, применяемых к исходным данным датчиков. Цель состоит в подавлении шума при сохранении амплитуды и фазовых характеристик сигнала, лежащих в основе скорости. Ниже приведены наиболее широко используемые методы с их принципами работы и практическими компромиссами.

Классические методы фильтрации

Линейные фильтры являются основополагающим инструментом для удаления шума на основе частоты. Низкочастотный фильтр ослабляет высокочастотные компоненты, что полезно, когда желаемая скорость медленно изменяется (например, скорость подачи станков). Высокочастотный фильтр блокирует низкочастотные дрейфы, такие как вызванные изменением температуры или блужданием по базовой линии. Фильтры полосового пропуска изолируют конкретную интересующую полосу частот, как в вибрационном мониторинге для вращающихся машин, где анализируются гармоники скорости вращения.

Конструкция фильтра включает в себя выбор между топологиями конечного импульсного ответа (FIR) и бесконечного импульсного ответа (IIR). Фильтры FIR предлагают линейную фазу - критическую для сохранения формы сигнала - но требуют большего объема вычислительных ресурсов. Фильтры IIR достигают более резкого скатывания с меньшим количеством кранов, но вводят фазовое искажение, которое может повлиять на время переходных событий. Для приложений реального времени необходимо тщательно оценить компромисс между задержкой и затуханием стоп-диапазона.

Фурьер-трансформация и спектральный анализ

Преобразование Фурье разлагает сигнал временной области на составляющие его частоты. При скоростном зондировании оно позволяет идентифицировать периодические источники шума (например, 50/60 Гц гула линии электропередач) и резонансные режимы механической системы. Кратковременная трансформация Фурье (STFT) добавляет локализацию времени, что позволяет отслеживать изменения спектрального содержания с течением времени — например, обнаруживая возникновение неисправности машины путем наблюдения за растущими гармониками.

В практических реализациях часто используется алгоритм быстрого преобразования Фурье (FFT). Для данных датчиков скорости перед FFT применяется окно Кайзера или Ханнинга для уменьшения спектральной утечки. Затем методы спектрального вычитания могут удалять идентифицированные шумовые компоненты из сигнала, хотя необходимо соблюдать осторожность, чтобы избежать введения музыкальных шумовых артефактов. Отличным внешним ресурсом по снижению шума на основе FFT является техническая статья Anlog Devices о фундаментальных принципах FFT.

Фильтрация Калмана

Фильтрация Калмана представляет собой модельный подход, который рекурсивно оценивает истинную скорость от шумных измерений. В ней используется модель состояния-пространства динамики системы (например, постоянная скорость или постоянное ускорение) вместе со статистическими описаниями шума процесса и шума измерения. На каждом шаге фильтр прогнозирует новую скорость, а затем обновляет оценку на основе фактического считывания датчика, оптимально балансируя прогноз и измерение.

Этот метод особенно эффективен, когда шум датчика гауссианный, а динамика системы хорошо характеризуются. Для линейных систем стандартный фильтр Калмана обеспечивает минимальную оценку средней квадратной ошибки. Нелинейные расширения - расширенный фильтр Калмана (EKF) и незапахший фильтр Калмана (UKF) - вмещают системы с нелинейной кинематикой, такие как датчики скорости вращения или датчики, установленные на вибрирующих структурах. Welch и введение Бишопа в фильтр Калмана остается окончательным ориентиром для понимания его вывода и реализации.

Вейвлет-деноиз

Волновые преобразования обеспечивают представление временной частоты, которое особенно подходит для нестационарных сигналов - тех, с переходными событиями, резкими изменениями или частотным содержанием, которое быстро развивается. В отличие от преобразования Фурье, вейвлеты используют короткие базовые функции на высоких частотах и длинные на низких частотах, соответствующие природе многих физических сигналов.

При деноэзировании вейвлетов сигнал разлагается на коэффициенты приближения и детализации. Шум имеет тенденцию концентрироваться в мелкомасштабных коэффициентах детализации с малыми величинами. Применяя порог (жесткий или мягкий) к этим коэффициентам, шум удаляется при сохранении резких характеристик сигнала, таких как всплески скорости или изменения шага. Остальные коэффициенты затем инвертируются для реконструкции чистого сигнала. Этот подход превосходит классическую фильтрацию, когда сигнал содержит края или импульсы, как это обычно бывает при испытании удара, обнаружении неисправностей и сейсмическом мониторинге.

Адаптивная фильтрация

Адаптивные фильтры автоматически корректируют свои коэффициенты в ответ на изменение статистики сигнала, что делает их идеальными для сред, где характеристики шума неизвестны или изменяющиеся во времени. Алгоритм наименьших средних квадратов (LMS) является широко используемым адаптивным методом, который минимизирует ошибку между выходом фильтра и желаемым опорным сигналом. Для датчиков скорости адаптивный шумоотменитель использует отдельный опорный датчик (например, акселерометр, установленный вдали от датчика скорости) для оценки шумовой составляющей, которая затем вычитается из первичного сигнала.

Другой адаптивный подход использует в качестве эталона отложенную версию самого сигнала, используя тот факт, что широкополосный шум имеет низкую автокорреляцию, в то время как детерминированный компонент скорости имеет более высокую корреляцию. Этот «адаптивный усилитель линии» может извлекать синусоидальные сигналы, скрытые в шуме. Реализация в реальном времени на цифровых сигнальных процессорах (DSP) или программируемых в полевых условиях массивах затворов (FPGA) возможна для многих промышленных применений.

Обработка данных Fusion and Sensor Array

Когда развернуты несколько датчиков скорости — например, в структурном мониторинге здоровья или сейсмических массивах — обработка сигналов может сливать их данные для дальнейшего повышения точности. Такие методы, как формирование луча, управляют чувствительностью массива к определенному направлению при подавлении шума с других направлений. Фильтр Винера, который минимизирует среднюю квадратную ошибку между слитым выходом и истинным сигналом, может применяться по каналам. Даже простое усреднение избыточных датчиков уменьшает некоррелированный шум квадратным корнем числа датчиков.

Влияние на точность сенсора

Применение этих методов обработки сигналов дает измеримые улучшения в точности датчика скорости. Рассмотрим лазерный доплеровский виброметр, измеряющий вибрации на прецизионном обрабатывающем инструменте. Без фильтрации сырые сигналы демонстрируют шумовой пол примерно 1 мм/с RMS, заслоняющий малые амплитудные вибрации. После применения полосового фильтра, настроенного на частоту вращения веретена, шумовой пол падает до 0,1 мм/с. Добавление фильтра Калмана дополнительно снижает стандартное отклонение расчетной скорости до менее 0,05 мм/с, что позволяет обнаруживать микродефекты на обработанных поверхностях.

В сейсмическом мониторинге деноизирование вейвлетов позволяет идентифицировать прилеты Р-волн от отдаленных землетрясений, которые в противном случае были бы погребены в местном шуме земли. Это повышает точность системы раннего предупреждения о землетрясениях за счет снижения ложных тревог и задержки обнаружения. Аналогичным образом, в аэрокосмической отрасли адаптивная фильтрация отменяет вибрацию планера от показаний датчиков скорости полета, что позволяет более точно контролировать во время турбулентности.

Количественное воздействие часто выражается в терминах повышения отношения сигнал/шум (SNR). Хорошо спроектированная цепочка фильтров может достичь улучшения SNR на 20–40 дБ, что приводит к десятикратному и стократному снижению неопределенности скорости. Это непосредственно приносит пользу приложениям нисходящего потока: в мониторинге состояния улучшенная точность увеличивает время выполнения прогноза отказов; в навигации это уменьшает дрейф в инерциальных системах наведения; в научных приборах это позволяет измерять ранее не обнаруживаемые явления.

Реальные приложения

Датчики скорости обработки сигналов развернуты в различных отраслях промышленности:

• Датчики скорости на насосах, компрессорах и турбинах подают обработанные данные в диагностическое программное обеспечение, которое идентифицирует износ подшипника, дисбаланс и смещения за несколько недель до катастрофического сбоя. Международное общество автоматизации (ISA) предоставляет рекомендации по анализу вибрации , используемые в таких программах.
• Автомобильные системы активной безопасности: Датчики скорости колес (Hall-effect или магниторезистивные) используют фильтрацию Калмана для оценки скорости транспортного средства, даже во время проскальзывания колеса. Эти данные подают системы антиблокировочного торможения (ABS) и электронного контроля устойчивости (ESC).
• Сейсмология и геофизика: Геофонные массивы используют адаптивное формирование луча для изоляции сейсмических волн от конкретных глубин, улучшая подповерхностную визуализацию для разведки нефти и газа.
• Медицинская биомеханика: Инерциальные измерительные блоки (ИМУ), содержащие датчики скорости, фильтруют необработанные сигналы для отслеживания движения конечностей с точностью до подградуса, помогая реабилитационной робототехнике и протезному контролю.
• Аэрокосмические летные испытания: Пито-статические системы полагаются на скорость, получаемую под давлением, но датчики скорости MEMS с денонсированием вейвлетов обеспечивают избыточность во время маневров, которые вызывают колебания давления.