as_5.
Transkrypt
as_5.
1 Rozdział 5 5.1. Podstawowe pojęcia filtracji W poprzednim rozdziale podane zostały definicje przekształcenia Fouriera, przy pomocy którego możliwe jest uzyskanie charakterystyki widmowej sygnału. Wynikiem przekształcenia całkowego Fouriera jest widmo amplitudowe lub widmo gęstości mocy (Rys. 5.1) będące ciągłą funkcją częstotliwości o nieskończenie małej rozdzielczości widmowej df. Gx( f ) f0 f Rys. 5.1. Przykładowe widmo gęstości mocy. W praktyce wyznaczanie funkcji widmowych z nieskończenie małą rozdzielczością df nie jest możliwe i musimy wówczas aproksymować podany tutaj ciągły rozkład G(f ) przebiegiem „schodkowym” o szerokości pasma ∆f (Rys. 5.1). Urządzeniem (lub algorytmem), które umożliwia uzyskanie informacji o wartości funkcji G(f ) w paśmie o skończonej szerokości ∆f jest filtr, którego działanie przedstawiono schematycznie na rys. 5.2. Sygnał wejściowy x(t) „przepuszczany” jest przez filtr pasmowy, na wyjściu z którego otrzymujemy sygnał zawierający składowe harmoniczne z przedziału będącego szerokością pasma ∆f o częstotliwości środkowej fo. Jeżeli wyjście filtru 2 połączone zostanie z miernikiem mocy sygnału (Rys. 5.2.), wówczas dla danego pasma częstotliwości otrzymamy moc sygnału A2( f ). miernik mocy sygnału filtr (f0, f) x( t ) x( t ) miernik kwadrator mocy sygnału integrator x(2 t ) A(2 f ) 1/T t t t f T f0 f Rys. 5.2. Schemat praktycznej realizacji procesu filtracji. Filtr ten przenosi zatem bez zniekształceń składowe harmoniczne znajdujące się w paśmie przenoszenia o szerokości ∆f i częstotliwości środkowej fo i tłumi całkowicie wszystkie pozostałe składowe harmoniczne. Filtr traktować można zatem jako „czarną skrzynkę”, która przekształca sygnał wejściowy x( t ) w inny sygnał y( t ) jak pokazano na rysunku 5.3: x( t ) y( t ) Filtr h( t ) Rys. 5.3. Proces filtracji w dziedzinie czasu. Oznacza to, że filtr ma pewną charakterystykę czasową h( t ) , która spełniać musi następujące warunki +∞ ∫− ∞ h( t ) dt < ∞ h( t ) = 0 dla x( t ) = 0 (5.1) (5.2) 3 Warunek (5.1) oznacza, że odpowiedź impulsowo pobudzonego filtru musi być ograniczona w czasie, podczas gdy zależność (5.2) wymaga aby filtr dawał niezerową odpowiedź jedynie w przypadku pobudzenia. Filtr taki nazywany jest stabilnym, tzn. przy braku pobudzenia pozostaje on w spoczynku a odpowiedź na pobudzenie zanika z czasem. Charakterystyka czasowa h( t ) określa w jaki sposób odbywać się będzie przekształcenie (filtracja) sygnału wejściowego w wyjściowy. W teorii sygnałów takie przekształcenie zapisuje się w postaci funkcji splotu: y( t ) = h( t ) ∗ x( t ) (5.3) gdzie symbol (∗) oznacza operator splotu. Dla wyjaśnienia działania filtru konieczna jest zatem znajomość zarówno kształtu funkcji h( t ) jak i sposobu wykonywania operacji splotu. Przed wyjaśnieniem tych dwóch istotnych zagadnień konieczne jest jednak ważne zastrzeżenie, że opis ten będzie słuszny tylko dla pewnej klasy filtrów, nazywanych liniowymi. Mimo, iż rozpatrywany przez nas filtr ma tylko jedno wejście (tzn. przebieg x( t ) ) to definicję liniowości łatwiej będzie wyjaśnić na przykładzie układu z wieloma wejściami xi ( t ) , które wpływają na wartość chwilowej odpowiedzi y( t ) : x1( t ) x2( t ) x3( t ) układ liniowy y( t ) xn( t ) Rys. 5.4. Interpretacja sygnału wejściowego x(t) jako liniowej sumy sygnałów składowych na wejściu do filtru liniowego. Jeżeli rozpatrywany układ jest liniowy wówczas jego odpowiedź związana jest z funkcjami wymuszenia następującym równaniem różniczkowym: 4 di y d i −1 y dy a a + + K + + a0 y = − 1 i 1 dt dt i dt i − 1 d j x1 d j − 1 x1 dx1 b b = bj + + K + + b0 x1 + − j 1 1 dt dt j dt j − 1 d k x2 d k − 1 x2 dx2 c c + ck + + K + + c0 x2 + − k 1 1 dt dt k dt k − 1 +K ai (5.4) Równanie (5.4) jest liniowe gdyż zachodzą następujące związki między cząstkowymi wymuszeniami i odpowiedziami układu: a0 y = b0 x1 + c0 x2 + K a1 dy dx dx = b1 1 + c1 2 + K dt dt dt co oznacza, że sumaryczna odpowiedź układu di y y ( t ) = ∑ ai i dt i jest liniową superpozycją odpowiedzi układu na cząstkowe wymuszenia: d j x1 d j x2 ∑ b j dt j + ∑ c j dt j + K j j 5.2. Odpowiedź układu liniowego na wymuszenie impulsowe Dla wyznaczenia odpowiedzi h( t ) dowolnego układu (mechanicznego, elektrycznego itp.) stosuje się zazwyczaj jedną z dwóch metod: • wymuszenie skokiem jednostkowym, tzn. na wejściu filtru z rys. 5.3. wymusza się zmienną wartość x( t ) = w( t ) jak na rys. 5.5a i wówczas na wyjściu (Rys. 5.5b) otrzymujemy sygnał y (t ) = g (t ) nazywany odpowiedzią przejściową (transient response) • wymuszenie impulsem jednostkowym, tzn. na wejściu filtru z rys. 5.3 wymusza się impuls δ ( t ) spełniającym warunek +∞ ∫− ∞ δ ( t )dt = 1 (5.5) 5 a) b) y( t ) x( t ) x( t ) = w ( t ) y( t ) = g ( t ) 1 1 0 t 0 t Rys. 5.5. Odpowiedź filtru liniowego na skok jednostkowy. Jeżeli czas trwania takiego impulsu, pokazanego na rys. 5.6a byłby nieskończenie krótki (delta Diraca) wówczas dla spełnienia warunku (5.5) amplituda δ ( t ) musiałaby dążyć do nieskończoności, co rzecz jasna byłoby niemożliwe do realizacji. W praktyce czas trwania takiego impulsu jest skończony i wówczas przebieg na wejściu opisany jest związkiem: x( t ) = C ⋅ δ ( t ) (5.6) w którym stała C ma wymiar [x / δ ] a jej wartość winna być dobrana tak, aby spełniony był warunek (5.5). Jeżeli C = 1 , wówczas na wejściu mamy deltę Diraca (rys. 5.6a), zaś na wyjściu otrzymujemy odpowiedź nazywaną funkcją wagi (impulse response) oznaczoną jako h( t ) na rys. 5.6b a) b) y( t ) x( t ) δ(t) y( t ) = h ( t ) t Rys. 5.6. Odpowiedź filtru liniowego na wymuszenie jednostkowe. t 6 Funkcje wejścia w( t ) i δ ( t ) (patrz rys. 5.5a i 5.6a) są ze sobą związane następującą zależnością: δ (t ) = d w( t ) dt i dla filtrów liniowych (w których nie ma znaczenia czy różniczkujemy wejście czy też wyjście np. y& = a ⋅ x& ) funkcje odpowiedzi związane są wzorem: +∞ g ( t ) = ∫ h( t )dt −∞ (5.7) 5.3. Charakterystyka filtru w dziedzinie czasu Dla naszych celów bardziej odpowiednie będzie przyjęcie, że dla filtru z rys. 5.3 wyznaczyliśmy funkcję wagi h( t ) gdyż każdy sygnał ciągły x( t ) możemy wówczas uważać za szereg impulsów o szerokości ∆Θ jak pokazano na rys. 5.7a. Amplituda tych impulsów będzie się zmieniać wraz ze zmianami wartości sygnału x( t ) w kolejnych chwilach odpowiadających rozłożeniu (dyskretyzacji) sygnału wejściowego x( t ) na poszczególne „paczki energii” czy też impulsy x( Θ ) ⋅ dΘ . „Paczki” te możemy uważać za tzw. ważone impulsy jednostkowe (delty Diraca) x( t ) ⋅ δ ( t ) tzn. takie, dla których wartość stałej C w zależności (5.7) równa jest każdorazowo wartości funkcji dla danego t . Na rys. 5.7b pokazano w jaki sposób filtr o funkcji wagi h( t ) odpowiada na kolejne wymuszenia podawane na wejście filtru. Jak zobrazowano na rys. 5.7b, pierwszy pokazany tu impuls powstający po chwili dΘ zostanie przekształcony w funkcję wagi h( t − dΘ ) , która po przeskalowaniu proporcjonalnym do amplitudy sygnału wejściowego: h(t − dΘ ) ⋅ x(dΘ ) 7 x(t) t t h(t - dΘ) x(dΘ) Θ dΘ h(t - 2dΘ) x(2dΘ) dΘ Θ h(t - Θ) x(Θ) Θ Θ y(t) y(t) h(t - dΘ) x(dΘ) h(t - 2dΘ) x(2dΘ) h(t - Θ) x(Θ) t t Rys. 5.7. Interpretacja odpowiedzi filtru na ciągły sygnał wejściowy: a) przebieg sygnału wejściowego, b) odpowiedzi filtru na kolejne impulsy wejściowe, c) odpowiedź filtru na sygnał wejściowy w chwili czasu t jako suma odpowiedzi na kolejne impulsy wejściowe będące składowymi sygnału x(t). 8 wniesie wkład określony powyższą zależnością do odpowiedzi y( t ) opóźnionej o ( t − dΘ ) . Dowolny impuls w chwili Θ (zaznaczony na rys. 5.7a jako zakreskowane pole) wnosi do odpowiedzi filtru udział h(t − Θ ) ⋅ x(Θ ) Odpowiedź filtru w dowolnej chwili t będzie sumą odpowiedzi na kolejne wymuszenia, tzn. filtr ten jest układem liniowym dla którego obowiązują reguły sformułowane wcześniej w rozdz. 5.1. Rolę poszczególnych wejść xi ( t ) z rys. 5.7a pełnią w tym przypadku kolejne impulsy x( t ) ⋅ δ ( t ) , które dla stacjonarnego wymuszenia będą podawane jednocześnie na wejście filtru (patrz rys. 5.8). x( t )δ ( t ) x( t − dΘ )δ ( t − dΘ ) filtr liniowy y( t ) x( t − ndΘ )δ ( t − ndΘ ) Rys. 5.8 Schemat sumowania odpowiedzi na kolejne wymuszenia impulsowe w filtrze liniowym. Sumując zatem odpowiedzi pochodzące od wszystkich impulsów składających się na „historię” sygnału od chwili t do t = −∞ otrzymujemy wyrażenie na funkcję odpowiedzi: t y( t ) = ∫ h( t − Θ ) x( Θ )dΘ −∞ (5.8) przy czym procedura dodawania elementów odpowiedzi filtru została zilustrowana na rys. 5.6c. Warto tu zauważyć, że funkcja odpowiedzi filtru musi spełniać warunki stabilności (5.1) i (5.2) przy czy w odróżnieniu od transformaty Fouriera sygnał wejściowy nie musi natomiast spełniać warunku (4.21). Funkcje wagi h( t − Θ ) mogą być uznane za odpowiedzi na impuls jednostkowy podawany na wejście filtru poczynając od chwili t = −∞ do 9 ( t − Θ ) = 0 tzn. t = Θ . Jeżeli ( t − Θ ) < 0 , czemu odpowiada Θ > t , wówczas odpowiedź filtru musi być równa: h(t − Θ ) = 0 gdyż filtr odpowiada jedynie na impulsy podawane na wejście przed chwilą obserwacji. Oznacza to, że w wyrażeniu określającym odpowiedź filtru (5.8) zmienić można granice całkowania +∞ y( t ) = ∫ h( t − Θ ) x( Θ )dΘ (5.9) −∞ Podstawiając nową zmienną τ = t −Θ którą uważać możemy za opóźnienie czasowe między wystąpieniem impulsu i czasem dla którego obliczamy odpowiedzi filtru musimy zmienić granice całkowania Θ = −∞ → τ = ∞ Θ =t → τ =0 oraz wprowadzając następujący związek dτ = − dΘ Funkcję odpowiedzi (5.9) można teraz przekształcić do postaci ∫ 0 y (t ) = h(τ ) x(t − τ )(− dτ ) ∞ lub ∫ ∞ y (t ) = h(τ ) x(t − τ )dτ 0 (5.10) Ponieważ zmienną τ interpretujemy jako opóźnienie między pobudzeniem i odpowiedzią, stąd też dla τ < 0 funkcja wagi ma wartość h( τ ) = 0 gdyż filtr daje zerową odpowiedź bez pobudzenia wyjścia (patrz rys. 5.7a i wzór (5.2)). Oznacza to, że możemy po raz kolejny zmienić granice całkowania i 10 przekształcić wzór (5.10), otrzymując najczęściej spotykaną w podręcznikach zależność opisującą odpowiedź filtru: ∫ +∞ y (t ) = h(t ) ∗ x(t ) = h(τ ) x(t − τ )dτ (5.11) −∞ nazywaną zazwyczaj „całką splotu”. Jeżeli sygnały x( t ) oraz y( t ) są przebiegami ciągłymi (analogowymi), wówczas także i charakterystyka czasowa h( t ) filtru musi być funkcją ciągła filtr taki nazywany jest analogowym. Wyjaśnienia powyższe pokazują zatem sposób w jaki można określić charakterystykę czasową h( t ) (tzw. funkcję wagi) oraz algorytm obliczeń splotu odpowiedzi filtru z sygnałem wejściowym co w efekcie pozwala dla zadanego wymuszenia x( t ) wyliczyć funkcję odpowiedzi filtru y( t ) czyli całkę splotu (5.11). W ten sposób możemy otrzymać pełny opis zachowania filtru, który nosi nazwę „opisu w dziedzinie czasu”. 5.4. Odpowiedź filtru na wymuszenie harmoniczne, charakterystyka częstotliwościowa filtru Wyznaczenie charakterystyk filtru przeprowadzić można również poprzez badanie jego odpowiedzi na stacjonarne wymuszenie harmoniczne. x( t ) x( t ) = xo sin( 2π f t ) filtr liniowy y( t ) y ( t ) = y o sin( 2π f t - Φ ) Rys. 5.9. Schemat wyznaczania charakterystyki częstotliwościowej filtru. Jeżeli na wejście filtru liniowego podany zostanie sygnał harmoniczny o stałej amplitudzie x0 i częstotliwości f (rys. 5.9) x = x0 sin( 2πft ) (5.12) 11 wówczas na wyjściu otrzymamy sygnał y( t ) o tej samej częstotliwości, lecz innej amplitudzie y0 i kącie przesunięcia fazowego Φ względem sygnału wejściowego* y( t ) = y0 sin( 2πft − Φ ) Stosunek amplitud x0 y0 (5.13) oraz wartość kąta Φ stanowi kompletną informację o charakterystyce przenoszenia filtru dla danej częstotliwości. Zmieniając częstotliwość sygnału z odpowiednio dobranym krokiem w całym interesującym nas zakresie częstotliwości otrzymujemy kompletną charakterystykę przenoszenia filtru, składającą się z dwóch cząstkowych zestawów informacji: • charakterystyki wzmocnienia y A( f ) = 0 x0 f = var (5.14) Φ ( f ) = (Φ ) f = var (5.15) • charakterystyki fazowej Obie powyższe charakterystyki nazywane są opisem zachowania filtru w dziedzinie częstotliwości lub krócej charakterystykami częstotliwościowymi filtru. Charakterystyki tego samego układu wyrażone w dziedzinach czasu i częstotliwości nie są rzecz jasna od siebie niezależne, gdyż wiąże je ze sobą transformata Fouriera, przy czym dotyczy to również funkcji wymuszenia i odpowiedzi tzn.: +∞ y( t ) ⋅ e − i 2πft dt (5.16) x( t ) ⋅ e − i 2πft dt (5.17) H ( f ) = ∫ h( t ) ⋅ e − i 2πft dt (5.18) Y( f ) = ∫ −∞ X( f ) = ∫ +∞ −∞ +∞ −∞ * powód dla którego wprowadzono tutaj ujemny znak przesunięcia fazowego jest wyjaśniony w dyskusji wzoru (5.24) 12 Warto przypomnieć, że istnienie powyższych zależności jest możliwe dzięki spełnieniu następujących warunków: • dla wymuszenia impulsowego x( t ) = δ ( t ) zachodzi związek: +∞ ∫− ∞ x( t ) dt < ∞ (5.19) • z warunków stabilności filtru liniowego (zależność (5.1) oraz (5.2)) wynika prawdziwość następujących związków: +∞ ∫− ∞ h( t ) dt < ∞ +∞ ∫− ∞ y( t ) dt < ∞ (5.1) (5.20) 5.5. Transmitancja filtru Przypomnijmy, że w dziedzinie czasu zachowanie filtru liniowego opisuje funkcja splotu y( t ) = h( t ) ∗ x( t ) (5.3) natomiast sposób obliczania tejże funkcji określa całka splotu +∞ y( t ) = h( t ) ∗ x( t ) = ∫ h( τ ) x( t − τ )dτ −∞ (5.11) Dla potrzeb dalszej analizy wykorzystamy tutaj inną postać całki splotu +∞ y( t ) = ∫ h( t − Θ )x( Θ )dΘ −∞ która po podstawieniu do (5.16) daje: +∞ +∞ Y ( f ) = ∫ ∫ h( t − Θ ) x( Θ )dΘ ⋅ e − i 2πft dt −∞ −∞ Zmiana kolejności całkowania pozwala z kolei zapisać: +∞ x( Θ ) ∫ h( t − Θ )e − i 2πft dt ⋅ dΘ − ∞ −∞ Y( f ) = ∫ +∞ a ponowne podstawienie: τ = t −Θ tzn. dτ = dt (5.9) 13 daje: +∞ x( Θ ) ∫ h( τ )e − i 2πf ( τ +Θ )dτ ⋅ dΘ − ∞ −∞ Y( f ) = ∫ +∞ Odpowiednie uporządkowanie prawej strony pozwala zapisać: +∞ +∞ Y ( f ) = ∫ x( Θ )e − i 2πfΘ dΘ ∫ h( τ )e − i 2πfτ dτ − ∞ − ∞ a podstawienie zależności (5.17) oraz (5.18) daje ostatecznie częstotliwościową reprezentację funkcji splotu Y ( f ) = H( f )⋅ X ( f ) (5.21) przy czym przekształcenie to znane jest w literaturze jako „twierdzenie o splocie” (Convolution Theorem). Prawdziwość tego twierdzenia* można udowodnić wychodząc z częstotliwościowej reprezentacji splotu (5.21) oraz stosując odwrotną transformatę Fouriera i wówczas analogicznie jak w rozdziale 4 uzyskamy pary wyrażeń określających czasową i częstotliwościową odpowiedź filtru na wymuszenie impulsowe: h( t ) = 1 2π +∞ ∫− ∞ H ( f )e i 2πft df +∞ H ( f ) = ∫ h( t )e − i 2πft dt −∞ (5.22) (5.18) Funkcja H ( f ) nazywana jest transmitancją filtru, która zawiera w sobie informacje zarówno o charakterystyce częstotliwościowej jak i fazowej, gdyż jako funkcja zespolona zmiennej rzeczywistej f może ona być przekształcona do postaci A( f ) = H ( f ) = {Re[H ( f )]}2 + {Im[H ( f )]}2 Φ ( f ) = arc tg Im[H(f)] Re[H(f)] (5.23) (5.24) gdzie (5.23) jest charakterystyką wzmocnienia zaś (5.24) charakterystyką fazową filtru. Porównując zależności (5.24) oraz (5.13) należy zauważyć, że * ścisły dowód tego twierdzenia znaleźć można w książce D. E. Newlanda „Random vibrations, spectral and wavelet analysis” 14 przyjęto tutaj poprzednio sformułowaną konwencję, iż ujemne przesunięcie fazowe na osi czasu (opóźnienie odpowiedzi) odpowiada dodatniemu nachyleniu linii charakterystyki fazowej. Reprezentacja częstotliwościowa operacji splotu jest bardzo wygodna w praktyce, gdyż proste przemnożenie prążków widma X( f ) sygnału wejściowego przez odpowiednie składowe częstotliwościowe transmitancji H ( f ) pozwala uzyskać widmo odpowiedzi. Odpowiadająca temu zabiegowi w dziedzinie czasu funkcja splotu ma znacznie bardziej złożoną postać, ale także i ona ma swój obszar zastosowań. Jeżeli bowiem chcielibyśmy uzyskać funkcję odpowiedzi czasowej y( t ) z reprezentacji częstotliwościowej: Y ( f ) = H( f )⋅ X ( f ) (5.21) wówczas po podstawieniu transformaty Fouriera funkcji wymuszenia X( f ) = ∫ +∞ −∞ x( t ) ⋅ e − i 2πft dt (5.17) i wykonaniu odwrotnego przekształcenia Fouriera otrzymalibyśmy zależność: +∞ +∞ y( t ) = ∫ H ( f ) ∫ x( t )e − i 2πft dt ⋅ ei 2πft df − ∞ −∞ (5.25) Postać ta, chociaż jest formalnym rozwiązaniem określającym sygnał wyjściowy z filtru jest jednak niewygodna w praktycznych obliczeniach i dlatego też obliczenia odpowiedzi czasowej filtru wykonuje się zazwyczaj z wykorzystaniem funkcji wagi h( t ) i całki splotu (5.11). 5.6. Pasmo odpowiedzi filtru Bardzo istotnym parametrem filtru jest szerokość pasma, przy czym mamy tu wybór pomiędzy filtrem o stałej szerokości pasma (∆f = const) a filtrem o stałej względnej (procentowej) szerokości pasma (∆f / f0 = const). Filtr o stałej szerokości pasma daje jednolitą rozdzielczość na liniowej skali częstotliwości, dzięki czemu zachowane są stałe odległości pomiędzy 15 poszczególnymi częstotliwościami środkowymi. Ten sposób ogranicza jednak użyteczny zakres częstotliwości i dlatego stosuje się często filtry o stałej względnej szerokości pasma, która dają równomierną rozdzielczość częstotliwościową w skali logarytmicznej. Na podstawie rys. 5.10. można zauważyć, że rozdzielczość jest większa dla niskich częstotliwości. Na rysunku 5.10 przedstawione są widma wyznaczone przy pomocy filtru o stałej szerokości pasma (Rys. 5.10a) oraz przy pomocy filtru o stałej względnej szerokości pasma (Rys. 5.10b) a) Gx( f ) b) f Gx( f ) f Rys. 5.10. Schemat wzajemnych zależności między charakterystykami filtrów o stałej (a) i stałej względnej (b) szerokości pasma. Warto zwrócić uwagę na najczęściej stosowane w praktyce filtry o stałej względnej szerokości pasma, tj. filtr oktawowy oraz filtr tercjowy, które znajdują szczególne zastosowanie w pomiarach akustycznych. Filtr oktawowy cechuje 16 się tym, iż górna częstotliwość graniczna szerokości pasma jest zawsze dwa razy większa od dolnej częstotliwości granicznej. Jeżeli przez fl oznaczymy dolną częstotliwość graniczną (lower limiting frequency) a przez fu górną (upper limiting frequency) możemy zapisać: fu = 2 ⋅ fl oraz (5.26) fu ⋅ fl = 2 ⋅ fl2 = 2 fl fo = Korzystając z zależności obowiązującej dla pasma o stałej względnej szerokości: ∆f = fu − fl f f 1 = l = l = = 70 ,7% fo fo 2 fl 2 (5.27) Łatwo zauważyć, że trzy dekady częstotliwości można objąć dziesięcioma szerokościami pasma filtru oktawowego: od 22.5 Hz (dolna częstotliwość graniczna pasma o częstotliwości środkowej 31.5 Hz) do 22.5 kHz (górna częstotliwość graniczna pasma o częstotliwości środkowej 16 kHz. Filtr tercjowy otrzymujemy poprzez podzielenie każdej oktawy zakresu na trzy 1 geometrycznie równe podobszary, zgodnie z zależnością f u = 2 3 ⋅ f l . Należy zauważyć, iż wielkość ta jest równa jednej dziesiątej dekady, co łatwo wykazać: ( ) = 1 3 ⋅ log log10 2 1 3 10 (2 ) = 1 3 ⋅ 0 ,3 = 0 ,1 = 110 ⋅ log10 (10 ) Postępując w sposób analogiczny jak w przypadku filtru oktawowego, określić można procentową szerokość pasma filtrów tercjowych: 1 2 3 −1 2 1 6 = 23 ,1% Charakterystyka częstotliwościowa filtru rzeczywistego różni się znacznie od charakterystyki filtru idealnego, różnice pomiędzy tymi charakterystykami zostały zobrazowane na rysunku 5.11. Szerokość pasma filtru rzeczywistego zwana jest efektywną szerokością pasma i zdefiniowana jest jako szerokość pasma filtru idealnego, który przenosiłby dokładnie tę samą moc z sygnału będącego białym szumem. 17 1.0 3 dB ∆f f Rys. 5.11. Porównanie charakterystyki filtru idealnego i rzeczywistego. Przy porównaniu charakterystyki filtru rzeczywistego oraz filtru idealnego na podstawie rysunku 5.11, łatwo zauważyć, że spełnienie tego warunku jest możliwe jeżeli pola pod krzywymi charakterystyk są równe dla obu filtrów. Taka definicja pasma jest szczególnie użyteczna w przypadku analizy sygnałów losowych, ponieważ oszacowanie widma mocy G(f) idealnego sygnału losowego (tj. białego szumu) przy pomocy filtru rzeczywistego dałoby ten sam wynik jaki uzyskalibyśmy przy pomocy filtru idealnego. Kolejną stosowaną w praktyce miarą szerokości pasma filtru jest tzw. pasmo 3 dB, które określane jest jako szerokość pasma filtru rzeczywistego mierzona 3 dB poniżej nominalnego (jednostkowego) wzmocnienia. W przypadku mocy (amplituda2) 3 dB poniżej wzmocnienia jednostkowego oznacza tłumienie o połowę. Miara ta może być najbardziej użyteczna gdy analizujemy sygnały deterministyczne, ponieważ daje ona informacje o tym jak dokładnie możemy odfiltrować składowe harmoniczne. Zazwyczaj szerokość pasma 3 dB jest bliska bądź równa efektywnej szerokości pasma a ponieważ wyznaczenie szerokości pasma 3 dB jest łatwiejsze w praktyce, stąd też jest to miara częściej używana. Szerokość pasma przenoszenia filtru jest miarą jego zdolności do wydzielenia składowych widma o porównywalnych wartościach. Selektywność 18 jest cechą filtru wskazującą na jego zdolność do wyodrębnienia składowych o znacznie różnych poziomach wartości. Najbardziej podstawowym parametrem określającym selektywność filtru jest „współczynnik kształtu”, który jest definiowany jako stosunek szerokości pasma filtru przy tłumieniu 60 dB do szerokości pasma 3 dB. Dla filtrów o gorszych parametrach, tj. takich które nie zapewniają tłumienia na poziomie 60 dB współczynnik kształtu definiowany jest jako iloraz szerokości pasma przy tłumieniu 40 dB do szerokości pasma 3 dB. Współczynnik kształtu jest miarą używaną dla filtrów o stałej szerokości pasma, których charakterystyka jest symetryczna na liniowej skali częstotliwości, ale może być stosowany bardziej ogólnie tj. dla filtrów o stałej względnej szerokości pasma. Jednakże, dla filtrów o stałej względnej szerokości pasma, których charakterystyki są symetryczne w logarytmicznej skali częstotliwości, częściej używaną miarą jest tzw. „Selektywność Oktawowa”. Określa ona tłumienie charakterystyki filtru jednej oktawy po każdej stronie częstotliwości środkowej (Rys. 5.12) B3 0 0 3 dB 20 dB 20 dB Octave Selectivity B40 40 dB 40 dB B60 60 dB 60 dB f 1 Octave 1 Octave f Rys. 5.12. Ilustracja wyznaczania szerokości pasma przy różnych stopniach tłumienia filtru do obliczania „współczynnika kształtu” pasma przenoszenia. 19 5.7. Praktyczna realizacja procesu filtracji Na wstępie niniejszego rozdziału określiliśmy filtr jako urządzenie fizyczne lub algorytm posiadający wejście i wyjście, który realizuje pewne przekształcenie sygnału wejściowego w sygnał wyjściowy. Założyliśmy, że filtr jest urządzeniem mającym za zadanie „wycinanie” pewnych pasm spektrum sygnału w celu określenia energii przez nie przenoszonej. Taki typ filtrów nazywany jest filtrem pasmowym. W ogólnym przypadku filtry projektuje się jako filtry dolnoprzepustowe, tzn. takie których charakterystyka idealna przedstawiona jest schematycznie na Rys. 5.13 a. a) b) |H(f)| |H(f)| 1 1 0 f fg 0 c) f fu f d) |H(f)| |H(f)| 1 1 0 fg fl fu f 0 fl Rys. 5.13. Schematyczne charakterystyki filtrów idealnych: a) dolnoprzepustowego, b) górnoprzepustowego, c) środkowoprzepustowego (pasmowego), d) środkowozaporowego. Filtr taki „przepuszcza” składowe harmoniczne sygnału o częstotliwości mniejszej od częstotliwości granicznej f g . W zależności od potrzeb poprzez odpowiednią transformację filtru dolnoprzepustowego skonstruować można filtr górnoprzepustowy, środkowoprzepustowy (pasmowy) lub środkowozaporowy, których charakterystyki przedstawione są odpowiednio na Rys. 5.13 b, 5.13 c, 20 5.13 d. Filtr górnoprzepustowy przenosi składowe harmoniczne o częstotliwościach wyższych od częstotliwości granicznej f g , działanie filtru pasmowego omówione zostało w rozdziale poprzednim, natomiast filtr środkowozaporowy działa w odwrotny do filtru pasmowego sposób tzn., z widma sygnału wycinane są składowe harmoniczne o częstotliwościach zawartych pomiędzy granicznymi częstotliwościami f l i f u . Wszystkie z wymienionych powyżej typów filtrów mogą być zrealizowane na kilka sposobów. Pierwszy z nich (schematycznie przedstawiony na Rys. 5.14) przekształca sygnał ciągły, który podawany jest na wejście filtru w taki sposób, że na wyjściu otrzymujemy również sygnał ciągły. Ten typ filtracji nazywamy filtracją analogową, a urządzenie filtrem analogowym. x(t) y(t) Rys. 5.14. Uproszczony schemat filtra analogowego. Filtr analogowy jest rzeczywistym układem fizycznym, który wykonywany jest przy pomocy elementów elektronicznych takich jak kondensatory, cewki, rezystory. Kolejnym sposobem realizacji filtru jest filtr cyfrowy, który w odróżnieniu od filtru analogowego nie jest układem fizycznym a algorytmem (schematycznie proces filtracji przedstawiono na Rys. 5.15). x(t) A/C xi Algorytm filtracji cyfrowej yi C/A y(t) Rys. 5.15. Uproszczony schemat filtru cyfrowego. Na wejście filtru podawany jest sygnał ciągły, który w przetworniku A/C przekształcany jest w dyskretny ciąg danych liczbowych. Ciąg ten przy pomocy 21 odpowiedniego algorytmu zostaje przekształcony w ciąg danych wyjściowych, który poprzez przekształcenie C/A może znów zostać przetransformowany w sygnał ciągły, podobnie jak to miało miejsce w przypadku filtracji analogowej. Proces filtracji cyfrowej realizowany jest zatem poprzez odpowiedni algorytm (program), który zazwyczaj utożsamia się z filtrem cyfrowym. Ostatnim sposobem realizacji filtrów są metody hybrydowe łączące w sobie cechy obu wymienionych wcześniej metod tj. filtracji analogowej i cyfrowej. Szybki wzrost mocy obliczeniowej maszyn cyfrowych sprawił, iż filtracja cyfrowa jest tańsza i łatwiejsza w realizacji, ponadto filtry cyfrowe mogą mieć znacznie lepsze charakterystyki niż filtry analogowe, z tego też względu metoda filtracji cyfrowej jest znacznie bardziej popularna. Z tego powodu w dalszej części omawiać będziemy problematykę filtracji cyfrowej a jedynie przy wyjaśnianiu niektórych pojęć odwoływać się będziemy do filtracji analogowej. 5.8. Filtracja cyfrowa Jak wspomniano wcześniej filtracja cyfrowa jest operacją dokonywaną na szeregu dyskretnych danych wejściowych, w której dane wyjściowe zależą od szeregu wejściowego i charakterystyki filtru cyfrowego. Filtr cyfrowy jest algorytmem, który może być stosowany do wygładzania sygnałów dyskretnych zarówno w dziedzinie czasu jak również w dziedzinie częstotliwości oraz do wyodrębniania interesujących pasm widma analizowanego sygnału dyskretnego. Analogicznie do filtru analogowego (patrz rozdz. 5.3 oraz 5.4), filtr cyfrowy może być opisywany zarówno przy pomocy charakterystyk czasowych oraz charakterystyk częstotliwościowych. Filtry cyfrowe można podzielić na dolnoprzepustowe, górnoprzepustowe oraz pasmowe i pod tym względem nie różnią się one od filtrów analogowych, filtry cyfrowe mają jednak pewne właściwości, które nie są możliwe do zrealizowania na drodze analogowej, gdyż filtry cyfrowe nie muszą być realizowane fizycznie i nie podlegają ograniczeniom technik analogowych. 22 Najogólniej filtr cyfrowy opisać można równaniem różnicowym: yl = P ∑ bk yl − k + k =1 M ∑h x (5.28) k l −k k =1 w którym P i M są nieujemnymi liczbami całkowitymi a hk i bk są współczynnikami rzeczywistymi. W przypadku gdy M = 0 równanie (6.1) opisuje filtr autoregresyjny, natomiast w przypadku gdy P = 0 równanie (6.1) opisuje filtr zwany filtrem bez pamięci lub filtrem nierekursywnym. W przypadku gdy M ≠ 0 oraz P ≠ 0 filtr taki nazywany jest rekursywnym lub filtrem z pamięcią. 5.9. Filtr cyfrowy nierekursywny Zgodnie z warunkami omówionymi powyżej równanie (5.28) określa równanie odpowiedzi cyfrowego filtru nierekursywnego gdy P = 0: yl = M ∑h x (5.29) k l −k k =1 Łatwo zauważyć, że wyrażenie (5.29) jest dyskretnym odpowiednikiem splotu określonego dla funkcji ciągłych równaniem (5.11). Filtr nierekursywny określony jest poprzez stałe współczynniki wagowe hk, zaś proces filtracji przy pomocy tego filtru sprowadza się do wyznaczenia sumy M wyrażeń postaci hk xl − k dla każdej wartości sygnału wejściowego yl. Amplituda okres uśrednienia hk k xl t l-k Rys. 5.16. Filtracja jako obliczanie średniej ruchomej . l 23 W filtracji analogowej realizujemy splot dwóch ciągłych funkcji, natomiast cyfrowy filtr nierekursywny jest dyskretną realizacją splotu tzn. wartości splotu wyznaczane są tylko w chwilach próbkowania. Przebieg wejściowy i charakterystyka filtru dane są jako ciągi wartości na Rys. 5.16, wyznaczanie kolejnych wartości yl można zinterpretować jako przesuwanie wykresu współczynników wagowych hk wzdłuż osi czasu co oznacza, że proces filtracji przy pomocy filtru nierekursywnego może być traktowany jako obliczanie wartości średniej ruchomej. Warto zauważyć, iż w przeciwieństwie do charakterystyk rzeczywistych układów fizycznych (tzn. filtrów analogowych), charakterystyka filtru cyfrowego nie musi być równa zero dla t < 0 . Charakterystyka częstotliwościowa nierekursywnego filtru cyfrowego może być wyznaczona zgodnie z zależnością (5.21), jednak ze względu na dyskretny charakter procesu wykorzystać tu należy dyskretną postać transformaty Fouriera: M Y( f ) = X( f ) ∑h e k − i 2πfT (5.30) k =−M gdzie T jest okresem próbkowania. Charakterystyka częstotliwościowa filtru określona jest wówczas zależnością: M Y( f ) H( f ) = = hk e − i 2πfT X ( f ) k =−M ∑ (5.31) ponieważ H ( f ) jest wielkością zespoloną, zatem: H ( f ) = A( f ) cos Φ ( f ) + iA( f ) sin Φ ( f ) (5.32) W zależności powyższej A( f ) oznacza wzmocnienie filtru, natomiast Φ ( f ) przesunięcie fazowe. Jeżeli założymy hk = h− k dla k = 0,K, M , częstotliwościowa odpowiedź filtru jest funkcją rzeczywistą daną związkiem: H ( f ) = ho + M ∑h k k =1 cos( fkT ) (5.33) 24 Powyższa zależność określa nierekursywny filtr cyfrowy o przesunięciu fazowym równym zero. Jeżeli założymy hk = − h− k , H ( f ) staje się funkcją urojoną i określa nierekursywny filtr sinusowy o przesunięciu fazowym π 2 : M H( f ) = 2 hk sin( fkT ) i k =1 ∑ (5.34) Filtry cyfrowe nierekursywne charakteryzują się zatem możliwością uzyskania stałego lub zerowego przesunięcia fazowego, co bywa niekiedy cechą pożądaną. 5.10. Filtr cyfrowy rekursywny Cyfrowe filtry nierekursywne charakteryzują się prostotą opisujących je formuł, co stanowi ich niewątpliwą zaletę. Z drugiej jednak strony wymagają one dużej liczby współczynników hk dla dobrego przybliżenia zadanej charakterystyki amplitudowej, co zwiększa nakłady obliczeniowe oraz wymaga dużych obszarów pamięci maszyny cyfrowej. Alternatywnym rozwiązaniem może być zastosowanie filtrów rekursywnych, zmniejszających o rząd wielkości czas obliczeń i wymagany obszar pamięci. Filtry rekursywne są jednak układami o bardziej złożonej strukturze, gdyż ich sygnał wyjściowy stanowi sumę ważoną elementów sygnału wejściowego i wyjściowego, co przedstawiono schematycznie na Rys. 5.17. Filtr rekursywny opisany jest zależnością (5.28) dla M ≠ 0 oraz P ≠ 0, mimo iż formuła ta wydaje się bardziej złożona, dla uzyskania żądanej charakterystyki potrzebna jest mniejsza liczba współczynników. Dzięki małej liczbie współczynników filtry rekursywne wymagają mniejszego nakładu obliczeniowego, co ma ogromne znaczenie przy analizie sygnałów w czasie rzeczywistym. Filtry rekursywne mają niezerową charakterystykę fazową, co nie ma istotnego znaczenia w większości zastosowań, chociaż w pewnych przypadkach 25 xl hk yl bP b2 ∆t b1 ∆t y l-P ∆t y l-2 y l-1 Rys. 5.17. Schemat blokowy prostego filtru rekurencyjnego. niezerowa charakterystyka fazowa może znacznie zniekształcić filtrowany przebieg. Transmitancja liniowego filtru rekursywnego może być wyznaczona w sposób identyczny jak dla filtru nierekursywnego: M H( f ) = Y( f ) = X( f ) ∑h e k − i 2πfkT k =0 P 1− ∑b e k (5.35) − i 2πfkT k =0 funkcja H ( f ) jest wymierną względem funkcji cos(kfT ) oraz sin( kfT ) . Najprostszym przykładem filtru cyfrowego rekursywnego jest filtr rekursywny pierwszego rzędu. Filtr tego typu opisany jest zależnością: yl = αyl −1 + M ∑h x k l −k = αyl −1 + g ( xl ) (5.36) k =1 Transmitancję tak określonego filtru wyrazić można równaniem: H( f ) = G( f ) 1 − αe − i 2πfT (5.37) Filtr cyfrowy nazywany jest stabilnym, wówczas gdy wszystkie pierwiastki mianownika transmitancji filtru mają dodatnie części urojone. Jako przykłady filtrów rekursywnych pierwszego rzędu rozpatrzone zostaną filtry dolnoprzepustowe i górnoprzepustowe pierwszego rzędu. 26 Cyfrowy filtr rekursywny, dolnoprzepustowy pierwszego rzędu dany jest równaniem: yl = αyl −1 + (1 − α ) xl (5.38) tzn., za funkcję g ( xl ) w równaniu (5.36), podstawiono (1 − α ) xl . W tym przypadku transmitancja filtru określona jest równaniem: H( f ) = 1−α 1 − αe − i 2πfT (5.39) Podnosząc do kwadratu moduł transmitancji filtru: (1 − α ) 2 H( f ) = 1 − 2α cos(2πfT ) + α 2 2 i wstawiając za f odpowiednio: 0 i (5.40) 1 można określić wartości kwadratu 2T modułu funkcji przejścia dla częstotliwości granicznych ( f = 0 oraz f = 0.5 f p ): 2 1−α 1 H = 1+α 2T 2 H (0) = 1 oraz 2 Cyfrowy filtr rekursywny, górnoprzepustowy pierwszego rzędu określony jest podobną do dolnoprzepustowego zależnością: yl = βyl −1 + (1 + β ) xl (5.41) Funkcja przenoszenie dla tego filtru opisana jest równaniem: H( f ) = 1+ β 1 − βe − i 2πfT (5.42) Na podstawie zależności (5.42) postępując w sposób analogiczny do opisanego na przykładzie filtru dolnoprzepustowego, określić można wartości funkcji przenoszenia dla częstotliwości granicznych, które wynoszą odpowiednio: 1+ β H ( 0) = − β 1 2 2 2 oraz 1 H =1 2T 27 Na podstawie powyższych zależności wynika, iż moduł transmitancji osiąga wartość maksymalną dla górnej częstotliwości granicznej, wynik ten jest odwrotnym do uzyskanego poprzednio, czego należało się spodziewać analizując filtr dolno i górnoprzepustowy. Kolejną rozważaną grupą filtrów są cyfrowe filtry rekursywne drugiego rzędu. Filtr taki w ogólnym przypadku dany zależnością: yl = b1 yl −1 + b2 yl − 2 + g ( xl ) (5.43) Funkcja przenoszenia filtru dana jest w tym przypadku zależnością: H( f ) = G( f ) 1 − b1e − b2 e − i 4πfT (5.44) − i 2πfT Zagadnienie stabilności filtru drugiego rzędu jest nieco bardziej skomplikowane aniżeli w przypadku filtru pierwszego rzędu i dotyczą one stałych wartości b1 i b2 . Graficznie warunki stabilności przedstawione zostały na Rys. 5.18, na którym wykreślony jest trójkąt przedstawiony w układzie b1 , b2 . b 2 Zewnętrze trójkąta jest Filtr stabilny, współczynniki rzeczywiste -2 obszarem niestabilności 1 b2 = 1 - b 1 1 -1 Filtr stabilny, współczynniki zespolone b 21 b2 = 4 2 b1 -1 Rys. 5.18. Warunek stabilności filtru II rzędu jako funkcja współczynników b1 i b2. Wartości współczynników b1 i b2 odpowiadające wnętrzu trójkąta określają filtr stabilny, natomiast wartości odpowiadające obszarowi poza wnętrzem trójkąta określają filtr niestabilny. Obszar wyznaczony przez wartości b1 i b2 odpowiadające brzegom trójkąta określają filtry na granicy stabilności. 28 Przyrównując do zera mianownik równania (5.44) i podstawiając z = ei 2πfT , otrzymujemy: 1 − b1 z −1 − b2 z −2 = 0 (5.45) Mnożąc obustronnie przez z 2 uzyskujemy równanie (5.45) w postaci: z 2 − b1 z − b2 = 0 (5.46) Filtry stabilne drugiego rzędu podzielić można na dwie grupy, kryterium podziału w tym przypadku są wartości pierwiastków równania (5.46). Jeżeli wyróżnik równania (5.46) b12 + 4b2 ≥ 0 , to pierwiastki są liczbami rzeczywistymi, natomiast w sytuacji gdy wyróżnik b12 + 4b2 < 0 , pierwiastki są liczbami zespolonymi. Dla przykładu rozważymy przypadek, w którym pierwiastki równania (5.46) są liczbami rzeczywistymi, wówczas podstawiając odpowiednio za b1 = α + β , b2 = αβ równanie (5.43) przybiera postać: yl = (α + β ) yl −1 + αβyl − 2 + g ( xl ) (5.47) Transmitancja tak określonego filtru dana jest zależnością: H( f ) = G( f ) G( f ) = − i 2πfT − i 4πfT − i 2πfT 1 − (α + β )e − αβe (1 − αe )(1 − βe − i 2πfT ) (5.48) Obydwa pierwiastki funkcji przenoszenia zapisać można równaniem: i 0 <α <1 2πT ln α fα = i [ln α + iπ ] − 1 < α < 0 2πT (5.49) Dla dodatnich wartości parametru α równania (5.47) i (5.48) określają filtr dolnoprzepustowy, dla ujemnych α filtr górnoprzepustowy. W wyniku kombinacji dodatnich i ujemnych wartości parametrów α i β można uzyskać filtry mieszane. Filtry cyfrowe wyższych rzędów realizuje się jako szeregowe, równoległe lub mieszane, najbardziej interesującym jest filtr mieszany, którego równanie ma postać: 29 M ∑ yl = bm yl − m + m=0 K ∑h x (5.50) k l −k k =1 Taki filtr określony jest jednoznacznie wówczas, gdy znane są ciągi wartości {bm } i {hk }. Funkcja przenoszenia filtru rzędu M dana jest związkiem: K ∑h e k − i 2πfkT k =0 M H( f ) = 1− ∑b e m (5.51) − i 2πfmT m =0 Jak wspomniano we wcześniejszych fragmentach tego rozdziału zagadnienia związane z filtrami dolnoprzepustowymi stanowią bazę dla projektowania innego typu filtrów. Najprostszym rodzajem filtru dolnoprzepustowego jest sinusowy filtr Butterwortha, którego kwadrat modułu funkcji przenoszenia określona jest zależnością: 2 H( f ) = 1+ 1 ( (5.52) ) sin πTf 2 K sin πT∆f Jakość tego rodzaju filtrów określić można przy pomocy miary określającej wartość tłumienia przy częstotliwości f k = 1 − ∆f . Wstawiają tę zależność do 2T równania (5.52), otrzymujemy: 2 H( f ) = 1 sin[πT ( − ∆f )] 1 + sin π T f ∆ 1 2T 2 = 1 1 + ctg πT∆f 2K ≈ tg 2 K πT∆f (5.53) Przybliżenie to zachodzie jedynie dla małych wartości ∆f , w dalszych uproszczeniach z korzystamy z tego, że tg x ≈ x , co pozwala zapisać równanie (5.53) w postaci: 2 H ( f ) = (πT∆f ) 2 K (5.54) a w postaci logarytmicznej: 2 10 lg H ( f ) = 20 K lg πT∆f (5.55) 30 Z równia (5.55) wynika, iż tłumienie przy częstotliwości f k wyrażone w decybelach jest proporcjonalne do liczby biegunów filtru oraz logarytmu πT∆f . Filtr dolnoprzepustowy Czebyszewa jest kolejnym przykładem praktycznej realizacji filtru cyfrowego rekursywnego. Kwadrat modułu funkcji przenoszenia wyraża się wzorem: 1 2 H( f ) = 1 + εTK2 ( sin πTf sin πT∆f ) (5.56) w którym TK2 ( x ) jest wielomianem Czebyszewa stopnia K , które wygenerować można przy pomocy równania rekurencyjnego: TK +1 ( x ) = 2 xTK ( x ) − TK −1 ( x ) (5.57) Postępując analogicznie jak w poprzednim przypadku można określić tłumienie filtru Czebyszewa przy częstotliwości f k , otrzymujemy zatem wyrażenie: 1 2 H( f ) = 1+ ε (5.58) πT∆f TK2ctg Ponieważ dla dużych wartości x zachodzi przybliżenie: TK ( x ) ≈ 2 K −1 x K (5.59) można zależność (5.58) przedstawić w następujący sposób: 2 H ( f ) ≈ ε −1 2 − ( 2 K − 2 ) tg 2 K πT∆f (5.60) Następnie korzystając z wprowadzonego w poprzednim przypadku przybliżenia, że dla małych wartości x: tg x ≈ x (jest to możliwe dlatego, iż funkcja tg x jest odwrotną do funkcji ctg x), zależność (5.60) można przedstawić w postaci 2 H ( f ) ≈ ε −1 2 − ( 2 K − 2 ) (πT∆f ) 2 K (5.61) Postać logarytmiczna równania (5.61) dana jest wyrażeniem: 2 10 lg H ( f ) ≈ −10 lg ε − 6( K − 1) + 20 K lg πT∆f Porównując zależność określającą współczynnik tłumienia (5.62) dla filtru Buterwortha (5.55), z zależnością opisującą współczynnik tłumienia dla filtru Czebyszewa można w łatwy sposób zauważyć, że współczynnik ten jest dla 31 filtru Czebyszewa większy przy danej częstotliwości [10 lg ε + 6( K − 1)]. fk o wartość