วินิจฉัยจาก log

ตัวอย่างที่ 1 แยกความไม่สมดุลด้วย FFT

ข้อมูลความเร่งแกน X จำลองที่อัตราสุ่ม 1,000 Hz นาน 3 วินาที ขณะลอยตัวที่ 5,000 rpm ใบพัด 2 ใบ ก่อนและหลังลงจอดแรง

import numpy as np

FS, T = 1000, 3.0                              # Hz, s
RPM, BLADES = 5000, 2
f1 = RPM / 60
t = np.arange(0, T, 1 / FS)
rng = np.random.default_rng(7)

def accel(a_1x):                               # m/s² ส่วนที่ 1x จากความไม่สมดุล
    return a_1x * np.sin(2 * np.pi * f1 * t) + 3.0 * np.sin(2 * np.pi * BLADES * f1 * t) + rng.normal(0, 1.0, t.size)

print(f"1x = {f1:.1f} Hz, blade pass = {BLADES * f1:.1f} Hz, resolution = {1 / T:.2f} Hz")
for name, a in (("before", 0.8), ("after", 6.0)):
    x = accel(a)
    amp = np.abs(np.fft.rfft(x)) * 2 / x.size
    f = np.fft.rfftfreq(x.size, 1 / FS)
    k1, kb = np.argmin(abs(f - f1)), np.argmin(abs(f - BLADES * f1))
    print(f"{name:<6} peak at {f[np.argmax(amp)]:.1f} Hz | 1x {amp[k1]:.2f} | blade pass {amp[kb]:.2f} | 1x/blade {amp[k1] / amp[kb]:.2f}")

1x = 83.3 Hz, blade pass = 166.7 Hz, resolution = 0.33 Hz
before peak at 166.7 Hz | 1x 0.81 | blade pass 2.99 | 1x/blade 0.27
after  peak at 83.3 Hz | 1x 6.02 | blade pass 2.97 | 1x/blade 2.03

ก่อนลงจอดแรง ยอดสูงสุดอยู่ที่ความถี่ใบพัดผ่านตามปกติ หลังลงจอด ยอดที่ $1\times$ สูงขึ้นหลายเท่าจนกลายเป็นยอดสูงสุด ขณะที่ความถี่ใบพัดผ่านแทบไม่เปลี่ยน รูปแบบนี้ชี้ไปที่ความไม่สมดุลของชิ้นที่หมุน (ใบพัดบิ่นหรือเพลาคด) มากกว่าฐานกันสั่นหลวม ซึ่งมักทำให้การสั่นเพิ่มทุกความถี่ ในข้อมูลจริง มอเตอร์ทั้งสี่หมุนไม่เท่ากันเล็กน้อย ยอดจึงกว้างกว่านี้ และต้องหาว่าเป็นมอเตอร์ตัวใดด้วยการตรวจชิ้นส่วน

ตัวอย่างที่ 2 หา IMU ที่ผิดปกติจากค่ามัธยฐาน

อัตราหมุนแกน Z (deg/s) จาก IMU สามชุดขณะวางนิ่งบนพื้น 5 ช่วงเวลา ทีมกำหนดว่าต่างจากค่ามัธยฐานเกิน 1.0 deg/s ถือว่าผิดปกติ (ค่าจำลอง)

import statistics as st

gyro_z = {                                     # deg/s ขณะวางนิ่ง
    "IMU0": [0.05, -0.02, 0.03, 0.01, -0.04],
    "IMU1": [0.02, 0.01, -0.03, 0.04, 0.00],
    "IMU2": [1.62, 1.58, 1.71, 1.66, 1.60],
}
LIMIT = 1.0
n = len(next(iter(gyro_z.values())))
for k in range(n):
    med = st.median(v[k] for v in gyro_z.values())
    bad = [name for name, v in gyro_z.items() if abs(v[k] - med) > LIMIT]
    print(f"sample {k}: median {med:+.2f} deg/s, outliers {bad or 'none'}")
bias = {name: st.mean(v) for name, v in gyro_z.items()}
print("mean while stationary:", {k: round(v, 2) for k, v in bias.items()})

sample 0: median +0.05 deg/s, outliers ['IMU2']
sample 1: median +0.01 deg/s, outliers ['IMU2']
sample 2: median +0.03 deg/s, outliers ['IMU2']
sample 3: median +0.04 deg/s, outliers ['IMU2']
sample 4: median +0.00 deg/s, outliers ['IMU2']
mean while stationary: {'IMU0': 0.01, 'IMU1': 0.01, 'IMU2': 1.63}

IMU2 มีค่าเบี่ยงคงที่ราว 1.6 deg/s ทั้งที่โดรนวางนิ่ง ขณะที่อีกสองชุดใกล้ศูนย์ ค่าต่าง 1.6 deg/s ยังไม่ถึงเกณฑ์ 5 deg/s ของ pre-arm จึงติดเครื่องบินได้ตามปกติ การผ่าน pre-arm จึงไม่ได้แปลว่าเซนเซอร์สมบูรณ์ ผลนี้บอกว่า IMU2 ผิด แต่ยังไม่บอกสาเหตุ อาจเป็นการสอบเทียบเก่า อุณหภูมิ หรือตัวเซนเซอร์เสียหายจากแรงกระแทก ต้องสอบเทียบใหม่แล้วทดสอบซ้ำ ถ้ายังผิดจึงเปลี่ยนบอร์ดหรือปิดใช้งาน IMU นั้นตามคู่มือ