Сетевые помехоподавляющие фильтры для силовых цепей
16 сентября 2013
Компания TE Connectivity широко известна своими разъемами, а также кабельной продукцией. Кроме того, компания выпускает достаточно широкую номенклатуру помехоподавляющих фильтров, предназначенных для использования как в сигнальных, так и в силовых цепях.
Фильтрация помех играет важное значение в современной электронной аппаратуре. С помощью фильтрации решаются две основные задачи: защита устройств от внешнего электромагнитного воздействия и создание препятствий для проникновения паразитного излучения, возникающего при работе приборов, в окружающую среду. Защита от внешних наводок способствует повышению помехоустойчивости и надежности работы. Защита от проникновения паразитных излучений за пределы устройства способствует улучшению общей электромагнитной обстановки и ослабляет эффективность различного рода атак на модули, предназначенных для обработки и защиты информации.
Компания TE Connectivity выпускает достаточно большое количество моделей силовых фильтров, предназначенных для работы в однофазных и трехфазных сетях переменного тока, а также для защиты шин питания постоянного тока.
Ниже приведена сравнительная характеристика наиболее популярных серий фильтров в наличии и доступных для заказа на складе Компэл:
| Внешний вид | Внутренняя структура | Особенности |
| RFI-фильтры общего назначения серии B для высокоимпедансных нагрузок: | ||
| ||
| Компактные двухкаскадные силовые RFI-фильтры серии EMC: | ||
| ||
| Однофазные силовые фильтры серии FC для частотных конвертеров: | ||
| ||
| Компактные трехфазные RFI-фильтры серии AYO для WYE-сетей: | ||
| ||
| ||
| RFI-фильтры общего назначения серии EDP для пайки на печатную плату: | ||
| ||
Рассмотренные силовые RFI-фильтры компании TE Connectivity позволяют значительно снизить как уровень побочных электромагнитных излучений в различной радиоэлектронной аппаратуре, так и повысить помехозащищенность по цепям питания.
- Более 300 вариантов исполнения EMI/RFI фильтров
- Для однофазных, трехфазных (звезда, треугольник) нагрузок и шин постоянного тока
- Различные исполнения для монтажа: клеммы Faston, шпильки под кабельные наконечники, клеммники с винтовым зажимом, пайка на печатную плату
- Рабочие напряжения 250/440 В AC, рабочие токи от 1 до 200 А
- Соответствие UL/CSA/VDE
Дополнительные материалы/Техническая документация
- Складская программа Компэл (0.36 Мб)
- Подробное руководство по фильтрам TE Connectivity (11.23 Мб)
- Краткий обзор серий фильтров TE Connectivity (0.
61 Мб) - Серия B (0.21 Мб)
- Серия EDP (0.17 Мб)
- Серия EMC (0.23 Мб)
- Серия FC (0.17 Мб)
- Серия K (0.28 Мб)
- Серия T (0.21 Мб)
- Серия AYO (0.16 Мб)
61 Мб)•••
Товары
| Наименование | |
|---|---|
| 10AYO1 (TE)
| |
| 10EDP (TE)
6609065-4 (TE) | |
| 10EMC1 (TE)
1-6609037-3 (TE) | |
| 10ET1 (TE)
6609046-7 (TE) | |
| 10VK6 (TE)
1-6609028-8 (TE) | |
| 12FC10 (TE)
6609069-2 (TE) | |
| 12FC10B (TE)
6609976-3 (TE) | |
| 15EMC1 (TE)
| |
| 15VT1 (TE)
| |
| 15VT6 (TE)
6609047-4 (TE) | |
| 16FC10 (TE)
6609069-3 (TE) | |
| 16FC10B (TE)
| |
| 1EB1 (TE)
| |
| 20AYO1 (TE)
6609066-4 (TE) | |
| 20EMC1 (TE)
1-6609037-5 (TE) | |
| 20VK6 (TE)
1-6609028-9 (TE) | |
| 3EDP (TE)
6609065-2 (TE) | |
| 3EMC1 (TE)
| |
| 40VK6C (TE)
| |
| 40VK6 (TE)
2-6609028-3 (TE) | |
| 6AYO1 (TE)
| |
| 6EDP (TE)
|
org/Product» data-pid=»Tw3z»>
org/Product» data-pid=»TJqV»>
org/Product» data-pid=»EmzH»>
org/Product» data-pid=»Tx7H»>ПОМЕХОПОДАВЛЯЮЩИЙ СЕТЕВОЙ ФИЛЬТР
Фильтры серии «Фазан» предназначены для защиты средств вычислительной техники и иных технических средств от утечки информации за счет наводок информативных сигналов в однофазных (трехфазных) сетях электропитания с максимальным рабочим током до 200 А (зависит от модификации), а также для подавления напряжений радиопомех в диапазоне частот 0,02 — 1000 МГц в двухпроводных (четырехпроводных) сетях электропитания с глухозаземленной или изолированной нейтралью.
Фильтры представлены в нескольких модификациях в зависимости от типа сети и максимального рабочего тока:
- Фильтр «Фазан-1Ф-20»
- Фильтр «Фазан-1Ф-40»
- Фильтр «Фазан-1Ф-100»
- Фильтр «Фазан-ЗФ-200»
Гарантия 12 мес
| Параметр и характеристика | Значение |
| Диапазон частот подавления электромагнитного поля | 0,02-1000 МГц |
| Вносимое затухание в диапазоне частот подавления электромагнитного поля, не менее | 60 дБ (-3дБ) |
| Величина падения напряжения на каждой шине фильтра при номинальном рабочем токе на частоте 50 Гц от значения напряжения сети, не более | 2 % |
| Общий уровень воздушного шума, создаваемого изделием, не более | 35 дБА |
| Напряжение питающей сети: | |
| «Фазан-1Ф-20», «Фазан-1Ф-40», «Фазан-1Ф-100» | 220 В (+10 % -15 %) |
| «Фазан-3Ф-200» | 380 В (+10 % -15 %) |
| Частота питающей сети | (50±1,25) Гц |
| Максимальный рабочий ток: | |
| «Фазан-1Ф-20» | 20А |
| «Фазан-1Ф-40» | 40А |
| «Фазан-1Ф-100» | 100А |
| «Фазан-3Ф-200» | 200А |
| Масса, не более | 24 кг |
| Габаритные размеры (с патрубком), не более: | |
| «Фазан-1Ф-20»; «Фазан-1Ф-40»; «Фазан-1Ф-100» | 1020х220х100 мм |
| «Фазан-3Ф-200» | 1020х220х150 мм |
| Наименование |
|
| Фильтр серии «Фазан» | 1 |
| Руководство по эксплуатации | 1 |
Удаление фонового шума: традиционные алгоритмы против ИИ | by Praneeth Guduguntla
Photo by Kelly Sikkema on UnsplashШум повсюду. Независимо от того, находитесь ли вы в комфорте своего дома или идете по улице, звук мусоровоза или лай вашей собаки могут быстро стать неприятностью. Особенно в эпоху цифровых технологий все эти шумы улавливаются микрофонами и мешают нашему общению. Итак, давайте посмотрим, как мы можем удалить его!
Удаление фонового шума — это способность усиливать зашумленный речевой сигнал путем выделения доминирующего звука. Удаление фонового шума используется повсеместно — его можно найти в программном обеспечении для редактирования аудио/видео, платформах для видеоконференций и наушниках с шумоподавлением.
Таким образом, удаление фонового шума по-прежнему является быстро развивающейся технологией, а искусственный интеллект предлагает совершенно новую область подходов для улучшения задачи.
Сегодня давайте рассмотрим, как работает удаление фонового шума, рассмотрев традиционные подходы и подходы, основанные на машинном обучении .
Большинство алгоритмов удаления шума являются субтрактивными, определяя определенные частоты с более высоким уровнем фонового шума и вычитая эти полосы из исходного сигнала. Многие из таких подходов используют статические фильтры, такие как фильтры нижних частот, верхних частот и полосовые фильтры, которые разработаны с определенными параметрами для выделения того, что считается доминирующим сигналом. Эти алгоритмы лучше всего работают с детерминированными сигналами, когда существует небольшая неопределенность в отношении типа фильтруемого шума и типа изолируемого шума. На практике эти фильтры крайне неэффективны в различных условиях, особенно в ситуациях, когда свойства фонового шума перекрываются с выделяемым чистым сигналом.
Норберт Винер использовал другой подход, отказавшись от предположения, что данный зашумленный сигнал является детерминированным.
Винеровская фильтрация является отраслевым стандартом динамической обработки сигналов и широко используется в слуховых аппаратах и других периферийных устройствах, таких как телефоны и устройства связи. Адаптивный фильтр лучше всего работает с двумя аудиосигналами: один с речью и фоновым шумом, а другой измеряет только фоновый шум. Современные разработчики смартфонов часто размещают два микрофона на расстоянии друг от друга, так что один помещается рядом со ртом говорящего для записи шумной речи, а другой может измерять окружающий шум для его фильтрации.
Вам может быть интересно, если у нас есть изолированный сигнал фонового шума и шумной речи, почему мы не можем просто вычесть фоновый шум из шумной речи, чтобы выделить чистую речь? Хотя этот подход может показаться интуитивно понятным, результат не совсем такой, как мы ожидаем.
Оказывается, есть много причин, почему это не сработает. Макроскопическое расстояние между микрофонами помещает их обоих в немного разные условия. Таким образом, мы не можем выполнить простое вычитание сигналов, чтобы удалить большинство элементов шума, потому что шум вызван рядом факторов, включая электростатические заряды внутри аппаратных компонентов и небольшие вибрации в окружающей среде, все из которых сильно различаются при малейшем изменении. в окружающей среде.
Винеровский фильтр, однако, использует свойства этих двух сигналов для получения оценок чистой речи. Затем вычисляется и минимизируется ошибка, известная как среднеквадратическая ошибка, чтобы получить наилучшую оценку чистой речи.
Винеровская фильтрация, к сожалению, также имеет свои недостатки:
- Во-первых, чтобы в полной мере воспользоваться ее преимуществами, требуются два различных аудиосигнала. Во многих ситуациях, например, в кабине или смартфоне, целесообразно иметь систему с двумя микрофонами, но в более общих случаях было бы полезно иметь возможность обрабатывать шум из одного потока.
- Во-вторых, могут быть заметные искажения речи в звуке в тех случаях, когда спектральные свойства фонового шума перекрываются со свойствами речи. Вычитающий характер фильтра может удалять части речи, которые звучат похоже на фоновый шум. С появлением глубокого обучения многие из этих проблем были решены.
Искусственные нейронные сети — это старая идея, которая недавно получила широкое распространение в форме глубокого обучения. Хотя существуют разные подходы глубокого обучения к удалению шума, все они работают на основе обучающего набора данных.
Первым шагом к построению точной модели удаления шума является создание качественного обучающего набора данных. Поскольку наша цель — удалить фоновый шум, наш набор данных должен состоять из записей чистой речи в паре с ее зашумленным вариантом.
Перед сборкой набора данных важно рассмотреть вариант использования модели. Например, при обучении алгоритма шумоподавления, который будет применяться к сигналам с микрофона пилота вертолета, имеет смысл обучать сеть на аудиосэмплах, искаженных вариациями звуков вертолета.
Для модели удаления шума общего назначения имеет смысл тренироваться с образцами повседневных фоновых звуков, таких как громкая болтовня, работа кондиционера, набор текста, лай собак, движение транспорта, музыка — вы поняли.
Как только мы выяснили, с какими данными мы хотим тренироваться, мы должны фактически сгенерировать набор данных. Лучший способ — найти большое количество чистых речевых сигналов и чистых шумовых сигналов и комбинировать их всевозможными способами. Например, вы можете объединить высококачественный образец говорящего человека и образец лая собаки, чтобы создать новый образец, в котором человек говорит с лаем на заднем плане. Таким образом, предоставляя как исходный образец говорящего человека, так и образец с речью и лаем собаки, нейронная сеть может многократно сравнивать свой предполагаемый чистый речевой сигнал с фактическим чистым речевым сигналом, чтобы затем настроить себя и повторить попытку.
Наконец, теперь мы можем передать наш набор данных в нейронную сеть, чтобы она научилась изолировать фоновый шум и генерировать чистую речь.
Одной из самых популярных и эффективных для обработки звука является рекуррентная нейронная сеть.
Рекуррентные нейронные сети — это модели, способные распознавать и понимать последовательные данные. Последовательные данные включают в себя такие вещи, как звук, текст или положение объекта во времени.
RNN особенно эффективны для удаления фонового шума, поскольку они могут изучать закономерности во времени, что важно для понимания звука.
Так как же работают RNN? Во-первых, давайте взглянем на нейронную сеть с прямой связью, которая имеет 3 основных слоя: входной слой, скрытый слой и выходной слой. RNN вводят цикл обратной связи, известный как скрытое состояние от скрытого слоя, который обновляется, когда модель обрабатывает каждый элемент в некоторой последовательности.
Источник: https://medium.com/@Aj.Cheng/ Different-between-cnn-rnn-quote-7c224795db58 Чтобы понять это, давайте рассмотрим RNN, обученную изолировать фоновый шум шумного аудио образец. Мы можем разбить аудиосэмпл на последовательность равномерно распределенных временных интервалов.
Когда каждый отдельный образец последовательности передается в RNN, скрытое состояние обновляется на каждой итерации, каждый раз сохраняя память о предыдущих шагах. В конце итерации выходные данные отправляются через нейронную сеть с прямой связью для создания нового аудиопотока с полностью удаленным фоновым шумом. Звучит как волшебство? Да вроде!
Однако у RNN есть и свои подводные камни. Самая серьезная проблема заключается в том, что они неэффективны для сохранения информации в течение длительного периода времени. Это происходит из-за проблемы исчезающего градиента во время процесса, известного как обратное распространение. Хотя я не хочу увлекаться подробностями, вот хороший ресурс, чтобы узнать об этом больше.
Отсутствие долговременной памяти делает RNN менее эффективными в процессах, где долговременная память служит очень полезной. Итак, исследователи изобрели варианты традиционной RNN, которые используют вентили для решения этой проблемы. Шлюзы — это операции, которые могут узнать, какую информацию добавить или удалить в скрытое состояние. Две основные нейронные сети, которые используют эти ворота, — это долговременная кратковременная память (LSTM) и Gated Recurrent Unit (GRU). Оба требуют гораздо больше вычислительных ресурсов, чем простые рекуррентные сети, но гораздо лучше подходят для нашей задачи по удалению шума.
Отсюда мы можем пойти в любом направлении. Некоторые модели предназначены для выполнения сквозной задачи по удалению фонового шума, но это также означает, что они требуют гораздо больше вычислительных ресурсов и больше по размеру. Эти модели невероятно эффективны и часто используются для распознавания речи. Другие применяют более гибридный подход, используя традиционное вычитающее удаление шума для предварительной обработки данных, а затем применяют нейронную сеть для обработки любого нестатического фонового шума, который все еще существует в образце. Хотя оба подхода эффективны, их использование зависит от вычислительных ресурсов разработчика и желаемой точности.
Снижение фонового шума было основным направлением обработки звука с момента изобретения микрофона.
Существуют сотни традиционных методов фильтрации звука, но многие, если не все, плохо работают с нестатическим звуком и вносят искажения, когда фоновый шум смешивается с основным динамиком. С ростом вычислительной мощности и нашей способности создавать модели глубокого обучения, которые могут запоминать сложные закономерности в течение длительных периодов времени, мы смогли научить компьютеры превосходно выполнять определенные задачи. Обучая модель глубокого обучения с большими объемами данных, компьютеры стали исключительно способны удалять шум в звуке.
Итак, какой метод лучше? Если вычислительные ресурсы и задержка не имеют значения, подход ИИ значительно превосходит традиционные подходы. Это потому, что они генеративны, тогда как традиционные модели субтрактивны. Подходы ИИ способны генерировать совершенно новый аудиосигнал с удаленным фоновым шумом и с минимальным искажением четкой речи.
Если вычислительные ресурсы и задержка вызывают беспокойство, то с учетом современных технологий подходы ИИ могут оказаться непрактичными для реализации.
Время обработки моделей иногда приводит к задержке обработки, что в некоторых случаях может быть нежелательным. Тем не менее, это, безусловно, не будет большой проблемой в обозримом будущем. Нейронные сети становятся быстрее, эффективнее и доступнее с каждым днем, и в конечном итоге они станут стандартом.
Первоначально опубликовано на Audo AI.
…
Спасибо, что нашли время прочитать это. Как всегда, я ценю любые ваши комментарии/отзывы.
Не стесняйтесь ознакомиться с другими моими работами на моей странице в Medium или в блоге Audo AI!
Руководство по фильтру шумоподавления| Производственные изделия Murata
Направляющая фильтра шумоподавления
Противодействие шуму в линиях электропередач с использованием синфазных дросселей
- Средства шумоподавления
- Фильтры подавления электромагнитных помех
- Устройства защиты от электростатических разрядов
- Синфазные дроссели/фильтры синфазных помех
Направляющая фильтра шумоподавления
Введение в шумовые фильтры для аудиосхем смартфонов
- Средства шумоподавления
- Фильтры подавления электромагнитных помех
- Устройства защиты от электростатических разрядов
- Помехоподавляющие фильтры для аудиолиний
- Катушки индуктивности
Представляем высокотемпературные ферритовые шарики для автомобильных устройств
- Средства шумоподавления
- Фильтры подавления электромагнитных помех
- Устройства защиты от электростатических разрядов
- Ферритовая шайба
Направляющая фильтра шумоподавления
Характеристики синфазных дросселей для сигнальных линий и как их выбрать
- Средства шумоподавления
- Фильтры подавления электромагнитных помех
- Устройства защиты от электростатических разрядов
- Синфазные дроссели/фильтры синфазных помех
Направляющая фильтра шумоподавления
Средства шумоподавления, поддерживающие стандарт автомобильной сети Ethernet BroadR-Reach® [комната CMCC]
- Средства шумоподавления
- Фильтры подавления электромагнитных помех
- Устройства защиты от электростатических разрядов
- Синфазные дроссели/фильтры синфазных помех
Направляющая фильтра шумоподавления
Характеристики шумовых фильтров, которые не ухудшают качество сигнала [Часть 1: Характеристики наложения постоянного тока]
- Средства шумоподавления
- Фильтры подавления электромагнитных помех
- Устройства защиты от электростатических разрядов
Руководство по шумоподавляющим фильтрам
Как смягчить ухудшение чувствительности приема беспроводных локальных сетей с помощью методов шумоподавления?
- Средства шумоподавления
- Фильтры подавления электромагнитных помех
- Устройства защиты от электростатических разрядов
Направляющая фильтра шумоподавления
Инженерыобъясняют методы шумоподавления — решения по шумоподавлению для беспроводной передачи энергии (часть 2) —
- Средства шумоподавления
- Фильтры подавления электромагнитных помех
- Устройства защиты от электростатических разрядов
- Конденсатор
- Синфазные дроссели/фильтры синфазных помех
Направляющая фильтра шумоподавления
Инженерыобъясняют методы шумоподавления — решения по шумоподавлению для беспроводной передачи энергии (часть 1) —
- Средства шумоподавления
- Фильтры подавления электромагнитных помех
- Устройства защиты от электростатических разрядов
- Конденсатор
- Синфазные дроссели/фильтры синфазных помех
Направляющая фильтра шумоподавления
Основы шумоподавления Урок 14: Использование синфазных дроссельных катушек для линий электропитания
- Средства шумоподавления
- Фильтры подавления электромагнитных помех
- Устройства защиты от электростатических разрядов
- Синфазные дроссели/фильтры синфазных помех
