CC BY
29
круг
е
обрабатываемая заготовка
жидкости от насоса
автоматизированный привод с винт - гайкой
Рис. 1. Струйная силовая опора
ЛИТЕРАТУРА
1. A.C. СССР № 307205.
2. A.C. СССР № 389908.
3. A.C. СССР № 1242317.
Вара A.B., Змеу К.В., Ковалёв В.А., Ноткин Б.С.
ПРИЛОЖЕНИЕ ДЛЯ СИНТЕЗА И АНАЛИЗА ШУМОВ В ИЗМЕРИТЕЛЬНЫХ КАНАЛАХ СИСТЕМ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ
Шум часто является неизбежностью в системах автоматического управления (САУ). На сегодняшний день сложилась практика при синтезе и численном исследовании САУ не учитывать его вовсе, или использовать существенно упрощенные модели шума, не отражающие всех аспектов его влияния. Особенно актуальным этот вопрос становится при построении САУ, функционирующих на основе массированной обработки данных в реальном времени (data driven systems), например, адаптивных систем или систем с наблюдателем состояния.
Разработано приложение «SigDecTool», которое содержит широкую палитру инструментов, позволяющих осуществлять моделирование стационарных аддитивных шумов с различными характеристиками и экспортировать полученные модели в среду MATLAB/Simulink с целью повышения качества синтеза и анализа прикладных систем автоматического управления. Приложение содержит графический интерфейс (рис. 1) и позволяет конструировать модели шумов как с произвольными характеристиками, так и с характеристиками, полученными на основе анализа реальных сигналов шума. В качестве основных характеристик для оценки шума в приложении используются частотный спектр сигнала, корреляционная функция и закон распределения амплитуд.
с 0.005
' - иу
/
}
/
0 10 Библиотека сигналов
20 30
Частота (Гц)
.........Выбранные сигналы
- Параметры:[-{Си№ идальный-
Амплитуда: 1 Период 1с]: 0.75 Фаза [рад]: 0
-1 -0.5 О
Значение амплитуды Визуализация
¡Константа
^Импульсный
^Синусоидальный
¡Пилообразный
¡Треугольный
Случайный (норм, распр.)
¡Случайный (равн. распр.)
' I Изменить I (У Активировать
[ ] Импульсный А
.[--] Константа
Импорт
|
Лг......
и та)» [с];
•И Треугольный
Пилообразный i["] случайный (норм, распр.!
7Г/
;\ /
Экспорт j ч Г Удалить j
j Изменить | Продолжительность сигнала [с]; 100. Интервал дискретности [с}: 0.01
Способ отображения
ч ч *! Сигналы сепаратно
0.5 1
Время (с)
Исходный сигнал: sjgnaH [^J ( Отображать |
Vr
Рис. 1. Главное окно приложения SigDecTool
Модель шума в приложении «SigDecTool» представляет собой сумму аддитивных сигналов трех видов: периодические, случайные и сигнал смещения с постоянной амплитудой. Список доступных для использования аддитивных сигналов находится в поле "Библиотека сигналов" (I) интерфейса приложения (рис. 1). Из этого списка осуществляют выбор сигналов для использования в текущем проекте. Их список отображается в поле "Выбранные сигналы" (II), где можно изменить параметры отдельных аддитивных составляющих. В поле "Визуализация" (III) по желанию пользователя отображается либо раздельно каждый вид используемых в проекте составляющих шума с заданными параметрами, либо их сумма, являющаяся результирующим сигналом модели. В область (IV), предназначенную для отображения графиков статистических характеристик результирующего сигнала модели, выводятся (по желанию пользователя) его частотный спектр, распределение амплитуд и автокорреляционная функция.
Главной особенностью приложения является возможность расширения библиотеки сигналов и построения модели шумов из составляющих, полученных в результате разложения реальных сигналов шума, путем решения задачи декомпозиции (V).
В строке состояния (VI) содержится информация о продолжительности и интервале дискретности моделируемого сигнала, влияющая на его визуализацию, имя исходного сигнала, импортированного для декомпозиции, а также элементы управления, позволяющие прослушивать и управлять отображением исходного сигнала.
Полученные с помощью приложения «SigDecTool» модели могут быть сохранены с последующим открытием, а также экспортированы в среду Simulink (VII).
Основу декомпозиции составляют два формально независимых механизма, направленных на выявление составляющих, имеющих периодическую и случайную природу. Первый этап процедуры декомпозиции заключается в выявлении периодических составляющих. Для его выполнения необходимо указать на спектре пороговый уровень амплитуды. Этот параметр, с одной стороны, влияет на спектральное подобие синтезируемой модели исходному сигналу шума, но, с другой
стороны, может привести к чрезвычайно длительному вычислительному процессу и высокой сложности полученной в итоге модели. В процессе решения задачи декомпозиции в расчет берутся только те частоты, чьи амплитуды превышают пороговый уровень. Таким образом, производится поиск периодов составляющих (в алгоритме для упрощения используются лишь частоты на локальных максимумах спектра). Затем найденные по спектру периоды верифицируются на кратность с помощью автокорреляционной функции. После прохождения верификации происходит выделение периодической составляющей путём усреднения исследуемого сигнала. Выделенная составляющая вычитается из сигнала, и цикл повторяется, то есть после каждого выделения составляющей для полученного сигнала перестраивается спектр, постепенно уменьшая свою амплитуду и теряя ярко выраженные частоты.
После выполнения первого этапа, а также в том случае, если установленный пороговый уровень превышает максимальную амплитуду на спектре, выполняется второй этап процедуры декомпозиции - выявление закона распределения случайной составляющей. Случайная составляющая генерируется из равнораспределённого сигнала по инверсной функции распределения амплитуд полученного сигнала (остатка от исходного) методом обратного преобразования (преобразование В. И. Смирнова) [1]. Более подробно алгоритм описан в [2].
Выводы. Разработанный подход [2] реализован в виде приложения «SigDecTool», которое позволяет осуществлять синтез и анализ разнообразных стационарных аддитивных шумов как с произвольными характеристиками, так и с характеристиками, полученными на основе анализа реальных сигналов шума.
ЛИТЕРАТУРА
1. Метод обратного преобразования (преобразование В. И. Смирнова) [Электронный ресурс] // Сайт.-URL: http://m.wikipedia.0rg/wiki/MeT0fl_06paTH0r0_npe06pa30BaHHfl (дата обращения 05.08.2010).
2. Andrey V. Vara, Victor А. Kovalev. The approach to modeling of noise signals // Materials of the Ninth International Young Scholars' Forum of the Asia-Pacific Region Countries. Vladivostok, Russia. Far-Eastern National Technical University. 2010 - p.392, pp.132 - 137, ISSN 1996-3238.
Марков H.A., Ноткин Б.С., Змеу K.B.
ПРОГНОЗИРУЮЩЕЕ ИНВЕРСНОЕ НЕУРОЙПРАВЛЕНИЕ С РЕГЕНЕРИРУЕМЫМ ЭТАЛОННЫМ ПЕРЕХОДНЫМ ПРОЦЕССОМ
Прогнозирующее инверсное нейроуправление (ПИН) [1] является одним из методов стратегии прогнозирующего управления [2] - современного подхода к синтезу систем автоматического управления (САУ). ПИН позволяет построить регулятор, реализующий и обобщающий необходимые примеры "вход-выход", непосредственно на основе данных "вход-выход" объекта управления (ОУ) посредством обучения искусственной нейронной сети (ИНС). Суть подхода состоит в том, что произвольные управляющие воздействия, приложенные к ОУ и переводящие его в некоторое новое состояние, рассматриваются как примеры целенаправленных управлений (рис.1).
