Оценивание сигналов

При построении моделей возникают две основные задачи. Первая связана с определением структуры объекта, оцениванием линейности, стационарности, выбором информационных вибрационных сигналов, определяющих техническое состояние и его изменение. Вся эта информация априорна для решения второй задачи — определения параметров и отклонений параметров объектов. Определение параметров объекта или эквивалентной ему модели включает в себя не только оценку их для данного момента, но и прогнозирование их изменения, что дает возможность применять эти результаты для диагностики качества функционирования. [c.157]

Если наблюдения за контролируемыми непрерывными системами осуществляются в дискретные моменты времени t — kAt, k — 1,2,. .., то необходимо правильно выбрать шаг дискретности времени At. Обыч ю его выбираю в соответствии с теоремой Котельникова, т. е. из условия 2/дг. где / — максимальная частота, которую требуется различать по дискретизированным сигналам. В задаче идентификации в качестве может быть принята интересующая исследователя максимальная частота частотной характеристики системы (или максимальная частота выходных сигналов). При этом следует иметь в виду, что слишком высокая частота дискретизации непрерывных сигналов приводит к дискретным моделям (в виде разностных уравнений) с близкими к границе области устойчивости коэффициентами, что усложняет задачу оценивания параметров таких моделей. В связи с этим появляется проблема оптимальной дискретизации, которая может быть решена для конкретных структур операторов. [c.350]

Оценивание параметров линейных дифференциальных уравнений. Пусть связь между входным х (i) и выходным у (/) сигналами описывается обыкновенным диф- [c.363]

Оценивание параметров модели Винера с весовыми функциями. Связь между входным л (t) и выходным у t] сигналами представляют в следующем виде [c.370]

Нормированные динамические характеристики (ДХ) СИ должны позволять проводить оценивание погрешностей измерений при любых изменениях сигналов. При этом необходимо, чтобы эти характеристики экспериментально определялись, поверялись и контролировались достаточно простыми способами. Однако основное требование, которому должны отвечать ДХ, состоит в том, чтобы по ним можно было оценить динамические погрешности измерений в рабочих условиях эксплуатации СИ. [c.158]

Модели объектов и сигналов представлены в книге главным образом параметрически, т. е, описываются скалярными или векторными разностными уравнениями, поскольку современные методы синтеза основаны именно на таком представлении. Описания объектов даются в компактном виде с малым числом параметров, а методы синтеза во временной области не требуют больших объемов вычислений и обеспечивают получение структурно оптимизируемых регуляторов. Модели объектов получены в результате применения методов оценивания параметров и могут быть непосредственно использованы для наблюдения или оценивания состояний. Непараметрические модели, такие, как переходные функции или частотные характеристики, представляемые в виде таблиц, указанными преимуществами не обладают. Их использование ограничивает возможности синтеза, в частности, это касается автоматизированного проектирования и адаптивных алгоритмов управления. [c.16]

Для идентификации в реальном времени созданы рекуррентные методы оценивания параметров стационарных и нестационарных линейных объектов, нелинейных объектов определенного класса, а также стационарных и некоторых нестационарных случайных сигналов. В этой главе представлен краткий обзор наиболее известных рекуррентных методов параметрической идентификации. Подробное обсуждение этих методов, в том числе их вывод и анализ условий сходимости, читатель сможет найти в работах [3.12]. [3.13], а также в литературе, отмеченной в ссылках. [c.352]

В разд. 24.1 и 24.2 обсуждаются условия сходимости оценок параметров при идентификации в замкнутом контуре в отсутствие и при наличии внешних возмущающих сигналов. Затем в разд. 24.3 проводится сравнение методов с точки зрения эффективности их использования для идентификации в замкнутом контуре. Для того чтобы более систематично подойти к анализу проблем, возникающих при оценивании параметров в замкнутом контуре, выделим ряд типовых случаев (см. рис. 24.1.1 и 24.2.1) [c.374]

При выводе условий идентифицируемости в гл. 24 были рассмотрены регуляторы с управлением по входу/выходу. Эти результаты применимы при рассмотрении регуляторов, использующих для управления переменные состояния, с наблюдателями или оцениванием вектора состояния, если алгоритмы управления могут быть представлены в виде связи входных и выходных сигналов (см. разд. 8.7). В соответствии с (8.7-19) характеристическое уравнение имеет порядок / 2т. Поэтому второе условие идентифицируемости выполняется при отсутствии в уравнении 0(2 )=0 общих корней со знаменателем модели объекта. Регулятор с управлением по состоянию может быть рассчитан с помощью методов, обеспечивающих желаемое расположение полюсов или на основе рекуррентного решения матричного уравнения Риккати, достигаемого за несколько итераций (см. разд. 8.1). [c.399]

В этом разделе рассматриваются алгоритмы управления с подстройкой параметров, основанные на принципе стохастической эквивалентности и не нуждающиеся для сходимости во внешних возмущающих воздействиях. На основании изложенного в предыдущих главах, помимо алгоритмов оценивания и управления в систему необходимо включать дополнительные алгоритмы для оценивания постоянной составляющей сигналов и компенсации смещения. Таким образом, регуляторы с подстройкой параметров, использующие принцип стохастической эквивалентности, состоят (на данном этапе) из следующих алгоритмов [c.401]

Начальная сходимость подстройки зависит от алгоритма оценивания параметров, алгоритма управления, начальных оценок для рекуррентной процедуры оценивания, а также характеристик внешних сигналов. В настоящее время единственным целесообразным способом исследования характеристик сходимости является моделирование (см. разд. 25.4). [c.408]

В данной главе обсуждаются вопросы применения подобных фильтров в системах управления. Если же спектры полезного сигнала и шума накладываются друг на друга, для выделения сигнала должны использоваться статистические методы оценивания. В этих условиях принципиально невозможно получить абсолютно точные значения сигналов и целью указанных методов является лишь минимизация воздействия помех. Первым фильтром такого типа стал предложенный в 1940 г. для непрерывных сигналов фильтр Винера, в основе которого лежал метод наименьших квадратов. Реализация этого фильтра столкнулась, однако, с существенными трудностями. Новым этапом в развитии теории фильтрации явился фильтр Калмана, первое сообщение [c.456]

В некоторых приложениях требуются только текущие средние значения сигналов, т. е. их наиболее низкочастотные компоненты. Типовым примером может служить проблема выделения постоянной составляющей сигнала с помощью рекуррентных процедур оценивания. Для этой цели могут использоваться разнообразные алгоритмы. Ниже рассматриваются некоторые из них. [c.466]

Рис. 27.3.3. Амплитудные частотные характеристики рекуррентных алгоритмов оценивания медленно меняющихся регулярных сигналов.

Еще один способ линеаризации основан на оценивании малых постоянных времени исполнительного устройства, исходя из отношения эффективных значений реакций на пилообразный знакопеременный и ступенчатый входные сигналы [c.480]

Коэффициенты Ь полинома подлежат оцениванию по реальному сигналу и, таким образом, увеличивают число оцениваемых параметров. При этом bi, Ьг определяют собственно дрейф, который может вызываться нестабильностью режимов аналитической системы прибора, дрейфом параметров его электронного блока и другими причинами. Величина ожидаемого базисного сигнала может быть вычислена экстраполяцией сигнала по модели (1.12). Однако изменение коэффициентов Ь во времени значительно усложняет процедуру компенсации уъ. с, заставляя периодически повторять их оценивание (см. раздел 2,3). [c.14]

Априорно можно ожидать увеличения точности оценивания параметров сигналов в спектральной области при соблюдении по крайней мере следующих дополнительных двух требований [c.23]

Процедура сглаживания может быть построена на основании использования параметрической (физической или формальной) либо непараметрической моделей сигнала y (i) в (1.44). В первом случае она фактически сводится к процедуре оценивания неизвестных параметров модели, которая рассмотрена в гл. 2. При этом в качестве формальных моделей используются полиномы или ряды типа (1.21) и проводится оценка их коэффициентов Yi. Сглаживание значений г/(if) рядами целесообразно при таком выборе базисных функций, при котором малая погрешность аппроксимации достигается при не слишком большом числе членов. При сглаживании сложных сигналов целесообразно разбить интервал аппроксимации на участки, позволяющие использовать семейство простых функций, в частности многочленов невысоких порядков (<3) —сплайн-функций, которые состыкованы так, чтобы на граничных участках не было разрывов сигнала y (t) и нескольких его производных [c.28]

Форма сигнала s(i) на выходе такого фильтра существенно искажается. При обработке аналитической информации согласованная фильтрация используется при обнаружении сигналов и оценивании их параметров методом максимального правдоподобия, поскольку выход такого фильтра ус(0 совпадает с зависящей от сигнала y(t) частью функционала логарифма отношения правдоподобия (см. раздел 2.2). [c.32]

ОЦЕНИВАНИЕ ПАРАМЕТРОВ СИГНАЛОВ АНАЛИТИЧЕСКИХ ПРИБОРОВ ПРИ НАЛИЧИИ ПОМЕХ [c.40]

Важным условием достижения сходимости является правильный выбор начальных значений параметров 0(° Хотя некоторые авторы (см., например, [34, 35]) предостерегают от фетишизации этого условия, но наш опыт показывает, что при сильно нелинейных моделях (а такие случаи часто встречаются в процессах обработки сигналов аналитических приборов) и плохом выборе начальных оценок параметров итерационный процесс расходится. Исследования влияния величины начальных невязок на сходимость [3, 43] показали, что особенно чувствительны к плохому качеству начальных оценок методы минимизации второй группы. Допустимое отклонение начальных оценок парам ров от их истинных значений зависит от размерности и нелинейности модели, а также применяемого алгоритма оценивания и обычно находится в пределах 20—50 % (меньший предел — для более тяжелых случаев см. раздел 2.5). Некото- [c.51]

Величина смещения определяется нелинейностью модели по параметрам. В [44] рассмотрен ряд эмпирических количественных мер нелинейности модельных функций и сделан вывод о том, что теорией линейного оценивания при анализе оценок нелинейных параметров можно пользоваться лишь при малых нелинейностях модели. Сигналы аналитических приборов часто описываются сильно нелинейными моделями, поэтому изучение их статистических свойств проводится моделированием. Некоторые результаты при различных моделях сигнала рассмотрены в разделах 2.4 и 2.5. [c.53]

УСТОЙЧИВОЕ ОЦЕНИВАНИЕ ПАРАМЕТРОВ СИГНАЛОВ [c.53]

Оценивание основных показателей свойств производится в настоящее время двумя методами аналоговым и цифровым. В аналоговых методах вычисление корреляционных функций и спектральных плотностей осуществляется путем непосредственной обработки электрических сигналов, представляющих реализации процесса с непрерывным временем. [c.170]

Рассмотрим различие между понятиями разрешающей способности геофизического метода и сжатием сейсмического сигнала. В определении разрешающей способности метода используются критерии независимого оценивания двух событий или объектов, например двух сигналов от кровли и подошвы пласта. Для таких оценок доминирующую роль играют свойства направленности интерференционных систем, применяемых для выделения сигналов по пространственным координатам и времени. [c.13]

Подсистема технического мониторинга - система реального времени, предназначенная для отображения текущей информации и аварийных сообщений, проведения параметрического оценивания, выдачи сигналов в случае превыщения уставок по вибрации и параметрам технологического процесса, в том числе экологическим, проведения ручного управления измерениями. [c.56]

Оцениваемость параметров и предельная точность оценивания. Естественным оказывается вопрос — какой наибольшей (предельной) точности оценок параметров можно достичь на основе имеющейся априорной информации и информации, полученной из U наблюдений за входными н выходными сигналами системы. Ответ на этот вопрос дает неравенство Рао—Крамера [32, 44] [c.355]

Выделение существенных параметров. В большинстве случаев при параметризации оператора заданной структуры априори не удается точно указать число т неизвестных его параметров. Исследованием условий оцениваемости можно найти верхнее число параметров, которые могут быть оценены по имеющимся наблюдениям за входными и выходными сигналами. Однако в модели всегда целесообразно оставить только существенные параметры из совокупности оцениваемых, так как число неизвестных параметров обычно определяет сложность математической модели и затраты на идентификацию, а увеличение числа параметров не всегда гарантирует улучшение математического описания исследуемой системы. Поэтому на этапе оценивания параметров оператора известной структуры необходимо определить значимость отдельных параметров или их групп. Таким образом можно выбрать и существенные входные и выходные сигналы системы, так как им соответствуют отдельные группы существенных параметров. [c.356]

Оценивание параметров линейных разностных уравнений. Когда наблюдения за входным и выходным сигналами получены в дискретные моменты времени t = kM (либо непрерывные сигналы х t) е и (/) дискретизируются в связи с применением ЭЦВМ), модель линейной системы задается в виде линейного разностного уравне- [c.364]

Оценивание параметров моделей Гаммерштейна с весовыми функциями. Связь между входным д (/) и выходным у (/) сигналами описывается интегральным оператором [c.366]

Для определения матрицы коэффициентов T]s p оптимального линейного фильтра по (9.10) или (9.15) необходимо знать первые и вторые моменты сигнала и шума х , а ар , Эти данные относятся к так называемым априорным данным, которые должны быть заранее найдены с помош ью статистических изменений для заданного класса сигналов и шумов. Но в практике обработки интерферограмм обычно нет возможности задать эти данные заранее. Так, если шум датчиков сигнала (фотопленки, фотоумножителей ИТ. д.) поддается априорным измерениям, то составляю-ш ие шума, определяемые объектом (функция В х, у) в формулах (9.1), (9.3)), измерить и статистически описать обычно нельзя. Кроме того, в интерферометрических измерениях чаш е всего и характеристики оцениваемой интерферограммы известны только очень грубо. Поэтому требуемые данные о моментах сигнала и шума на практике приходится извлекать из наблюдаемой зашумленной интерферограммы или набора однотипных интерферограмм, которые должны быть восстановлены фильтрацией. Такая фильтрация, основанная на эмпирически измеренных данных, является адаптивной, так как параметры фильтра настраиваются по наблюдаемому сигналу, и, вообще говоря, нелинейной, так как параметры фильтра могут получаться в результате нелинейных процедур оценивания и принятия решений. [c.183]

Одним из наиболее эффективных способов исследования вибрационных процессов, качества функционирования, оценивания диагностической приспособленности является метод моделирования. При построении моделей возникают задачи, связанные с определением структуры системы, оцениванием линейности стационарности, выбором информационных сигналов для диагностирования технического состояния. Определение параметров объекта или эвивалентной ему модели включает в себя не только оценивание их для фиксированного момента времени, но и прогнозирование их изменения. Количественное прогнозирование надежности осуществляется по ряду показателей с учетом воздействия вибрации. Для создания методов индивидуального про- [c.632]

Работоспособность всех алгоритмов управления и фильтрации должна анализироваться с учетом эффектов квантования по уровню. На рис. 2.4 представлена общая схема процесса проектирования цифровых систем управления. Если для параметрической оптимизации простых алгоритмов управления применяются несложные процедуры подстройки параметров, то можно ограничиться простейшими моделями объектов. При проведении однократного расчета алгоритмов на ЭВМ необходимы точные модели объектов управления и сигналов, для формирования которых наиболее целесообразно использовать методы идентификации и оценивания параметров. Если же процесс получения информации и расчета алгоритма управления носит непрерывный характер и может протекать в реальном времени, возможно построение самооптимизирующейся адаптивной системы управления. [c.24]

Задачей идентификации является экспериментальное определение характеристик динамических объектов и связанных с ними сигналов. Оценивание параметров системы производится в рамках математической модели определенного класса. При этом различие между реальным объектом или сигналом и соответствующей математической моделью должно быть по возможности минимально [ЗЛ2], [3.13]. Текущей ыЗеятификачаей будем называть процедуру определения параметров путем обработки на ЭВМ данных, которые поступают от объекта идентификации непосредственно в процессе его функционирования. В некоторых случаях измеряемые сигналы объекта первоначально накапливаются в виде блоков или массивов информации. Обработку такого типа принято именовать пакетной. Если же сигналы обрабатываются по истечении каждого такта квантования, то говорят, что обработка ведется в реальном масштабе времени. [c.352]

Рекуррентный метод наименьших квадратов может быть использован и для оценивания параметров моделей случайных сигналов. Будем полагать, что случайный сигнал представлен стационарным авторегрессионным процессом со скользящим средним [c.360]

В дальнейшем будем полагать, что порядки т и d точно известны, коэффициент значимости оценки 1=1, а задающая переменная ш(к) (детерминированная или стохастическая) является сигналом возбуждения, описываемым функцией порядка п т. Поскольку задающая переменная у(к) может рассматриваться как возмущение, действующее на объект управления извне относительно измерений и (к) и у (к), то второе условие идентифицируемости в этом случае нарушается (см. разд. 24.2). Однако при правильном использовании методов оценивания, например РОМНК, РММП или РМНК. оценки параметров при к с сходятся к истинным значениям [c.405]

Следовательно, проблема обработки данных аналитических приборов включает задачи обнаружения компонентов в обрабатываемом сигнале и оценивания параметров. Качество оценок, получаемых на этапе первичной обработки, определяет качество результатов всего анализа в целом. Обработка сигналов проводится на фоне различных мешающих факторов, возникающих в аналитической и электронной частях прибора. Эти факторы проявляются в виде шумов, помех, дрейфа, возникновения ложных сигналов и т. п. Кроме того, информационные сигналы претерпевают в приборе воздействие различных искажающих факторов, определяемых методическими (свойственнььми данной методике анализа), конструктивными и технологическими (вызываемыми несовершенством конструкции или изготовления аналитической части прибора) и другими причинами [3,4]. [c.6]

Оценка параметров при плохой обусловленности матрицы независимых переменных. В практике оценивания параметров многомерных моделей (2.49) при обработке сигналов аналитических приборов довольно часто встречается ситуация, когда нарушается и предположение о независимости переменных X, которые оказываются на самом деле сопряженными (мультиколлинеарными). При этом, чем [c.92]

Таким образом, МЗИ — совокупность измерительных, контрольно-логических п вычислительных средств, связанных в единое целое и, что самое главное, — имеющих метрологические характеристики. Это подтверждается практикой современные устройства для оценивания состояния изделий и контроля качества продукции включают в себя, как правило, первичные преобразователи, блоки подготовки и ввода данных, микроЭВМ, внешние запоминающие устройства, управляющую клавиатуру и дисплей [15, 48, 57]. При этом много внимания уделяется обеспечению помехоустойчивости каналов связи и достоверности передачи данных от первичных преобразователей к ЭВМ. Это достигается децентрализацией сбора и обработки данных, преобразованием аналоговых сигналов в цифровую форму и одновременным контролем нескол.ьких изделий [48], приближением обработки информации к объекту измерений за счет использования однокристальных ЭВМ [57]. Особенно это имеет значение Л1Я гибких автоматизированных комплексов, в которых контролируемые и измеряемые объекты могут находиться па расстоянии до 30 м от ЭВМ.. [c.25]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...