= ∫ ∫
Transkrypt
= ∫ ∫
ZESZYTY NAUKOWE AKADEMII MARYNARKI WOJENNEJ ROK XLVI NR 1 (160) 2005 Stanisław Polanowski Hubert Wysocki DEKOMPOZYCJA FALKOWA WYKRESU INDYKATOROWEGO SILNIKA OKRĘTOWEGO ZA POMOCĄ WAVELET EXPLORER STRESZCZENIE W pracy omówiono zagadnienie analizy falkowej sygnałów o charakterze dynamicznym w zakresie ich dekompozycji. Przytoczono definicje pojęć, teoretyczne podstawy zagadnienia oraz zasady wykorzystania modułu Wavelet Explorer programu Mathematica. Zamieszczono przykłady dekompozycji wykresu (przebiegu) indykatorowego średnioobrotowego silnika okrętowego wykonanej przy zastosowaniu wybranych filtrów dostępnych w pakiecie. WSTĘP Wyniki pomiarów szybkozmiennych, do których w dziedzinie tłokowych silników okrętowych należą głównie przebiegi ciśnień spalania, ciśnień wtrysku, drgań, momentu i prędkości obrotowej, charakteryzują się zmiennością także w warunkach pracy ustalonej silników. Sygnały pomiarowe tych wielkości są obarczone zakłóceniami. Może pojawić się potrzeba wyeliminowania zakłóceń, tzn. wygładzenia przebiegu lub też wyłonienia samych zakłóceń, które mogą być użyteczne np. w diagnostyce obiektów technicznych. Falki i związana z nimi analiza falkowa sygnałów są zagadnieniami nowymi. Pojęcia te zostały wprowadzone przez Grossmana i Morleta w 1984 roku [3]. Metoda bazuje na tzw. wielorozdzielczej dekompozycji sygnału, której algorytm obliczeniowy opracował w 1989 roku Mallat [5]. Podstawową rolę w analizie falkowej odgrywają dwie funkcje: funkcja skalująca φ (t ) i falka ψ (t ) o własnościach ∫ +∞ −∞ φ (t )dt = 1, ∫ +∞ ψ (t )dt = 0. −∞ 131 Stanisław Polanowski, Hubert Wysocki Generują one rodzinę funkcji służących do dekompozycji lub rekonstrukcji sygnału f (t ) . Dla podkreślenia związku obu tych funkcji w konstrukcji wspomnianej „rodziny” czasami φ (t ) i ψ (t ) nazywamy odpowiednio „falką ojcem” i „falką matką”. Za pomocą funkcji skalującej (ojca), poprzez przesunięcia i skalowania w dziedzinie czasu, konstruuje się bazę falek postaci φ ( at − b) . W przypadku falek dyskretnych parametry a, b przyjmują postać a = 2, b = k, gdzie j, k ∈ C. Nazwa „falka” sugeruje oscylacyjny charakter przebiegu krzywej ψ (t ) , który jest zapewniony przez warunek ∫ +∞ ψ (t )dt = 0 . Falki mogą zatem opisywać −∞ sygnały o przebiegach z dużymi impulsami lub ostrymi krawędziami. Są wykorzystywane m.in. do odszumiania (filtracji) sygnałów, kompresji danych, a także w analizie numerycznej, gdzie znacznie przyspieszają obliczenia numeryczne problemów, w których są stosowane. Doskonałym narzędziem do analizy sygnałów i przetwarzania obrazów za pomocą falek jest pakiet Wavelet Explorer programu Mathematica. Celem pracy jest zwięzłe przedstawienie możliwości pakietu w zakresie dekompozycji sygnałów na przykładzie przebiegu indykatorowego średnioobrotowego silnika okrętowego. W opracowaniu korzystano głównie z dokumentacji pakietu w wersji 1.2.1, a także z literatury [1, 2, 4]. ANALIZA WIELOROZDZIELCZA SYGNAŁU Sygnał f (t ) może być przedstawiony jako kompozycja dostatecznie gładkiego przebiegu oraz pewnych wahań, zwanych detalami (szczegółami). Różnica między częścią gładką sygnału a detalami zleży od rozdzielczości, czyli od pewnej skali, poniżej której detale nie są dostrzegalne. Jeżeli przy danej rozdzielczości pominiemy detale, to otrzymamy pewną aproksymację sygnału. Niech j ∈ C będzie poziomem rozdzielczości, natomiast 1/2j – jej skalą. Przez f j (t ) oznaczmy aproksymację funkcji f (t ) na poziomie j, natomiast przez d j (t ) detale na poziomie j, tzn. d j (t ) = f j +1 (t ) − f j (t ) , czyli f j +1 (t ) = f j (t ) + d j (t ). 132 (1) Zeszyty Naukowe AMW Dekompozycja falkowa wykresu indykatorowego silnika okrętowego... Sygnał f (t ) może być odtworzony, jeżeli znamy detale na wszystkich poziomach rozdzielczości, tzn. gdy j → ∞ . Zatem f (t ) = f j (t ) + ∞ ∑ d (t ). (2) k k= j Zakładać będziemy, że f (t ) jest elementem przestrzeni L2 ( R, R) funkcji rzeczywistych całkowalnych z kwadratem, tzn. ⎧ L2 ( R, R) := ⎨ f : R → R : ⎩ ∫ [ f (t )]2 dt < ∞ ⎫⎬ , ⎭ +∞ −∞ w której określony jest iloczyn skalarny ( f | g ) := ∫ +∞ −∞ f (t ) g (t )dt ∈ L2 ( R, R). Przestrzeń ta może być przedstawiona jako suma prosta swoich podprzestrzeni V j oraz Wk , tzn. L2 ( R, R) = V j ⊕ ∞ ⊕W , k= j k (3) gdzie f j (t ) ∈ V j , d k (t ) ∈ Wk . V j oraz Wk nazywamy p r z e s t r z e n i ą a p r o k s y m a c y j n ą i p r z e s t r z e n i ą d e t a l i odpowiednio na poziomach rozdzielczości j oraz k. Zgodnie z (1) zachodzi relacja V j +1 = V j ⊕ W j , (4) przy czym żąda się, aby V j ⊥ W j dla j ≤ k oraz aby W j ⊥ Wk dla j ≠ k . Wielorozdzielcza reprezentacja (2) sygnału f (t ) związana jest z konstrukcją przestrzeni V j . 1 (160) 2005 133 Stanisław Polanowski, Hubert Wysocki Mówimy, że ciąg przestrzeni {V j } j∈C tworzy analizę wielorozdzielczą w L2 ( R, R) , jeżeli: − ... ⊂ V−1 ⊂ V0 ⊂ V1 ⊂ ... ⊂ L2 ( R, R) ; − I j V j = { 0 }, U j V j = L2 ( R, R) ; − f (t ) ∈ V j ⇔ f ( 2t ) ∈ V j +1 ; − f (t ) ∈ V0 ⇒ f (t − k ) ∈ V0 ; − istnieje funkcja φ (t ) , zwana funkcją skalującą, taka że {φ (t − k ) : k ∈ C } jest bazą ortonormalną w V0 . Z powyższych założeń wynika, że: − lim V j = { 0 }, − f (t ) ∈ V0 ⇒ f ( 2 j t − k ) ∈ V0 ; − { φ j , k (t ) := 2 j / 2 φ ( 2 j t − k ) : k ∈ C } jest bazą ortonormalną w V j . j →∞ lim V j = L2 ( R , R ); j →∞ Funkcję φ (t ) ∈ V0 ⊂ V1 możemy przedstawić jako kombinację liniową elementów bazy { φ j , k (t ) } przestrzeni V1 φ (t ) = ∑ hkφ1, k (t ) = 2 ∑ hkφ ( 2t − k ) . k (5) k Równanie (5) nazywamy równaniem analizy wielorozdzielczej. Korzystając z (5), można wykazać następujące własności ciągu współczynników { hk } : − ∑h k = 2; k − - ∑h h k k + 2l = δ 0,l , gdzie δ 0, l jest symbolem Kroneckera. k Z (3) i (4) wynika, że: L2 ( R, R) = +∞ ⊕W k = −∞ 134 k . Zeszyty Naukowe AMW Dekompozycja falkowa wykresu indykatorowego silnika okrętowego... Zatem bazy przestrzeni W j mogą być bazami w L2 ( R, R) . Niech {ψ j , k (t ) := 2 j / 2 ψ ( 2 j t − k ) : k ∈ C } będzie bazą ortonormalną w W j . Funkcję ψ (t ) ∈ W0 generującą tę bazę nazywamy f a l k ą m a t k ą lub f a l k ą b a z o w ą . Z (4) otrzymujemy W0 ⊂ V1 . Falka ψ (t ) może być więc przedstawiona jako kombinacja liniowa elementów bazy ψ 1, k (t )} przestrzeni V1 : ψ (t ) = ∑ g kφ1, k (t ) = 2 ∑ g kφ ( 2t − k ) . k (6) k (6) nazywamy r ó w n a n i e m f a l k o w y m . Wykazuje się, że między ciągami liczbowymi { g k } i { hk } , które nazywamy odpowiednio f i l t r e m g ó r n o - i d o l n o p r z e p u s t o w y m , zachodzi relacja g k = ( −1) k h1− k . (7) Jeżeli nośnik funkcji skalującej φ (t ) jest nieskończony, to sumy w równaniach (5) i (6) są nieskończone. W praktyce ograniczamy się do sum skończonych w granicach od k = − k max do k = k max , gdzie k max zależy od wymaganej dokładności. Niech φˆ(ω ) będzie przekształceniem Fouriera funkcji skalującej φ (t ) , tzn. +∞ φˆ(ω ) = ∫ φ (t )e − iωt dt . −∞ Można wykazać, że w dziedzinie częstotliwości warunek ortonormalności bazy {φ (t − k ) : k ∈ C } przestrzeni V0 wyraża się wzorem +∞ ∑ | φˆ(ω + 2π l | = 1. 2 (8) l = −∞ Jeżeli zatem baza {φ (t − k ) : k ∈ C } nie jest ortonormalna, to funkcja φˆort (ω ) = φˆ(ω ) +∞ (9) ∑ | φ (ω + 2π l ) | 2 l = −∞ 1 (160) 2005 135 Stanisław Polanowski, Hubert Wysocki spełnia warunek ortonormalności (8): 2 +∞ +∞ ∑ | φˆ(ω + 2π l | = ∑ k = −∞ 2 k = −∞ φˆ(ω + 2π k ) +∞ =1 ∑ | φ (ω + 2π l ) | 2 l = −∞ i wyznacza bazę ortonormalną {φort (t ) : k ∈ C } w V0 . Jako przykład analizy wielorozdzielczej omówimy konstrukcję opartą na funkcjach sklejanych. SPLINOWA ANALIZA WIELOROZDZIELCZA Niech Sn będzie zbiorem funkcji f (t ) o następujących własnościach: − na każdym przedziale [k, k + 1], gdzie k ∈ N 0 , f (t ) jest wielomianem co najwyżej n-tego stopnia; − f (t ) ∈ C n −1 ( R, R), n ∈ N . Funkcję f (t ) ∈ Sn nazywamy podstawową funkcją sklejaną (funkcją giętą, splinem) n-tego stopnia. Niech |t|+ := max(0,t), | t | n+ := (| t | + ) n , gdzie n∈ N. B – s p l i n e m (box splinem) n-tego stopnia nazywamy funkcję ⎧ 1 n +1 n + 1⎞ j⎛ ⎟⎟ [ t + n / 2 − j ]+n dla n parzystych ⎪ ∑ ( −1 ) ⎜⎜ j n ! ⎝ ⎠ ⎪ j =0 β n ( t ) := ⎨ ,n∈ N. n +1 ⎪ 1 ( −1 ) j ⎛⎜ n + 1⎞⎟ [ t + ( n + 1 ) / 2 − j ] n dla n nieparzystych + ⎜ j ⎟ ⎪ n! ∑ ⎝ ⎠ ⎩ j =0 Funkcja βn(t) ma nośnik długości n + 1 postaci [-n/2, n/2 +1] dla n parzystych oraz [-(n + 1)/2, (n + 1)/2] dla n nieparzystych. Jej wykres jest zatem symetryczny względem prostej t = ½ dla n parzystych oraz t = 0 dla n nieparzystych. 136 Zeszyty Naukowe AMW Dekompozycja falkowa wykresu indykatorowego silnika okrętowego... Można również wykazać, że zbiór B := { β n (t − k ) : k ∈ C } stanowi bazę w przestrzeni Sn . Nie jest to jednak baza ortogonalna. Po wczytaniu pakietu Wavelet Explorer do programu Mathematica funkcje β n (t ) generowane są poleceniem Bspline[n, t]. Aby wczytać pakiet, w notatniku programu wpisujemy polecenie Needs[”Wavelets‘Wavelets‘”]. Z rysunku 1. wynika, że B nie jest bazą ortogonalną. 0.6 0.5 0.4 0.3 0.2 0.1 0 -3 -2 -1 0 1 2 3 Rys. 1. Wykresy funkcji β3(t + 1), β3(t), β3(t - 1) Można to również sprawdzić, obliczając np. iloczyn skalarny ( β 3 (t ) | β 3 (t − 1)) = ∫ +∞ −∞ β 3 (t ) β 3 (t − 1)dt = 0.23631. Niech V0 = Sn ∩ L2 ( R, R) . Wówczas V j jest przestrzenią funkcji f (t ) całkowalnych z kwadratem o następujących własnościach: − − na każdym przedziale [k/2j, (k+1)/ 2j], gdzie k ∈ N 0 , f (t ) jest wielomianem co najwyżej n-tego stopnia; f (t ) ∈ C n −1 ( R, R), n ∈ N . Mamy zatem V0 ⊂ V1 . Ponieważ B nie jest bazą ortonormalną w V0 , należy skorzystać ze wzoru (9), który dla splinów przyjmuje postać φˆort (ω ) = M (ω ) βˆn (ω ), gdzie M (ω ) = ∑a e k − ikϖ . k 1 (160) 2005 137 Stanisław Polanowski, Hubert Wysocki Stąd, po zastosowaniu odwrotnego przekształcenia Fouriera, otrzymujemy wzór na funkcję skalującą φort (t ) = +∞ ∑α β (t − k ), k (10) n k = −∞ generującą bazę ortonormalną w V0 . Ponieważ nośnik funkcji (10) jest nieskończony, w praktyce stosuje się wzór przybliżony φort (t ) = k max ∑α β (t − k ), k n 1 (11) k = k max który w Wavelet Explorer jest realizowany przez funkcję SplinePhi[n, t, kmax]. Sprawdzając następujące własności splinowej funkcji skalującej ∫ +∞ +∞ −∞ −∞ φ (t )dt = 1, (φ (t ) | φ (t − 2)) = ∫ φ (t )φ (t − 2)dt = 0 dla funkcji bazowych 7. stopnia wygenerowanych przy k max = 25 (rys. 2.), otrzymujemy odpowiednio wartości przybliżone 1,00093 oraz -6,26131×10-6, przy czym całkowanie ograniczono do przedziału [-13, 13]. 1 0.8 0.6 0.4 0.2 0 -0.2 -10 -5 0 5 10 Rys. 2. Wykres splinowych funkcji bazowych φ (t ),φ (t − 2) 7. stopnia przy k max = 25 1 138 W dalszym ciągu będziemy pisali φ (t ) zamiast φort (t ) . Zeszyty Naukowe AMW Dekompozycja falkowa wykresu indykatorowego silnika okrętowego... Współczynniki filtru { hk } w równaniu (5) splinowej analizy wielorozdzielczej wyznaczamy za pomocą funkcji SplineFilter[n, kmax]. Przy danym ciągu { hk } , na postawie (7), wyznaczamy filtr { g k } . Po uwzględnieniu postaci (10) funkcji skalującej (ojca), otrzymujemy wzór na falkę matkę ψ (t ) = +∞ ∑ b β (2t − k ), k n k = −∞ który w praktyce zastępujemy wzorem przybliżonym ⎧ k max +1 bk β n ( 2t − k ) ⎪ ⎪k = − k max +1 ψ (t ) ≈ ⎨ k max +1 ⎪ bk β n ( 2t − k ) ⎪ ⎩ k = − k max ∑ dla n nieparzyst ych, ∑ dla n parzystych realizowanym przez funkcję SplinePsi[n, t, kmax]. Sprawdzając następujące własności splinowej falki ∫ +∞ +∞ −∞ −∞ ψ 0,0 (t )dt = 0, (ψ 1,0 (t ) | ψ 1,0 (t )) = 2∫ ψ ( 2t ) ψ ( 2t )dt = 1 dla funkcji 2. stopnia wygenerowanych przy k max = 25 (rys. 3), otrzymujemy odpowiednio wartości przybliżone 0,000405 oraz 1,00000, przy czym całkowanie ograniczono do przedziału [-4, 4]. 1 0.5 0 -0.5 -1 -4 -2 0 2 4 Rys. 3. Wykresy splinowych falek ψ (t ),ψ ( 2t ) 2. stopnia przy k max = 25 1 (160) 2005 139 Stanisław Polanowski, Hubert Wysocki PRZEKSZTAŁCENIA FALKOWE Rozważmy sygnał f (t ) i załóżmy, że znamy tylko jego przybliżenie f j (t ) na poziomie rozdzielczości j, natomiast informacje dotyczące detali dla skali mniejszej od 1/2j są albo nieznane, albo ignorowane. Wówczas, na podstawie (1), możemy dokonać d e k o m p o z y c j i sygnału f j (t ) = f j −1 (t ) + d j −1 (t ). (12) Ponieważ f j (t ) ∈ V j i V j ma bazę ortonormalną { φ j , k (t ) : k ∈ C } , więc f j (t ) = ∑f k φ j ,k (t ), j k przy czym { f k j } traktujemy jako ciąg dany z uwagi na znajomość f j (t ) . Analogicznie wnioskujemy, że f j −1 (t ) = ∑f k j −1 φ j −1, k (t ), k przy czym ciąg { f k j −1} jest nieznany. Ponieważ d j −1 (t ) ∈ W j −1 i W j −1 ma bazę ortonormalną { ψ j , k (t ) : k ∈ C } , więc d j −1 (t ) = ∑d j −1 k ψ j −1, k (t ), k gdzie {d kj −1} jest również ciągiem nieznanym. Wykazuje się, że ciągi { f k j −1} , {d kj −1 } można wyrazić za pomocą ciągu { f k j } według następujących wzorów f k j −1 = ∑h l −2k f l l j , d kj −1 = ∑g l −2k f l j , (13) l które określają tzw. p r z e k s z t a ł c e n i e f a l k o w e ( t r a n s f o r m a t ę f a l k o w ą ) . Jest oczywiste, że dekompozycja (12) może być powtarzana wielokrotnie, aż do osiągnięcia pewnego poziomu rozdzielczości j0. Otrzymujemy wówczas: 140 Zeszyty Naukowe AMW Dekompozycja falkowa wykresu indykatorowego silnika okrętowego... f j (t ) = ∑ k f k j0 φ j0 , k ( t ) + j −1 ∑ ∑d ψ l = j0 l k l , k ( t ). (14) k Zagadnienie odwrotne, polegające na uzyskaniu przybliżenia f j (t ) na podstawie znajomości f j −1 (t ) i d j −1 (t ) zgodnie ze wzorem (12), nazywamy r e k o n s t r u k c j ą sygnału. Zatem, gdy dane są ciągi { f k j −1} , {d kj −1} , sprowadza się ona do wyznaczenia { f k j } według wzoru: f kj = ∑h k − 2l f l j −1 l + ∑g k − 2l d l j −1 . (15) l Wzór (15) określa tzw. o d w r o t n e p r z e k s z t a ł c e n i e f a l k o w e . W Wavelet Explorer przekształcenie falkowe (13) realizowane jest przez funkcję WaveletTransform[danepom, filtr], której pierwszy argument danepom jest listą ~ ~ ~ { f 0 , f1 , . . ., f K −1 } (16) danych pomiarowych sygnału f (t ) w równoległych chwilach czasowych, tzn. ~ f k = f (k / 2 J ) , gdzie J jest ustalonym końcowym poziomem rozdzielczości. Z uwagi na to, że na każdym poziomie rozdzielczości algorytm dekompozycji sygnału polega na dzieleniu chwil czasowych przez 2, ogólna liczba pomiarów K musi być parzysta. Drugi argument filtr oznacza filtr dolnoprzepustowy { hk } . Funkcja WaveletTransform[danepom, filtr, l] pozwala dokonać l-krotnej dekompozycji sygnału iteracyjnie, w dół, na coraz niższe poziomy rozdzielczości, o ile liczba danych pomiarowych K będzie podzielna przez 2l. Jeżeli K dzieli się przez 2J, to przyjmuje się, że dane pomiarowe (16) odpowiadają J-temu poziomowi rozdzielczości, tzn. ~ ~ ~ danepom ≡ { f 0 , f1 , . . . , f K −1} = { f 0J , f1J , . . . , f KJ −1}. 1 (160) 2005 (17) 141 Stanisław Polanowski, Hubert Wysocki Wówczas wartością funkcji WaveletTransform[danepom, filtr, J] jest lista wtdanepom J+1 list {{ f 00 , f10 , . . . , f K00 −1},{d 00 , d10 , . . . , d K0 1 −1},{d 01 , d11 , . . . , d 1K 2 −1}, . . . , {d 0J −1 , d1J −1, . . . , d KJ −J 1−1}}, z których pierwsza zawiera (18) K 0 = K / 2 J , każda następna zaś odpowiednio K i = ( K / 2 J ) ⋅ 2i −1 , i ∈ 1, J elementów. Odwrotne przekształcenie falkowe (15) realizowane jest przez funkcję InverseWaveletTransform[wtdanepom, filtr]. Wartością tej funkcji jest lista inwtdanepom, którą możemy porównać z listą (16). Mianowicie za pomocą polecenia Max[Abs[danepom-inwtdanepom]] (19) możemy sprawdzić, jaki jest największy błąd bezwzględny między danymi pomiarowymi (16) a danymi inwtdanepom uzyskanymi za pomocą odwrotnego przekształcenia falkowego. Z kolei polecenie Sqrt[(danepom-inwtdanepom).(danepom-inwtdanepom)/(danepom.danepom)] (20) pozwala obliczyć względny błąd średniokwadratowy między tymi danymi. Wartości wskaźników (19) i (20) mogą służyć do oceny doboru filtru falkowego filtr i jego parametrów. DEKOMPOZYCJA SYGNAŁU Zakładając, że dane pomiarowe (16) reprezentują poziom rozdzielczości J, tzn. zachodzi równość (17), na podstawie (12) możemy napisać f J (t ) = f 0 (t ) + d 0 (t ) + d1 (t ) +L + d J −1 (t ) . 142 (21) Zeszyty Naukowe AMW Dekompozycja falkowa wykresu indykatorowego silnika okrętowego... Za pomocą funkcji MRDecomposition[wtdanepom,filtr] otrzymujemy wielorozdzielczą dekompozycję (21) w równoodległych chwilach czasowych k / 2 J , k ∈ 0, K − 1 w postaci listy mrdanepom J+1 list {{ f 0,0 , f 0,1 , . . . , f 0, K −1},{d 0,0 , d 0,1 , . . . , d 0, K −1},{d1,0 , d1,1 , . . . , d1, K −1}, . . . , (22) {d J −1,0 , d J −1,1 , . . . , d J −1, K −1}}, gdzie f j, k = ( f (t ) | φ (t )), d = (d (t ) | φ (t )) . j J ,k j, k j J ,k Z kolei mrdanepom[[j]] oznacza j-tą podlistę ( j ∈ 1, J + 1) listy (22). DEKOMPOZYCJA PRZEBIEGU INDYKATOROWEGO O wyborze przebiegu ciśnienia w cylindrze jako sygnału, na przykładzie którego zostaną omówione zasady dekompozycji falkowej, zadecydowały oczekiwania w zakresie obróbki tego rodzaju sygnałów, a także dobra znajomość fizyki procesu, źródeł i postaci zakłóceń, co umożliwia wiarygodną ocenę uzyskanych wyników. Celem zaawansowanej obróbki wykresów indykatorowych są najczęściej pochodne przebiegu, a głównie pochodna pierwszego rzędu. W takich przypadkach zachodzi potrzeba odpowiedniego wygładzenia przebiegu ciśnienia, co może być dokonane z wykorzystaniem dekompozycji falkowej lub innymi metodami. Na rysunku 4. pokazano wykres indykatorowy dla ciśnienia pomierzonego w cylindrze silnika średnioobrotowego 6AL20/24 z rozdzielczością kątową 0,1 °owk. Piłokształtne zakłócenia obserwowane po momencie zapłonu są spowodowane przez krótki (10 mm) kanał gazowy pomiędzy komorą spalania a czujnikiem, którego obecność została wymuszona względami technologicznymi. Jest to znane, często spotykane zjawisko w pomiarach ciśnień cylindrowych. 1 (160) 2005 143 Stanisław Polanowski, Hubert Wysocki Rys. 4. Wykres indykatorowy dla pomiaru w cylindrze silnika 6AL20/24 na obciążeniu nominalnym: p – ciśnienie, α – kąt obrotu wału korbowego, krok próbkowania 0.1 °owk Do analizy rozważanego sygnału użyto kilku filtrów. Między innymi zostaną zaprezentowane wyniki analizy za pomocą filtru SplineFilter[3,50] bazującego na splinach oraz filtru Shannona. Funkcja skalująca oraz falka Shannona wyrażają się wzorami: φ (t ) − sin π t sin π (t − 0.5) − sin 2π (t − 0.5) , , ψ (t ) = πt π (t − 0.5) natomiast polecenie ShannonFilter[kmax] generuje współczynniki filtru Shannona od − k max do k max . W przykładzie przyjęto k max = 200 . Rozważana próbka liczyła 3600 pomiarów ciśnienia w równoodległych odstępach 0.1 °owk. Do analizy przyjęto K = 3584 pomiarów stanowiących listę danepom. Ponieważ liczba K dzieli się przez 25 , w związku z tym możemy przyjąć, że danepom reprezentują piąty poziom rozdzielczości, tzn. J=5. Na rysunku 5. pokazano detale otrzymane w wyniku dekompozycji splinowej analizowanego przebiegu ciśnienia. Najbardziej interesujący przedział z punktu widzenia analizy sygnału pokazano w odpowiednim powiększeniu skali kątowej. Porównując detale pod względem amplitudowym, należy zwrócić uwagę na ich skalę. Detale wyższego rzędu powiększono z uwagi na ich małe wartości. Rysunek 6. przedstawia wygładzony wykres indykatorowy będący wynikiem splinowej dekompozycji przebiegu analizowanego ciśnienia. 144 Zeszyty Naukowe AMW Dekompozycja falkowa wykresu indykatorowego silnika okrętowego... Rys. 5. Detale otrzymane w wyniku dekompozycji przebiegu indykatorowego z zastosowaniem filtru SplineFilter[3,50] 1 (160) 2005 145 Stanisław Polanowski, Hubert Wysocki Rys. 6. Porównanie przebiegu ciśnienia pomierzonego pc z przebiegiem wygładzonym pS50 przy użyciu filtru SplineFilter[3,50]: p’S50 – pochodna przebiegu pS50 względem kąta obrotu wału korbowego α Na rysunku 6. widoczna jest duża gładkość przebiegu pS50 będąca wynikiem wygładzenia zafalowań przebiegu pc. Dla oceny uzyskanej gładkości i charakteru zafalowań na rysunku 6. pokazano również przebieg pochodnej p’S50. Pochodną p’S50 otrzymano z przebiegu pc metodą ruchomej aproksymacji za pomocą wycinka wielomianu 3. stopnia o szerokości przedziału 11 punktów (2 °owk). Metoda ta jest znana pod nazwą filtru Savitzkiego-Golaya. Zastosowano filtr będący opracowaniem własnym [6]. Należy podkreślić, że aproksymacja za pomocą wycinka wielomianu o dwukrotnie większej szerokości (21 punktów) nie ma wpływu na wartości pochodnej w rozpatrywanej skali. Kierując się fizyką przebiegu pc, można stwierdzić, że zafalowanie pochodnej p’S50 obserwowane w przedziale kąta wynoszącym 155 – 168 (°owk) wskazuje na niedokładność splinowej dekompozycji przebiegu pc. To zafalowanie nie powinno być generowane. Rysunek 7. przedstawia wyniki wygładzenia przebiegu pc za pomocą ruchomego obiektu aproksymującego (filtru) typu 3B4, który jest zbudowany z trzech wielomianów 4. stopnia z zastosowaniem aproksymacji wielokrotnej [7]. Porównując jakość wygładzania przebiegów ciśnień, nie zauważamy istotnych różnic na krzywych wygładzonych obiema metodami. Różnice te ujawniają się dopiero przy porównaniu pochodnych pierwszego rzędu otrzymanych aproksymacji (rys. 8.). 146 Zeszyty Naukowe AMW Dekompozycja falkowa wykresu indykatorowego silnika okrętowego... Rys. 7. Porównanie przebiegu ciśnienia pomierzonego pc z przebiegiem wygładzonym p3B4 przy użyciu ruchomego obiektu aproksymującego 3B4: p’3B4 – pochodna przebiegu p3B4 względem kąta obrotu wału korbowego α Rys. 8. Porównanie pochodnych pierwszego rzędu p’3B4 i p’S50 otrzymanych z wygładzonych przebiegów pS50 i p3B4; α – kąt obrotu wału korbowego, sz1 – sz4: szczegóły 1 (160) 2005 147 Stanisław Polanowski, Hubert Wysocki Szczegół sz1 pokazuje zafalowania na przebiegu pS50, które nie istnieją na przebiegu pc. Szczegół sz2 ujawnia duże fazowe opóźnienie początku zapłonu obserwowanego na przebiegu pS50 w porównaniu z przebiegiem p3B4. Szczegół sz3 ukazuje znaczny błąd wartości maksymalnej amplitudy pochodnej pierwszego rzędu, która jest ważnym parametrem w dziedzinie silników okrętowych. Dla diagnostyki silników istotne może być także zafalowanie oznaczone przez sz4, które występuje na przebiegu p3B4, a na przebiegu pS50 zostało wygładzone, co należy również uznać za błąd. Prawdopodobnie zafalowanie to świadczy o chwilowym wzroście ciśnienia spowodowanym dotryskiem paliwa. Analogiczne lub większe błędy przejawiają się na przebiegach wygładzonych za pomocą innych filtrów falkowych dostępnych w pakiecie Wavelet Eksplorer, do których należą m.in. filtry Daubechies, Coiflet, Least Asymmetric, Meyera i Shannona (rys. 9.). W przypadku filtru Shannona po dodatkowym wygładzeniu przebiegu ruchomym wielomianem 3. stopnia o szerokości 6,6 °owk (65 punktów) uzyskano prawie identyczny przebieg jak w przypadku wygładzenia przebiegu obiektem aproksymującym 3B4. Świadczy o tym porównanie pochodnych pierwszego rzędu p’3B4 i p’Sh[k=33] (rys. 9.). Występują tylko niewielkie różnice w ich przebiegach w pobliżu α = 170 °owk i α = 175 °owk, co należy przyjąć jako błąd filtru Shannona. Na przebiegu uzyskanym za pomocą filtru Shannona nadal występują, niewidoczne w tej skali, zafalowania, które ujawnią się na przebiegu pochodnej drugiego rzędu. WNIOSKI Podsumowując analizę pochodnych, należy stwierdzić, że z punktu widzenia oczekiwań stawianych przed dekompozycją falkową przebiegu indykatorowego, uzyskana jakość wygładzenia ciśnienia nie jest zadowalająca. Znalezienie właściwego filtru do dekompozycji sygnału zależy od jego kształtu i właściwości. Pakiet Wavelet Explorer programu Mathematica jest wyposażony w kilka zaawansowanych filtrów falkowych. Nie są to filtry działające automatycznie, lecz konieczne jest odpowiednie dobranie ich parametrów do rozwiązywanego problemu. Jak pokazują wyniki dokonanej analizy wykresu indykatorowego, ważne jest również właściwe uzasadnienie zjawisk wyodrębnionych ze zdekomponowanego sygnału, czego podstawą jest znajomość fizyki analizowanego procesu, występujących zakłóceń i błędów pomiarowych. 148 Zeszyty Naukowe AMW Dekompozycja falkowa wykresu indykatorowego silnika okrętowego... Rys. 9. Porównanie jakości wygładzania przebiegu ciśnienia pc przy użyciu różnych filtrów falkowych pakietu Wavelet Explorer: p – ciśnienie, p’ – pochodna ciśnienia, α – kąt obrotu wału; znaczenia indeksów: S – Spline, D – Daubechies, C – Coiflet, L – Least Asymmetric, M – Meyer, Sh – Shannon, 3B4 – ruchomy obiekt zbudowany z 3 wielomianów 4. stopnia, k – wskaźnik szerokości przedziału 1 (160) 2005 149 Stanisław Polanowski, Hubert Wysocki BIBLIOGRAFIA [1] Białasiewicz J. T., Falki i aproksymacje, WN-T, Warszawa 2000. [2] Bogges A., Narcowich F. J., A first course in wavelets with Fourier analysis, Prentice Hall, 2001. [3] Grossman A., Morlet J., Decomposition of hardy functions into square integrable wavelets of constant shape, SIAM „Journal of Mathematical Analysis”, 1984, Vol. 15, No 4, p. 723 – 736. [4] Härdle W., Kerkyacharian G., Picard D., Tsybakov A., Wavelets, approximation and statistical application, New York: Springer-Verlag, Ser. Lecture notes in statistics, 1998, Vol. 129; http://www.quantlet.com/mdstat/scripts/ wav/pdf/wavpdf.pdf. [5] Mallat S., A theory of multiresolution signal decomposition: the wavelet representation, IEEE „Transaction of Pattern Analysis and Machine Intelligence”, 1989, Vol. 11, p. 674 – 693. [6] Polanowski S., Analiza danych pomiarowych z zastosowaniem ruchomych obiektów aproksymujących, „Zeszyty Naukowe” AMW, 2004, nr 2, s. 117 – 133, Gdynia 2004. [7] Polanowski S., Aproksymacja nadążna przebiegu ciśnienia spalania i generowanie pochodnych i całek, „Journl of Kones”, 1966. [8] Savitzky A., Golay M. J. E., Smoothing and differentiation of data by simplified least squares procedures, „Analytical Chemistry”, 1964, Vol. 36, p. 1627 – 1639. ABSTRACT The paper discusses the problem of the wavelet decomposition of dynamic signals. It explains definitions of notions, theoretical foundations of the issue and rules of using Wavelet Explorer module. It also gives examples of decomposition of a medium rotational engine indicator diagram (course), which was made with certain filters available in the packet. Recenzent dr hab. inż. Andrzej Ambrozik, prof. nadzw. Politechniki Świętokrzyskiej 150 Zeszyty Naukowe AMW