ZAJĘCIA IV Identyfikacja nieparametryczna czyli
Transkrypt
ZAJĘCIA IV Identyfikacja nieparametryczna czyli
Komputerowa identyfikacja obiektów ZAJĘCIA IV Identyfikacja nieparametryczna czyli wyznaczanie charakterystyk • Charakterystyki parametryczne i nieparametryczne • Metody proste – pobudzenie impulsem i sinusoidą • Metoda korelacyjna • Specjalne sygnały pobudzające Katedra Metrologii AGH Kraków 2006 Komputerowa identyfikacja obiektów WPROWADZENIE Identyfikacja to wyznaczanie zależności pomiędzy sygnałami wejściowymi i wyjściowymi obiektu. Zależność taką możemy przedstawić w postaci funkcji (modelu), która zależy od wartości parametru (np. stałej czasowej). Mówimy wtedy o identyfikacji parametrycznej. Przykładem modelu parametrycznego jest odpowiedź impulsowa obiektu k −Tt inercyjnego h ( t ) = e . Z jej użyciem możemy opisać wyjście obiektu dla każdego sygnału wejściowego z T użyciem operacji splotu y (t ) = u ( t ) ∗ h (t ) . Podobnie w dziedzinie częstotliwości możemy zapisać odpowiedni model inercji w postaci transmitancji widmowej G ( jω ) = k i opisać odpowiedź obiektu na sinusoidalny sygnał jωT + 1 wejściowy (oczywiście trwający „od zawsze”, bo jest to model dla stanu ustalonego) Y ( jω ) = U ( jω ) ⋅ G ( jω ) . W przypadku identyfikacji nieparametrycznej celem jest wyznaczenie charakterystyk w postaci zbioru wartości bez żadnej parametryzacji. Dla powyższego przykładu inercji odpowiednikiem nieparametrycznym odpowiedzi impulsowej będzie rejestracja przeskalowanej odpowiedzi obiektu na krótkotrwały impuls, a odpowiednikiem transmitancji widmowej zbiór pomiarów względnej amplitudy sygnału wyjściowego w odpowiedzi na sinusoidalny sygnał wejściowy dla kolejnych częstotliwości. Przykład (model nieparametryczny i parametryczny): Modelem nieparametrycznym była zmierzona charakterystyka częstotliwościowa filtra Czebyszewa (liczby częstotliwość-wzmocnienie) analizowana na pierwszych ćwiczeniach. Modelem parametrycznym była transmitancja widmowa. Porównanie obydwu było możliwe po podstawieniu do transmitancji nominalnych wartości parametrów. Katedra Metrologii AGH Kraków 2006 Komputerowa identyfikacja obiektów MODELE A RZECZYWISTE REALIZACJE SYGNAŁÓW Impuls Diraca jest sygnałem teoretycznym często wykorzystywanym w analizie systemów dynamicznych z racji uproszczeń obliczeniowych. Nie jest realizowalny fizycznie w sposób idealny a jedynie w przybliżeniu. I tak zamiast dostarczenia jednostkowej energii do układu w nieskończenie krótkim czasie jesteśmy w stanie doprowadzić tę energię w krótkim czasie. Spójrzmy na błąd widmowy i czasowy, który przy tym popełniamy. X(ω) δ(t) Dla powolnego inercyjnego układu dynamicznego (stała czasowa >> T, X (ω ) = 1, ϕ (ω ) = 0 ω t ∆(t) X(ω) około 100) odpowiedzi czasowe praktycznie nie różnią się. Niewielkie znaczenie ma też kształt impulsu. y(t) A ⎛ ωT ⎞ X (ω ) = TA si ⎜ ⎟ ⎝ 2 ⎠ T t ω t Wadą takiego sposobu pobudzania jest mała energia doprowadzona do układu, a przez to duża wrażliwość wyznaczanej charakterystyki na szum. Stąd pomysł na wyznaczanie charakterystyki impulsowej z użyciem długo trwających sygnałów (oczywiście w sposób pośredni, bo prosta rejestracja nie da teraz odpowiedzi impulsowej). Katedra Metrologii AGH Kraków 2006 Komputerowa identyfikacja obiektów METODA KORELACYJNA - WYPROWADZENIE Z użyciem dowolnych sygnałów możemy wyznaczyć odpowiedź impulsową korzystając z wyprowadzenia: podstawowy model splotowy: ∞ y (t ) = u ( t ) ∗ h ( t ) = ∫ u (t − τ ) h (τ ) dτ 0 korelujemy obydwie strony z sygnałem u(t) przesuniętym o ∆: ∞ ∞ ∞ −∞ 0 −∞ ∫ u (t − ∆ ) y (t ) d ∆ = ∫ ∫ u (t − ∆ ) u (t − τ ) d ∆h (τ ) dτ dostajemy zależność splotową dla funkcji korelacji (jest to równanie Wienera-Hopfa): ∞ Ryu ( ∆ ) = Ruu ( ∆ ) ∗ h ( ∆ ) = ∫ Ruu ( ∆ − τ ) h (τ ) dτ 0 Jeśli autokorelacja sygnału wejściowego Ruu jest różna od zera tylko dla argumentu 0 (czyli jest to delta Diraca, jak dla szumu białego) to korelacja wzajemna sygnału wyjściowego z wejściowym odtwarza postać odpowiedzi impulsowej obiektu. Jeśli tak nie jest (autokorelacja wejścia nie jest impulsowa) to też możemy rozwiązać problem przez odwrócenie operacji splotu, co wygodnie zapiszemy za chwilę w postaci macierzowej dla próbek sygnałów. Uwaga: Wymuszenie szerokopasmowe (mało skorelowane) jest potrzebne nie tylko dla prostoty obliczeń, ale też dla zbadania obiektu w szerokim zakresie częstotliwości. Niektóre proste sygnały wejściowe (np. sinusoida) mogą nie dać w tej metodzie jednoznacznego rozwiązania, bo za słabo (tylko w jednej częstotliwości) pobudzają obiekt. Katedra Metrologii AGH Kraków 2006 Komputerowa identyfikacja obiektów METODA KORELACYJNA DLA SYGNAŁÓW SPRÓBKOWANYCH W ZAPISIE MACIERZOWYM Sygnały próbkowane są znane w dyskretnych chwilach czasu co ∆ = k ⋅ dt . Korelacje też mogą być szacowane tylko z takim dyskretnym opóźnieniem jako: N N k =1 k =1 rˆuu ( n ) = ∑ u ( k ⋅ dt ) u ( ( k − n ) ⋅ dt ) = ∑ uk uk − n N rˆyu ( n ) = ∑ y k uk − n k =1 Jeśli całkę splotową zastąpimy skończoną sumą z próbkami odpowiedzi impulsowej (splot dyskretny) to dostaniemy zależność (dyskretne równanie Wienera-Hopfa): M ryu ( n ) = ∑ ruu ( n − k ) h ( k ) k =0 Zapisując to równanie dla kolejnych wartości n dostaniemy układ równań: ⎡ rˆuu ( 0 ) " rˆuu (M ) ⎤ ⎡ h ( 0 ) ⎤ ⎡ rˆyu ( 0 ) ⎤ ⎢ ⎥ ⎢ ˆ ˆuu (M − 1)⎥ ⎢ # ⎥ ⎢ # ⎥ % r r 1 ( ) uu ⎢ ⎥⎢ ⎥= , a krótko: Rˆ uuh = rˆyu ⎢ ⎥⎢ # ⎥ ⎢ # ⎥ % ⎥ ⎢ ⎥⎢ ⎥ ⎢ ˆ ˆ ˆ r M r r h M " 1 0 ˆ ( ) ( ) ( ) ( ) r M ( ) uu uu ⎣ uu ⎦⎣ ⎦ ⎣⎢ yu ⎦⎥ Równanie jest kwadratowe i łatwo rozwiązywalne znanymi nam już metodami. Jedyne niebezpieczeństwo to osobliwość macierzy korelacji Rˆ uu , ale tej unikniemy jeśli pobudzenie będzie bogate w składowe częstotliwościowe. Przykład: Jeśli sygnał wejściowy jest nieskorelowany (szum biały), to tylko diagonala macierzy będzie niezerowa i dodatkowo będą na niej te same wartości. Widzimy, że korelacja wzajemna jest proporcjonalna do odpowiedzi impulsowej. Katedra Metrologii AGH Kraków 2006 Komputerowa identyfikacja obiektów SYGNAŁY TESTOWE OGÓLNEGO PRZEZNACZENIA Do niedawna duże znaczenie praktyczne w testowaniu układów miały generatory szumu białego. Opierają one swoje działanie np. na silnym wzmacnianiu szerokopasmowym szumu termicznego. Na końcówkach dowolnego przewodnika w wyniku chaotycznego ruchu elektronów spowodowanego temperaturą można zaobserwować napięcie rzędu nanowoltów. Gęstość widmowa mocy tego sygnału jest wyrażona zależnością: P (f ) = 4 kTR ⎡⎣V 2 Hz ⎤⎦ 2π R – rezystancja przewodnika, T – temperatura, K – stała Boltzmana Stała, niezależna od częstotliwości, a więc w paśmie ∆f wartość skuteczna szumów wynosi U∆f = 4 kTR ∆f . Dla 2π 20°C jest to U∆f = 0.5 ⋅ 10−10 R ∆f . Stąd też biorą się szumy własne przyrządów pomiarowych. Teoretyczny szum biały jest nierealizowalny (nieskończona moc – całka z funkcji gęstości mocy). Praktycznie generowane szumy są uważane za białe jeśli mają stałe widmo w paśmie badanego obiektu. Szumy silniej ograniczone pasmowo są nazywane szumami różowymi (spadek wartości skutecznej napięcia 1/f) i czerwonymi (1/f2). Dziś generatory szumu białego tracą popularność na rzecz generatorów szerokopasmowych sygnałów deterministycznych. Pytanie: Impuls Diraca, podobnie jak szum biały, czerwony biały różowy ma stałe widmo mocy. Czym różnią się te dwa sygnały ? Katedra Metrologii AGH Kraków 2006 Komputerowa identyfikacja obiektów Sygnały PRBS (pseudorandom binary sequence) Dwuwartościowe sygnały losowe RBS (ang. random binary sequence) i dyskretno-przedziałowe DI-RBS są układowo łatwiejsze do generowania niż szum biały bo przyjmują tylko dwie wartości. Nadal jednak rządzą się prawami losowymi – nieznane jest z góry widmo pojedynczej realizacji. 1 R(τ) 0.5 0.5 V2 0 R(τ) 1 V2 0 2 -2νt Ve -0.5 -0.5 -1 0 5 10 -1 15 τ τ Przykład sygnału RBS (ν zmian w jednostce czasu) 0 5 10 15 20 25 30 dt Przykład sygnału DI-RBS (okres zegara dt) Sygnałami binarnymi deterministycznymi, których sekwencja zmian jest zoptymalizowana pod kątem szerokości pasma są sygnały ml-PRBS (m-sequences). Ich postać czasowa i widmo są znane. Są łatwe do wygenerowania. Widmo amplitudowe: A (0) = V , N=2n-1 N A ( fk ) = V 1 + 1 N sin ( k π N ) N kπ N R(τ) 1 b0 b1 b2 ... bn V2 0.5 0 -0.5 dt -V2/N -1 0 5 10 15 20 25 30 Sygnały takie są powszechnie wykorzystywane w nieparametrycznej identyfikacji obiektów, np. w czasie estymacji transmitancji linii telekomunikacyjnej przez procedury inicjalizacyjne modemów ADSL. Teoria takich sygnałów w “Perturbation Signals for System Identification”, K. Godfrey. Projektowanie np. funkcją idinput toolboxu ident Matlaba. Katedra Metrologii AGH Kraków 2006 Komputerowa identyfikacja obiektów Wyznaczanie charakterystyki częstotliwościowej „punkt po punkcie” Prosty sposób wyznaczenia charakterystyki częstotliwościowej to wyznaczenie odpowiedzi punkt po punkcie z pobudzeniem czystą sinusoidą. Dla pomiaru niesynchronizowanego z pobudzeniem problematyczne może być wyznaczenie fazy. Poniżej przedstawiono program wykorzystujący DAQ toolbox do wyznaczenia charakterystyki amplitudowej, który będziemy modyfikować na ćwiczeniach. fs=44100; N=fs; t=(0:1:N-1)'/fs; Freqs=[2:1:10 20:10:100 200:100:1000 2000:1000:22000]; FreqRef=2000; AI=analoginput('winsound'); ci=addchannel(AI, [1 2]); set(AI, 'SampleRate', fs); set(AI, 'SamplesPerTrigger',2*N); AO=analogoutput('winsound'); co=addchannel(AO, [1 2]); set(AO, 'SampleRate', fs); set(AO, 'RepeatOutput', 2); for i=1:length(Freqs) Freqs(i) putdata(AO, [0.5*sin(2*pi*Freqs(i)*t), 0.0*sin(2*pi*FreqRef*t)]); start(AO); start(AI); data=getdata(AI); stop(AO); %plot(data) u=data(N+1:2*N,1); plot(u), drawnow Resp(i)=max(u)-min(u); end delete(AO); delete(AI); loglog(Freqs, Resp); Katedra Metrologii AGH Kraków 2006 Komputerowa identyfikacja obiektów Sygnały poliharmoniczne (paczka sinusoid, ang. multisine) i optymalizacja PAR (ang. Peak to Average Ratio) Jeśli stosujemy krotności częstotliwości podstawowej to kolejne sinusoidy są ortogonalne i możemy je połączyć w jeden sygnał. Jednak czasowa postać sygnału złożonego z wielu składowych sinusoidalnych może powodować problemy z wykorzystaniem mocy przetworników pobudzających układu pomiarowego z powodu ograniczeń amplitudowych. W pomiarach typu wyznaczanie transmitancji faza poszczególnych składowych nie jest istotna obliczeniowo, operujemy przecież na różnicy faz spowodowanej charakterystyką fazową badanego układu. Zatem fazy poszczególnych składowych mogą być dobierane dla polepszenia własności czasowych sygnału. Dobry sygnał do estymacji nieznanej transmitancji maksymalizuje moc przenoszoną w zadanych ograniczeniach amplitudowych (zwiększa stosunek SNR). Ten cel można wyrazić jako minimalizację współczynnika szczytu (ang. peak to average ratio). Znany algorytm optymalizacji bazuje na przełączaniu czas-częstotliwość. Przykład: 31 sinusoid powiązanych harmonicznie, stosunek mocy po/przed optymalizacją około 16:1 (!) Widmo amplitudowe Sygnał z zerowymi fazami Sygnał z optymalnymi fazami 4 4 3 3 2 2 1 1 0 0 -1 -1 0.04 -2 -2 0.02 -3 -3 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0 0 5 10 15 20 25 30 35 40 -4 0 500 1000 1500 2000 2500 -4 0 500 1000 1500 2000 2500 Teoria projektowania takich sygnałów np. w “System Identification”, Schoukens, Pintelon. Projektowanie np. funkcją msinclip toolboxu fdident Matlaba. Katedra Metrologii AGH Kraków 2006 Komputerowa identyfikacja obiektów PRZYKŁAD POMIARU NIEPARAMETRYCZNEGO CHARAKTERYSTYK KARTY DŹWIĘKOWEJ Np. SB Creative Live!, 16-bitowa. Interesują nas własności dynamiczne (pasmo) i szumowe. Charakterystyki dynamiczne: Charakterystyki szumowe: Wejście mikrofonowe (monofoniczne, z zasilaniem dla Maksymalny stosunek sygnału do szumu wynika z ilości mikrofonu elektretowego) pobudzone harmonicznie bitów (jeśli nie ma ditheringu) SNR = 20log10 216 = 96dB . punkt po punkcie napięciem rzędu 100mV. sample value 4 Power Spectrum Magnitude (dB) -4 2 0 -2 Dlaczego takie wąskie pasmo ? x 10 0 0.5 1 1.5 2 time index 2.5 x 10 5 -40 -60 -80 -100 0 0.5 1 1.5 2 Frequency 2.5 x 10 4 [y, Fs] = daqrecord('winsound', 0, 5, 44100, [1]); psd(y,2048,Fs); Szumy 80-90dB to odpowiednik 13-15 bitów. Pytanie: Czy karty dźwiękowej nie można by użyć jako karty pomiarowej? Jakie pojawią się problemy ? Katedra Metrologii AGH Kraków 2006 Komputerowa identyfikacja obiektów ZADANIA – IDENTYFIKACJA NIEPARAMETRYCZNA Zadanie 1 Zmodyfikuj program test_sndb.m dostępny na serwerze, wyznaczający charakterystykę amplitudową pętli analogowej karty dźwiękowej line-out – line-in metodą „punkt po punkcie”, na metodę „paczka sinusoid”. Użyj FFT o długości 32768. Zadaj stałą amplitudę i losowe fazy sinusoid składowych. Przedstaw charakterystykę amplitudową i fazową pętli. Przez odwrotne FFT wyznacz odpowiedź impulsową pętli. Zadanie 2 Metodą korelacyjną dla sygnału pobudzającego PRBS wyznacz odpowiedź impulsową pętli jak w zadaniu 1. Przez FFT wyznacz charakterystyki częstotliwościowe i porównaj je z rezultatami zadania 1. LITERATURA DODATKOWA Larminat P., Thomas Y. Automatyka – układy liniowe, tom 2 – Identyfikacja, WNT 1977 Soderstrom T., Stoica P. Identyfikacja systemów, PWN 1997 Zieliński T.P., Cyfrowe przetwarzanie sygnałów, WKŁ 2005 Katedra Metrologii AGH Kraków 2006