OPRACOWANIE I PREZENTACJA WYNIKÓW POMIARÓW
Transkrypt
OPRACOWANIE I PREZENTACJA WYNIKÓW POMIARÓW
1 OPRACOWANIE I PREZENTACJA WYNIKÓW POMIARÓW Opracowanie danych pomiarowych ma na celu wstępne przygotowanie danych do analizy i prezentacji. Mogą to być proste działania, takie jak: zaokrąglanie liczb, sortowanie danych, normalizacja, odrzucanie anomalnych wyników, łączenie dwóch lub większej liczby niezależnych pomiarów pojedynczej wielkości fizycznej. Bardziej zaawansowana obróbka może polegać na wyznaczaniu zależności funkcyjnej pomiędzy mierzonymi wielkościami, uśrednianiu danych pomiarowych, kompresji danych. Zobrazowanie danych pomiarowych w formie graficznej ułatwia ich percepcję przez człowieka. Zobrazowanie przybiera postać różnorodnych wykresów dwu- i trójwymiarowych, wykonanych często z użyciem kolorów. W trakcie prezentacji publicznych stosowana jest też animacja, polegająca na dynamicznym generowaniu wykresów na ekranie. Obróbka i zobrazowanie danych pomiarowych mogą być obecnie realizowane za pomocą wygodnych narzędzi komputerowych o bardzo dużych możliwościach obliczeniowych i graficznych. Złożone algorytmy numeryczne stają się dostępne i łatwe w użyciu, nawet bez dogłębnej znajomości aparatu matematycznego. W niniejszym rozdziale zawarto przykłady zastosowania do obróbki danych pomiarowych, popularnego w wielu środowiskach akademickich na świecie, programu Matlab firmy The MathWorks. 1. Podstawowe zasady przedstawiania wyników pomiarów Jako regułę podawania wyników pomiarów zaleca się stosowanie konwencji ustalającej związek pomiędzy niedokładnością pomiaru a formą zapisu jego wyniku, uwzględniającą liczbę cyfr znaczących. Cyframi znaczącymi przyjęto nazywać wszystkie cyfry liczby, poczynając od pierwszej cyfry niezerowej znajdującej się na pozycji najwyższego rzędu dziesiętnego. Liczba 0.00307 ma trzy cyfry znaczące: 3, 0 i 7; liczba 0.003070 ma cztery cyfry znaczące: 3, 0, 7 i 0. Zaleca się zapisywać liczby w postaci wykładniczej, w której mantysa zawiera tylko cyfry znaczące. Tak więc liczbę 0.00307 należy zapisać jako 3. 07 ⋅10−3 , liczbę 0.003070 zaś jako 3. 070 ⋅10−3 . Ostatnia cyfra znacząca w każdym wyniku powinna być tego samego rzędu (stać na tym samym miejscu dziesiętnym) co błąd pomiaru. Na przykład wynik pomiaru 8.135 V z czterema cyframi znaczącymi wskazuje, że dokładność pomiaru jest rzędu mV. Jeżeli pomiar był wykonywany z dokładnością 10 mV, wynik powinien być podany w postaci 8.14 V, to znaczy powinien mieć tylko trzy cyfry znaczące. Należy przy tym stosować obowiązujące reguły zaokrąglania liczb: • Jeżeli pierwsza z odrzuconych cyfr jest mniejsza niż 5, to liczba zaokrąglona pozostaje bez zmian. • Jeżeli pierwsza z odrzuconych cyfr jest większa niż 5, to do ostatniej cyfry liczby zaokrąglonej dodaje się 1. 2 • Jeżeli pierwsza z odrzuconych cyfr równa się 5 i między pozostałymi odrzuconymi cyframi znajdują się cyfry niezerowe, to do ostatniej cyfry liczby zaokrąglonej dodaje się 1. • Jeżeli pierwsza z odrzuconych cyfr równa się 5 i wszystkie pozostałe odrzucone cyfry są zerami, to ostatnia cyfra liczby zaokrąglonej: - pozostaje bez zmian, gdy jest parzysta; - zostaje zwiększona o 1, gdy jest nieparzysta. 2. Zasady postępowania matematycznego przy opracowywaniu wyników pomiarów Przy opracowywaniu wyników pomiarów obowiązują następujące zasady postępowania: a) Obliczenia powinny być przeprowadzane na danych (wynikach pomiarów) podawanych z ich największą dokładnością. b) Wszystkie obliczenia przeprowadzane na danych: mnożenie, dzielenie, potęgowanie itd. należy wykonywać do co najmniej dwóch cyfr znaczących więcej niż zawierały pierwotne dane. Nie należy wykonywać zaokrągleń, dopóki nie uzyska się ostatecznego wyniku obliczeń. c) Przy mnożeniu i dzieleniu wynik należy podawać z taką samą liczbą cyfr znaczących, jaką zawiera wynik pomiaru o najmniejszej liczbie cyfr znaczących wzięty do obliczeń. Można zaobserwować tendencję do łamania zasady (c) przy stosowaniu do obliczeń kalkulatora. Rozważmy przykład niewłaściwego użycia kalkulatora do określenia rezystancji na podstawie cyfrowych pomiarów napięcia i prądu: R= U 814 . V = = 3.493562232 kΩ . I 2.33mA W przykładzie tym podano wynik obliczenia rezystancji zawierający 10 cyfr znaczących (to znaczy z dokładnością do µΩ !), podczas gdy wielkości pośrednie mają tylko trzy cyfry znaczące. Jedynym rozsądnym sposobem jest użycie w odpowiedzi tej samej liczby cyfr znaczących jaka występuje w wynikach pomiarów pośrednich. Zatem obliczenia należy przedstawić następująco R= U 814 . V = = 3.49 kΩ I 2.33mA Rezystancja została podana z taką samą precyzją, z jaką zmierzono napięcie i prąd. 3. Wyznaczanie zależności funkcyjnej pomiędzy mierzonymi wielkościami metodą najmniejszych kwadratów W praktyce inżynierskiej często występuje typ eksperymentu polegający na pomiarze wielu wartości dwóch różnych wielkości fizycznych w celu zbadania matematycznej formuły opisującej związek pomiędzy tymi wielkościami. Jednym z 3 częstych przypadków jest ten, w którym oczekiwana relacja jest liniowa i punkty pomiarowe powinny układać się na prostej. Stajemy wtedy przed zagadnieniem znalezienia linii prostej y = A + Bx , która jest najlepiej dopasowana do wyników pomiarów. Jest to równoważne znalezieniu najlepszego przybliżenia stałych A i B opartego na danych: ( x1, y1 ),...,( x N , yN ) , gdzie N - liczba punktów pomiarowych. Zestawiając razem wyniki pomiarów możemy skonstruować nadokreślony układ N równań o dwóch niewiadomych A i B, który w zapisie macierzowym ma postać y ≅ Xa 1 x1 y1 1 x y 2 2 , y = , X = M M M 1 x N y N gdzie: (3.1) A a= B Równania (3.1) stanowią układ sprzeczny. Sprzeczność tych równań może być spowodowana albo niedoskonałością teorii zakładającej liniową zależność, albo błędami pomiarów, albo łącznie jednym i drugim. Możemy jednak przypuszczać, że ilościowe poprawki do teorii i do wyników pomiarów są niewielkie, i spróbować - jeżeli nie dokładnie, to przynajmniej w przybliżeniu - opisać wynik eksperymentu za pomocą zależności liniowej. Do znalezienia tej zależności przydatna jest metoda najmniejszych kwadratów. W dalszym ciągu zajmiemy się tylko rachunkową stroną teorii metody najmniejszych kwadratów, pomijając całkowicie jej stronę probabilistyczną. Zastosujemy przy tym wygodny i krótki rachunek macierzowy. Metoda najmniejszych kwadratów w rozpatrywanym przypadku polega na znalezieniu takich wartości parametrów A i B, dla których norma wektora residualnego r = y − Xa (3.2) jest możliwie mała r = y − Xa → minimum . (3.3) Warunek (3.3) jest równoważny warunkowi ε= r 2 = r Tr = N ∑ (( y − Xa) i ) 2 → minimum , (3.4) i =1 który wyraża sumę kwadratów błędów poszczególnych równań układu (stąd nazwa metody). Wielkość ε jest skalarem i jest funkcją wektora parametrów a ε (a ) = ( y − Xa ) T ( y − Xa ) = y T y + a T X T Xa − 2y T Xa (3.5) 4 W celu znalezienia wektora a$ minimalizującego ε(a) różniczkujemy (3.5) względem a i przyrównujemy pochodną do zera. Zgodnie z regułami różniczkowania, dla formy kwadratowej oraz dla iloczynu skalarnego wektorów, mamy δε (a$ ) = 2 X T Xa$ − 2 X T y = 0 δa (3.6) XT Xa = XT y (3.7) czyli Jest to tzw. równanie normalne. Jego rozwiązanie daje najlepsze przybliżenie stałych A i B. Zauważmy, że macierz tego równania X T X jest kwadratowa; jeżeli więc det( X T X) ≠ 0 , to poszukiwany wektor parametrów a$ wyraża się wzorem a$ = ( X T X) −1 X T y (3.8) Szukana prosta to y = A + Bx . Przedstawiona analityczna metoda znajdywania linii prostej, która najlepiej pasuje do szeregu punktów doświadczalnych, nazywana jest też metodą regresji liniowej. O znalezionej prostej mówi się, że jest dopasowana metodą najmniejszych kwadratów lub że jest prostą regresji zmiennych y i x (rys. 3.1). a) b) y y ( x i ,y i ) y i − ( A + Bx i ) { x x Rys. 1. Ilustracja metody najmniejszych kwadratów: a) Jeżeli dwie zmienne są związane relacją liniową i nie byłoby błędów pomiarów, to wszystkie punkty doświadczalne ( x i , yi ) leżałyby dokładnie na prostej y = A + Bx ; b) Błędy pomiarów powodują, że punkty są rozrzucone. Szukamy linii prostej, która najlepiej pasuje do szeregu punktów doświadczalnych. Przykład Za pomocą metody najmniejszych kwadratów znajdź prostą y = A + Bx , która najlepiej pasuje do czterech punktów pomiarowych: (1,12), (2,13), (3,18), (4,19). Rozwiązanie Konstruujemy wektor y oraz macierz X 5 1 12 1 13 y= X= 1 18 1 19 1 2 3 4 Korzystając ze wzoru (3.8) dostajemy rozwiązanie układu równań (3.1) w sensie najmniejszych kwadratów A 9 a= = . B 2.6 Szukana prosta to y = 9 + 2.6 x . Obliczenia według wzoru (3.8) najwygodniej przeprowadzić za pomocą programu Matlab. Rozwiązanie zadania polega na wpisaniu do okna poleceń Matlaba tylko trzech linijek kodu: X=[1 1; 1 2; 1 3; 1 4] y= [12 13 18 19]’ a=X\y W ostatnim wierszu użyto operatora lewostronnego dzielenia macierzy, który jest zalecanym w Matlabie sposobem rozwiązywania układów równań liniowych. Program bada wstępnie strukturę macierzy współczynników układu, a następnie wybiera i realizuje najlepszy dla analizowanego przypadku algorytm rozwiązania. 4. Dopasowanie wielomianu Omówiony w poprzednim punkcie przykład należy do najbardziej podstawowej, a zarazem najprostszej metody aproksymacji zależności pomiędzy seriami danych x i y. Jeżeli poszukiwana zależność nie jest liniowa, to można ją często do takiej postaci sprowadzić poprzez odpowiednią zamianę zmiennych. Na przykład: jeśli punkty układają się w przybliżeniu wzdłuż paraboli y = A + Bz 2 , to podstawienie z 2 = x pozwala przedstawić zależność w postaci liniowej y = A + Bx ; gdy oczekiwana zależność ma postać z = A exp(−B / T ), (z > 0, A > 0, T ≠ 0) , podstawienia ln z = y i 1 / T = x dają y = C − Bx , gdzie ln A = C . W pewnych sytuacjach korzystne jest użycie funkcji innych rodzajów, na przykład wielomianów. Rozpatrzmy zadanie dopasowania do wyników pomiarów wielomianu postaci: W ( x ) = a r x r + a r −1 x r −1 + ... + a 1 x + a 0 . (3.9) Mając dane wektory wyników serii pomiarów x i y wyznaczamy macierz X. Poszukujemy wektora współczynników wielomianu a 6 x 1r r x X= 2 L r x N x 1r −1 L 1 x r2−1 L 1 , L L 1 x rN−1 L 1 ar a a = r −1 . L a0 (3.10) Iloczyn Xa daje wektor kolumnowy, którego elementy są wartościami wielomianu dla poszczególnych danych xi. Szukamy takiego wektora a, aby Xa było jak najbliższe wektorowi wyników pomiarów y. Błąd tego przybliżenia wynosi: ε= 1 Xa − y N 2 = 1 ( Xa − y ) T ( Xa − y ) . N (3.11) Dla uzyskania poszukiwanych współczynników wielomianu należy zminimalizować ten błąd. Zadanie to jest identyczne z przedstawionym wcześniej zadaniem regresji liniowej, stąd może być łatwo rozwiązane w środowisku MATLAB za pomocą operatora lewostronnego dzielenia a = X\y (3.12) Omówioną metodę aproksymacji za pomocą wielomianów automatyzuje funkcja polyfit, której wywołanie ma postać: a=polyfit(x,y,r). Znajduje ona współczynniki wielomianu stopnia r przybliżającego najlepiej, w sensie najmniejszych kwadratów, zależność między serią danych x oraz y. Przykład Dane są wyniki pomiarów wielkości y wykonane w sześciu kolejnych momentach czasu t: t = [0 0.3 0.8 1.1 1.6 2.3], y = [0.5 0.82 1.14 1.25 1.35 1.40]. Zakładając, że zależność pomiędzy wielkością mierzoną y, a czasem może być modelowana za pomocą wielomianu y = a 0 + a1t + a 2 t 2 wyznaczyć współczynniki a 0 , a 1 , a 2 . Dysponujemy sześcioma równaniami z trzema niewiadomymi: (3.13) 7 1 1 1 1 1 1 y1 t12 y 2 t2 2 a 0 2 y t3 × a1 = 3 2 y t4 a 4 2 2 y5 t5 t 62 y6 t1 t2 t3 t4 t5 t6 Wyznaczamy macierz X 1 1 1 X= 1 1 1 0 0.30 0.80 1.10 1.60 2.30 0 0.09 0.64 1.21 2.56 5.29 W wyniku rozwiązania układu równań Xa = y (3.14) otrzymujemy wektor współczynników wielomianu 0.5318 a = 0.9191 − 0.2387 Wielomian modelujący zależność pomiędzy wielkością mierzoną y i czasem ma postać y = 0.5318 + 0.919 t − 0.2387 t 2 . 8 y 1 .5 1 0 .5 0 0 .5 1 1 .5 2 2 .5 t Rys. 2. Przebieg funkcji aproksymującej na tle punktów pomiarowych 5. Sporządzanie wykresów zależności funkcyjnych pomiędzy mierzonymi wielkościami Wykonując wykresy ręcznie należy stosować papier milimetrowy. Nanosimy najpierw układ współrzędnych wraz ze skalą liczbową na osiach. Stosunek długości obu osi nie powinien przekraczać wartości 1:1.5. Aby wykres spełniał wymagania stawiane inżynierskiej dokumentacji technicznej, musi być opisany symbolami użytych wielkości i ich jednostek, powinien posiadać także podpis. Do opisu wykresów, a także rysunków wykonanych komputerowo, zalecane jest pismo bezszeryfowe, na przykład czcionka Ariel. Skala liczbowa na osiach wykresu (popularnie określana jako podziałka) powinna być wykonywana tak, aby z wykresu można było dokonać odczytu z dokładnością zbliżoną do dokładności pomiarów. Skalę można wykonać jako równomierną, logarytmiczną, kwadratową itp. lub skalę mieszaną, np. lin-log . Najczęstszy przypadek stanowi skala równomierna. Skala logarytmiczna jest przydatna do linearyzacji wykresów obrazujących zależności funkcyjne typu y = x 2 (rys. 3a). zlogarytmowaniu obu stron tego równania otrzymujemy zależność liniową Po log y = 2 log x . Naniesienie wyników pomiarów na przygotowaną wcześniej skalę logarytmiczną (typu log-log) zapewnia "automatyczną" linearyzację wykresu bez konieczności logarytmowania (rys. 3b). 9 a) 4 b) y y 100 3 2 10 1 0 x 0 1 2 1 1 x 10 Rys. 3. Funkcja y = x2: a) we współrzędnych o skali liniowej, b) we współrzędnych o skali logarytmicznej (log-log) Do często spotykanych zależności funkcyjnych typu y = a x przydatna jest skala logarytmiczno-liniowa (log-lin) bowiem po zlogarytmowaniu obu stron równania otrzymujemy log y = x log a . Wykres log y względem x jest więc linią prostą o nachyleniu log a. Skala log-lin jest nazywana często skalą półlogarytmiczną. Punkty pomiarowe zaznacza się markerami o kształcie trójkąta, prostokąta, koła, krzyża lub litery x. Poszczególne punkty pomiarowe łączy się możliwie zbliżoną do nich linią ciągłą. Łączenie punktów linią łamaną stosowane jest wyjątkowo, np. dla wykresu błędów miernika. Na jednym wykresie nie należy umieszczać charakterystyk o różnych rzędnych i odciętych. W przypadku wykreślenia rodziny krzywych, należy wprowadzić różne oznaczenia lub różne kolory dla każdej z krzywych. Oznaczenie granic błędu na wykresach konstruowanych na podstawie pomiarów może być zrealizowane za pomocą pionowych kresek, krzyżyków lub prostokątów błędów. 6. Zastosowanie grafiki komputerowej do wizualizacji danych pomiarowych Najwygodniejszym i dającym olbrzymie możliwości narzędziem do wizualizacji danych pomiarowych są specjalizowane programy komputerowe. Należy do nich wspomniany wcześniej program do obliczeń naukowo – technicznych Matlab. Program ten posiada rozbudowane funkcje graficzne przeznaczone do tworzenia wykresów dwu- 10 i trójwymiarowych. Podstawę w Matlabie stanowi grafika wektorowa – tworzone obrazy składają się z linii, punktów i wielokątów o określonych współrzędnych. Do operacji na pojedynczych punktach rastra program oferuje zestaw funkcji grafiki rastrowej. Użytkownik stosuje przeważnie tzw. funkcje wysokiego poziomu, które automatycznie ustalają większość parametrów tworzonych rysunków. Dowolne kontrolowanie szczegółów tworzonego rysunku umożliwiają funkcje niskiego poziomu, wykorzystywane do obsługi obiektowego systemu graficznego. Matlab umożliwia wykreślanie danych przechowywanych w wektorach – funkcja plot, realizację wykresów w skali logarytmicznej – funkcja loglog, półlogarytmicznej – funkcje semilogx, semilogy, sporządzanie wykresów w biegunowym układzie współrzędnych – funkcja polar (rys. 4). 90 1 120 60 0.8 0.6 150 30 0.4 0.2 180 0 330 210 240 300 270 Rys. 4. Wykres w biegunowym układzie współrzędnych Dane zawierające wartości zespolone można przedstawiać graficznie, wykorzystując funkcje matematyczne wyodrębniające ich części rzeczywiste i urojone. Elementy macierzy zespolonej można przedstawiać w postaci strzałek o wspólnym początku i grotach w punktach opisanych przez współrzędne kartezjańskie, podczas gdy wykres jest rysowany w biegunowym układzie współrzędnych (rys. 5.a). 90 1 10 120 60 0.8 8 6 0.6 150 30 4 0.4 2 0.2 180 0 0 -0.2 210 -0.4 330 -0.6 240 -0.8 300 270 -1 0 a) 5 10 15 b) Rys. 5. Sposoby przedstawiania elementów macierzy zespolonej 20 11 Na innym rodzaju wykresu (rys. 5.b) elementy macierzy zespolonej są przedstawione w postaci strzałek o początkach rozmieszczonych równomiernie na osi x; długości strzałek są równe modułom elementów macierzy zespolonej, a kąty nachylenia strzałek – ich argumentom. Rysowanie wykresów trójwymiarowych umożliwia funkcja plot3, będąca odpowiednikiem funkcji plot dla przestrzeni dwuwymiarowej. Wykres funkcji dwóch zmiennych tworzy powierzchnię (rys. 6). Ponieważ wykreślając powierzchnię tworzymy wykres trójwymiarowy na dwuwymiarowej płaszczyźnie, na wstępie należy wygenerować specjalną siatkę, w tych węzłach, w których szukane są wartości funkcji w osi z. Służy do tego funkcja meshgrid. W Matlabie mamy do dyspozycji szereg funkcji realizujących różne warianty kolorowych wykresów trójwymiarowych, między innymi z uwzględnieniem odbić światła, z mapą kolorów, łączeniem wykresów powierzchniowych i poziomicowych. Możliwa jest też zmiana kierunku obserwacji wykresu. 2 0 -2 -4 -6 -8 -10 -12 -14 12 10 12 8 10 6 8 6 4 4 2 2 0 0 Rys. 6. Wykres powierzchniowy z siatką wygenerowaną za pomocą funkcji meshgrid Dane dyskretne mogą być prezentowane za pomocą wykresów słupkowych, kołowych, warstwowych (rys. 7. a, b, c). Dyskretny charakter danych można też zaznaczyć stosując funkcję stem , która rysuje wykres odcinkowy (ang. stem – łodyga). Dane są reprezentowane przez odcinki „wyrastające” z osi odciętych i zakończone kółeczkami (rys. 7. d). Specjalnymi wykresami słupkowymi, wykorzystywanymi do graficznego przedstawienia rozkładu liczebności elementów wektora są histogramy (rys. 7 e, f). 12 a) b) 4 4% 9% 3 38% 2 17% 1 0 5 32% 10 c) d) 25 1.5 1 20 0.5 15 0 10 -0.5 5 0 e) -1 1 1.5 2 2.5 3 3.5 4 4.5 -1.5 0 5 1 2 3 4 5 6 f) 90 4 120 60 3 2 150 30 1 180 0 330 210 240 300 270 Rys. 7. Sposoby prezentowania danych dyskretnych: a) wykres słupkowy, b) wykres kołowy, c) wykres warstwowy, d) wykres odcinkowy, e) histogram w kartezjańskim układzie współrzędnych, f) histogram w biegunowym układzie współrzędnych.