Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 Kasprzyk J.

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: obiekty elektroakustyczne

Sortuj według:

Ogranicz wyniki do:

Komputerowe wspomaganie identyfikacji procesów

Kasprzyk J.

Zeszyty Naukowe. Automatyka / Politechnika Śląska

2006

z. 142

3-181

Identyfikacja procesów polega na tworzeniu modeli matematycznych opisujących właściwości tych procesów na podstawie posiadanej wiedzy a priori oraz pomiarów sygnałów zebranych w trakcie doświadczeń identyfikacyjnych. Praktyczne stosowanie identyfikacji wymaga dostępy do odpowiedniego oprogramowania oraz pewnych umiejętności wynikających z doświadczenia i wiedzy na temat zasad wnioskowania. Tematem pracy jest analiza problemu komputerowego wspomagania podczas wykonywania procedury identyfikacji, w szczególności dyskusja zadań i praktycznych możliwości implementacji takiego systemu, w tym także ograniczeń, na jakie można napotkać w trakcie jego stosowania. Na ogół można oddzielić etap identyfikacji procesu od etapu stosowania modelu. Na etapie identyfikacji wykonywany jest eksperyment identyfikacyjny, podczas którego obiekt poddawany jest pobudzeniu, jeśli to możliwe, to w sposób specjalnie zaprojektowany dla celów identyfikacji, a zachowanie procesu jest obserwowane. Etap ten ten kończy się skonstruowaniem modelu matematycznego, który w zwięzły sposób opisuje zachowanie procesu w czasie eksperymentu. Opis taki powinien być reprezentatywny, tj. obowiązywać także na etapie stosowania i być odpowiedni do postawionego celu. W procedurze identyfikacji można wyróżnić następujące etapy: wykonanie eksperymentu, przyjęcie struktury modelu, estymacja modelu zgodnie z wybranym kryterium aproksymacji, testowanie otrzymanego modelu. Jeżeli wynik identyfikacji nie spełnia wymagań, to należy poprawić strukturę modelu i powtórzyć procedurę od kroku drugiego, aż do uzyskania odpowiednich wyników. Istotę identyfikacji można przedstawić w ujęciu probabilistycznym, opartym na wzorze Bayesa. Podejście takie pozwala na przedstawienie spójnej teorii identyfikacji procesów opartej na wnioskowaniu statystycznym, ale ze względu na trudności obliczeniowe ma głównie znaczenie teoretyczne. Ponieważ w pracy główny nacisk został położony na praktyczne aspekty identyfikacji, stąd wykorzystuje się tu raczej opis w postaci modelu stochastycznego, w którym niepewność jest przedstawiona za pomocą tzw. innowacji, będących elementarnymi zmiennymi losowymi o zadanym rozkładzie prawdopodobieństwa. W takim przypadku stosuje się estymator największej wiarygodności ze względu na dobre własności asymptotyczne i umiarkowane wymagania obliczeniowe. Podejście to jest szczególnie wygodne dla celów predykcji, sterowania czy symulacji. Warunkiem uzyskania modelu obiektu niezależnie od sposobu obudzenia jest tu rozdzielność obiektu od źródła tego pobudzenia. Przedstawione w pracy rozważania teoretyczne ilustrowane są przykładem identyfikacji rzeczywistego obiektu elektroakustycznego, którego model jest potrzebny do prawidłowej parametryzacji układu aktywnego tłumienia hałasu (ATH). Obiekty tego typu są szczególnie trudne do identyfikacji, gdyż cechują się bardzo złożoną dynamiką. Końcowy wynik identyfikacji zależy od sposobu wykonania doświadczenia identyfikacyjnego. Aby móc poprawnie wnioskować na podstawie uzyskanych danych muszą być spełnione dwa podstawowe wymagania: obiekt musi być odpowiednio pobudzony oraz spełniony musi być warunek powtarzalności. Planowanie doświadczenia obejmuje także określenie wielkości mających aspekt bardziej techniczny, takich jak sprzężenie procesu i komputera, wybór okresu próbkowania czy sygnału pobudzającego. Ponieważ planowanie eksperymentu stanowi ten element procedury identyfikacji, który zależy silnie od indywidualnych cech badanego procesu oraz celu, dla którego wykonuje się identyfikację, stąd wspomaganie użytkownika w tym względzie sprowadza się głównie do dostarczenia mu zestawu porad, w jaki sposób należy prawidłowo eksperyment wykonać. Część z przedstawionych warunków stanowią założenia, których nie da się zweryfikować na drodze testowania. Jednak niektóre z nich mogą być testowane i dlatego przedstawiono przykłady testów zalecanych do wykonania po zebraniu danych. Ponieważ na ogół dane surowe nie powinny być stosowane do celów identyfikacji, lecz powinny postać odpowiednio przygotowane, stąd przedstawiono także propozycje wspomagania w tym zakresie. Projektowanie systemu komputerowego wspomagania identyfikacji stwarza nowe możliwości, ale niesie także ze sobą niebezpieczeństwo powstania pewnych pułapek. Dotyczy to zarówno twórców takich systemów, jak i użytkowników. Stąd w ramach podsumowania mówiono perspektywy i możliwe zagrożenia w rozwijaniu oraz stosowaniu systemów komputerowego wspomagania identyfikacji.

Process identification consists in mathematical models building that describe features of these processes on the basis of a priori information and signals measured during identification experiments. Practical application of identification involves access to suitable software. Nevertheless, some skills coming from experience and knowledge about principles of inference are also needed. The main goal of this work is to analyse the prospects in computer aided identification, especially discussion on tasks and opportunities in implementation of such systems, as well as constrains that can be met during usage of them. Generally, one can distinguish two stages: process identification and model application. At the first stage identification experiment is performed - the process is stimulated, if possible in the manner specially designed for identification purposes, and its behavior is observed. At the end of the stage it is expected to obtain a mathematical model describing process behaviour. This description ought to be representative, i.e. it should be valid at the application stage and it should be suitable for the purpose of identification. In identification procedure one can distinguish the following stages: carrying out the experiment, settling the model structure, estimating the model according to chosen approximation criterion, testing the model. If the result of identification does not fulfil the requirements then the model structure should be improved and the procedure repeated from the second stage, until adequate results are obtained. The essence of identification can be expressed in probabilistic terms, coming from the Bayes' formula. This approach allows to present the coherent theory of process identification based on the statistical inference. However, due to computational difficulties, it has only theoretical significance. Here emphasis is put on practical aspects of identification, therefore description in the form of a stochastic model is preferred, in which uncertainty is presented as so called innovations, being elementary random variables with given distribution. In this case maximum likelihood estimator is applied because of its good asymptotic properties and moderate computational requirements. This approach is especially convenient for prediction, control and simulation. To obtain a model of the process alone, independently on how it was stimulated, process and source of stimulation must be separable. Theoretical considerations presented in the monograph are illustrated by an example of a real-world electro-acoustic plant identification. The model of the plant is necessary for proper parameterization of active noise control (ANC) system. Such plants are very difficult to identification because their dynamics is very complicated. The final result of identification depends essentially on how the experiment was performed. To infer properly from experimental data, two basic requirements have to be satisfied: process should be sufficiently stimulated and the experiment must be reproducible. Planning the experiment includes also determination of technical quantities, like process-computer interface, choice of the sampling interval or the stimulation signal. Because planning the experiment is the stage in identification procedure that depends strictly on individual features of the process and on the purpose, thus computer assistance in this case is confined only to provide a set of advices for proper experimentation. Some of presented conditions are assumptions that can not be tested. But some of them can be tested and examples of such tests have been proposed to be performed after data collection. Generally, crude data should not be used directly for identification, therefore computer aided in data preparation has been also discussed. Designing the system for computer aided identification creates new opportunities, but it may lead also to some pitfalls. This conclusion concerns designers as well as users of these systems. Therefore, as the recapitulation, some conclusions are drawn about prospects and potential risks during evolving and using computer aided identification.

Model identification for active noise control in the presence of primary noise

Kasprzyk J.

Mechanics / AGH University of Science and Technology

2005

Vol. 24, no. 2

73-76

A problem of electro-acoustic plant identification for active noise control is discussed. It is assumed that data from identification experiment are contaminated by a primary noise that should be attenuated later. Three examples of such a noise are considered: sine (discrete spectrum), noise generated by a motor (narrowband time-varying spectrum) and broadband noise (pseudorandom). It is shown that thanks to preprocessing the data by disturbance adjusting filtration (DAF) it is possible to improve the results significantly when the data are contaminated by a narrowband primary noise. DAF is the procedure of selective filtration in frequency domain consisting in removing from the spectra all lines for frequencies corresponding to the noise. The results of real-world experiments carried on in a laboratory enclosure show the accuracy of estimated frequency responses obtained in the proposed approach. The procedure is efficient when multisine signals are used to excite the plant.

W artykule omówiono problem identyfikacji obiektów elektroakustycznych dla celów projektowania układów aktywnego tłumienia hałasu. Przyjęto, że dane pochodzące z eksperymentu identyfikacyjnego są zakłócone przez szum pierwotny, który powinien być później tłumiony. Rozpatrzono trzy przykłady takiego zakłócenia: sinusoida (widmo dyskretne), hałas generowany przez silnik (zmienne w czasie widmo wąskopasmowe) oraz szum szerokopasmowy (pseudolosowy). Pokazano, że stosując wstępne przetwarzanie danych, polegające na odpowiedniej filtracji sygnałów, możliwe jest znaczne poprawienie dokładności wyników w przypadku szumów wąskopasmowych. Filtracja ta realizowana jest w dziedzinie częstotliwości i polega na usunięciu z widma wszystkich linii odpowiadających częstotliwościom zakłócenia. Wyniki doświadczeń przeprowadzonych na obiekcie rzeczywistym (pomieszczenie laboratoryjne) potwierdziły, że dzięki tej metodzie można uzyskać modele o odpowiednio dokładnej charakterystyce amplitudowo-fazowej. Przedstawiona procedura może być stosowana w przypadku, gdy obiekt pobudzany był sygnałem wielosinusoidalnym.