Содержание к диссертации
Введение
1. Основные структуры аналитических информационно- измерительных систем (аиис) и особенности пер вичной обработки выходных сигналов аналитических приборов (АП) 10
1.1. Универсальные анализаторы состава и АИИС на их основе 10
1.1.1. Краткие сведения об универсальных АП 10
1.1.2. Особенности выходных сигналов АП и их обработки 15
1.1.3. Типовые структуры АИИС АП 21
1.2. Модели выходных сигналов АП 25
1.2.1. Модели полезного сигнала 25
1.2.2. Помехи в сигналах АП 32
1.3. Этапы и алгоритмы обработки аналитической информации 37
1.3.1. Этапы получения результатов аналитических измерений 37
1.3.2. Краткий обзор алгоритмов первичной обработки 39
1.3.3. Понятие комплексного алгоритма первичной обработки 40
Выводы. Постановка задачи 43
2. Алгоритмизация процесса первичной обработки информации аналитических приборов 45
2.1. Методика синтеза комплексного алгоритма 45
2.1.1. Порядок синтеза комплексного алгоритма первичной обработки 45
2.1.2. Критерии для оценки эффективности алгоритмов 47
2.1.3. Методика построения информационно-логической структуры комплексного алгоритма 51
2.2. Методика анализа алгоритмов выполнения опера ций обработки 54
2.2.1. Аналитико-статистический подход к анализу алгоритмов первичной обработки АИ 54
2.2.2. Методы определения критериев качества 56
2.3. Структура моделирующей программы 65
Выводы 72
3. Определение параметров качества алгоритмов первичной обработки сигналов АП 74
3.1. Сглаживание (предварительная фильтрация) 74
3.2. Обнаружение полезных компонентов сигнала 89
3.3. Коррекция базисного сигнала (дрейфа) 103
3.4. Оценивание параметров модели (нелинейной) .124
3.5. Оценивание параметров линейной множественной регрессии 142
Выводы 151
4. АИИС на основе спектральных аналитических приборов . 160
4.1. АИИС в рентгеноспектральном анализе .160
4.1.1. Структура АИИС 160
4.1.2. Сопряжение квантометра непрерывного действия с ЭВМ 163
4.1.3. Сопряжение квантометра дискретного действия с ЭВМ 166
4.2. Прикладное математическое обеспечение (ПМО)АИИС 168
4.2.1. Структура комплексного алгоритма для ПМО АИИС рентгеноспектрального анализа 168
4.2.2. Выбор модели сигнала квантометра 179
4.2.3. Синтез алгоритма идентификации модели для АИИС с микроЭВМ 188
4.2.4. Описание комплекса программ модуля градуировки 193
4.2.5. Синтез комплексного алгоритма обработки сигналов в АИИС с хроматографами 194
Выводы 197
Заключение 199
Литература 202
Приложения 216
- Модели выходных сигналов АП
- Методика анализа алгоритмов выполнения опера ций обработки
- Обнаружение полезных компонентов сигнала
- Прикладное математическое обеспечение (ПМО)АИИС
Введение к работе
Современный этап развития народного хозяйства характеризуется своей направленностью на всемерную интенсификацию и повышение качества продукции. Об этом свидетельствуют принятые Партией и Правительством различные широкие программы и постановления. Немалую роль в достижении указанных целей играют различные средства контроля качества, в частности, аналитические информационно-измерительные системы (АИИС) на базе высокоэффективных универсальных анализаторов состава и свойств вещества (спектрометров во всем диапазоне спектра от инфракрасного до рентгеновского и гамма-излучения, масс-спектрометров , хроматографов)• Широкое внедрение таких АИИС в промышленность и научный эксперимент способствует не только повышению точности аналитических измерений, но повышает их оперативность и экспрес-сность, позволяет заменить ряд одноцелевых датчиков одним универсальным анализатором, что особенно важно в автоматизированных системах (АСУ ТП и АСНИ), высвобождает обслуживающий персонал. Все вышесказанное подтверждает актуальность работ в области совершенствования АИИС.
Повышение качества АИИС может осуществляться различным образом. Существенного улучшения показателей АИИС можно достичь, если не просто комбинировать анализатор и ЭВМ, а, учитывая обязательное наличие ЭВМ в системе, изменить самую методику проведения анализа (например, не добиваться полного, а ограничиться частичным разделением компонентов в хроматографе, переложив операцию их дальнейшего разделения на ЭВМ, чем уско рить процедуру анализа). Эти методы эффективны, однако их специфичность не позволяет выработать конкретные рекомендации пользователям.
Вторая группа методов повышения эффективности АИИС направлена на воздействие на структурные параметры АИИС. В настоящее время наблюдается тенденция на всемерную интеграцию анализатора и ЭВМ, вплоть до получения единого интегрированного прибора с дальнейшей перспективой создания аналитического робота. Это предполагает безусловную обязательную эксплуатацию анализатора с ЭВМ и требует такого проектирования устройств системы детектора анализатора и устройств сопряжения, которые были бы максимально просты и надежны, а все необходимые операции передавались бы на ЭВМ. Поэтому разработка устройств сопряжения анализатора-ЭВМ, в том числе с использованием стандартных интерфейсов, является важным вопросом при решении проблемы повышения эффективности АИИС.
Наиболее эффективно для решения указанной проблемы применение алгоритмических методов. Эта группа методов удобна тем, что может быть реализована прямо у пользователя существующих АИИС. Именно гибкость и легкодоступность сделали эти методы наиболее популярными. В то же время, при их применении возникает целый ряд затруднений. В частности, нет опубликованных полных данных, позволяющих оценить целесообразность применения тех или иных алгоритмов выполнения частных операций обработки сигналов в АИИС.
Во-вторых, затруднения возникают при комплексировании этих алгоритмов в алгоритм полной обработки. Нет соответствующих рекомендаций, облегчающих пользователю ориентацию в раз личных вариантах и создание более эффективного.
Поэтому целью данной работы, направленной на разработку эффективных АИИС на базе универсальных анализаторов состава и качества веществ, явилось исследование общих структурных и алгоритмических методов повышения их качества.
Работы выполнялись в ЛТИ им.Ленсовета по координационному плану АН СССР "Спектроскопия атомов и молекул" (шифр 1.1.2.6) и на основании совместного приказа MB ССО РО&СР и МП CM IP 1113/538 от 02.12.77 г.
В процессе исследований получены следующие новые результаты:
1. Проведено сравнительное исследование алгоритмов выполнения операций обработки сигналов универсальных анализаторов состава, для чего:
а) предложены критерии, позволяющие провести обоснованный формальный выбор частных алгоритмов, учитывающие параметры их метрологических характеристик, характеристик трудоемкости и устойчивости (робастности);
б) разработана методика и моделирующая программа аналити- ко-статистического исследования, включающая выбор зон исследования аналитическими методами, а изучение параметров алгоритмов внутри этих зон - математическим моделированием;
в) проведена классификация и определены значения критериев для типовых алгоритмов выполнения операций обработки и составлены необходимые рекомендации пользователям по их целесообразному применению.
2. Предложен порядок формализованного синтеза комплексного алгоритма первичной обработки, включающий три этапа: де композицию процесса обработки на стадии по функциональному признаку; построение информационно-логического графа и составление на его базе алгоритма обработки.
3. Для интегрированных АИИС с рентгеновскими квантометрами непрерывного и дискретного действия разработаны устройства сопряжения и создано прикладное математическое обеспече-ние.
Работа состоит из введения, четырех глав, заключения, приложения и списка использованной литературы.
В первой главе дана оценка состояния проблемы обработки сигналов универсальных аналитических приборов (АП) спектрального типа. Выделяются два этапа обработки - первичная и вторичная. При этом характер первичной обработки сигналов различных АП в значительной степени совпадает. Это объясняется формальным сходством их моделей и целей обработки. Показано, что алгоритм первичной обработки - сложный комплекс, состоящий из ряда частных операций. На основании изучения состояния проблемы делаются соответствующие выводы и конкретизируется постановка задачи.
Во второй главе представлена методика синтеза комплексного алгоритма. Рассматриваются частные и обобщенные оценки эффективности отдельных операций первичной обработки, на основании которых в дальнейшем производится синтез комплексных алгоритмов. Представлены методики оценки значений критериев, общая методика анализа алгоритмов первичной обработки, показана целесообразность аналитико-статистического подхода к исследованию алгоритмов первого этапа обработки.
Третья глава посвящена аналитико-статистическому исследо ванию алгоритмов первичной обработки сигналов АП. Дан сравнительный анализ частных алгоритмов по разработанной методике и предложенным во второй главе критериям качества алгоритмов. При этом рассматривались как традиционные алгоритмы, достаточно широко используемые в аналитической практике, так и различные их модификации, направленные на получение устойчивых оценок. Результаты сравнительного анализа сведены в таблицы для конкретных функциональных операций. Конкретизируются дальнейшие этапы по комплексированию.
В четвертой главе рассматриваются вопросы структурного решения АИИС на базе рентгеновских квантометров непрерывного и дискретного действия, а также приводится декомпозиция процесса обработки сигналов и управление ходом анализа по пооперационному принципу с учетом функциональной законченности и автономности выполняемых процедур. Получена структурная схема комплексного алгоритма для прикладного математического обеспечения АИИС. Произведен выбор вида модели на примере анализа сырьевых смесей цементного производства с помощью квантометра непрерывного действия МБАРС-5И. На основании результатов сравнительного анализа алгоритмов (гл.З) выбраны способы и синтезированы, по разработанным в работе, алгоритмы выполнения процедуры градуировки квантометра. Указывается на возможность использования данных главы 3 для синтеза комплексных алгоритмов АИИС других анализаторов состава, в частности, хроматографов.
В приложении приводятся тексты программ, а также соответствующие акты.
Модели выходных сигналов АП
Выходной сигнал аналитического прибора включает три составляющих:1) полезный сигнал S (tj, несший информацию о составе или качестве анализируемого вещества;2) базисный сигнал С.Ш » иногда называемый фоном или дрейфом, равный значению выходного сигнала аналитического прибора в отсутствии полезного сигнала;3) помехи различного рода nftj .В большинстве случаев выходные сигналы аналитических приборов u(t) можно рассматривать как аддитивную смесь составляющих:где t - независимая переменная;8 - вектор NPAR NprK параметров системы, подлежащий оценке. . В качестве независимых переменных может выступать текущее время анализа, параметр развертки (физическая величина, по которой производится развертка спектра), интенсивности аналитических линий в квантометрах и т.п. Зависимыми переменными являются измеряемые выходные сигналы аналитических приборов. Задачей обработки сигналов является оценка параметров 8 , точные значения которых неизвестны.
Модели сигналов строятся, исходя из физических основ функционирования анализатора. Моделью полезного сигнала fit) аналитического прибора будем называть заданную аналитически или таблично функцию ARW в d#lb У которой составляющие вектора параметров могут пробегать область допустимых значений. Модель можно записать в виде:где -4 - интенсивность сигнала, мерой которой может служить его амплитуда, площадь или энергия;f{ - функция, описывающая форму сигнала (может быть треугольной, трапецеидальной, гауссовой, лорентцовой или другой более сложной [4,18-21] );А/Ргк- число компонентов модели.
Такое задание модели в виде суперпозиции отдельных компонент привлекательно относительной простотой.
В ряде случаев сигналы АП можно описать не параметрами модели, а ее моментами [22,23] . При таком описании не обязательно знать форму сигнала, так как моменты рассчитываются непосредственно по дискретным составляющим сигнала. Это является достоинством такого описания. С другой стороны, возникает трудность точного вычисления требуемых моментов.
Момент а -го порядка определяется выражением (шаг квантования переменной t принят равным единице):где нулевой момент М0 равен:
Пределы интегрирования ограничиваются областью существен - ных значений сигнала
Для полной характеристики сигнала обычно достаточно иметь сведения о нулевом и первом начальных моментах и втором, третьем, четвертом центральных моментах. Моменты более высоких порядков не несут существенной информации о сигнале.
Нулевой момент М0 содержит информацию о площади сигнала, начальный первый момент М характеризует его положение (определяет координаты центра тяжести сигнала). Второй центральный момент Мг характеризует ширину сигнала /и :
Третий центральный момент содержит информацию об асимметрии сигнала. Коэффициент асимметрии }f определяется:
величина Ж. свидетельствует о размытом заднем фронте сигнала.
Четвертый центральный момент М. используется для вычисления эксцесса Е , который характеризует "остроту" сигнала по отношению к пику гауссовой формы, имеющего такую же среднеквадратичную величину м :Если Е положительный, то это означает, что рассматриваемый сигнал "острее", чем гауссовскии.
При известных моментах сигнал аналитического прибора может быть описан выражением [22] : Проблема выбора вида модели полезного сигнала АП является одной из основных при автоматизации обработки информации и построении АИИС. Этой проблеме посвящен ряд работ [19,20,24, 25], из которых следует, что при выборе вида модели необходимо, естественно, стремиться к ее упрощению (сокращению числа параметров), поскольку основные погрешности в (1.1) будут вызваны не грубостью модели, а наличием в сигнале мешающих факторов (дрейф, шум, помехи и т.д.).
Поэтому целесообразно использовать на практике такие модели, как треугольную и трапецеидальную - в масс-спектрометрии [18] , Гауссову или Лорентцову - в хроматографии, спектроскопии [4,2б] и т.п. (табл. 1.2). Эти модели для описания пика требуют минимального количества параметров - трех.
Щля построения моделей процессов, явлений, происходящих в приборе, могут быть использованы регрессионные методы, обладающие большой универсальностью. Достоинством данного подхода является то, что он не требует существенной априорной информации о процессе, в частности, о физике происходящих в приборе явлений.
При выборе вида регрессионной модели исходят из двух посылок: модель должна как можно лучше восприз водить реальную систему (должна быть адекватной) и по возможности быть простой для уменьшения объема вычислительных работ.Основными причинами, препятствующими эффективному приме
Методика анализа алгоритмов выполнения опера ций обработки
Многообразие существующих алгоритмов первичной обработки аналитической информации предопределяет необходимость разработки методики и выработки критериев для обоснования выбора конкретных алгоритмов реализации отдельных операций для прикладного математического обеспечения АИИС.
Возможны следующие методы оценки качества алгоритмов первичной обработки АИ: 1) аналитические;2) экспериментальные, предполагающие постановку эксперимента и анализ его результатов;3) на основе математического моделирования (т.к. здесь необходимо использовать статистическое моделирование, то условно назовем методы этой группы статистическими).
Аналитические методы обычно предполагают введение ряда упрощающих предположений, что препятствует учету всех искажающих факторов, присутствующих в реальном процессе, и в конечном счете существенно загрубляет саму оценку.
Постановка физических экспериментов связана с организационными трудностями и сравнительно большими материальными и, главное, временными затратами. Кроме того, не всегда удается "по закону" воспроизвести все возможные критические ситуации.
Наиболее точную информацию, правда при условии достаточности априорных сведений о моделях сигналов в АЙИС и искажающих факторах, дает третий подход - метод статистического моделирования. В этом случае в отличии от аналитического метода можно учитывать и такие ошибки, как ошибки дискретизации и квантования, ошибки линеаризации и т.п. Трудности здесь возникают при организации процедурі перебора возможных значений изменений параметров как из-за часто встречающихся их больших диапазонов изменения, априорной неизвестности характера поверхности отклика (поведения интересующих параметров) и возможности проскока экстремальных точек, так и из-за влияния на результат неадекватности воспроизведения условий работы АИИС.
Поэтому целесообразно комбинированное использование методов различных групп. В частности, возможным подходом при анализе алгоритмов обработки АИ может быть аналитико-статистический. При этом для определения характера изменения погрешностей и их граничных значений предпринимается аналитическое исследование алгоритма, и определяются соответствующие этим зонам значения параметров; для получения более достоверных и реальных метрологических характеристик алгоритма на следующем этапе используются методы математического моделирования внутри этих зон.
При такой методике комбинация обоих методов исследования позволяет ускорить процесс исследования: область допустимых значений исходных параметров сигнала и алгоритма определяется ана литическим методом, а характер изменения метрологических параметров обработки внутри этой области - моделированием.
Аналогичный подход возможен и при исследовании других характеристик алгоритмов, например, времени работы, устойчивости, что и используется ниже для сложных случаев.
Как указывалось в разделе 1.3.3, комплексный алгоритм обработки АИ состоит из функционально связанных модулей, выполняющих определенные операции. В свою очередь, каждый модуль (операция) характеризуется набором возможных алгоритмов, из которых для реализации необходимо выбрать только один. Многообразие алгоритмов требует разработки методики выбора алгоритмов, наиболее подходящих в том или ином смысле для решения конкретных задач. Так как существенными в различных случаях могут оказаться разные характеристики алгоритмов (метрологические, реализации, надежностные и др ) то выбор должен строиться на определенном наборе критериев.
Практическая методика анализа алгоритмов должна основываться на наборе критериев, учитывающих наиболее важные характеристики отдельных алгоритмов. В большинстве АИИС такими характеристиками являются точностные (характеризующие погрешности результата для окнкретного алгоритма; входят в совокупность метрологических характеристик прибора по ГОСТ 8.009-72) и трудоемкости (характеризуют сложность алгоритма и входят в совокупность характеристик реализации). Тогда критерии качества необходимо конкретизировать по основным группам алгоритмов; они должны характеризовать точность результатов (в зависимости от исходных данных) и трудоемкость их получения. На рис,2.4 дана классификация принятых критериев качества алгоритмов, применимая для анализа алгоритмов первичной обработки в АИНС.
В качестве показателей в критерии точности обычно берут смещение оценки А или дисперсию & Во многих случаях эти два показателя имеют противоречивые тенденции изменения в зоне вариации параметров сигнала АП, поэтому оба показателя объединяют в один и используют средний квадрат ошибки, который определяется как вариация оценки около его истинного значения [28,40j .т.е. средняя величина квадрата ошибки равна сумме эмпирической дисперсии и квадрата смещения.
Критерии устойчивости (робастности) характеризуют точность оценок ( б ) в зависимости от отклонения закона распределения от предполагаемого (наличие импульсности помех, несоответствие вида или параметров корреляционной функции Б (ъ) ). При прочих равных условиях, результат работы алгоритма тем лучше, чемг шире класс законов распределения, для которых оценка & находится в заданных пределах.
В качестве критериев трудоемкости алгоритма могут использоваться: необходимое время счета Т на ЭВМ, объем занимаемой памяти Q , объем вычислительных работ V и производительность РОценка производительности ЭВМ производится по методике, описанной в работе [4l] , и включает следующие процедуры:
Обнаружение полезных компонентов сигнала
Алгоритмы обнаружения полезного сигнала, используемые в АЙИС, можно разбить на три большие группы (рис.3.6): проверки гипотез (оптимальные), робастные и использующие производные сигнала.
Классическая теория оптимального обнаружения сигнала основана на байесовском подходе к проверке статистических гипотез и позволяет решить задачу обнаружения при наличии априорной информации о сигнале, помехе и способе их взаимодействия [34,т.2].
В практических задачах обнаружение сигналов АП приходится осуществлять применительно к условиям, когда распределение помехи (или параметры сигнала) известно лишь частично, например, известно, что оно близко к нормальному, но информация о поведении "хвостов" распределения отсутствует [67-70J..
Возможности применения оптимальных алгоритмов обнаружения в такой ситуации ограничены из-за высокой чувствительности этих алгоритмов к малым отклонениям плотности распределения помехи от предполагаемой.
В силу этих причин большой интерес представляет разработка стабильных (робастных) алгоритмов обнаружения, обладающих свойством сохранения в некоторых пределах своих характеристик при малых изменениях плотности распределения помехи. Стабильные методы обнаружения базируются либо на процедурах, аналогичных робастному оцениванию, либо на использовании устойчивых свойств некоторых непараметрических статистик. Основным недостатком алгоритмов обнаружения по производным сигнала является более высокая чувствительность к шумам, роль которых возрастает при дифференцировании.
Оптимальные методы обнаружения сигнала в настоящее время изучены достаточно глубоко [34,т.2, 71J .
Задача обнаружения полезных компонентов в сигнале, поступающем в обработку, состоит в проверке гипотезы Н0 , что наблюдаемая на интервале (-Т ,Т ) реализация Y_ (текущих значений сигнала) принадлежит стационарному нормальному процессу с корреляционной функцией Ь (t) , против альтернативной гипотезы Н± , что эта реализация принадлежит также нормальному случайному процессу с той же корреляционной функцией, но со средним значением, изменяющимся по закону S(t) .
Процедура обнаружения состоит в вычислении логарифма отношения правдоподобия [34,т.2] и сравнении его с порогом:где Y и S - векторы-столбцы, элементами которых служат и-(1&Ь)и S(l&t) соответственно; i = l, ...,N ; В" - матри ца, обратная корреляционной матрице шума.
Правило выбора решения формулируется следующим образом: принимается гипотеза Ht , если для наблюдаемой выборки выполняется :если неравенство (3.15) не выполняется.
Этот алгоритм является асимптотически оптимальным ( N- ) по любому из известных критериев качества: байесовскому, максимума апостериорной вероятности, максимума правдоподобия, критерию Неймана-Пирсона и минимаксному. Выбор одного из указанных критериев качества отражается лишь на величине заранее устанавливаемого порога G
В общем случае S(L&t) включает значение моделей сигнала F(L&t,8) и дрейфа:
Для простоты выкладок предполагается, что операции обнаружения предшествовала операция коррекции базисного сигнала либо значения базисного сигнала известны и учтены в модели, т.е.
Определим вероятности ложного ( ) и правильного обнаружения {fi ). Имеем:
Персия логарифма отношения правдоподобия; Х t Х - процентные точки нормального распределения, причем
Из выражения (3.17) можно определить, задавшись величиной с , согласно критерию Неймана-Пирсона, величину порога 0Н [34,т.2]:а из выражения (3.19) получить оценку для порога чувствительности алгоритма:
Если выборочные значения ак являются независимыми случайными величинами с распределением Тьюки, то правило (3.15) выбора решения формально сохраняет свой вид [7l] , но в выражение для оценки порога 6"т (аналогичное (3.20)) подставляется вместо вш величина вп :где Р( - вероятность появления выброса с &ь =ЛЬШ
Таким образом, величина порога р больше, чем 0Н ; это приводит к увеличению пропусков пиков и снижению чувствительности алгоритма.
В выражения для порогов % и (?N входит функция F(L&t В)» зависящая от параметров В , которые к моменту выполнения операции обнаружения еще неизвестны. Не всегда известно также и число компонентов сигнала. Поэтому объем выборки N задается таким, чтобы она охватывала не более одного компонен та, а параметры 0 фиксируются для минимального по интенсивности компонента, который необходимо обнаружить.Отклонение модели от реального сигнала приводит к снижению энергии функции tnL(Y) , а значит ухудшению условий обнаружения Однако, на практике иногда идут на это с целью упрощения реализации алгоритма обнаружения.
Например, вместо свертки в (3.15) используют сумму значений сигнала (это эквивалентно прямоугольной модели сигнала):
Для повышения устойчивости обнаружения, особенно при наличии выбросов, используются некоторые параметрические алгоритмы. Например, для обнаружения сигнала на фоне аддитивной стационарной помехи с симметричным распределением может быть применен знаковый алгоритм [34,т.2]:где 0"3 - порог, определяемый заданной вероятностью ложной тревоги с :или вероятностью правильного обнаружения сигнала в :
Прикладное математическое обеспечение (ПМО)АИИС
Комплексный алгоритм (как указывалось в 1.3.3) включает операции управления анализатором, алгоритмы первичной и вторичной обработки информации. В соответствии с методикой синтеза комплексного алгоритма (см. п.2.1) на первом этапе была проведена декомпозиция процесса обработки и управления ходом анализа.
В качестве классификационного признака при декомпозиции использовался пооперационный принцип, причем учитывалась функциональная законченность и автономность выполняемых процедур. В результате получена структура комплексного алгоритма для обработки рентгеноспектральних данных, представленная на рис.4.5. В схеме приняты следующие обозначения: 1 - модуль диспетчер МД; 2 - модуль ввода исходной информации МВв; 3 - модуль вывода информации МВыв; 4 - модуль установки эталонных проб МУЭП; 5 - модуль установки текущих проб МУТП; 6 - модуль регистрации информации МРИ; 7 - модуль градуировки МГр; 6 - модуль вычислений MB; 9 - модуль диагностики МДС.
ПМО на основе указанного алгоритма позволяет реализовать совместную работу анализатора с микроЭВМ и работу АИИС в двух основных режимах: 1) режим градуировки и 2) режим вычислений.
Режим град.уировки. Градуировка прибора предусмотрена в следующих случаях: при первом включении комплекса, при времени наработки, большем допустимого, а также после любого измерения по команде оператора с пульта. При проведении градуировки (осуществляется на эталонных образцах - пробах, известного химического состава) производится регистрация информации методом, заданным оператором, диагностика работы анализатора и вычисление коэффициентов регрессионных уравнений с последующей их записью в
Режим вычислений реализуется в процессе работы комплекса между периодами калибровки. При этом регистрируется информация при измерениях на текущих пробах и вычисление значений концентраций определяемых элементов с их дальнейшей распечаткой. При необходимости контроля работы анализатора получаемая информация передается в МДС и далее снова производится определение концентраций.
Кратко рассмотрим алгоритмы работы модулей.Работа модуля-диспетчера ШІ (рис.4.6) начинается с выдачи сигнала разрешения ввода исходной информации в МВв (блок 1) и запуска таймера для измерения текущего значения времени (блок 2). Из ПЗУ выводится значение М - время наработки анализатора и производится его анализ (блоки 3, 4, 5).
Предположим, что М = 0 (блок 3), тогда идентификатору К присваивается значение 1 (К = і - режим градуировки) - блок 6, и в МУЭП подается команда установки эталонных образцов (блок 8). Регистрация производится одним из 3-х возможных методов, задаваемым оператором.
По окончании регистрации проверяется условие блока 9 (К = = 3 - режим вычислений). И так как К = 1 (реализуется режим градуировки), то подается сигнал разрешения диагностики (блок 11) в МДС. При нарушении нормального функционирования системы (проверяется в блоке 12) происходит останов работы программы до устранения неисправности. В противном случае осуществляется проверка условия блока 13, и так как К = 1, то разрешается вычисление калибровочных коэффициентов (блок 14) и запись вычисленных коэффициентов в ПЗУ (блок 15). По окончании работы МК разрешается установка текущих проб (блок 16). Идентификатору К присваивается значение 3 (блок 17) и разрешается регистрация интенсивностей текущих проб (блок 18). После окончания регистрации проверяется условие блока 9. Так как в этом случае К =3, то подается сигнал в MB - разрешение вычисления концентраций (блок 10). После этого из MB осуществляется возврат в основную программу МД. Регистрируется время наработки (блок 19) и разрешается вывод информации (блок 20) - выход в подпрограмму МВыв. После выполнения операции вывода производится возврат в основную программу для регистрации количества циклов измерений Ц = = Ц + 1 (блок 21). Если Ц ту Цдоп (блок 22), то происходит останов программы. Если же Ц Цдоп, то программа переходит в блок 23 и, если он не включен, то осуществляется переход в блок 16, и производится расчет значений концентраций, как указывалось ранее. Если же контроль включен, то идентификатору К присваивается значение 2 (блок 24), далее работают блоки 7, 8 и т.д.
При М 0 (блок 3) проверяется условие блока 4. Если оно выполняется (М - Мд0П), то осуществляется переход в блок 16 -установка текущих проб. Если М Мдоп (это означает, что режим измерений закончен), то в блоке 5 величине М присваивается значение "0й, и происходит переход в блок 3 - начинается реализация режима градуировки квантометра.
Алгоритм работы модуля градуировки МГр (рие.4.7). Для расчета концентраций используется регрессионная модель вида (выбор ее обосновывается ниже - см. разд.4.2.2)где N - число эталонных проб; J;.— интенсивность і -ой пробы і- -го элемента; С..- расчетное значение концентрации і,-ой
Модуль градуировки осуществляет вычисление коэффициентов модели по эталонным образцам. Из модуля диспетчера (МД) в МГр поступает сигнал, по которому вводятся исходные данные - значения интенсивноетей эталонных проб (блок 1). Далее, в блоке 2 получают оценки коэффициентов для системы нормальных уравнений. Расчет величин концентраций по полученным коэффициентам осуществляется в блоке 3. Оценка погрешности модели производится в блоке 4. Если погрешность превышает допустимую (сигнал "нет"), то в блоке 5 формируется команда увеличить число эталонных проб. В противном случае (сигнал "да") формируется сигнал конца градуировки, поступающий в МД.
Алгоритм работы модуля вычислений MB (рис.4.8). Модуль-диспетчер сигналом из блока 10 (рис.4.б) MB "считывает" значения градуировочных коэффициентов из ПЗУ и число-импульсные значения информации, накопленной в ОЗУ (блок 1). Далее в блоке 2 производится расчет концентраций, определяемых элементов по модели, вид которой определен в МГр. Конец расчета концентраций является сигналом возвращения из подпрограммы MB в основную программу МД.
Модуль регистрации МРИ (рис.4.9) обеспечивает возможность регистрации информации в одном из трех режимов (таймера, постоянного набора и монитора). Структурно МРИ состоит из трех основных блоков 2, 3, 4.Исходными данными для работы МРИ являются данные признака метода регистрации (блок 1):т = 00 - признак метода таймера (Т),m = 10 - метода монитора (М),
