Содержание к диссертации
Введение
ГЛАВА 1. Анализ методов идентификации линейных динамических объектов 10
1.1 Общие вопросы идентификации объектов 10
1.1.1. Задачи и этапы идентификации 11
1.1.2. Объекты идентификации и их классификация 17
1.1.3. Модели объектов 20
1 1.4. Проблема идентифицируемости 22
1.1.5. Адекватность модели объекту 24
1.2. Методы идентификации линейных динамических объектов, основанные на определении их 26
1.2.1. Вводные замечания 26
1.2.2. Активные методы идентификации 29
1.2.3. Пассивные методы идентификации 37
1.3. Проблема некорректности задачи идентификации 46
1.4. Метод типовой идентификации 49
Выводы 52
Постановка задач диссертации 52
ГЛАВА 2. Разработка цифровой модели линейного динамического объекта 54
2.1. Обоснование выбора метода цифрового моделирования линейного динамического объекта 54
2.2. Цифровое моделирование объекта 58
2.2.1. Формирование входных сигналов для ЦМО 62
2.2.2. Моделирующий алгоритм для типовых звеньев 68
2.3. Примеры моделирования и проверка ЦМО 73
Основные результаты 81
ГЛАВА 3. Активная идентификация линейного динамического объекта в условиях действия возмущений 82
3.1. Выбор входного сигнала при методе активной идентификации 83
3.2. Процедура идентификации линейного динамического объекта в условиях действия возмущений 86
3.2.1. Этап I-получение отсчетов ИХ 87
3.2.2. Этап II-выбор типовых звеньев 90
3.2.3. Этап III - получение точной оценки параметров 94
3.3. Результаты идентификации имитационных моделей 99
Основные результаты 121
ГЛАВА 4. Практическое применение идентификации линейного динамического объекта 122
4.1. Актуальность применения идентификации ИХ в реальном производстве 122
4.2. Анализ возможных неисправностей пассивных фильтров второго порядка для АС 126
4.3. Экспериментальное исследование ИХ реальных пассивных фильтров второго порядка для АС 134
Основные результаты 142
Заключение 143
Список литературы 144
- Пассивные методы идентификации
- Формирование входных сигналов для ЦМО
- Этап III - получение точной оценки параметров
- Актуальность применения идентификации ИХ в реальном производстве
Введение к работе
Актуальность работы. Задача идентификации динамических объектов, то есть определения структуры и параметров объектов по экспериментальным данным, является одной из основных задач современной теории и техники автоматического управления. К различным вариантам задачи идентификации приводят статистические методы обработки технической, экономической, социологической, биологической, медицинской информации.
Современная теория идентификации предоставляет в распоряжение исследователя возможность широкого выбора настраиваемых моделей и критериев качества идентификации, а также большое число алгоритмов идентификации.
Теоретические основы идентификации в нашей стране традиционно развиваются научным направлением «Идентификация систем», в создании которого активное участие принимали научные школы академика Я. 3. Цыпкина и профессора Н. С. Райбмана. В научно-организационном плане лидирующая роль в создании, развитии и поддержке данного направления принадлежит Институту проблем управления им. В. А. Трапезникова РАН.
Развитие теории и методов идентификации за рубежом идет в основном в рамках организаций, объединяемых Международной федерацией автоматического управления (IFАС). Ведущими зарубежными специалистами в данной области являются П. Эйкхофф, Э. П. Сейдж, Дж. Л. Мелса, Л. Льюнг.
Так как идентификация в настоящее время является обязательным элементом и наиболее сложной стадией процесса решения крупномасштабных прикладных задач, то в последнее десятилетие среди инженеров и научных работников в области теории управления степень интереса к проблемам идентификации остается стабильно высокой.
Постоянная необходимость в оптимизации процесса решения практических проблем путем рациональной идентификации стимулирует прогресс теории в классическом направлении. Поэтому по-прежнему актуальны для фундаментальной науки такие области исследования, как математические методы параметрической или непараметрической идентификации, математическая теория структурной идентификации, математическое моделирование систем, математические проблемы управления с оперативным идентификатором.
С другой стороны, с полным основанием можно говорить о том, что человек - главное звено в поиске модели задачи и его деятельность по выбору адекватного (требованиям решаемой практической задачи) типа математической модели объекта не может быть адекватно заменена алгоритмическим процессом. При решении задач практической идентификации опираются на накопленный опыт, знания и интуицию разработчиков.
Актуальность диссертационной работы обусловлена необходимостью решать задачу идентификации линейных динамических объектов с помощью относительно простых алгоритмов за короткое время с заданной точностью.
Степень разработанности темы. Для идентификации линейных динамических объектов широкое распространение получили статистические методы, основанные на определении по экспериментальным данным импульсной характеристики (ИХ) w(f) объекта в виде конечного числа г оценок дискретных отсчетов ИХ или аналитического выражения функции w(f). Трудности в получении точной математической модели реального объекта связаны в первую очередь с тем, что задача идентификации относится к классу обратных задач. Для уменьшения влияния неточности исходных данных на результат идентификации используются методы, основанные на применении входных сигналов специального вида, разложении ИХ в ряд по ортогональным функциям Лагерра, сглаживании информационных сигналов.
В инженерных задачах необходимо знать первичные параметры объекта: вид передаточной функции (ПФ), постоянные времени, коэффициенты разложения. Непараметрическое задание ИХ отражает только реакцию объекта на то или иное воздействие, не раскрывая структуру объекта и его параметры, что ограничивает возможности практического применения. Известен способ определения неизвестных параметров ПФ идентифицируемого объекта по известным коэффициентам разложения ИХ в ряд Лагерра и их взаимосвязи между собой. Однако сложность такого пересчета требует поиска других процедур идентификации, описывающих параметры ПФ идентифицируемого объекта напрямую через параметры ИХ, что и является основным содержанием настоящей диссертации.
Цели работы и задачи исследования. Целью диссертации является разработка процедуры идентификации линейного динамического объекта в условиях действия возмущений на основе определения его ИХ, которая позволит выразить параметры ПФ объекта непосредственно через параметры ИХ.
В соответствии с поставленной целью в диссертационной работе решаются следующие задачи:
анализ существующих методов идентификации линейных динамических объектов с использованием ИХ;
разработка цифровых моделей типовых звеньев и программы для ЭВМ, моделирующей работу отдельных звеньев и сложного объекта;
выбор входного сигнала объекта и получение вектора оценок ИХ объекта в условиях действия возмущения;
проведение процедуры идентификации объекта путем нахождения
составляющих объект типовых звеньев и получение грубой оценки их
параметров, переход к точным оценкам параметров типовых звеньев;
разработка программного обеспечения;
анализ и сравнение с известными примерами идентификации имитационных моделей линейных динамических объектов;
разработка процедуры входного контроля параметров разделительных
фильтров акустических систем (АС) на основе идентификации ИХ.
Методы исследования. Для решения поставленных задач использовались следующие методы исследований: метод цифрового моделирования объекта на ЭВМ, численные методы, методы обработки экспериментальных данных, методы оценки параметров. Программная реализация осуществлена в системе MATLAB.
Научная новизна работы определяется тем, что в ней предложена и исследована новая процедура идентификации линейного динамического объекта в условиях действия возмущений путем определения его ИХ, которая отличается от известных способов идентификации прямым переходом от параметров ИХ к параметрам ПФ модели объекта, в результате чего получается структура модели объекта, состоящая из комбинации параллельно соединенных выбранных типовых звеньев.
Основные положения, выносимые на защиту:
1) цифровая модель объекта, реализованная в виде программы для ЭВМ,
которая моделирует работу разнообразных линейных динамических объектов
при различных входных сигналах в пределах заданной точности;
2) процедура получения грубых оценок параметров модели объекта,
основанная на выборе набора типовых звеньев и их грубых параметров, сумма
ИХ которых аппроксимирует экспериментально полученную ИХ
идентифицируемого объекта, и обеспечивающая прямой переход от
параметров ИХ к параметрам ПФ модели объекта;
алгоритм перехода от грубых оценок параметров к точным оценкам, основанный на использовании итерационной процедуры МНК и учитывающий особенность решаемой задачи;
алгоритм осуществления входного контроля качества разделительных фильтров, позволяющий повысить достоверность и надежность процедуры контроля и уменьшить время тестирования.
Практическая ценность результатов работы заключается в следующем: предложенный способ получения модели линейного динамического объекта в виде ПФ, представленной суммой ПФ типовых звеньев, на основе процедуры идентификации ИХ объекта с помощью ИХ типовых звеньев и разработанное программное обеспечение могут быть использованы для решения прикладных задач по получению математического описания объектов включительно до 5-го порядка в условиях действия умеренных шумов.
Достоверность. Достоверность результатов, полученных в диссертации, подтверждается корректным использованием математического аппарата, программных средств моделирования, действующим программным комплексом и внедрением полученных результатов.
Реализация и внедрение. Результаты диссертационной работы нашли применение в разработках ООО «НИИ Цезий», ЗАО «НПО «Рязаныгоибор» и в учебном процессе ГОУВПО «РГРТУ», что подтверждается соответствующими актами внедрения.
Апробация работы. Результаты исследований, составляющих основное содержание работы, докладывались и обсуждались на МНТК «Гражданская
авиация на рубеже веков» (г. Москва, 2001 г.), «Научной сессии МИФИ-2002» (г. Москва, 2002 г.), 37-й научно-технической конференции (г. Рязань, 2002 г.), VI ВНТК «Информационные технологии в науке, проектировании и производстве» (г. Нижний Новгород, 2002 г.), VI ВНК студентов и аспирантов «Техническая кибернетика, радиоэлектроника и системы управления» (г. Таганрог, 2002 г.), 4-й МНТК «Электроника и информатика - 2002» (г. Москва, 2002 г.), IX МНТК «Радиоэлектроника, электротехника и энергетика» (г. Москва, 2003 г.), VIII ВНТК студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях и в образовании» (г. Рязань, 2003 г. доклад отмечен дипломом II степени), IV международной конференции «Идентификация систем и задачи управления» (г. Москва, 2005 г.).
Публикации. По теме диссертационной работы опубликовано 17 печатных работ, в том числе 7 статей, 4 из которых опубликованы в журналах центральной печати (входящих в обязательный перечень ВАК РФ), 8 тезисов докладов на международных и всероссийских конференциях; получено 1 свидетельство об официальной регистрации программы для ЭВМ в РОСПАТЕНТЕ; изданы 1 методические указания для выполнения студентами лабораторных работ.
Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы и приложений, содержащих копии документов о внедрении и материалы, не вошедшие в основной текст работы. Общий объем работы составляет 172 страницы, в том числе основное содержание изложено на 152 страницах и содержит 69 рисунков и 18 таблиц, список литературы из 105 источников.
Пассивные методы идентификации
Во многих случаях нарушение нормального функционирования объекта искусственными пробными воздействиями совершенно недопустимо. В этих случаях применяются пассивные методы и, как правило, статистические (например, корреляционные), в которых используются случайные естественные колебания входных сигналов. Для эффективного использования этих методов необходим большой интервал наблюдения, что требует применения ЭВМ. Отсутствие тестсигнала устраняет нежелательные влияния аппаратуры идентификации на процесс управления, но точность идентификации уменьшается, особенно при малом уровне управляющей величины [19]. Использование возмущений, содержащихся в самом объекте, затруднительно по следующим причинам [13]: - энергетический спектр возмущений может быть слишком узким или содержать доминирующие частоты, что требует предварительного приведения его к широкополосному виду («отбеливанию») либо периодической отсортировки для приближения спектра входного сигнала к спектру белого шума; - из-за того, что доступны лишь конечные реализации входных и выходных сигналов, точность оценивания корреляционных функций ограничена, возникает необходимость выбора временных «окон», используемых для оценок, с расширением окна увеличивается ширина спектра, но уменьшается точность оценок. Методы идентификации на основе корреляционных функций используются для преобразования задачи идентификации в задачу идентификации по ИХ без приложения импульса на вход объекта. Это облегчает идентификацию в реальном масштабе времени [20]. Предполагается, что объект функционирует достаточно длительное время, так что достигнуто стационарное состояние. Идея метода состоит в следующем: синхронную запись реализаций входного и выходного сигналов статистически обрабатывают и получают оценки корреляционных функций R it) и Rx:(0, которые далее (в случае аналитического подхода к решению) аппроксимируют известными аналитическими выражениями, затем решают интегральное уравнение (1.13), в результате чего получается аналитическое выражение для ИХ w(f).
При статистической идентификации динамических объектов последние находятся под воздействием случайных сигналов x(t), которым соответствует энергетический спектр SJCX UJ) и закон распределения - плотность вероятностей f(x). В качестве входного сигнала x(t) может быть использовано задающее воздействие xp(f) - рабочий сигнал, т. е. вход объекта x(t) не является специально выбранным сигналом, а образуется в режиме нормальной эксплуатации идентифицируемого объекта. При этом статистическая идентификация динамического объекта производится по наблюдениям за рабочим сигналом системы xp(t) и за ее реакцией на этот сигнал y(t) методом корреляционного анализа [13, 19, 20]. Этот метод идентификации является пассивным [13]. Единственный вид активности, которую можно позволить при этом методе, заключается в использовании другой реализации входа, также неуправляемой. При применении этого метода необходимо, чтобы энергетический спектр рабочего сигнала Sx х (со) имел полосу частот, не меньшую, чем эквивалентная полоса пропускания идентифицируемого объекта [19].
Если рабочий входной сигнал не содержит всех интересующих частот с соответствующими уровнями мощности, необходимо применение пробного сигнала, за счет подбора которого можно повысить точность идентификации. Вычисления статистических характеристик существенно упрощаются при некоторых видах пробного сигнала (например, представляющих собой модель белого шума).
Линейные объекты в силу суперпозиции допускают аддитивную подачу на вход специальных пробных сигналов с заданными статистическими свойствами. При небольшой интенсивности пробного сигнала такой подход может быть реализован в режиме нормального функционирования [19].
В тех случаях, когда допускается подача дополнительного пробного сигнала, свобода в его выборе является очень важной характеристикой. В этом случае необходимо изучать такие свойства сигнала, как ширина полосы, максимальная энергия и амплитуда и, кроме этого, особенности генерирования и обработки сигнала [13]. Пробные сигналы можно разделить на стохастические и детерминированные, последние могут быть единичными и периодическими.
Способ «смешанной» идентификации [22], при котором на вход исследуемого объекта подается аддитивная смесь рабочего сигнала (задающего воздействия) xp(t) и пробного случайного сигнала u(t) небольшой интенсивности: x(t) — xp{t) + u{t), не нарушает условия нормального функционирования, т. к. в реальных условиях на вход объекта кроме задающего воздействия поступает помеха n{f), имеющая более широкий спектр, чем xp{i) [19].
Идентификация объекта в этом случае может быть осуществлена благодаря высокой помехозащищенности статистических методов оценивания [19]. Здесь в процессе идентификации помехой является рабочий сигнал xp(f) [13].
Если ко входу объекта добавлять белый шум n(f) так, что x{t) = xp{t) + n(t), то подставляя x(f) в уравнение (1.11.а), умножая правую и левую части на n{t) и интегрируя, после очевидных преобразований получается [21]:
Так как n{t) - белый шум, автокорреляционная функция которого является дельта функцией Rnn(t) = a d(f), то Rny(t) = a w{t). Таким образом, добавляя к регулярному входу объекта пробный случайный сигнал в виде белого шума, получаем ИХ как корреляционную функцию этого сигнала и выхода объекта, умноженную на мощность сигнала ст2п = а7.
Формирование входных сигналов для ЦМО
Одним из важных этапов цифрового моделирования является написание, испытание, проверка и отладка программы моделирующего алгоритма на ЭВМ. При этом необходимо убедиться, что ЦМО отражает свойства реальных объектов.
Необходимым требованием к такой программе является возможность подачи на вход ЦМО любого сигнала, который может быть входным сигналом объекта, причем реакция модели на такой сигнал должна быть той же самой (в пределах требуемой точности), что и реакция объекта. Поэтому в дальнейшем термин "ЦМО" считается эквивалентным термину "ОБЪЕКТ". Алгоритм построения цифровой модели линейного динамического объекта был реализован программой TZFR_MD, входящей в состав пакета IDNTF [72], которая состоит из двух блоков [67, 73]. Блок 1. Исследование цифрового моделирования отдельных звеньев. (рис. 8, а) Моделирует работу типовых звеньев при типовых входных воздействиях и позволяет пользователю для выбранного типового звена и типового входного воздействия осуществлять: 1 - задание интервала наблюдения Тт Значения п можно брать различными и варьировать величинами / и h таким образом, чтобы выполнялось соотношение (2.31). От выбора величины шага численного метода зависит точность воспроизведения ЦМО выходного сигнала: чем меньше h тем выше точность. Рекомендуется брать следующие значения этих величин [73]: п = 50, h — в диапазоне 0.1 -ь 0.005 (/ h = 2). Блок 1 также позволяет изучить влияние параметров типового звена на вид графика его ИХ, что дает возможность приобрести навыки и опыт их применения в дальнейшем при осуществлении процедуры идентификации (ПРИЛОЖЕНИЕ 4). Блок 2. Исследование цифровой модели сложного объекта, (рис. 8, б) Включая функции блока 1, предоставляет возможность анализа сложного объекта (коэффициент ОС /? = 0, 1) с учетом количества звеньев пзв, используемых в ЦМО (предусмотрено неоднократное использование звена каждого типа). Так как задача идентификации основана на анализе ИХ объекта, то в блоке 2 ограничимся рассмотрением ЦМО в случае получения реакции на типовой входной сигнал в виде единичной импульсной функции. Поэтому длительность интервала наблюдения Т„ в этом случае следует выбрать таким, чтобы на нем полностью укладывалась значимая часть ИХ, обозначив его tmax. Анализируя и обобщая результаты проведенного цифрового моделирования работы типовых звеньев (блок 1), можно сделать вывод о том, что моделирующий алгоритм для каждого звена при типовых входных воздействиях дает хорошее приближение к аналитически рассчитанному выходу: окончательная погрешность 0(h ), что соответствует погрешности метода Рунге-Кутта. Для конкретно заданного типового звена можно осуществить подбор интервала дискретизации Ад и шага метода h, обеспечивающего требуемую точность моделирования и устойчивость ЦМО [67].
Как уже было рассмотрено выше, одним из вопросов, возникающим на этапе построения и отладки ЦМО, является проверка ее работоспособности и точности. Для каждого взятого в отдельности типового звена это легко было осуществлять путем табличного сравнения в каждый дискретный момент времени реакций звена на типовые сигналы, полученные аналитическим и цифровым методами.
Если группа параллельно соединенных звеньев не охвачена ОС /? = 0, то реакцию объекта на типовые входные сигнал также можно определить аналитически и получить ее на график или представить в виде таблицы. В этом случае анализ ЦМО сводится к подбору значения h, обеспечивающего приемлемую точность, о чем можно судить таблично при сопоставлении аналитически полученного выхода с выходом ЦМО [73].
В случае, когда группа параллельно соединенных звеньев охвачена ОС и, соответственно, аналитический расчетный выход отсутствует, необходимо провести моделирование несколько раз при уменьшающейся в одно и то же число раз величине И в каждом опыте. Приемлемым следует считать такое h, при переходе к которому значения выходной величины изменились незначительно [67, 73].
В отдельных случаях возможен другой подход. Существуют структуры из параллельно соединенных типовых звеньев, охваченных единичной ОС, эквивалентные по своей ПФ замкнутой системы Ф(р), а значит и по ИХ, одному или нескольким типовым звеньям, не охваченным ОС (рис. 16): можно проверить, если провести сопоставление результатов, полученных на ЦМО, с результатами, полученными аналитическим методом для эквивалентного типового звена, не охваченного ОС [67, 73].
Этап III - получение точной оценки параметров
Задача улучшения значений грубых параметров, полученных на этапе II процедуры идентификации согласно схеме рисунка 22, которую назовем задачей оценки параметров, проводится по методике, рассмотренной в [90], с уточнениями, учитывающими специфику рассматриваемой задачи [91, 92].
Известны различные виды оценок [10, 13, 23, 41]: 1. оценки по МНК, 2. марковские оценки, 3. оценки максимального правдоподобия, 4. байесовские оценки. Эти оценки упорядочены по возрастанию объема исходной информации об объекте. При оценивании МНК предполагается, что динамика объекта может быть аппроксимирована выбранной моделью. При получении марковских оценок считается также известной ковариационная матрица шума. Для вычисления оценок максимального правдоподобия необходимо знание плотности вероятности измеряемого случайного процесса. Байесовские оценки, или оценки минимальным риском, требую знания априорных плотностей вероятности неизвестных параметров и величины штрафа за ошибки. Оценки 1-3 можно рассматривать как частные случаи байесовских оценок с меньшим объемом априорной информации (так выясняется связь между различными типами оценок). Поэтому в задаче оценки параметров целесообразно воспользоваться МНК, который требует значительно меньше априорной информации. При решении этой задачи используются те же входной хті и выходной zh i = l,n сигналы, по которым осуществлялась идентификация ИХ объекта. Каждое звено характеризуется несколько параметрами, обозначенными буквами а, Ь, с и d. Так как при описании модели объекта нас интересует. полная совокупность параметров, то обозначим через т общее число параметров модели объекта, а всю совокупность параметров как вектор , компоненты которого подлежат оценке. Точные значения параметров вектора Д не известны, но в результате этапа II проведенной процедуры идентификации получены грубые оценки параметров звеньев. Вектор грубых параметров обозначим как Д=(Д ,...,Дт)г. Если бы на объект не действовало возмущение, то сигнал на выходе объекта был бы нелинейной функцией параметров вектора Д : у{ = ДД). С учетом возмущения наблюдаемый сигнал на выходе объекта будет Модель объекта в свою очередь описывается вектором грубых параметров Д . Существенной особенностью рассматриваемой задачи, отличающей ее от известных задач оценивания параметров [10, 13, 23, 41], является то, что в результате идентификации получена модель объекта, вектор параметров которой /3-{/3 х,...ф т)т является лишь грубым приближением к вектору параметров /3 идентифицируемого объекта. С этой моделью можно проводить те же самые эксперименты на ЭВМ, что и с объектом, то есть подавать на вход модели тот же самый сигнал хТ1 и получать на выходе реакциюyt = /(/?), і = 1, п. Судить о качестве модели можно сопоставляя сигнал yt на выходе модели объекта с сигналом z, на выходе объекта. Вектор невязок, вызванный неточностью определения параметров объекта и действием возмущения, который характеризует отличие выхода идентифицируемого объекта от выхода модели, будет равен: Необходимо так подобрать параметры модели /3, чтобы различие (3.8) было минимальным. Так как зависимость f,(/3) нелинейная, то приблизить значения параметров (3 к значениям (3 можно путем применения МНК, разработанного для нелинейных наблюдений [90]. Введем в рассмотрение вектор поправок к грубой оценке - Компоненты АД, к=\, m вектора А/? будем искать по МНК: для этого в соответствии с методикой, изложенной в [90], уравнение (3.7) приведем к линейному путем разложения f /З) в ряд Тейлора в окрестности грубой оценки /3 и, ограничившись линейными членами разложения, получим:
Актуальность применения идентификации ИХ в реальном производстве
При организации производства акустических систем (АС) необходимо минимизировать издержки по их проектированию, подготовить процедуры проверки параметров элементов АС и контроля выполнения всех технологических операций [96, 97].
В процессе проектирования АС активно используется компьютерное моделирование электроакустических характеристик (частотной зависимости модуля и фазы комплексного входного сопротивления, коэффициента гармонических искажений, кумулятивного спектра, АЧХ, ФЧХ, ИХ, динамического диапазона) будущей АС [97]. Перечисленные характеристики существенным образом зависят от конструкции, схемотехники и качества элементов разделительных фильтров [97].
Одной из возникших задач для ООО «НПП Цезий» (г. Рязань) явилась разработка алгоритмов и программного обеспечения, позволяющих на базе существующей измерительной системы "CLIO" [98] (рис. 45) усовершенствовать процедуру контроля электрических параметров разделительных фильтров для АС. Разделительные фильтры высококачественных АС (класса top Hi-Fi, Hi-End) являются достаточно дорогостоящими узлами АС [97, 99], поэтому организация надежного и «быстрого» контроля электрических параметров фильтров является актуальной задачей, которую необходимо решить в процессе организации производства.
При производстве разделительных фильтров АС необходимо также, чтобы данные о конкретном фильтре оставались на предприятии для получения статистических данных о видах неисправностей фильтров в процессе производства. Получаемая при этом информация может быть использована для поиска так называемых слабых мест в схемотехнике фильтра, недостатках печатного монтажа, некачественных элементах и т.д. — для проведения процедуры входного контроля изделия.
Исправность фильтров на указанном выше предприятии ранее проверялась путем измерения частотной зависимости модуля комплексного входного сопротивления z(f) двухполосной автомобильной АС (фильтров ВЧ, НЧ с подключенными динамическими головками). Система "CLIO" [98] позволяет измерить z{f) с приемлемой точностью путем подачи на вход фильтра синусоидального сигнала, частота которого изменяется с шагом, кратным 1/12 октавы и менее. После отображения z(f) на экране монитора, оператор сравнивал вид полученной зависимости с графиком на плакате. При этом он оценивал минимальное значение сопротивления и качественное совпадение вида кривых.
Таким образом, происходила проверка сразу обоих разделительных фильтров, тогда как для повышения качества продукции и усовершенствования производства требуется проверка фильтров по отдельности. При указанном подходе квалифицированным персоналом на проверку тратится около двух минут, что очень много при серийном производстве. Не сложно подсчитать, что при 8 часовом рабочем дне и 24 рабочих днях в месяц один работник может проверить максимум 5760 пар фильтров.
При серийном производстве более 10000 АС в месяц возникает необходимость в снижении времени проверки фильтров, что может быть достигнуто: 1. путем измерения ИХ фильтра - аппаратура "CLIO" позволяет измерять ИХ за несколько секунд, однако ее анализ на имеющемся программном обеспечении невозможен; 2. автоматизацией процесса анализа ИХ реального фильтра. Поэтому возникла необходимость в получении и анализе ИХ реальных разделительных фильтров и разработке алгоритма проверки исправности фильтров на основе идентификации ИХ, которые были положены в основу создания инженерами ООО «НПП Цезий» соответствующего программного обеспечения. Идея заключается в следующем: сначала на вход фильтра подается двоичный псевдослучайный сигнал или MLS сигнал [98, 100-102], затем сигнал с выхода подается на плату АЦП, встроенную в ЭВМ, обрабатывается имеющейся промышленной программой CLIO [98], рассчитанной на контроль параметров АС и динамических головок. Программа формирует файл данных с ИХ тестируемого фильтра. Далее, по своему виду ИХ идентифицируется, т. е. сравнивается с видом идеальной ИХ, рассчитанной по схеме конкретного фильтра (путем наложения графиков на экране монитора). По измеренной ИХ автоматически оцениваются ее параметры и то, попадают ли их значения в заданный диапазон, соответствующий допускам на номинал используемых компонентов (катушек индуктивности, конденсаторов, резисторов). Если измеренная ИХ по виду отличается от идеальной, тогда ей ставится в соответствие ИХ схемы неисправного фильтра и определяется неисправность, все измеренные данные записываются в файл, являющийся электронным паспортом на данный фильтр. В результате, полученные выражения для ИХ реальных фильтров на основе использования типовых звеньев при идентификации линейного динамического объекта были использованы в ООО «НПП Цезий» для оптимизации конструкции динамических головок и корпусов бытовых АС и контроля параметров разделительных фильтров автомобильных АС.
