File Edit View Insert Tools Window Help

ld*belfira 0

Initial sygnal

-1

1*1 i-k I л

Рис. 4. График исходного сигнала.

Генератор шума и помех накладывает на основной сигнал три вида распределенных по равномерному закону помех. Это высокочастотный низко-амплитудный шум (0-3,5 В), импульсная помеха большой амплитуды равной сигналу (8 В), которая накладывается на интервале от нуля до прихода полезного сигнала и импульсная помеха (2 В) на интервале изменения полезного сигнала (рис. 5.).

The extended-time sygnal + noise

Time points

Рис. 5. График генерированного сигнала

Блок идентификации полезного сигнала работает по алгоритму, основанному на частотных свойствах сигнала. На основании поступающих данных рассчитывается амплитуда основной гармоники сигнала считывания. Как только ее значение превышает некоторый пороговый предел, идентифицируется полезный сигнал. Это делает устройство нечувствительным к шумам и импульсным помехам большой амплитуды.

Формирователь массива данных формирует массив необходимый для идентификации сигнала и массив соответствующий полезному сигналу, определенному блоком идентификации.

Преобразователь БПФ реализует процедуру быстрого преобразования Фурье для массивов идентификации и полезного сигнала. Результат преобразования выводится на график (рис. 6.).

Figure Mo. 3

File Edit View Insert Tools Window Help

250

□ 0 02 0 04 0 06 DOB 01 0 12 0 14 0 16 □ 18 02 Frequensy

?7-roF-?nflF m-?s

Рис. 6. Дискретный амплитудный спектр идентифицированного сигнала.

Блок обратного БПФ восстанавливает сигнал по стабильным гармоническим компонентам. На рис. 7. представлены графики выделенного блоком идентификации и восстановленного блоком обратного БПФ сигналов считывания.

Chosen and restored signals

100150

Time points

Рис. 7. Графики выделенного

и восстановленного сигналов

Блок локализации и поиска главного экстремума определяет минимальные значения функций зашумленного и восстановленного сигнала.

Для анализа влияния помех и шума на результат преобразования положения в качестве исходного сигнала использовалась осциллограмма сигнала считывания. Далее после обработки генераторами сигнала и шума моделировались различные мощные импульсные помехи, распределенные по временной оси случайным образом. Значения амплитуд шумов задавались до величины 3,5 В, что составляет около 40% амплитуды полезного сигнала (рис. 5).

Для оценки уменьшения случайной погрешности при использовании предложенных алгоритмов, проводилась серия экспериментов, в ходе которой были получены осциллограммы сигналов считывания и результаты преобразования положения методом аналогового выделения экстремума с последующим аналого-цифровым преобразованием время-код. Измерения проводились в конце 5-и метрового диапазона, где случайная погрешность имеет максимальное значение. Полученные осциллограммы были обработаны разработанной моделью.

На рис. 8а и рис. 8б приведены графики результатов исследований влияния шума и импульсных помех большой амплитуды и графики оценки уменьшения случайной погрешности. Для сравнительного анализа приведены результаты преобразования с аналоговым методом

выделения экстремума (при исследовании влияния шума и импульсных помех большой мощности оценивались пиковые значения сигнала считывания, поскольку аналоговые методы оказываются неработоспособны для данных уровней шумов):

223

Error diagrams

10 12 14 Number of experiment

а) График измерений пиков исходного зашумленного и обработанного сигналов

Рис. 8. Графики исследований влияний шумов погрешности.

Number of experiments

б) График оценки уменьшения случайной погрешности в конце 5-метрового диапазона

и помех и оценки уменьшения случайной

Как видно из графика разброс пиков зашумленного сигнала составляет ±1,2 мкс, что составляет погрешность ±3,6 мм для датчика на крутильных колебаниях. Разброс минимумов восстановленного сигнала составляет ±20 нс, что соответствует погрешности ±0,06 мм. Кроме этого, применение алгоритмов позволяет получить метрологически надежный результат вследствие частотной идентификации сигнала.

Из графика оценки уменьшения случайной погрешности видно, что максимальный разброс измерений, выделение сигнала в которых проводилось аналоговыми методами, составляет ±400 нс, разброс измерений в результате обработки разработанными алгоритмами, реализованных в имитационной модели составляет ±30 нс. Таким образом, уменьшение случайной погрешности составляет более 90%.

Основные результаты и выводы:

1.Разработана математическая модель МПП на базе DSP микропроцессора, реализующего метод уменьшения случайной погрешности на основе спектрального анализа сигнала считывания первичного преобразователя.

2.Предложенная модель способна обрабатывать экспериментальные данные, что делает ее применимой для исследований МПП.

3.Математическое моделирование МПП позволяет оценить уровень его помехоустойчивости и случайную погрешность.

Работа выполнена по гранту РФФИ № 05-01-96508-р поволжье а «Математическое моделирование магнитострикционных преобразователей»

Литература

1. Надеев А. И. Магнитострикционные интеллектуальные преобразователи параметров движения. Монография /Астрахан. гос. техн. ун-т.-Астрахань, АГТУ, 1999. - 155 с.-деп. в ВИНИТИ 22.07.99. № 2385 - В99.