UNIVERSITÀ DEGLI STUDI DI ROMA “LA SAPIENZA” DIPARTIMENTO DI INFORMATICA E SISTEMISTICA
description
Transcript of UNIVERSITÀ DEGLI STUDI DI ROMA “LA SAPIENZA” DIPARTIMENTO DI INFORMATICA E SISTEMISTICA
UNIVERSITÀ DEGLI STUDI DI ROMA “LA SAPIENZA”
DIPARTIMENTO DI INFORMATICA E SISTEMISTICA
DATA PROCESSING
ALESSANDRO DE CARLIANNO ACCADEMICO 2005-2006
FINALITÀ DEL DATA PROCESSING
DATA PROCESSING
2
SIGNIFICATO DEL DATA PROCESSING
- BANDA PASSANTE
- ANDAMENTO DEL SEGNALE UTILE
- ANDAMENTO DEL RUMORE
- CARATTERIZZAZIONE IN TERMINI STATISTICI DEI DISTURBI
- ANDAMENTO DEL VALORE MEDIO DEL SEGNALE UTILE
- ANDAMENTO DELL’ERRORE QUADRATICO
- SPETTRO DELLE ARMONICHE
- CARATTERIZZAZIONE IN TERMINI STATISTICI DEL SEGNALE UTILE
INFORMAZIONI DA ESTRARRE DA UN FILE DI DATI UTILIZZANDO LE MACROISTRUZIONI DEL MATLAB
FINALITÀ DEL DATA PROCESSING
DATA PROCESSING
3
INFORMAZIONI DA ESTRARRE DAL FILE DEI DATI DELLA VARIABILE INGRESSO E DAL FILE DEI DATI DELLA VARIA-BILE DI USCITA RILEVATI DURANTE IL FUNZIONAMENTO DI UN SISTEMA DINAMICO
- MODELLO DINAMICO NON PARAMETRIZZATO
- PARAMETRI DI UN MODELLO DINAMICO DI TIPO CONTINUO A STRUTTURA PREFISSATA
- PARAMETRI DI UN MODELLO DINAMICO DI TIPO DISCRETO A STRUTTURA PREFISSATA
- INDIVIDUAZONE DI NON LINEARITÀ ISTANTANEE
FINALITÀ DEL DATA PROCESSING
DATA PROCESSING
4
INFORMAZIONI DA ESTRARRE DAL FILE DEI DATI DELLA VARIABILE INGRESSO E DAL FILE DEI DATI DELLA VARIA-BILE DI USCITA RILEVATI DURANTE IL FUNZIONAMENTO DI UN SISTEMA DINAMICO
- GRADO DI INTERAZIONE FRA LE SINGOLE VARIABILI DI INGRESSO E LE SINGOLE VARIAILI DI USCITA
- PARAMETRI DEI MODELLI DINAMICI CHE CARATTERIZZANO IL COMPORTAMENTO DINAMICO DOMINANTE
ELABORAZIONE DEI DATI
DATA PROCESSING
5
DATI DALL’IMPIATO E DALL’ESTERNO
SELEZIONE E CATALOGAZIONE
ANALISI ED ELABORAZIONI
INDIRIZZAMENTOALL’UTILIZZATORE
UTILIZZAZIONEPER IL CONTROLLO
VISUALIZZAZIONE
DAI DATI ALLE INFORMAZIONI
DATA PROCESSING
6
CONTROLLO E SEQUENZE
BILANCIO MATERIALI
OTTIMIZZAZIONE
MISURE ED ATTUAZIONI
ENTERPRISE RESOURCE PLANNINGINFORMAZIONE
DIVENTANO
MESSAGGI
MISURE
DATI E STATI LOGICI
DIVENTANO
DIVENTANO
MANUFACTURING EXECUTION SYSTEM
REGOLAZIONI ED INTERBLOCCHI
SCHEDA ACQUISIZIONE DATI
DATA PROCESSING
7
SEGNALEANALOGICO
FILEDATI
SCHEDAINPUT/OUTPUT
SCHEDA DIACQUISIZIONE
DISPOSITIVO DI ELABORAZIONE
OSCILLATOREA FREQUENZA
COSTANTE
FILTROPASSA BASSO
CONVERTITOREANALOGICO
DIGITALE
PASSO DI CAMPIONAMENTO
PASSO DI QUANTIZZAZIONE
SCHEMA COSTRUTTIVOSCHEMA FUNZIONALE
DATICAMPIONATI
ACQUISIZIONE DATI
BANDA PASSANTE ACCORDATAAL PASSO DI
CAMPIONAMENTO
DAI DATI ALLA STIMA DEL SEGNALE UTILE
DATA PROCESSING
8
ACQUISIZIONE DEIDATI CAMPIONATI
STIMA DELVALORE MEDIO
SEGNALE UTILE
STIMA DELLADERIVATA PRIMASTIMA DELLADERIVATA SECONDA
SCELTA DEL PASSO DI ACQUISIZIONESE TROPPO FITTO VIENE ESALTATOIL RUMORE DI DIGITALIZZAZIONE
PASSO DI ACQUISIZIONE
SE TROPPO RADO VENGONO DISTORTE LE INFOMAZIONI CONTENUTE NEL SEGNALE UTILE
ELABORAZIONION-LINE
DATI CAMPIONATI
DATIACQUISITI
STIMA DELL’ERROREQUADRATICO
STIMA DI ALCUNE CARATTERISTICHE STATISTICHE
STIMA DELLA BANDA PASSANTE
DAI DATI AL SEGNALE UTILE
DATA PROCESSING
9
QUALI SONO LE INFORMAZIONI DA ESTRARRE DA UNA VARIABILE MISURATA IN FORMA ANALOGICA?
tempo- ANDAMENTO DEL VALORE MEDIO
- ANDAMENTO DEL SEGNALE UTILE
- ANDAMENTO DEL DISTURBO
DAI DATI CAMPIONATI AI DATI DA ELABORARE
DATA PROCESSING
10
tempo
VALORI CAMPIONATI
VALORI ACQUISITI
ANDAMENTO DELLA VARIABILE MISURATA
DAI DATI ALLA STINA IN LINEA DEL VALORE MEDIO
DATA PROCESSING
11
COME CALCOLARE L’ANDAMENTO DEL VALORE MEDIO ?
LA MEDIA ARITMETICA PUÒ ESSERE CALCOLATA SOLO PER UN NUMERO LIMITATO DI VALORI CAMPIONATI.
INTERESSA ALLORA EFFETTUARE UNA STIMA RICORSIVA CAL-COLANDO LA MEDIA:
• MINIMIZZANDO AD OGNI PASSO LA VARIANZA DELL’ERRORE DI STIMA, MEDIA ADATTATIVA
media aritmetica
tempo
am
pie
zza
• SU UN NUMERO PREFISSATO DI VALOTI DIGITALIZZATI, MEDIA MOBILE
• AGGIORNANDONE IL VALORE AD OGNI PASSO, MEDIA PESATA
METODI PER LA STIMA IN LINEA DEL VALORE MEDIO
DATA PROCESSING
12
CALCOLO IN LINEA DEL VALORE MEDIO
MEDIA ARTIMETICA X(i) =1i
i = 1
n
xi
CALCOLO
OVERFLOW
UNDERFLOW
MEDIA MOBILE, OSSIASTIMA RICORSIVA SU k VALORI
X(i + k) = 1k
j = 1
k
x i + j
MEDIA PESATA, OSSIASTIMA RICORSIVA AGGIOR-NATA AD OGNI PASSO
X(i + 1) = X(i ) + ( xi+1 - X(i) )
.001 < a < .1
xi
X(i)
VARIABILE MISURATA AL PASSO i-esimo
VALORE STIMATO AL PASSO i-esimo
METODO PER LA STIMA ADATTATIVA
DATA PROCESSING
13
i+1 =Qi+1 + P(i+1)
P(i+1)
DELLA VARIANZA DELL’ERRORE DI STIMA P(i + 1) = K(i ) Qi+1
Qi+1 = Qi + ( xi+1 - X(i) ) 2
.001 < a < .1DELLA VARIANZA DELL’ERRORE DI MISURA
X(i + 1) = X(i ) + K(i) ( xi+1 - X(i) )
AGGIORNAMENTO DELLA STIMA DEL VALORE MEDIO
MEDIA ADATTATIVA O FILTRAGGIO ALLA “KALMAN”STIMA RICORSIVA CON MINIMIZZAZIONE DELLA VARIANZA DELL’ERRORE DI STIMAAD OGNI PASSODAL PASSO PRECEDENTE X(i ) K(i)
PER IL PASSO SUCCESSIVO AGGIORNAMENTO
DEL GUADAGNO
CONFRONTO FRA I VARI APPROCCI PER LA STIMA IN LINEA
DATA PROCESSING
14
DOPO QUANTI CAMPIONI SI STABILIZZA IL VALORE DELLA MEDIA ?
NELLA FIGURA I VALORI CAMPIONATI SONO 750
IL VALORE MEDIO INIZIA A STABILIZZARSI DOPO I PRIMI 250 VALORI CAMPIONATI
tempo
am
pie
zza
SONO STATI OTTENUTI DAL GENERATORE DI NUMERI CASUALI
MEDIA ARITMETICASTIMA ADATTATIVAMEDIA MOBILE SU 50 VALORI
MEDIA PESATA CON =.02
CARATTERIZZAZIONE STATISTICA DEI DATI
DATA PROCESSING
15
VA
RIA
NZ
A
SP
IEG
AT
A D
AL
MO
DE
LLO
DI
RE
GR
ES
SIO
NE
LIN
EA
RE
R2 = 0.9056
F = 9.5937
TEST DIVALIDAZIONE
DATI DI INGRESSO
DA
TI
DI
US
CIT
A
VA
RIA
NZ
A T
OT
ALE
MODELLO DI R
EGRESSIONE LIN
EAREVARIANZA DEL RESIDUO
VALORIMISURATI
TEST DI VALIDAZIONER2 RAPPORTO FRA LA VARIANZA SPIEGATA DAL MODELLO E LA VARIANZA TOTALE F RAPPORTO FRA LA VARIANZA SPIEGATA DEL MODELLO E LA DIFFERENZA FRA LA VARIANZA TOTALE E LA VARIANZA SPIEGATA DAL MODELLO
DAI DATI ALLA DETERMINAZIONE DEL SEGNALE UTILE
DATA PROCESSING
16
STIMA DELVALORE MEDIO
SEGNALE UTILE
STIMA DELLADERIVATA PRIMA
STIMA DELLADERIVATA SECONDA
REGOLEDECISIONALI
PER LA FINALIZZAZIONE
DELLE PROCEDUREE PER LA
MEMORIZZAZIONEDEGLI ANDAMENTI
INTERVALLO DIOSSERVAZIONE
SPETTRO RELATIVO A POCHEARMONICHE
COEFFICIENTI DELLA INTERPOLAZIONE
ESPERIENZA
DATA PROCESSING
DATA PROCESSING
17
COME ARCHIVIARE UNA SERIE STORICA DI DATI ?SCELTE PRELIMINARI- ARCHIVIARE TUTTI I DATI- ARCHIVIARE SEPARATAMENTE L’ANDAMENTO:
• DEL SEGNALE UTILE• DEL DISTURBO• DEGLI EVENTI ANOMALI
PROCEDURA PER ARCHIVIARE IL SEGNALE UTILE SEPARATAMENTE DAL DISTURBO• ELIMINARE DAI VALORI ACQUISITI IL RUMORE CASUALE• ESTRARRE TRAMITE FILTRAGGIO IL SEGNALE UTILE• DETERMINARE I PARAMETRI CHE CARATTERIZZANO
L’ANDAMENTO DEL SEGNALE UTILE E QUELLI DEL DISTURBO
• DEL VALORE MEDIO
DATA PROCESSING
DATA PROCESSING
18
tempo
tempo
tempo
tempo
SEGNALE UTILE
DISTURBO
RUMORE
VARIABILEMISURATA
CONTIENE INFORMAZIONIUTILI PER VALUTAREL’AZIONE DI CONTROLLO O L’EFFETTO DELL’AZIONE DI CONTROLLO
POTREBBE CONTENERE INFORMAZIONI UTILIZZABILI PER LA GESTIONE O PER LA DIAGNOSTICA
IN GENERE NON CONTIENEINFORMAZIONI UTILI
tempo
UTILE AL FINE DELLACARATTERIZZAZIONEDEL FUNZIONAMENTO
ANDAMENTO DEL VALORE MEDIO
AD ESEMPIO
APPROSSIMAZIONE DOVUTA ALLA DIGITALIZZAZIONE DI UN SEGNALE ANALOGICO
VARIAZIONE DELLA PRES-SIONE O DELLA PORTATA DOVUTA ALLE OSCILLA-ZIONI DELL’OTTURATORE DI UNA SERVOVALVOLA
ANDAMENTO DELLA VARIA-BILE DI COMANDO ELABO-RATA DA UN REGOLATORE NEL CONTROLLO A LIVELLO DI CAMPO
DATA PROCESSING
DATA PROCESSING
19
COME ESTRARRE QUESTE INFORMAZIONI DAI VALORI DIGITALIZZATI ?
tempo
• IL PASSO DI ACQUISIZIONE T È STATO FISSATO IN MODO DA NON ALTERARE LE INFOMAZIONI RELATIVE AGLI ANDAMENTI DEL SEGNALE UTILE E DEL DISTURBO ?
• QUALE È LA BANDA PASSANTE BW DEL SEGNALE UTILE ?
VERIFICHE PRELIMINARI
STIMA DELLA PENDENZA MEDIA
DATA PROCESSING
20
tempo
K1 = .08K2 = .08
K1 = .03K2 = .03
(i+1) = (i) + K1[(Xi+1 – Xi) – (i)]
X(i+1) = [X(i) + (i) T] + K2[xi+1 – (Xi + (i) T) ]
DATA PROCESSING
DATA PROCESSING
21
COME VERIFICARE CHE IL PASSO DI ACQUISIZIONE SIA STATO SCELTO CORRETTAMENTE ?
OCCORRE INDIVIDUARE LA BANDA PASSANTE DEL SEGNALE UTILE E QUELLA DEL DISTURBO E VERIFICARE CHE LA FREQUENZA DI ACQUISIZIONE SIA ALMENO IL DOPPIO DI QUELLA RELATIVA ALLA BANDA PASSANTE
- PRENDERE IN CONSIDERAZIONE SOLO UN INSIEME LIMITATO DI VALORI ACQUISITI DELLA VARIABILE MISURATA E TRATTARLI COME SE APPARTENESSERO AD UN SEGNALE PERIODICO E FOSSERO CONTENUTI IN UN PERIODO
CONVIENE:
- CALCOLARE IL CONTENUTO ARMONICO PARTENDO DALLA AUTOCORRELAZIONE IN MODO DA ATTENUARE L’EFFETTO DEL RUMORE E DA EVIDENZIARE IL PESO DELLE ARMONICHE DOMINANTI
DATA PROCESSING
DATA PROCESSING
22
RISULTA COSÌ PIÙ SEMPLICE INDIVIDUARE LA BANDA PAS-
SANTE DEL FILTRO IN GRADO DI SEPARARE LE ARMONI-
CHE DEL SEGNALE UTILE DA QUELLE DEL DISTURBO.
CONSIDERARE IL SEGMENTO DEL SEGNALE DA ANALIZZA-
RE COME RAPPRESENTATIVO DI UN PERIODO PER REN-
DERE PIÙ SEMPLICE ED AFFIDABILE L’ANALISI ARMONICA
DAL MOMENTO CHE L’AUTOCORRELAZIONE ELIMINA IL
CONTRIBUTO DELLE ARMONICHE DOVUTE AL RUMORE
CASUALE, CONVIENE EFFETTUARE:
• DAPPRIMA L’AUTOCORRELAZIONE
• SUCCESSIVAMENTE L’ANALISI ARMONICA
DISTURBOSEGNALE
UTILE
DATA PROCESSING
DATA PROCESSING
23
INTERVALLO DI OSSERVAZIONE
CAMPIONI DELLA VARIABILE MISURATA
tempoT
tempo
-T/2 0 T/2
AUTOCORRELAZIONE
5 10 15 20ordine dellearmoniche
CONTENUTO ARMONICOBANDAPASSANTE
SEGNALEUTILESEGNALEUTILE & DISTURBO
DATA PROCESSING
DATA PROCESSING
24
ALCUNI ANDAMENTI TIPICI
tempo
RUMORE CASUALE
tempo
ampi
ezza
AUTOCORRELAZIONE
SE IL RUMORE CASUALE FOSSE STATO UN RUMORE BIANCO L’AUTOCORRELAZIONE SAREBBE STATA COSTITUITA SOLO DA UN IMPULSO CENTRATO SULL’ORIGINE
tempo
U È UN RUMORE CASUALE
Y È UN RUMORE CASUALE
tempo
SE LA U E LA Y FOSSERO COSTITUITE DA RUMORE BIANCO LA CORRELAZIONE INCROCIATA AVREBBE VALORE NULLO
tempo
ampi
ezza
CORRELAZIONE INCROCIATA
time shift
VALUTAZIONE DEL GRADO DI INTERAZIONE
DATA PROCESSING
25
tempo
VARIABILE DI INGRESSO
VARIABILI DI USCITA
time shift
AUTOCORRELAZIONE
CROSSCORRELAZIONE
STIMA DEL GRADO DI
INTERAZIONE
STIMA DELCOMPORTAMENTO
DINAMICO
VALUTAZIONE DEL GRADO DI INTERAZIONE
DATA PROCESSING
26
tempou1(t
)
tempou2(t
)
tempou3(t
)
tempoy (t
)
u1(t)
u2(t)
u3(t)
y(t)
IMP
IAN
TO
N
ELL
E C
ON
DIZ
ION
I D
I E
SE
RC
IZIO
NO
MIN
ALI
AUTOCORRELAZIONE u2(t)CORRELAZIONE u2(t) - y(t)
AUTOCORRELAZIONE u3(t)CORRELAZIONE u3(t) - y(t)
AUTOCORRELAZIONE u1(t)CORRELAZIONE u1(t) - y(t)
DATA PROCESSING
DATA PROCESSING
27
SEGNALE PERIODICO – ANDAMENTO IN UN PERIODOSEGNALE SINUSOIDALE AUTOCORRELAZIONE
TL’ANDAMENTO DELLA AUTOCORRELAZIONE NON DIPENDE DALLO SFASAMENTO INIZIALE DELLA SINUSOIDE MA SOLO DALL’AMPIEZZA
SEGNALE SINUSOIDALE+ 80% DI TERZA ARMONICA AUTOCORRELAZIONE
NELL’AUTOCORRELAZIONE LE ARMONICHE HANNO AMPIEZZA EGUALE ALLA RADICE QUADRATA DI QUELLE RELATIVE AD UN PERIODO DEL SEGNALE
T
-T/2 T/20
-T/2 T/20
DATA PROCESSING
DATA PROCESSING
28
BANDA PASSANTE DELLA VARIABILE MISURATA
1
00 1t (sec)
VARIABILE MISURATA
AUTOCORRELAZIONE
0 .5-.5 t (sec)
bandapassante
SPETTRO
0 5 10 15 200
.05
.10
.15
.20
ordine delle armoniche
valore medio .5424
0
SPETTRO
ordine delle armoniche0 10 20 30 40 50 60
.05
.10
.15
.20
DATA PROCESSING
DATA PROCESSING
29
CORRELAZIONE
VARIABILI U = [ u1 • • • uk uk+1 • • • un ]
Y = [ y1 • • • yk yk+1 • • • yn ]
CORRELAZIONEINCROCIATARELATIVA AL PASSO k
CUY(k) =1n [ u1 • • • uk uk+1 • • • un ] yk+1
•
•
•
yn
y1 •
•
•
yk
FACENDO VARIARE k DA 1 A n SI RICAVA L’ANDAMENTO DELLA CORRELAZIONE INCROCIATA
QUANDO Y = U , FACENDO VARIARE k DA 1 A n SI RICAVA L’ANDAMENTO DELLA AUTOCORRELAZIONE
yk+1
•
•
•
yn
y1 •
•
•
yk
DATA PROCESSING
DATA PROCESSING
30
RICOSTRUZIONE ARMONICA PER ARMONICA
PER VERIFICARE LA VALIDITÀ NELLA SCELTA DELLA BANDA PASSANTE CONVIENE EFFETTUARE UN RICOSTRUZIONE DEL SEGNALE ARMONICA PER ARMONICA
tempo
SEGNALE MISURATO
SEGNALE RICOSTRUITO
TINTERVALLO DI OSSERVAZIONE
DATA PROCESSING
DATA PROCESSING
31
tempo
AUTOCORRELAZIONE DEL SEGNALE
DAL MOMENTO CHE L’ANDAMENTO PRESENTA 5 MASSIMI RELATIVI, LA BANDA PASSANTE DOVREBBE COMPRENDERE LE PRIME 5 – 6 ARMONICHE
Intervallo di osservazione
T0-T/2 T/2
DATA PROCESSING
DATA PROCESSING
32
DETERMINAZIONE DEL CONTENUTO ARMONICO
• LA PULSAZIONE NOMINALE 0 = 2/ T IN QUANTO
COLLEGATA ALL’INTERVALLO DI OSSERVAZIONE T
NEL FILE AC = [ac(1) • • • ac(n) ] SONO CONTENUTI I VALORI DIGITALIZZATI DELLA AUTOCORRELAZIONE
• LA DURATA T DEL PASSO DI ACQUISIZIONE
LE COMPONENTI RELATIVE ALLA ARMONICA k SONO CALCOLATE APPLICANDO LE SEGUENTI RELAZIONI
C(k) = (n/2) [cos(1 k 0 T) cos(2 k 0 T) • • • cos(n k 0 T) ] • AC’
S(k) = (n/2) [sin(1 k 0 T) sin(2 k 0 T) • • • sin(n k 0 T) ] •
AC’
È NOTA :
DATA PROCESSING
DATA PROCESSING
33
SPETTRO DELLA AUTOCORRELAZIONE
DAL MOMENTO CHE SOLO PRIME 5 ARMONICHE HANNO AMPIEZZA SIGNIFICATIVA, LA BANDA PASSANTE PUÒ ESSERE FISSATA ALLA SESTA ARMONICA
5 10 15 20ordine delle armonicheBANDA
PASSANTE
DATA PROCESSING
DATA PROCESSING
34
VERIFICA DI VALIDITÀ NELLA SCELTA
DEL PASSO DI ACQUISIZIONE T
LA DURATA DELL’INTERVALLO DI OSSERVAZIONE T DETERMINA LA FREQUENZA NOMINALE f0 DEL SEGNALE
PERIODICIZZATOLA FREQUENZA DI ACQUISIZIONE fc DIPENDE AL NUMERO
DEI PASSI DI ACQUISIZIONE CONTENUTI ALL’INTERNO DI UN INTERVALLO DI OSSERVAZIONE, OSSIA ALL’INTERNO DI UN PERIODO
SE LA FREQUENZA DI ACQUISIZIONE È MAGGIORE DEL
DOPPIO DELLA FREQUENZA RELATIVA ALLA BANDA
PASSANTE, IL PASSO DI ACQUISIZIONE È STATO SCELTO
CORRETTAMENTE
DATA PROCESSING
DATA PROCESSING
35
LA PROCEDURA DI FILTRAGGIO DAL RUMORE DELLA
VARIABILE ACQUISITA PUÒ ESSERE ASSIMILATA AL
CALCOLO DELLA EVOLUZIONE DI UN SISTEMA DINAMICO
SOTTOPOSTO AD UNA VARIABILE DI FORZAMENTO
I VALORI DIGITALIZZATI DELLA VARIABILE FILTRATA
POSSONO ESSERE CALCOLATI UNA VOLTA NOTI:
- IL MODELLO DINAMICO DEL FILTRO;
- I VALORI DIGITALIZZATI DELLA VARIABILE ACQUISITA.
COME EFFETTUARE IL FILTRAGGIO ON–LINE DELLA VARIABILE ACQUISITA ?
DATA PROCESSING
DATA PROCESSING
36
POICHÉ LA VARIABILE ACQUISITA È DISPONIBILE IN FORMA
DIGITALIZZATA E LE ELABORAZIONI SONO EFFETTUATE
CON TECNICHE DIGITALI, L’ALGORITMO DI FILTRAGGIO
DEVE ESSERE FISSATO IN FORMA DIGITALIZZATA
PUÒ ESSERE FORMULATO IN FUNZIONE :
L’ALGORITMO DI FILTRAGGIO È STRUTTURATO COME UNA
COMBINAZIONE LINEARE DI PARAMETRI E DI VARIABILI.
- DI UN INSIEME DI VALORI DIGITALIZZATI DELLA RISPOSTA IMPULSIVA;
- DEI COEFFICIENTI DI UNA EQUAZIONE ALLE DIFFERENZE.
DATA PROCESSING
DATA PROCESSING
37
NEL FILTRAGGIO OTTENUTO UTILIZZANDO L’ALGORITMO BASATO SUI VALORI DIGITALIZZATI DELLA RISPOSTA IMPULSIVA QUESTI ULTIMI ASSUMONO IL RUOLO DI PARAMETRI MENTRE LE VARIABILI SONO I VALORI DIGITALIZZATI DELLA VARIABILE DA FILTRARE
NEL FILTRAGGIO OTTENUTO UTILIZZANDO L’ALGORITMO BASATO SUI VALORI DIGITALIZZATI DEI COEFFICIENTI DELLA EQUAZIONE ALLE DIFFERENZE, QUESTI ULTIMI ASSUMONO IL RUOLO DI PARAMETRI MENTRE LE VARIABILI SONO I VALORI DIGITALIZZATI SIA DELLA VARIABILE DA FILTRARE SIA DELLA VARIABILE GIÀ FILTRATA
LA PROCEDURA È DI TIPO RICORSIVO
LA PROCEDURA È DI TIPO NON RICORSIVO
ALGORITMO
DATA PROCESSING
DATA PROCESSING
38
IN UN FILTRO DI TIPO NON RICORSIVO (IIR) IL VALORE DIGITALIZZATO DELLA VARIABILE FILTRATA AL PASSO k DIPENDE DAL NUMERO n* DI VALORI DIGITALIZZATI CON CUI È STATA RAPPRESENTATA LA RISPOSTA IMPULSIVA
ukuk-n* uk-2 uk-1• • • • •VARIABILE
DA FILTRARE
VARIABILEGIÀ FILTRATA
VARIABILE FILTRATAAL PASSO k
u’ku’k-2 u’k-1• • • • ••
g1g2g3gn • • • •
DATA PROCESSING
DATA PROCESSING
39
IN UN FILTRO DI TIPO RICORSIVO (FIR) IL VALORE DIGITALIZZATO DELLA VARIABILE FILTRATA AL PASSO k DIPENDE DALL’ORDINE n DELLA EQUAZIONE ALLE DIFFERENZE
ukuk-n-1 uk-2 uk-1• • • • •
u’ku’k-n-1 u’k-2 u’k-1• • • • •
VARIABILEDA FILTRARE
VARIABILEGIÀ FILTRATA
VARIABILE FILTRATAAL PASSO k
ALGORITMO -a2-anbn • • •b1
DATA PROCESSING
DATA PROCESSING
40
PER DETERMINARE I PARAMETRI DELL’ALGORITMO DI
FILTRAGGIO OCCORRE FISSARE LA BANDA PASSANTE
DEL FILTRO
CONVIENE EFFETTUARE IL FILTRAGGIO IN MODO DA
GARANTIRE OLTRE ALL’ATTENUAZIONE DELLE ARMONICHE
AL DI FUORI DELLA BANDA PASSANTE ANCHE UN
ANDAMENTO DEL SEGNALE FILTRATO MOLTO SIMILE A
QUELLO DEL SEGNALE UTILE
UN FILTRO DI BESSEL HA PROPRIO QUESTE CARATTERI-
STICHE. COSTITUISCE QUINDI IL PUNTO DI PARTENZA PER
LA DETERMINAZIONE DEI PARAMETRI DELL’ALGORITMO DI
FILTRAGGIO
DATA PROCESSING
DATA PROCESSING
41
FILTRO DI BESSEL
banda passante
-10
-5
0
5
pulsazione (rad/sec)
modulo
(dB
)
DIAGRAMMA DI BODE
tempo (sec)
RISPOSTA IMPULSIVA
PRIMA DI RENDERE OPERATIVO L’ALGORITMO DI FILTRAGGIO OCCOR-
RE VERIFICARE CHE LA FREQUENZA DI ACQUISIZIONE SIA ALMENO IL
DOPPIO DELLA FREQUENZA RELATIVA ALLA BANDA PASSANTE
DATA PROCESSING
DATA PROCESSING
42
IN UN FILTRO DI TIPO RICORSIVO IL NUMERO n’ DEI PARAMETRI DIPENDE DALL’ORDINE DEL FILTRO CHE A SUA VOLTA DETERMINA L’ATTENUAZIONE OLTRE LA BANDA PASSANTE
ATTENUAZIONE -40 dB/decFILTRO DI ORDINE 2
n’ = 3
BANDAPASSANTE
.1 1 10-80
-70
-60
-50
-40
-30
-20
-10
0
10
(rad/sec)
modulo
(dB
)
ATTENUAZIONE -80 dB/decFILTRO DI ORDINE 4
n’ = 5
ATTENUAZIONE -160 dB/decFILTRO DI ORDINE 8
n’ = 9
DATA PROCESSING
DATA PROCESSING
43
LA PROGETTAZIONE DELL’ALGORITMO DI FILTRAGGIO PUÒ ESSERE EFFETTUATA CON L’AUSILIO DEL MATLAB
I COEFFICIENTI DELLA FUNZIONE DI TRASFERIMENTO NEL CONTINUO DEL FILTRO SONO CALCOLATI APPLICANDO LA SEGUENTE ISTRUZIONE
[NUM,DEN]=BESSELF(NF,WB)IN CUI NUM SONO I COEFFICIENTI A NUMERATORE DELLA
FUNZIONE DI TRASFERIMENTO DEL FILTRODEN SONO I COEFFICIENTI A DENOMINATORE DELLA
FUNZIONE DI TRASFERIMENTO DEL FILTRONF È L’ORDINE DEL FILTRO, IN GENERE DI VALORE
COMPRESO FRA 4 E 8WB È LA BANDA PASSANTE IN RAD/SEC A -6 DB
PROCEDURA PER IL CALCOLO DEI COEFFICIENTI DELLA EQUAZIONE ALLE DIFFERENZE
DATA PROCESSING
DATA PROCESSING
44
PER CALCOLARE I COEFFICIENTI DEL FILTRO DA INSERIRE NELL’ALGORITMO DI FILTRAGGIO OCCORRE APPLICARE LE SEGUENTI ISTRUZIONI MATLAB
IN CUIDT È IL PASSO DI ACQUISIZIONE IN SEC‘foh’ UN SELETTORE MATLAB PER L’APPROSSIMAZIONE A RAMPA
DELLA VARIABILE DI INGRESSONUMD SONO I COEFFICIENTI A NUMERATORE DELLA FUNZIONE DI
TRASFERIMENTO DIGITALIZZATA DEL FILTRODEND SONO I COEFFICIENTI A DENOMINATOREU È IL VETTORE CONTENENTE I VALORI DIGITALIZZATI DEL
SEGNALE DA FILTRARE
SYS = tf (NUM,DEN)SYSD = c2d(SYS,DT,’foh’)[NUMD,DEND] = tfdata(SYSD,'v');UF = filter(NUMD,DEND,U);
DATA PROCESSING
DATA PROCESSING
45
LA PROGETTAZIONE DELL’ALGORITMO DI FILTRAGGIO PUÒ ESSERE EFFETTUATA CON L’AUSILIO DEL MATLABUTILIZZANDO LA SEGUENTE ISTRUZIONE
UF = filter(NUMD,DEND,U) IN CUI NUMD SONO I COEFFICIENTI A NUMERATORE DELLA
FUNZIONE DI TRASFERIMENTO DEL FILTRODEND SONO I COEFFICIENTI A DENOMINATORE DELLA
FUNZIONE DI TRASFERIMENTO DEL FILTROU I VALORI CAMPIONATI DEL SEGNALE DA FILTRAREIN PARTICORARE
NUMD = [ b(1) • • • • b(n) b(n+1) ] DEND = [1 a(2) • • • • a(n) a(n+1) ]
U = [u(1) u(2) • • • • u(n) u(n+1) • • • • ]
UF = [uf(1) uf(2) • • • • uf(n) uf(n+1) • • • • ]
DATA PROCESSING
DATA PROCESSING
46
L’ALGORITMO RICORSIVO DI FILTRAGGIO È STRUTTURATO NELLA MANIERA SEGUENTE
uf(k) = b(1)*u(k) + b(2)*u(k-1) + ... +
b(n+1)*u(k-n’)
- a(2)* uf(k-1) - ... - a(n+1)*
uf(k-n’)
POSSONO ESSERE FORMULATE REALIZZAZIONI EQUIVALENTI IN CUI LA PRECISIONE DESIDERATA È OTTENUTA CON UNA MINORE LUNGHEZZA DI PAROLA DEL DISPOSITIVO DI ELABORAZIONE
DATA PROCESSING
DATA PROCESSING
47
ESEMPIO FILTRO DI BESSEL
QUARTO ORDINE
BANDA PASSANTE DI – 6 dB A .6 rad/sec
GF(s) =s4 + 1.874 s3 + 1.581 s2 + .6914 s + .1296
.1296
PASSO DI CAMPIONAMENTO = .2 sec
[NUM,DEN]=besself(4,.6), istruzione MATLAB
GFD = c2d(GF,DT,’foh’) istruzione MATLAB
GF=tf[NUM,DEN] istruzione MATLAB
FUNZIONE DI TRASFERIMENTO NEL CONTINUO
FUNZIONE DI TRASFERIMENTO NEL DISCRETO
DATA PROCESSING
DATA PROCESSING
48
GFD(z) = 10-4
z4 - 3.632 z3 + 4.957 z2 - .3.012 z + .6874
.0162 z4 - .3964 z3 + .9451 z2 - .3481 z + .0126
ALGORITMO DI FILTRAGGIO
y(k) VARIABILE FILTRATA AL GENERICO PASSO
u(k) VALORE ACQUISITO DELLA VARIABILE MISURATA
uf(k) =
.0162 10-4 u(k) - .3964 10-4 u(k-1) + .9451 10-4 u(k-2) - .348 10-4 u(k-3) + .0126 10-4 u(k-4) +
3.632 uf(k-1)
- 4.957 uf(k-2) + 3.012 uf(k-3) - .6874 uf(k-4)
DATA PROCESSING
DATA PROCESSING
49
IN UN FILTRO DI NON RICORSIVO IL NUMERO n’ DEI PARAMETRI DIPENDE DALL’ANDAMENTO DELLA RISPOSTA IMPULSIVA E DAL PASSO DI ACQUISIZIONE
L’ANDAMENTO DELLA RISPOSTA IMPULSIVA PUÒ ESSERE QUELLO RELATIVO AD UN FILTRO DI BESSEL OPPURE QUELLO OTTENUTO CON PROCEDURE DI SINTESI DIRETTA
tempo
FILTRO DI BESSEL
tempo
SINTESI DIRETTA
ATTENUAZIONE
- 40 dB/dec- 80 dB/dec- 160 dB/dec
- 100 dB/dec
DATA PROCESSING
DATA PROCESSING
50
• CONVIENE DETERMINARE LA RISPOSTA IMPULSIVA CON UNA PROCEDURA DI SINTESI DI TIPO DIRETTO QUANDO INTERESSA CALCOLARE OLTRE ALLA VARIABILE FILTRATA ANCHE LA STIMA DELLA SUA DERIVATA PRIMA E DELLA SUA DERIVATA SECONDA
• L’ESPRESSIONE ANALITICA DELLA RISPOSTA IMPULSIVA RELATIVA AL FILTRO PASSA BASSO PUÒ ESSERE FORMULATA COME UNA POLINOMIALE IN CUI L’ORDINE E IL VALORE DEI COEFFICIENTI DIPENDONO DAI VINCOLI CHE OCCORRE IMPORRE AL SUO ANDAMENTO
• L’ESPRESSIONE ANALITICA DELLA RISPOSTA IMPULSIVA RELATIVA AL FILTRO DI STIMA DELLA DERIVATA PRIMA E DI QUELLO DELLA DERIVATA SECONDA VENGONO RICAVATI PER DERIVAZIONI SUCCESSIVE
ANDAMENTI DELLE RISPOSTE IMPULSIVE
tempo
FILTRO PASSA BASSO
tempo
FILTRO DI STIMA DELLADERIVATA PRIMA
tempo
FILTRODI STIMA DELLA
DERIVATA SECONDADATA PROCESSING
DATA PROCESSING
51
DATA PROCESSING
DATA PROCESSING
52
SINTESI DIRETTA DELLE RISPOSTE IMPULSIVEDEI FILTRI DI TIPO PASSA BASSO
E DI STIMA DELLA DERIVATA PRIMA E DELLA DERIVATA SECONDA
PROCEDURAa) VIENE FISSATA LA PULSAZIONE DELLA BANDA PASSANTEB
IN RAD/SEC b) VIENE ASSEGNATA ALLA RISPOSTA IMPULSIVA DEL FILTRO DI TIPO
PASSA BASSO, g(t) , UNA ESPRESSIONE ANALITICA DEL TIPO
g(t) = k0 + k1 t + k2 t2 + k3 t3 + k4 t4 + k5 t5 + • • •c) LA RISPOSTA IMPULSIVA DEL FILTRO DI STIMA DELLA DERIVATA
PRIMA, g1(t) , HA DI CONSEGUENZA LA SEGUENTE ESPRESSIONE
ANALITICAg1(t) = k1 + 2 k2 t + 3 k3 t2 + 4 k4 t3 + 5 k5 t4 + • • •d) LA RISPOSTA IMPULSIVA DEL FILTRO DI STIMA DELLA DERIVATA
SECONDA, g2(t) , HA DI CONSEGUENZA LA SEGUENTE
ESPRESSIONE ANALITICAg2(t) = 2 k2 + 6 k3 t + 12 k4 t2 + 20 k5 t3 + • • •
DATA PROCESSING
DATA PROCESSING
53
4) NELLA RISPOSTA IMPULSIVA DEL FILTRO PASSA BASSO, g(t) , IL VALORE ALL’ISTANTE FINALE T DEVE ESSERE NULLO, QUINDI
g(T) = k3 T 3 + k4 T
4 + k5 T 5 + • • • = 0
PER IL CALCOLO DEI COEFFICIENTI VENGONO IMPOSTI I SEGUENTI VINCOLI:1) IL VALORE INIZIALE DELLA g(t) DEVE ESSERE NULLO,
DI CONSEGUENZA k0 = 0
2) IL VALORE INIZIALE DELLA g1(t) DEVE ESSERE NULLO, DI
CONSEGUENZA k1 = 0 3) IL VALORE INIZIALE DELLA g2(t) DEVE ESSERE NULLO,
DI CONSEGUENZA k2 = 0
5) NELLA RISPOSTA IMPULSIVA DEL FILTRO DI STIMA DELLA DERIVATA PRIMA, g1(t) , IL VALORE ALL’ISTANTE FINALE T DEVE ESSERE NULLO, QUINDI
g1(T) = 3 k3 T 2 + 4 k4 T
3 + 5 k5 T 4 + • • • = 0
LA DURATA T DELLA RISPOSTA IMPULSIVA È CIRCA IL 90% DEL PERIODO CORRISPONDENTE ALLA BANDA PASSANTE DEL FILTRO PASSA BASSO, ESPRESSA IN Hz
DATA PROCESSING
DATA PROCESSING
54
6) NELLA RISPOSTA IMPULSIVA DEL FILTRO PER LA STIMA DELLA DERIVATA SECONDA, g2(t) , IL VALORE ALL’ISTANTE FINALE T DEVE ESSERE NULLO, QUINDI
g2(T) = 6 k3 T + 12 k4 T2 + 20 k5 T3 + • • • = 07) IL GUADAGNO DELLA RISPOSTA IMPULSIVA DEL FILTRO PASSA
BASSO DEVE ESSERE UNITARIO, QUINDI
T
0
g(t) dt = (1/4) k3 T 4 + (1/5) k4 T
5 + • • • = 1
AFFINCHÉ I 7 VINCOLI POSSANO ESSERE SODDISFATTI OCCORRE
CHE L’ESPRESSIONE ANALITICA DELLA RISPOSTA IMPULSIVA DEL
FILTRO PASSA BASSO, g(t) , SIA DEL SESTO ORDINE E CONTENGA
QUINDI 7 COEFFICIENTI
DAL MOMENTO CHE k0 , k1 , k2 SONO NULLI OCCORRE CALCOLARE
SOLO 4 COEFFICIENTI, OSSIA k3 , k4 , k5 , k6
CALCOLO DEI COEFFICIENTI
ASSUMENTO COME PARAMETRO LA DURATA T DELLA RISPOSTA IMPULSIVA DEL FILTRO PASSA BASSO
RISOLVENDO IL SEGUENTE SISTEMA SI RICAVANO I COEFFICIENTI INCOGNITI
FILTRO PASSA BASSO E DI STIMA DELLA DERIVATA PRIMA
DATA PROCESSING
55
k2
k3
k4
2 3 T 4 T 2
14 T
4 15 T
5
1 T T 2
13 T
3
0
0
1
FILTRO PASSA BASSO E DI STIMA DELLA DERIVATA PRIMA 56
ESEMPIO
FILTRO PASSA BASSO CON BANDA PASSANTE DI 6 rad/sec, OSSIA .95 Hz
LA DURATA DELLA RISPOSTA IMPULSIVA PUÒ È FISSATA A 1 sec, OSSIA T = 1 sec
I COEFFICIENTI DELLA ESPRESSIONE ANALITICA DELLA RISPOSTA IMPULSIVA DEL FILTRO PASSA BASSO SONO: k2 = 30 , k3 = -60, k4 = 30
LE ESPRESSIONI ANALITICHE DELLE RISPOSTE IMPULSIVE RISULTANO:
FILTRO PASSA BASSO
g (t) = 30 t2 - 60 t3 + 30 t4
FILTRO DI STIMA DELLA DERIVATA PRIMA
g1(t) = 60 t -120 t2 + 120 t3
DATA PROCESSING
ANDAMENTI DELLE RISPOSTE IMPULSIVE
DATA PROCESSING
DATA PROCESSING
57
0 .2 .4 .6 .8 10
1
2
tempo (sec)
FILTRO PASSA BASSODERIVATA PRIMA
.2 .4 .6 .8 1tempo (sec)
-6
-2
2
6
0
0
0
1
CALCOLO DEI COEFFICIENTI
ASSUMENTO COME PARAMETRO LA DURATA T DELLA RISPOSTA IMPULSIVA DEL FILTRO PASSA BASSO
RISOLVENDO IL SEGUENTE SISTEMA SI RICAVANO I COEFFICIENTI INCOGNITI
FILTRO PASSA BASSO E DI STIMA DELLA DERIVATA PRIMA E SECONDA
DATA PROCESSING
58
k3
k4
k5
k6
6 12 T 20 T 2 30 T
3
3 4 T 5 T 2 6 T
3
14 T
4 15 T
5 16 T
6 17 T
7
1 T T 2 T
3
FILTRO DI STIMA DELLA DERIVATA SECONDA
g2(t) = 840 t - 5040 t2 + 8400 t3 - 4200 t4
FILTRO PASSA BASSO E DI STIMA DELLA DERIVATA PRIMA E SECONDA 59
ESEMPIOFILTRO PASSA BASSO CON BANDA PASSANTE DI 6 rad/sec, OSSIA .95 Hz
LA DURATA DELLA RISPOSTA IMPULSIVA PUÒ È FISSATA A 1 sec, OSSIA T = 1 sec
I COEFFICIENTI DELLA ESPRESSIONE ANALITICA DELLA RISPOSTA IMPULSIVA DEL FILTRO PASSA BASSO SONO: k3 = 140 , k4 = -420, k5 = 420 , k6 = -140
LE ESPRESSIONI ANALITICHE DELLE RISPOSTE IMPULSIVE RISULTANO:
FILTRO PASSA BASSO
g (t) = 140 t3 - 420 t4 + 420 t5 - 140 t6
FILTRO DI STIMA DELLA DERIVATA PRIMA
g1(t) = 480 t2 -1680 t3 + 2100 t4 - 840 t5
DATA PROCESSING
-60
-40
-20
0
20
40
DERIVATA SECONDA
.2 .4 .6 .8 1tempo (sec)
ANDAMENTI DELLE RISPOSTE IMPULSIVEDERIVATA PRIMA
.2 .4 .6 .8 1tempo (sec)
-6
-2
2
6
DATA PROCESSING
DATA PROCESSING
60
0 .2 .4 .6 .8 10
1
2
tempo (sec)
FILTRO PASSA BASSO
.1 1 10 100-60
-50
-40
-30
-20
-10
0
(rad/sec)m
odulo
(dB
)
FILTRO NON RICORSIVO (IIR)
FILTRO RICORSIVO (FIR)
RISPOSTA IMPULSIVA
DATA PROCESSING
DATA PROCESSING 61
DIAGRAMMA DI BODE
T
CONFRONTO FRA FILTRO F I R E FILTRO I I R
BANDA PASSANTE DEL FILTRO NON RECURSIVO W CIRCA EGUALE AL 78% DELLA PULSAZIONE CORRISPONDENTE ALLA DURATA T DELLA RISPOSTA IMPULSIVA, W = .78 ( 2 /T )
0 .2 .4 .6 .8 10
.5
1.0
1.5
2.0
2.5
tempo (sec)
am
pie
zza
bandapassante
W
- 3dB
banda piatta
BANDA PIATTA DEL FILTRO NON RECURSIVO CIRCA EGUALE AL 40% DELLA PULSAZIONE CORRISPONDEN-TE ALLA DURATA T DELLA RISPOSTA IMPULSIVA
FILTRI NON RECURSIVIFILTRO PASSA BASSO E DI STIMA DELLA DERIVATA PRIMA E SECONDA
ATTENUAZIONE FILTRO PASSA BASSO
frequenza (Hz)0 1 2 3 4 5 6 7
0
.2
.4
.6
.8
1
DIAGRAMMA DI BODEFILTRO DERIVATA SECONDA
frequenza (Hz).1 1 10
-50
50
0
mod
ulo
(d
B)
DIAGRAMMA DI BODEFILTRO PASSA BASSO
.1 1 10-80
-60
-40
-20
0
frequenza (Hz)
mod
ulo
(d
B)
DIAGRAMMA DI BODEFILTRO DERIVATA PRIMA
-80
-60
-40
-20
0
20
frequenza (Hz).1 1 10
mod
ulo
(d
B)
ATTENUAZIONE FILTRODERIVATA PRIMA
frequenza (Hz)0 1 2 3 4 5 6 7
0
5
4
3
2
1
ATTENUAZIONE FILTRODERIVATA SECONDA
frequenza (Hz)0 1 2 3 4 5 6 7
0
40
30
20
10
DATA PROCESSING
DATA PROCESSING
62
VERIFICA DI VALIDITÀ
DATA PROCESSING
63
-6
-4
-2
0
2
4
6
DERIVATA PRIMA
-40
-30
-20
-10
0
10
20
30
40
DERIVATA SECONDA
-.5
0
.5
1
-1
SEGNALE FILTRATO
VERIFICA DI VALIDITÀ
DATA PROCESSING
64
-.5
0
.5
1
-1
SEGNALE DA FILTRARE
FILTRO DI STIMA DELLA DERIVATA SECONDAACCORDATO SULLAPRIMA ARMONICA
FILTRO DI STIMA DELLA DERIVATA PRIMA
ACCORDATO SULLAPRIMA ARMONICA
FILTRO PASSA BASSOACCORDATO SULLAPRIMA ARMONICA
VERIFICA DI VALIDITÀ
DATA PROCESSING
65
-6
-4
-2
0
2
4
6
DERIVATA PRIMA
-40
-30
-20
-10
0
10
20
30
40
DERIVATA SECONDA
-.5
0
.5
1
-1
SEGNALE FILTRATO
DATA PROCESSING
DATA PROCESSING
66
REGOLE DECISIONALI
PER LA MEMORIZZAZIONE DEI PARAMETRIDISPONENDO DELL’ANDAMENTO DELLA VARIABILE FILTRATA OLTRE CHE DELLA STIMA IN LINEA:
- DEL VALORE MEDIO;
- DELLA DERIVATA PRIMA;
- DELLA DERIVATA SECONDA,
SULLA BASE DELLA ESPERIENZA ACQUISITA NEL VALUTARE LE PECURIALITÀ DELLA VARIABILE MISURATA E LE ESIGENZE DELLA SUA MEMORIZZAZIONE È POSSIBILE FISSARE REGOLE IN LOGICA BINARIA O IN LOGICA FUZZY PER LA DETERMINAZIONE DI QUEI PARAMETRI CHE CONSENTONO DI RICOSTRUIRNE L’ANDAMENTO PER GLI ASPETTI CHE INTERESSA
DATA PROCESSING
DATA PROCESSING
67
SOLO LA STRETTA COLLABORAZIONE FRA:
- ESPERTO DI SIGNAL PROCESSING
- ESPERTO DI CONDUZIONE E DI CONTROLLO DELL’IMPIANTO
CONSENTE DI:
- FISSARE LA STRUTTURA DELLE REGOLE DECISIONALI E I RELATIVI PARAMETRI;
- FISSARE IL TIPO DI MEMORIZZAZIONE PRESCELTO E I RELATIVI PARAMETRI.
LA RICOSTRUZIONE DELL’ANDAMENTO DELLA VARIABILE FILTRATA PUÒ ESSERE OTTENUTA MEMORIZZANDO:
- LA DURATA DELL’INTERVALLO DI OSSERVAZIONE E LE COMPONENTI DI QUELLE ARMONICHE CHE SONO IN GRADO DI RICOSTRUIRNE L’ANDAMENTO;
DATA PROCESSING
DATA PROCESSING
68
- LA DURATA DELL’INTERVALLO DI OSSERVAZIONE E IL CORRISPONDENTE VALORE DELLA VARIABILE FILTRATA, CHE CONSENTONO DI EFFETTUARE LA RICOSTRUZIONE DELL’ANDAMENTO APPLICANDO UNA INTERPOLAZIONE CUBICA A TRATTI CONTINUA NELLA DERIVATA PRIMA E SECONDA, OSSIA UNA “SPLINE”.
DATA PROCESSING
DATA PROCESSING
69
VALORE MEDIO .5142
INTERVALLO DI OSSERVAZIONE 54 sec
COMPONENTI ARMONICHE
COSENO SENO
-0.0127 0.1226
0.0844 0.0185
0.0521 -0.0659
0.1204 -0.1552
0.1026 0.1219
0.0507 0.0442
0.0419 0.0379
1
2
3
4
5
6
7
VARIABILE ACQUISITA
VARIABILE FILTRATA
RICOSTRUZIONE PER ARMONICHE
tempoINTERVALLO DI OSSERVAZIONE
MEMORIZZAZIONE PER ARMONICHE
DATA PROCESSING
DATA PROCESSING
70
MEMORIZZAZIONE TRAMITE SPLINE• ASSEGNATI N COPPIE DI VALORI DELLA ASCISSA E
DELLA CORRISPONDENTE ORDINATA, L’INTERPOLAZIONE TRAMITE SPLINE CONSENTE DI CALCOLARE L’ANDAMENTO DELLA CURVA CONTINUA, ANCHE NELLA DERIVATA PRIMA E SECONDA, CHE PASSA IN PUNTI ASSEGNATI
• L’INTERPOLAZIONE È EFFETTUATA TRAMITE UNA CUBICA I CUI COEFFICIENTI SONO CALCOLATI IN FUNZIONE DEI VALORI ASSEGNATI DELLE ASCISSE E DELLE ORDINATE
• IL PASSO DI DISCRETIZZAZIONE DELLA CURVA INTERPOLANTE È FISSATO A DISCREZIONE DELL’UTENTE
• I VALORI DISCRETIZZATI DELLA CURVA INTERPOLANTE, INSIEME CON I COEFFICIENTI RELATIVI AI SINGOLI TRATTI DI CURVA INTERPOLANTE, POSSONO ESSERE CALCOLATI APPLICANDO UNA ISTRUZIONE MATLAB
DATA PROCESSING
DATA PROCESSING
71
INTERPOLAZIONE CON SPLINE
yi(t) = ai t3 + bi t2 + ci t + di 0 < t < ti
DERIVATA PRIMA
DERIVATA SECONDA
DERIVATA TERZAt1
t2
t3t4
t5a1b1c1d1
a2b2c2d2
a3b3c3d3
a4b4c4d4
a5b5c5d5
DATA PROCESSING
DATA PROCESSING
72
L’ISTRUZIONE MATLAB PER CALCOLARE I VALORI DELLA CURVA INTERPOLANTE È
y = spline(TT,UU,t)
IN CUI:
Y È IL FILE RELATIVO AI VALORI DISCRETIZZATI DELLA CURVA INTERPOLANTE
TT È IL FILE RELATIVO ALLE ASCISSE DEI VALORI ASSEGNATITT = [ t(1) t(2) • • • • t(n) ]
UU È IL FILE RELATIVO ALLE CORRISPONDENTI ORDINATEUU = [ uf(1) uf(2) • • • • uf(n) ]
t È IL FILE RELATIVO ALLA BASE DEI TEMPI CON PASSO DI DISCRETIZZAZIONE dt
DATA PROCESSING
DATA PROCESSING
73
LOGICA DI MEMORIZZAZIONE
UNA LOGICA DI MEMORIZZAZIONE MOLTO SEMPLICE
POTREBBE ESSERE LA SEGUENTE
• VENGONO DETERMINATI I COEFFICIENTI DEL FILTRO
PASSA BASSO E DI QUELLO DI STIMA DELLA DERIVATA
PRIMA
• VIENE CALCOLATA LA VARIABILE FILTRATA E LA SUA
DERIVATA PRIMA
• VENGONO RILEVATI E MEMORIZZATI GLI ISTANTI IN
CORRISPONDENZA DEI QUALI LA DERIVATA ASSUME
VALORE NULLO
DATA PROCESSING
DATA PROCESSING
74
• IN CORRISPONDENZA DI TALI ISTANTI VIENE RILEVATA E MEMORIZZATA LA VARIABILE FILTRATATALI VALORI SONO INSERITI NEL FILE DEI PARAMETRI DI MEMORIZZAZIONE
• NELLO STESSO FILE SONO INSERITI ANCHE I VALORI INIZIALI E FINALI
• RISULTA CONVENIENTE INSERIRE ANCHE UN VALORE IMMEDIATAMENTE SUCCESSIVO ALL’ISTANTE INIZIALE
• IL FILE DI MEMORIZZAZIONE RISULTA PERTANTO STRUTTURATO NELLA MANIERA SEGUENTE:
t(1) = 0 uf (1) = . . . primo valore
t(2) = dt uf (2) = . . . secondo valore
t(. . .) = . . . uf (. . .) = . . . valore intermedio
t(T) = . . . uf (T) = . . . ultimo valore
DATA PROCESSING
DATA PROCESSING
75
10 20 30 40 50tempo (sec)
-.2
0
.2
.4
.6
.8
1
1.2 1.03180.2000
0.14555.6485
0.945410.9062
0.303819.0321
0.886424.1298
0.365430.9253
0.546834.9766
0.545336.8896
0.141243.2008
0.434147.2685
0.339549.3823
0.789453.1283
0.757954.000
1.05270.0000
t(i) uf (i)
VARIABILE ACQUISITAVARIABILE FILTRATASTIMA DERIVATA PRIMA
PARAMETRI MEMORIZZATI
MEMORIZZAZIONE TRAMITE “SPLINE”
DATA PROCESSING
DATA PROCESSING
76
10 20 30 40 50tempo (sec)
-.2
0
.2
.4
.6
.8
1
1.2VARIABILE ACQUISITAVARIABILE FILTRATARICOSTRUZIONE DELLA VARIABILE
RISULTATO DELLA MEMORIZZAZIONE CON SPLINE
DATA PROCESSING
DATA PROCESSING
77
CONCLUSIONI
LA MEMORIZZAZIONE DI DATI DIRETTAMENTE ACQUISTI, APPLICANDO PROCEDURE SISTEMATICHE, COSTITUISCE IL PRIMO PASSO VERSO L’APPLICAZIONE DI MODALITÀ DI CONTROLLO EVOLUTE A LIVELLO SIA DI CAMPO SIA DI SUPERVISIONE
A LIVELLO DI SUPERVISIONE, LA POSSIBILITÀ DI POTER ACQUISIRE E AGGIORNARE UNA BASE DI DATI È INFATTI IL PRESUPPOSTO INDISPENSABILE PER FORMARE QUELLA BASE DI CONOSCENZE CHE CONSENTE PASSARE DAL CONTROLLO MANUALE AFFIDATO AD UN OPERATORE ESPERTO AL CONTROLLO ASSISTITO DA SISTEMA ESPERTO E AL CONTROLLO INTELLIGENTE
DATA PROCESSING
DATA PROCESSING
78
A LIVELLO DI CONTROLLO LOCALE, LA POSSIBILITÀ DI ACQUISIRE E MEMORIZZATE I DATI, RELATIVI AL FUNZIO-NAMENTO DI QUELLA PARTE DEL SISTEMA O DELL’IMPIAN-TO DA SOTTOPORRE ALL’AZIONE DI CONTROLLO, CON-SENTE DI POTER APPLICARE METODOLOGIE IDONEE PER POTER PROGETTARE LA MODALITÀ DI CONTROLLO BASANDOSI SU UN MODELLO ADEGUATO DEL SISTEMA DA CONTROLLARE E NON ESCLUSIVAMENTE SU PROVE DIRETTE
CON TALE APPROCCIO SI PASSA DA MODALITÀ DI CON-TROLLO E DI GESTIONE DI TIPO EMPIRICO A MODALITÀ DI TIPO SISTEMATICO INTESE A MIGLIORE LA PRODUT-TIVITÀ, L’EFFICIENZA, LA SICUREZZA, … IL PIÙ DELLE VOLTE SENZA DOVER APPORTARE SOSTANZIALI MO ALLA STRUTTURA DEL SISTEMA DI CONTROLLO
DATA PROCESSING
DATA PROCESSING
79
AFFINCHÉ UNA PROCEDURA SISTEMATICA DI MEMORIZZA-ZIONE POSSA AVERE SUCCESSO, È INDISPENSABILE UNA SINERGIA FRA L’ESPERTO DEL SISTEMA A CUI I DATI SI RIFERISCONO E L’ESPERTO DELLE METODOLOGIE SISTEMATICHE DA APPLICARE PER LA MEMORIZZAZIONEMOLTE SONO INFATTI LE SCELTE DA COMPIERE PRIMA DI RENDERE OPERATIVA UNA PROCEDURA DI ACQUISIZIONE E DI MEMORIZZAZIONEAPPROCCI ANALOGHI DEVONO ESSERE SEGUITI PER APPLICARE MODALITÀ DI CONTROLLO CHE SI DISCOSTA-NO DA QUELLE EMPIRICHE O MOLTO CONVENZIONALILA MESSA A PUNTO DI UNA METODOLOGIA SU SIMULAZIO-NE È LA MANIERA PIÙ SEMPLICE E DIRETTA PER ACQUI-STARE QUELLA PROFESSIONALITÀ CHE CONSENTE DI OTTENERE RISULTATI VALIDI IN APPLICAZIONI CONCRETE
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
80
PROGETTAZIONE DI UN FILTRODA REALIZZARE CON TECNICHE NUMERICHE
ANDAMENTO DEL SEGNALE ANALOGICO
0 5 10 t(sec)
QUALE DEVE ESSERE LA BANDA PASSANTE DEL FILTRO PASSABASSO ?
COME FISSARE IL PASSO DI CAMPIONAMENTO ?
VARIABILESENZA DISTURBOE SENZA RUMORE
DISTURBO
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
81
DETERMINAZIONE DELLA BANDA PASANTE
QUALE DEVE ESSERE LA BANDA PASSANTE DEL FILTRO PASSABASSO ?
COME FISSARE IL PASSO DI CAMPIONAMENTO ?
CALCOLO DELLA FUNZIONE DI AUTOCORRELAZIONE
-10 0 10 t(sec)
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
82
DETERMINAZIONE DELLA BANDA PASSANTE
SPETTRO DELLA FUNZIONE DI AUTOCORRELAZIONE
1 3 5 7 9 11 13 15 17 19 ORDINE DELL’ARMONICAARMONICHE ENTRO LA BANDA PASSANTE
10 sec PERIODO DELLA FONDAMENTALE
.1 Hz FREQUENZA DELLA FONDAMENTALE
.4 Hz BANDA PASSANTE b
.64 Hz FREQUENZA DI TAGLIO DEL FILTRO A -6 dB
2.5 sec PERIODO RELATIVO ALLA BANDA PASSANTE b
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
83
VERIFICA DELLA SCELTA DELLA BANDA PASSANTECONTRIBUTO DELLE SINGOLE ARMONICHE
LA RICOSTRUZIONE CON 4 ARMONICHE È ACCETTABILE
0 5 10 t(sec)
CONTRIBUTO DELLA SECONDA ARMONICA
SEGNALE PRIVO DI DISTURBI E RUMORECONTRIBUTO DELLA PRIMA ARMONICA
CONTRIBUTO DELLA TERZA ARMONICACONTRIBUTO DELLA QUARTA ARMONICACONTRIBUTO DELLA QUINTA ARMONICA
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
84
VERIFICA DELLA SCELTA DELLA BANDA PASSANTE
RICOSTRIZIONE DEL SEGNALE PER ARMONICHE
SEGNALE RICOSTRUITO CON 5 ARMONICHELA RICOSTRUZIONE CON 4 ARMONICHE È ACCETTABILE
0 5 10 t(sec)
SEGNALE PRIVO DI DISTURBI E RUMORESEGNALE RICOSTRUITO CON 3 ARMONICHESEGNALE RICOSTRUITO CON 4 ARMONICHE
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
85
RISPOSTA IMPULSIVA DEL FILTRO PASSABASSO
FILTRO DI BESSEL DEL QUARTO ORDINE
0
1
0 5 10 t(sec)
FILTRO NON RICORSIVO
BANDA PASSANTE A -3 dB b ≈ 2.5 rad/sec Tb = 2.5 sec
BANDA PASSANTE A -6 dB b*
≈ 4 rad/sec
FILTRO DI BESSEL
FILTRO NON RICORSIVO
DURATA DELLA RISPOSTA IMPULSIVA Tf ≈ .75 Tb = 1.8 sec
1 10.1.01 (rad/sec)
0
-3
-6
0
-3
-6
modulo
(dB
)
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
86
DIAGRAMMA DI BODE DEL FILTRO DI BESSEL
G(s) = s4 + 12.5 s3 + 70.26 s2 + 204.9 s +
256
256
RISPOSTA INPULSIVA DEL FILTRO NON RECURSIVO
g(t) = 13.34 t3 -22.23 t4 +12.35 t5 – 2.29 t6
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
87
VARIABILE FILTRATA
0 5 10 t(sec)
VARIABILE FILTRATA CON IL FILTRO DI BESSEL
VARIABILE FILTRATA CON IL FILTRO NON RECURSIVO
VARIABILE SENZA DISTURBO E SENZA RUMORE
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
88
G(s) =
b3 s3 + b2 s2 + b1 s + b0 s4 + a3 s3 + a2 s2 + a1 s + a0
0
0
- a3
1
0
- a1
0
1
- a2
0
0
10 00
- a0
A1 =
0
0
1
0B1 =
b3
b1
b2
b0
C1t =
FUNZIONE DI TRASFERIMENTO DEL FILTRO
REALIZZAZIONE IN FORMA CANONICA
PER MINIMIZZARE IL NUMERO DELLE OPERAZIONI DI SOMMA E DI PRODOTTO
COMPAGNA DI TIPO ORIZZONTALE
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
89
COMPAGNA DI TIPO VERTICALE0
0
1
0A2 =
0
1
0
0
0
0
1
0 - a3
- a0
- a1
- a2
b3
b1
b2
b0
B2 =
0
0
1
0C2t =
DIAGONALE
G(s) =
b3 s3 + b2 s2 + b1 s + b0 s4 + a3 s3 + a2 s2 + a1 s + a0
= ∏ s - pi
ri
i = 1
4
[r,p,k]=residue(NG,DG)
NG COEFFICIENTI DEL POLINOMIO A NUMERATOREDG COEFFICIENTI DEL POLINOMIO A DENOMINATOREr RESIDUIp POLIk GUADAGNO
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
90
DIAGONALE
0
0
imag (p1)
real (p2)
0
0
real (p1)
imag (p2)
real (p3)
imag (p4)
0
0
imag (p1)
real (p4)
0
0A3 =
b3 =
2 real (p1)
2 imag (p2)
2 real (p1)
2 imag (p2)
c3 =
1
0
1
0
DATA PROCESSING
DATA PROCESSING
91
PASSO DI DISCRETIZZAZIONE T
CONDIZIONI INIZIALI X
X(i+1) = X(i) + T (A X(i) + b u(i) )
y(i) = c’ X(i)
for i = 1:n
end
y(n) = c’ X(n)
CALCOLO DELL’ANDAMENTO DELLE VARIABILE DI USCITA
LA DURATA DEL PASSO DI INTREGRAZIONE T VA SCELTA TENENDO CONTO DELLA BANDA PASSANTE DELLE VARIABILE DI INGRESSO E DELLA LUNGHEZZA DI PAROLA DEL DISPOSITIVO DI ELABORAZIONE
IL PERIODO CAMPIONAMENTO Ts VA SCELTO IN MODO CHE RISULTI CIRCA 20 INFERIORE AL PERIODO DELLA BANDA PASSANTE
ESCURSIONE DELLE VARIABILI da -150000 a +220000
DATA PROCESSING
DATA PROCESSING
92
-100000
0
100000
200000
1 2 3 4 5 6 7 8 9 10
250000
-200000
t (sec)
y(t)
x4(t)
x3(t)
x2(t)
x1(t)
REALIZZAZIONE IN FORMA COMPAGNA ORIZZONTALE
ESCURSIONE DELLA VARIABILE DI USCITA da -.4 a +.5
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
93
1 2 3 4 5 6 7 8 9 10t (sec)
0
-.5
.5
REALIZZAZIONE IN FORMA COMPAGNA ORIZZONTALE
ESCURSIONE DELLE VARIABILI da -1.4 a +1.4
DATA PROCESSING
DATA PROCESSING
94
REALIZZAZIONE IN FORMA COMPAGNA VERTICALE
-1
0
1
1.5
-1.5
0 1 2 3 4 5 6 7 8 9 10t (sec)
x1(t)x2(t)x3(t)
y(t)
x4(t)
DATA PROCESSING
DATA PROCESSING
95
-1
0
1
2
0 1 2 3 4 5 6 7 8 9 10
3
-2t (sec)
REALIZZAZIONE IN FORMA DIAGOLALE
ESCURSIONE DELLE VARIABILI da -2 a +3
x4(t)
x1(t)
x3(t)
y(t)
x2(t)
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
96
tempo
SCELTA DEL PASSO DI CAMPIONAMENTOAPPROSSIMAZIONE PER PUNTI
PER OTTENERE UNA RICOSTRUZIONE AFFIDABILE DELL’ANDAMENTO DI TIPO CONTINUO OCCORRONO ALMENO 20 PUNTI
OCCORRE ALLORA FISSARE IL PASSO DI CAMPIONAMENTO AD UN VALORE CIRCA 20 VOLTE INFERIORE AL PERIODO CORRISPONDENTE ALLA BANDA PASSANTE
ANDAMENTO DI TIPO CONTINUO
APPROSSIMAZIONE CON 9 PUNTI
APPROSSIMAZIONE CON 20 PUNTI
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
97
BANDA PASSANTE A -3 dB b ≈ 2.5 rad/sec Tb = 2.5 sec
PERIODO CORRISPONDENTE ALLA BANDA PASSANTE A -3 dBb ≈ 2.5 rad/sec Tb = 2 /b = 2.5 secD
PASSO DI CAMPIONAMENTO T = Tb /20 = 2.5 /20 = .125 sec
0.001633 z3 + 0.01323 z2 + 0.009796 z + 0.0006639
z4 - 2.629 z3 + 2.679 z2 - 1.248 z + 0.2232G(z) =
FUNZIONE DI TRASFERIMENTO DISCRETIZZATA
z - 0.6423 + j 0.0840
0.2633 + j 1.0065
z - 0.6423 - j 0.0840
0.2633 -j 1.0065++
z - 0.6723 + j 0.2830
-0.2625 + j 0.2417
z - 0.6723 - j 0.2830
-0.2625 - j 0.2417+ +G(z) =
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
98
-.6
-.4
-.2
0
.2
.4
.6
.8
0 2 3 4 5 6 7 8 9 101 t (sec)
VARIABILE CAMPIONATA
VARIABILE SENZA DISTURBO E SENZA RUMORE
ESCURSIONE DELLE VARIABILI da -15 a +20
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
99
-20
-15
-10
-5
0
5
10
15
20
0 2 3 4 5 6 7 8 9 101 t (sec)
y(t)
x4(t)
x3(t)
x1(t)
x2(t)
REALIZZAZIONE DISCRETIZZATAIN FORMA COMPAGNA ORIZZONTALE
ESCURSIONE DELLE VARIABILI da -9 a +6
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
100
-1
-.8
-.6
-.4
-.2
.2
.4
.6
.8
00 2 3 4 5 6 7 8 9 101 t (sec)
REALIZZAZIONE DISCRETIZZATAIN FORMA COMPAGNA VERTICALE
x3(t)
y(t)x1(t)x2(t)
x4(t)
ESCURSIONE DELLE VARIABILI da -1.1 a +1.4
REALIZZAZIONE DISCRETIZZATAIN FORMA DIAGONALE
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
101
2 3 4 5 6 7 8 9 101 t (sec)
-1.5
-1
-.5
0
.5
1
1.5
y(t)
x1(t)
x2(t)
x3t)
x4(t)
REALIZZAZIONE DEL FILTRO PASSABASSO
DATA PROCESSING
102
-.5
0
.5
1
1.5
2 3 4 5 6 7 8 9 101 t (sec)
REALIZZAZIONE DISCRETIZZATAFILTRO NON RECURSIVO
g(t)
y(t)
DIAGNOSI DI COMPORTAMENTO NON LINEARE
DATA PROCESSING
103
FILE DATI INGRESSO FILE DATI USCITA
SPETTRO ARMONICHE SPETTRO FASI
NONLINEARITÀISTANTANEASIMMETRICA
ARMONICHESOLO DISPARI
ARMONICHEPARI E DISPARI
NONLINEARITÀASIMMETRICA
STESSA FASE DELLA ARMONICA
DOMINANTE
CICLO DI ISTERESI
SIMMETRICO
ARMONICHESOLO DISPARI
DIFFERENTE FASE DELLA ARMONICA
DOMINANTE
DIAGNOSI DI PRESENZA DI UNA SATURAZIONE
DATA PROCESSING
104
-1 -.5 0 .5 1
-1
-.8
-.6
-.4
-.2
0
.2
.4
.6
.8
1
ANDAMENTO DEL CICLO DI ISTERESI
VA
RIA
BIL
E D
I U
SC
ITA
VARIABILE DI INGRESSO
0 2 4 6
-1
0
1
ANDAMENTO INGRESSO - USCITA
t(sec)
DIAGNOSI DI PRESENZA DI UNA SATURAZIONE
DATA PROCESSING
105
ARMONICHE INGRESSO
1 2 3 4 5 6 7 8 9 100
0.5
1
1 2 3 4 5 6 7 8 9 10
-100
0
100
FASE INGRESSO
ARMONICHE USCITA
1 2 3 4 5 6 7 8 9 100
0.5
1
1 2 3 4 5 6 7 8 9 10
-100
0
100
FASE USCITA
0 2 4 6
-1
0
1
ANDAMENTO INGRESSO - USCITA
t(sec)
NESSUNO SFASA-MENTO FRA LE AR-MONICHE FONDAMENTALI
PRESENZA DI AR-MONICHE DI ORDI-NE SUPERIORE SOLO DI ORDINE DISPARI
DIAGNOSINON LINEARITÀ
ISTANTANEASIMMETRICA
DIAGNOSI DI PRESENZA DI UNA SATURAZIONE
DATA PROCESSING
106
ANDAMENTO INGRESSO - USCITA
0 2 4 6
-1
0
1
t(sec) -1 -.5 0 .5 1
-1
-.8
-.6
-.4
-.2
0
.2
.4
.6
.8
1
ANDAMENTO DEL CICLO DI ISTERESI
VA
RIA
BIL
E D
I U
SC
ITA
VARIABILE DI INGRESSO
DIAGNOSI DI PRESENZA DI UN CICLO DI ISTERESI
DATA PROCESSING
107
ARMONICHE USCITA
1 2 3 4 5 6 7 8 9 100
0.5
1
0 2 4 6
-1
0
1
ANDAMENTO INGRESSO - USCITA
t(sec)
ARMONICHE INGRESSO
1 2 3 4 5 6 7 8 9 100
0.5
1
1 2 3 4 5 6 7 8 9 10
-100
0
100
FASE USCITA
1 2 3 4 5 6 7 8 9 10
-100
0
100
FASE INGRESSO
SFASAMENTO NON TRASCURABILE FRA LE ARMONI-CHE FONDAMEN-TALI
PRESENZA DI AR-MONICHE DI ORDI-NE SUPERIORE SOLO DI ORDINE DISSPARI
DIAGNOSICICLO DI ISTERESI
SIMMETRICO
DIAGNOSI DI PRESENZA DI UNA SATURAZIONE
DATA PROCESSING
108
-1 -.5 0 .5 1
-1
-.8
-.6
-.4
-.2
0
.2
.4
.6
.8
1
ANDAMENTO DEL CICLO DI ISTERESI
VA
RIA
BIL
E D
I U
SC
ITA
VARIABILE DI INGRESSO
0 2 4 6
-1
0
1
ANDAMENTO INGRESSO - USCITA
t(sec)
DIAGNOSI DI PRESENZA DI UNA SATURAZIONE
DATA PROCESSING
109
ARMONICHE INGRESSO
0
.25
.50
5 10 15 20 25 300
-100
0
100
FASE INGRESSO
5 10 15 20 25 300
ARMONICHE USCITA
0
.25
.5
5 10 15 20 25 300
FASE USCITA
-100
0
100
5 10 15 20 25 300
0 2 4 6
-1
0
1
ANDAMENTO INRESSO - USCITA
t(sec)
NESSUNO SFASA-MENTO FRA LE AR-MONICHE FONDAMENTALI
PRESENZA DI AR-MONICHE DI ORDI-NE SUPERIORE SOLO DI ORDINE DISPARI
DIAGNOSINON LINEARITÀ
ISTANTANEASIMMETRICA
DIAGNOSI DI PRESENZA DI UNA SATURAZIONE
DATA PROCESSING
110
ARMONICHE INGRESSO
0
.25
.50
5 10 15 20 25 300
-100
0
100
FASE INGRESSO
5 10 15 20 25 300
ARMONICHE USCITA
0
.25
.5
5 10 15 20 25 300
FASE USCITA
-100
0
100
5 10 15 20 25 300
0 2 4 6
-1
0
1
ANDAMENTO INRESSO - USCITA
t(sec)
DIAGNOSI DI PRESENZA DI UNA SATURAZIONE
DATA PROCESSING
111
ANDAMENTO INGRESSO - USCITA
0 2 4 6
-1
0
1
t(sec) -1 -.5 0 .5 1
-1
-.8
-.6
-.4
-.2
0
.2
.4
.6
.8
1
ANDAMENTO DEL CICLO DI ISTERESI
VA
RIA
BIL
E D
I U
SC
ITA
VARIABILE DI INGRESSO
DIAGNOSI DI PRESENZA DI UNA SATURAZIONE
DATA PROCESSING
112
0 2 4 6
-1
0
1
ANDAMENTO INGRESSO - USCITA
t(sec)
ARMONICHE INGRESSO
0
.25
.50
5 10 15 20 25 300
-100
0
100
FASE INGRESSO
5 10 15 20 25 300
ARMONICHE USCITA
0
.25
.5
5 10 15 20 25 300
FASE USCITA
-100
0
100
5 10 15 20 25 300
SFASAMENTO NON TRASCURABILE FRA LE ARMONI-CHE FONDAMEN-TALI
PRESENZA DI AR-MONICHE DI ORDI-NE SUPERIORE SOLO DI ORDINE DISPARI
DIAGNOSICICLO DI ISTERESI
SIMMETRICO
METODO DI PRONY
Ri RESIDUI
i = 1
g(t) = Ri exp ( pi t )n
IL MODELLO PARAMETRICO RISULTA:
pi POLI (REALI O COMPLESSI CONIUGATI)
SI DISPONE DEL MODELLO NON PARAMETRICO DELLA RISPOSTA IMPULSIVA COSTITUITO k VALORI CAMPIONATI :
g2 g3 g4 g5 g6 g7 g8 g9 g10 g11g1 g12 g13 g14
T
gi = Ri exp ( pi T)i = 1
n
NEL CONTINUO
NEL DISCRETO
IDENTIFICAZIONE DELLA RISPOSTA IMPULSIVA 113
DATA PROCESSING
TRA n+1 CAMPIONI CONSECUTIVI DELLA RISPOSTA IMPULSIVA g(T) SUSSISTE LA SEGUENTE RELAZIONE:
A0 gr + A1 gr+1 + • • • + An-1 gr+n-1 = - gr+n
A0 g1 + A1 g2 + A2 g3 = - g4 A0 g2 + A1 g3 + A2 g4 = - g5 A0 g3 + A1 g4 + A2 g5 = - g6 A0 g4 + A1 g5 + A2 g6 = - g7 A0 g5 + A1 g6 + A2 g7 = - g8 A0 g6 + A1 g7 + A2 g8 = - g9
ASSUMENDO N = 3 E APPLICANDO RIPETUTAMENTE LA PRECEDENTE RELAZIONE SI OTTINE:
IDENTIFICAZIONE DELLA RISPOSTA IMPULSIVA 114
DATA PROCESSING
RISOLVENDO IL SISTEMA DI EQUAZIONI CON IL METODO DEI MINIMI
QUADRATI, SI CALCOLANO I COEFFICIENTI INCOGNITI A0 A1 A2
x3 + A2 x2 + A1 x + A0 = 0
INSERENDO TALI COEFFICIENTI NELLA SEGUENTE EQUAZIONE SI HA:
LE CUI RADICI RAPPRESENTANO:
x1 = exp ( p1 T)
x2 = exp ( p2 T)
x3 = exp ( p3 T)
DA CUI SI RICAVANO I VALORI DI p1 p2 p3
IDENTIFICAZIONE DELLA RISPOSTA IMPULSIVA 115
DATA PROCESSING
R1 x1 + R2 x2 + R3 x3 = g1 R1 x1
2 + R2 x22 + R3 x3
2 = g2 R1 x1
3 + R2 x23 + R3 x3
3 = g3 R1 x1
4 + R2 x24 + R3 x3
4 = g4 R1 x1
5 + R2 x25 + R3 x3
5 = g5 R1 x1
6+ R2 x26 + R3 x3
6 = g6
R1 x17 + R2 x2
7 + R3 x37 = g7
APPLICANDO RIPETUTAMENTE LA FORMULAZIONE ANALITICA DELLA RISPOSTA IMPULSIVA SI OTTIENE:
RISOLVENDO IL SISTEMA DI EQUAZIONI CON IL METODO DEI MINIMI
QUADRATI, SI CALCOLANO I COEFFICIENTI INCOGNITI R1 R2 R3VIENE COSÌ CALCOLATO IL VALORE DEI PARAMETRI p1 p2 p3
R1 R2 R3 DEL MODELLO PARAMETRICO
IDENTIFICAZIONE DELLA RISPOSTA IMPULSIVA 116
DATA PROCESSING
ESEMPIO: G(s) =s3 + 16 s2 + 65 s + 50
8 s + 50
g( .1) = .6810g( .3) = .7022g( .5) = .6137g( .7) = .5148g( .9) = .4258g(1.1) = .3501g(1.3) = .2872g(1.5) = .2354g(1.7) = .1928g(1.9) = .1579g(2.1) = .1293g(2.2) = .1058
.6137 A2 + .7022 A1 + .6810 A0 = -.5148
.5148 A2 + .6137 A1 + .7022 A0 = -.4258
.4258 A2 + .5148 A1 + .6137 A0 = -.3501
.3501 A2 + .4258 A1 + .5148 A0 = -.2872
.2872 A2 + .3501 A1 + .4258 A0 = -.2354
.2354 A2 + .2872 A1 + .3501 A0 = -.1928A0 = -1.3219 A1 = .4618 A2 = -.0804p1 = -1 p2 = -5 p3 = -10
.8187 R1 + .3679 R2 + .1353 R3 = .6810
.6703 R1 + .1353 R2 + .0183 R3 = .7022
.5488 R1 + .0498 R2 + .0025 R3 = .6137
.4493 R1 + .0183 R2 + .3 R3 = .5148
.3679 R1 + .0067 R2 + .0 R3 = .4258
.3012 R1 + .0025 R2 + .0 R3 = .3501R1 = 1.1667 R2 = -.5 R3 = -.6667
IDENTIFICAZIONE DELLA RISPOSTA IMPULSIVA 117
DATA PROCESSING
FILTRO PASSA BASSO
T t g(t) = k3 t3 + k4 t
4 + k5 t5 + k6 t
6
FILTRO DI STIMA DELLA DERIVATA PRIMA
T t g1(t) = 3 k3 t2 +4 k4 t
3 + 5 k5 t4 + 6 k6 t
5
STIMA DEI COEFFICIENTI DI UN MODELLO DI TIPO CONTINUO 118
T t g2(t) = 6 k3 t +12 k4 t2 + 20 k5 t
3 + 30 k6 t4
FILTRO DI STIMA DELLA DERIVATA SECONDA
DATA PROCESSING
FILTRO PASSA BASSO
FILTRO PASSA BASSO
FILTRO DI STIMA DELLA DERIVATA
PRIMA
FILTRO DI STIMA DELLA DERIVATA
PRIMA
FILTRO DI STMA DELLA DERIVATA
SECONDA
VARIABILE DI INGRESSO
VARIABILE DI USCITA
)t(ubdt
)t(dub)t(ya
dt)t(dy
adt
)t(yda 01012
2
2
STIMA DEI COEFFICIENTI DI UN MODELLO DI TIPO CONTINUO 119
T tT t
T tT t
T t
DATA PROCESSING
120
tempo
VARIABILE DI INGRESSOVARIABILE DI USCITA
DERIVATA PRIMA DELLA VARIABILE DI USCITA
DERIVATA SECONDADELLA VARIABILE DI USCITADERIVATA PRIMA DELLA
VARIABILE DI INGRESSO
012
2
1
asasa
1sbG(s)
? ? ??a2 a1 a0 b1
STIMA DEI COEFFICIENTI DI UN MODELLO DI TIPO CONTINUO 120
DATA PROCESSING
121
70
80
90
100am
piez
za
0 200 400 600 800 1000 1200 1400 1600 1800numero dei valori campionati
ampi
ezza
-0.2
-0.1
0
0.1
0.2
varaibile di uscita y1
variabile di ingresso u1
derivata prima della variabile di uscita y1
derivata prima della variabile di ingresso u1
STIMA DEI COEFFICIENTI DI UN MODELLO DI TIPO CONTINUO 121
DATA PROCESSING
122
40
50
60
70
80
ampi
ezza
0 200 400 600 800 1000 1200 1400 1600 1800
numero dei valori campionati
90
VALIDAZIONE DEL MODELLOandamento calcolato da modello della variabile di uscita
STIMA DEI COEFFICIENTI DI UN MODELLO DI TIPO CONTINUO 122
DATA PROCESSING
APPROSSMAZIONE DEL MODELLO
DATA PROCESSING
123
G1 = .0016 s5 + .0336 s4 + .272 s3 + 1.04 s2 + .1.8 s + 1
1
G2 = 1.04 s2 + 1.8 s + 1
1
0 5 10 t (sec)0
1
G3 = (.75 s + 1) (1.1 s + 1)
1
APPROSSMAZIONE DEL MODELLO
DATA PROCESSING
124
0 5 10 150
0.2
0.4
0.6
0.8
1
1.2
1.4
APPROSSMAZIONE DEL MODELLO
DATA PROCESSING
125