Восстановление информационных сигналов в задачах контроля состояния протяженных объектов тема диссертации и автореферата по ВАК РФ 05.12.13, кандидат наук Кузьмин, Сергей Викторович

• Кузьмин, Сергей Викторович
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Кузьмин, Сергей Викторович

Оглавление

Введение

Глава 1. Обзор существующих методов решения поставленных задач

1.1 Описание устройства контроля параметров железнодорожного рельса

1.2 Обзор методов привязки измерений к единой системе координат

1.3 Обзор методов борьбы с помехами и восстановления сигналов

1.4 Обзор методов оценки сдвига в одномерных и двумерных сигналах

Глава 2. Подавление помех и восстановление информационного сигнала

2.1 Разработка модели канала

2.2 Разработка алгоритмов подавления помех и восстановления информационного сигнала

2.3 Отработка алгоритмов на тестовых данных

2.4 Оценка погрешностей измерения расстояния до неоднородности

Выводы по главе 2

Глава 3. Совмещение сигналов

3.1 Построение модели задержек

3.2 Оценка локальных задержек между информационными сигналами

3.3 Передискретизация сигналов для приведения к единой системе координат

3.4 Отработка методики совмещения на тестовых сигналах

Выводы по главе 3

Глава 4. Экспериментальная проверка разработанных методик и алгоритмов

4.1 Обоснование необходимости использования опорных сигналов

4.2 Особенности внедрения разработанных алгоритмов и методик

4.3 Экспериментальная проверка разработанных методик и алгоритмов

Заключение

Список используемой литературы

ПРИЛОЖЕНИЕ А - АКТ ВНЕДРЕНИЯ С ПРЕДПРИЯТИЯ

ПРИЛОЖЕНИЕ Б - КОД ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

2

Введение диссертации (часть автореферата) на тему «Восстановление информационных сигналов в задачах контроля состояния протяженных объектов»

Введение

Актуальность темы

В системах комплексного мониторинга инфраструктуры протяженных объектов контроля существует задача восстановления передаваемых информационных сигналов, пораженных помехами, порожденными неоднородностью структуры объекта контроля, и проблема совмещения зарегистрированных сигналов (т.е. приведения сигналов к единой системе координат) для их последующей совместной обработки. Совмещение зарегистрированных сигналов, содержащих информацию о параметрах объектов большой протяженности, подразумевает не только устранение средней задержки между сигналами, но и компенсацию флуктуирующих погрешностей в шагах дискретизации этих сигналов, что накладывает дополнительные требования на качество сигналов. Таким образом, обеспечение точного и помехоустойчивого совмещения данных невозможно без подавления помех сложного вида, возникающих в канале передачи информационных сигналов.

Особенно остро эти проблемы стоят при совмещении данных контроля объектов железнодорожной инфраструктуры. Совместный анализ нескольких разнесенных во времени сигналов позволяет решать широкий спектр технических задач, не решаемых при анализе однократных наблюдений (например, поиск неоднородностей, представляющих опасность для контролируемой инфраструктуры, мониторинг развития этих неоднородностей во времени). Подобные системы в области контроля параметров объектов железнодорожной инфраструктуры разрабатываются в ЗАО НПЦ ИНФОТРАНС (C.B. Архангельский, О.Б. Симаков) [1], ОАО «Радиоавионика» (Т.Н. Бершадская) [2], ГК «ТВЕМА» (М.В. Тарабрин) [3]. За рубежом внедрены системы ENSCO (США) [4], IRISSys (Германия) [5], IFS (Швеция) [6], PATER (Венгрия) [7], ECOTRACK (Голландия) [8], RAMSys (Италия) [9] и др. Задачи восстановления информационных

сигналов в условиях воздействия помех и приведения сигналов к единой системе координат на данный момент в полной мере не решены.

Регистрируемый сигнал, поражен различными видами помех, в том числе квазистационарными помехами [10], вызванными неоднородностями самого объекта контроля. Структура контролируемого объекта не является строго однородной и при воздействии зондирующего импульса порождает помимо информационного сигнала квазистационарную помеху. Подобная помеха зависит от особенностей производства конкретного объекта, степени и характера его износа.

Классические оптимальные методы приема сообщений ориентированы, прежде всего, на подавление гауссовых помех [11]. В исследуемом канале передачи сигнала о параметрах контролируемого объекта помеха представляет собой смесь помех различных видов, при этом смоделировать отдельные компоненты результирующей помехи не представляется возможным. Классические линейные методы недостаточно эффективны при восстановлении сигнала в условиях воздействия данного вида помех.

Фундаментальная теоретическая база методов приема сигналов в условиях сложных негауссовых помех изложена в работах P.JI. Стратоновича [12] и Т. Кайлата [13]. Общие принципы этих методов и их модификации впоследствии были развиты в трудах Л.М. Финка, Б.Р. Левина, 3.3. Шагхильдяна, Д.Д. Кловского, О.В. Горячкина, Ю.С. Шинакова, А.П. Трифонова, С.Е. Фальковича, В.Г. Репина, Г.П. Тартаковского, В.И. Коржика, В.А. Сойфера, И.А. Цикина, А.И. Фалько, Б.И. Николаева, В.Г. Карташевского, С.М. Широкова и других. Данные методы используют общие модели каналов и сигналов. Предложенные в данной работе алгоритмы оптимизированы с учетом особенностей информационного сигнала, канала передачи и воздействующей помехи и обеспечивают наиболее устойчивое и точное восстановление сигнала для последующей операции совмещения зарегистрированных сигналов.

Учитывая, что требования к качеству восстановления сигналов постоянно растут, и существующие системы не удовлетворяют возросшим требованиям, актуальна задача восстановления информационных сигналов в условиях воздействия квазистационарных помех, порождаемых неоднородностью структуры объекта контроля, для последующего совмещения (т.е. приведения к единой системе координат в условиях флуктуаций шагов дискретизации) регистрируемых данных. Цель работы и задачи исследования

Целью диссертационной работы является разработка алгоритмов восстановления информационных сигналов в условиях воздействия квазистационарных помех в канале передачи информации о параметрах объекта контроля, а также методики совмещения сигналов. Для достижения поставленной цели в диссертационной работе решаются следующие основные задачи:

— анализ энергетических и статистических характеристик полезной составляющей сигнала и помех в системе передатчик-неоднородность-приемник;

— построение математической модели канала передачи информационного сигнала при воздействии квазистационарных помех;

— разработка алгоритмов восстановления информационных сигналов, пораженных помехами, порожденными неоднородностью структуры объекта контроля;

— разработка алгоритмов и методики определения локальных задержек между полученными информационными сигналами и приведения результатов измерений к единой пространственной шкале согласно рассчитанным задержкам;

— экспериментальная проверка реализованных алгоритмов и методики на реальных измерениях и сгенерированных сигналах (проверка

алгоритмов на устойчивость и результатов на точность и повторяемость [14]). Методы исследования

Основная часть теоретических и экспериментальных исследований диссертационной работы выполнены с применением спектрального и корреляционного анализа, математической статистики и компьютерного моделирования.

Научная новизна диссертации

— разработана математическая модель канала передачи информации о параметрах объекта контроля, включающая параметрическую модель информационного сигнала и модель суммарной аддитивной помехи с несимметричным распределением;

— разработаны алгоритмы восстановления информационных сигналов в условиях воздействия помех, порожденных неоднородностью структуры объекта контроля.

— разработана методика устойчивого корреляционного совмещения зарегистрированных сигналов нескольких разнесенных по времени измерений, учитывающая флуктуации шага дискретизации совмещаемых сигналов.

П^нппии» ппппфрина шлчпоичми II•> гч IIIи г\7•

VI* М^ Ж Ж Ж* Ж ^ Ж Ж V V Л V ЖЖ ЖЖ Я Ж у ЖГЖ Л Ж V* VIII'! жжж ^ ж л V* м.д.^ ж л л ^ 9

— построенная модель канала передачи информационных сигналов позволила разработать алгоритм подавления помех, специфических для данного канала, и алгоритмы восстановления информационного сигнала;

— разработанные алгоритмы восстановления информационного сигнала обеспечивают требуемую точность восстановления для последующего совмещения данных;

— предложенная методика совмещения данных нескольких разнесенных во времени измерений позволяет приводить данные с флуктуацией шагов дискретизации к единой системе координат с

точностью не хуже половины шага дискретизации для коррелированных участков данных. Личный вклад

Все научные положения, расчетные и экспериментальные результаты, а также выводы, сформулированные в диссертационной работе, получены автором самостоятельно и соответствуют пунктам 2, 8, 13 паспорта специальности 05.12.13.

Обоснованность и достоверность результатов работы

Обоснованность и достоверность результатов работы обеспечивается корректностью применения используемого аналитического аппарата и подтверждается многочисленными экспериментами на реальных объектах и компьютерных моделях.

Практическая ценность и реализация результатов работы

На основе предложенных алгоритмов и методики было разработано и внедрено ПО, функционирующее в составе программно-аппаратного комплекса контроля железнодорожных рельсов. Погрешность совмещения данных составляет 0,83 мм для 95% отсчетов сигналов для участков протяженностью до 15 км.

Результаты диссертационной работы внедрены в состав ПО диагностического комплекса КВЛ ПЗ производства ЗАО НТТГТ ИНФОТРАНС (г. Самара), что подтверждается актом внедрения. Апробация работы

Основное содержание работы докладывалось и обсуждалось на: девятой (г. Казань 2008), десятой (г. Самара 2009) и одиннадцатой (г. Уфа 2010) МНТК «Проблемы техники и технологии телекоммуникаций»; тринадцатой (г. Самара 2006), четырнадцатой (г. Самара 2007) и семнадцатой (г. Самара 2010) российской научной конференции профессорско-преподавательского состава, научных сотрудников и аспирантов ПГУТИ; десятой МНТК «Физика и технические приложения волновых процессов» (г. Самара 2011).

Основные результаты

Основные результаты по теме диссертации опубликованы в 14 печатных работах, в том числе, в том числе 4 печатных работы опубликованы в изданиях перечня, рекомендованного ВАК для публикации работ, отражающих основное научное содержание диссертации.

Структура и объем работы

Работа состоит из введения, четырех глав и заключения, изложенных на 116-ти страницах, списка использованных источников из 105-ти наименований и 2-х приложений на 20 страницах. Диссертация содержит 56 рисунков и 8 таблиц. Общий объем диссертации 136 страниц.

Глава 1. Обзор существующих методов решения поставленных задач

Мониторинг состояния протяженного объекта и отслеживание изменений его параметров во времени требует восстановления параметров этого объекта из искаженного и пораженного помехами сигнала с измерительных датчиков и совмещения множества разнесенных во времени измерений для обеспечения их последующего совместного анализа. Восстанавливаемый сигнал, содержащий информацию о параметре объекта контроля, в диссертационной работе называется информационным, а сигнал, поступающий с датчика на регистратор и содержащий искажения измерительного канала и пораженный помехой, называется зарегистрированным сигналом.

Исследования в диссертационной работе посвящены разработке алгоритмов восстановления информационных сигналов в условиях воздействия квазистационарных помех в канале передачи информации о параметрах объекта контроля, а также методики совмещения сигналов. Объектом контроля большой протяженности могут быть трубы, толстолистовой металлопрокат, заготовки непрерывного литья. В диссертационной работе в качестве объекта контроля рассматриваются неоднородности железнодорожного рельса. При этом исследуется канал передачи измерительной информации о параметрах отражающих неоднородностей в металле объекта. Искажения и помехи, усложняющие задачу восстановления информационного сигнала, связаны с особенностями структуры самого объекта контроля и особенностями применяемого метода измерений, основанного на передаче зондирующих импульсов и приеме ответных сигналов.

мертвой зоны, соответствующей нескольким миллиметрам поверхности контролируемого объекта.

Зарегистрированный сигнал

отсчеты пути. ~2мм/отс.

Рисунок. 1.2 - Фрагмент зарегистрированного сигнала

Зарегистрированный сигнал - двумерный цифровой 8-битный сигнал (рис. 1.2), матрица, строки которой соответствуют значению сигнала на фиксированной глубине в разных точках пути, а столбцы соответствуют сигналу на разных глубинах в фиксированной измерительной точке пути. Элемент матрицы зарегистрированного сигнала предположительно пропорционален огибающей мощности принятого сигнала (смесь отраженного зондирующего импульса и помех в текущей точке объекта контроля).

Множество сечений зарегистрированного сигнала

2 - 100 3

4 150 Мощность, коды

Путь.отс. ~2мм/отс.

Рисунок. 1.3 - Зарегистрированный сигнал в виде множества сечений Сечение зарегистрированного сигнала - одномерный 8-битный сигнал (на рис. 1.3 изображено 5 сечений с отброшенной для наглядности мертвой зоной), столбец зарегистрированного сигнала, т.е. зависимость огибающей мощности принятого сигнала в фиксированной точке пути.

смещению не влияет. Инерциальная навигационная система не позволяет непосредственно оценивать координаты объектов, т.е. для оценки абсолютного положения в пространстве не может быть использована. БИНС идеально подходит для уточнения координат объекта в коротковолновой области и обладает высокой локальной точностью. Современный БИНС с кварцевыми акселерометрами и волоконно-оптическими гироскопами на скорости 60 км/ч накапливает ошибку (по порогу в 2а) на коротких проездах (до десяти минут) бм/км и на продолжительных (до 12-ти часов) 31м/км [24]. БИНС имеет высокую стоимость, он предназначен, прежде всего, для более сложных задач, чем определение пройденного пути. В рамках задач, поставленных в диссертационной работе, БИНС по сравнению с ДПС никаких преимуществ не обеспечивает.

Системы спутниковой навигации обеспечивают абсолютную координатную привязку в геодезической системе координат. Главным недостатком спутниковых систем навигации является сложная, трудно оцениваемая модель ошибки. Спутниковые приемники ГЛОНАСС и GPS в кондиционных условиях (приемлемое количество и расположение видимых спутников, отсутствие значительной многолучевости) обеспечивают точность в плане (в координатах широты и долготы) около 21м (с достоверностью 95%) [25]. Приемник профессионального уровня Novatel

модели DL-V3, совместно использующий спутники систем GPS и ГЛОНАСС

позволяет получить точность 16 м по статистике многократных испытаний.

Следует отметить, что применение дифференциальных поправок позволяет

поднять точность до субметрового уровня [25].

Существует также экспериментальный подход к оценке скорости и

пройденного пути корреляционными методами. Корреляционное

определение скорости или интегрированного пройденного пути по

двумерным [26] или одномерным сигналам измерений не позволяет

определять абсолютную координату. По результатам взаимного

корреляционного анализа двух (или нескольких) соседних кадров

15

оценивается смещение за время смены кадра. Погрешность в определении этого смещения может быть незначительной, но при интегрировании смещений ошибка накапливается. Качество и устойчивость работы подобных систем зависит от скорости движения. Метод оценки скорости движения объекта по изображению широко применяется в металлургии. Заявленная точность измерения длинны проката (аналог пройденного пути) 0,15%, что составляет 1,5м/км для скорости движения до 36 км/ч [28]. Другой бесконтактный метод измерения скорости, основанный на доплеровском эффекте и использующий лазерные системы [29] обладает соизмеримыми точностями, но несколько большей стабильностью работы и универсальностью. Для путеизмерительных средств применение корреляционных или доплеровских измерителей скорости позволит дополнить или заменить стандартный подход к оценке скорости энкодером датчика ДПС. Корреляционная или доплеровская оценка приращений потенциально может обеспечить несколько большую точность, чем датчик ДПС, но ДПС технически более надежен, устойчив в работе (на вагонах в прямых участках проскальзывание практически отсутствует) и практически одинаково эффективен в любых скоростных режимах. На ручных путеизмерительных средствах, где вероятность проскальзывания колеса ДПС выше и скорости движения ниже, дополнение или замена датчика ДПС системой корреляционного или доплеровского измерителя скорости более целесообразна.

Применение для задач навигации корреляционных методов наиболее

широко применялся и применяется в авиации помимо инерциальных и

спутниковых систем навигации, где их называют корреляцонно-

экстремальными системами навигации, т.е. системами навигации,

основанных на поиске экстремумов корреляции. Принцип работы подобных

систем основан на корреляционном поиске измеренного сигнала в некоторой

базе сигналов с координатной привязкой. В качестве таких сигналов могут

быть изображения, что не очень удобно, т.к. требуется постоянно обновлять

16

базу в соответствии со временем года и собирать эталоны под разное время суток. Возможен так же вариант радиолокационными снимками рельефа местности и электронной картой рельефа в качестве базы эталонов [27]. Применительно к железнодорожной путеизмерительной технике такой подход к навигации может быть даже более эффективен. Как правило, любое путеизмерительное средство одновременно определяет комплекс параметров объектов железнодорожной инфраструктуры (ширина рельсовой колеи, рихтовки двух рельсовых нитей, просадки двух рельсовых нитей и т.д.), таким образом, участок сигналов этих параметров протяженностью в 500 метров и более с высокой вероятностью является уникальным в масштабах целой сети железных дорог. Навигация упрощается тем, что рельсы в данной задаче можно считать идеальными направляющими и положение в пространстве полностью описывается одной координатой. Точность такой корреляционной навигационной системы зависела бы только от частоты дискретизации параметров и от актуальности эталонной базы параметров. Такой системы не существует, это связано со сложностью поддержания подобной базы параметров в актуальном состоянии, но ключевая идея корреляционного поиска текущего участка измерений в некотором эталонном сигнале положена в основу методики совмещения сигналов данной диссертационной работы.

В целом следует сказать, что ни одна из существующих навигационных систем уровня не обеспечивает точность позиционирования в 1 мм на участке протяженностью в несколько километров.

1.3 Обзор методов борьбы с помехами и восстановления сигналов

Сигнал с регистратора может рассматриваться как двумерный униполярный сигнал и как совокупность одномерных сечений, которые не являются независимыми, т.к. оцениваемые неоднородности могут занимать несколько сечений зарегистрированного сигнала. При рассмотрении зарегистрированного сигнала как двумерного униполярного к нему могут

быть применены методы подавления помех из области обработки изображений [30]. Подробный обзор методов подавления помех в изображениях рассмотрен в статье [31].

.Рисунок. 1.5 - Методы подавления помех

Классы методов, рассмотренных на рисунке 1.5 (из статьи [31]), одинаково применимы как для двумерных сигналов (например, зарегистрированных сигналов), так и для одномерных (например, сечений зарегистрированных сигналов).

Для фильтрации в пространственной области могут быть использованы линейные или нелинейные фильтры.

При использовании медианных фильтров, и их различных модификаций [32-34], помимо помехи подавляться мелкие детали полезного сигнала. Если полезный сигнал содержит всплески, то они будут подавлены, если ширина всплеска меньше размера фильтра. Другим существенным недостатком медианного фильтра является то, что единственным параметром для настройки фильтра под характеристики сигнала и помехи является размер фильтра.

Самым простейшим видом линейной фильтрации является скользящее среднее, которое обеспечивает максимальное подавление мощности белой гауссовой помехи при фиксированном размере импульсной характеристики. Единственным параметром фильтра скользящего среднего является размер импульсной характеристики, что ограничивает его оптимизацию под особенности сигнала и помехи. Фильтр Винера [35] и развитие его принципов в работах [36 и 37] обеспечивает фильтрацию помехи с использованием информации о спектральных характеристиках полезного

18

сигнала и помехи. К недостаткам фильтра Винера можно отнести его низкую эффективность для полезных сигналов, содержащих скачки и разрывы первой производной [31].

Фильтрация сигналов в базисных представлениях включает в себя фильтрацию в спектральной области и вейвлет-фильтрацию.

Преобразование сигнала в спектральную область или обратно, как правило, осуществляется прямым или обратным быстрым преобразованием Фурье. Фильтрация в спектральной области эффективна для смесей полезного сигнала и помехи, в которых полезный сигнал и помеха не коррелированы [35]. Главным недостатком фильтрации в частотной области является появление паразитных осцилляций, вызванных растеканием спектра [46].

Фильтрация в вейвлет-представлении может быть линейной и нелинейной. Среди линейных методов вейвлет-фильтрации существуют аналоги фильтра Винера для вейвлет-представления [38-40], минимизирующие среднеквадратическую ошибку. Подобные аналоги фильтра Винера обладают тем же недостатком, т.е. в зависимости от типа полезного сигнала могут подавлять его информативные свойства.

Нелинейные вейвлет-фильтры подавляют неинформативные коэффициенты вейвлет-разложения и применяются для подавления квазистационарных помех. Нелинейные вейвлет-фильтры представлены в различных модификациях [44, 45, 36, 41-43], отличающихся способом расчета порогов и способом применения порога к коэффициентам разложения. Общий недостаток пороговой вейвлет-фильтрации заключается в недостаточной устойчивости алгоритмов фильтрации к появлению специфических артефактов в фильтрованном сигнале.

При всех преимуществах рассмотренных ранее методов, очевидно, что

наилучших результатов в восстановления информационного сигнала в

условиях воздействия помех можно достичь с привлечением дополнительной

информации о свойствах сигналов и помех. Для разделения сигналов и помех

19

с известными статистическими характеристиками быть использована обширная теоретическая база методов на основе статистической теории радиосвязи [47-49].

Для выбора метода подавления помехи и разработки алгоритма восстановления информационного сигнала с точностью, достаточной для решения поставленных задач, требуется построения математической модели канала, включающей модель информационного сигнала и помехи.

1.4 Обзор методов оценки сдвига в одномерных и двумерных сигналах

В задачи диссертационной работы входит нахождение метода определения пространственной задержки между отсчетами сигналов. Появление переменной пространственной задержки, которою необходимо определять для каждого локального участка сигнала отдельно, вызвано использованием сигнала датчика ДПС (который имеет свойство накапливать ошибку) для дискретизации сигнала по пути. Такая ошибка эквивалентна наличию флуктуационной составляющей в шаге дискретизации.

4 2 О -2 -4

О 500 1000 1500 2000 2500 3000 путь или время в отсчетах Переменная задержка сигнала2 40--

X

га

£ 20-------

О

Б

и 0*

го/

ь:У

8" -20

со

-40 --

0 500 1000 1500 2000 2500 3000

путь или время в отсчетах

Рисунок 1.6 — Задержка в одномерных сигналах

Аналитически в непрерывном виде одномерные сигналы с задержкой можно описать следующим образом [50]

б^Х) = Б(Х), (1.1)

Одномерные сигналы

путь или время в отсчетах Переменная задержка сигнала2

s20) = A ■ s(x - t(x) ) + m + n(pc). (1.2)

где s(x) - полезный сигнал, описывающий реальное состояние объекта; п(х) - помехи процесса измерений; т(зс) - функция, описывающая переменную задержку; А = const - усиление канала измерений второго сигнала; т = const — постоянная ошибка второго сигнала.

Т.к. для задачи совмещения не имеют значения реальные уровень, постоянная составляющая s(x) и точная величина помехи, можно принять, что первое измерение является эталонным, не имеет ошибок юстировки и помех измерения. Во втором сигнале, таким образом, проявляются некоторые эквивалентные ошибки, содержащиеся в обоих измерениях. Величины А и га описывают разницу в ошибках юстировки в двух сигналах измерений, а случайная величина п{рс) содержит помехи обоих измерений. В случае если ошибка юстировки пренебрежительно мала, можно приять, что А = 1 и т = 0.

Переменная во времени задержка содержит постоянную составляющую, вызванную разной координатой начала измерений, случайную составляющую и может содержать линейно возрастающую (или убывающую) составляющую, вызванную ошибкой в юстировке ДПС.

Определение пространственной задержки одномерных сигналов является специфической задачей, в то время как оценка временной задержки (time-delay estimation, TDE) [51-56], имеет широкий спектр приложений и методов. Также существуют методы, ориентированные на оценку переменных по времени временных задержек (time-varying time delay estimation) [57-58], которые могут быть адаптированы к данной работе путем замены временной координаты на пространственную. Рассматриваемые методы нахождения задержки в одномерных сигналах могут быть обобщены для оценки смещения в двумерных сигналах. Для двумерных сигналов сдвиги определяются в оптических измерителях скорости (PIV, Particle Image Velocimetry) [59, 60].

Рассмотренные подходы подразумевают, что переменная во времени задержка должна быть определена для отдельных локальных участков сигналов, считая, что в пределах этих участков изменением задержки можно пренебречь.

Наиболее очевидные способы оценки задержки - нахождение участков с минимальным средним квадратом разности (расстоянием) или максимальной корреляцией. Под расстоянием в данном контексте понимается корень из суммы квадратов разности соответствующих отсчетов двух сигналов. С математической точки зрения расстояние может быть отнесено к одному из видов корреляционных оценок.

Существует два принципиально разных подхода к вычислению взаимной корреляционной функции, метод поиска скользящим окном и метод фазовой задержки.

Поиск скользящим окном предполагает, что для нахождения максимума взаимной корреляции участок сигнала сдвигается в пределах некоторого диапазона поиска и для каждого его положения рассчитывается корреляционный признак.

Заключение диссертации по теме «Системы, сети и устройства телекоммуникаций», Кузьмин, Сергей Викторович

Выводы по главе 4

1. Разработанная методика совмещения сигналов с использованием донных сигналов в качестве опорных значительно эффективнее прямого корреляционного совмещения зарегистрированных сигналов.

2. Применяемая модификация алгоритма восстановления информационного сигнала позволяет также восстанавливать донный сигнал, который обладает лучшей повторяемостью, чем информационный. Применение донного сигнала вместо юз информационного в качестве опорного для совмещения значительно эффективнее, т.к. погрешность восстановления донного сигнала почти в 4 раза ниже погрешности восстановления информационного сигнала.

3. Разработанный алгоритм восстановления информационного сигнала на экспериментальных измерениях показывает погрешность 0,32 мм, что соответствует погрешности по порогу 2аегг (или по границе 95%), что соответствует теоретическим оценкам, полученным во второй главе.

4. Проведена проверка методики совмещения сигналов на сгенерированных тестовых сигналах. Были сгенерированы тестовые сигналы, обладающие характеристиками реальных зарегистрированных сигналов большой протяженности (около 15 км), при этом имеющие известные задержки. Разность известных и рассчитанных задержек является ошибкой совмещения. Погрешность методики совмещения составила 0,83 мм для 95% отсчетов сигналов при номинальном шаге дискретизации зарегистрированных сигналов 2 мм. Полученный результат удовлетворяет требованиям, предъявляемым к точности совмещения сигналов.

Заключение

1. Проведен анализ энергетических и статистических особенностей полезной составляющей сигнала датчика ЭМАП и помех, который позволил определить критерии качества подавления помех и восстановления сигнала и сформулировать требования к восстанавливаемому сигналу. Также показана необходимость построения математической модели канала т.к. зарегистрированные сигналы не содержат достаточной информации для разработки оптимальных алгоритмов подавления помех и восстановления сигналов.

2. Построена модель канала передачи информационного сигнала при воздействии квазистационарных помех. Всплеск сигнала на регистраторе коррелирует с квадратом огибающей зондирующего импульса, что позволило применять корреляционный анализ для помехоустойчивого определения положения отражающей неоднородности.

3. Разработаны алгоритмы восстановления информационного сигнала из данных измерений, пораженных специфическими для исследуемого канала помехами, порожденными неоднородностями структуры объекта контроля. Модифицированный алгоритм максимума скользящего корреляционного коэффициента позволяет восстанавливать информационный сигнал с требуемой точностью в условиях воздействия помех, превосходящих по уровню информационный сигнал.

4. Разработаны методика и алгоритмы определения локальных задержек между полученными информационными сигналами и приведения исходных информационных сигналов к единой пространственной системе координат согласно рассчитанным задержкам. Полученные алгоритмы устойчивы к появлению локальных некоррелированных участков сигналов и к сосредоточенным во времени помехам.

5. Экспериментальная проверка реализованных алгоритмов и методики производилась путем обработки результатов измерения реальных объектов. Была достигнута высокая устойчивость и повторяемость полученных результатов.

Результатом диссертационной работы является реализация разработанной методики и алгоритмов, обеспечивающих подавление помех в канале передачи сигнала, восстановление сигнала с обеспечением целевых точностей и последующее совмещение информационных сигналов с погрешностью, не превышающей 0,5 отсчета (т.е. не более 1 мм для номинального шага дискретизации 2 мм) для коррелированных участков сигналов. Поставленная цель была достигнута в полном объеме и все задачи были решены.

Список литературы диссертационного исследования кандидат наук Кузьмин, Сергей Викторович, 2013 год

Список используемой литературы

1. Архангельский C.B., Симаков О.Б., Ефремов В.А. Автоматизированная система мониторинга пути. // Путь и путевое хозяйство. 2007. №7. - С. 2 -5.

2. Бершадская Т.Н. Информационно-аналитическая система диагностики инфраструктуры. // Путь и путевое хозяйство. 2008. №10. - С. 9 - 13.

3. Тарабрин M.B. ТВЕМА — технологии эффективного управления инфраструктурой. // Евразия Вести. 2008. №8.

4. ENSCO http://www.ensco.com/

5. IRISSYS

http://www.erdmannsoftware.com/website/eng/tour/html/irissys_tour_l_intro. html

6. IFS http://www.ifsworld.com/en-na/industries/rail-and-transit/

7. PATER http://www.patersystems.com/

8. ECOTRACK http://www.docstoc.com/docs/21528426/Decision-Support-System-Ecotrack

9. RAMSys http://www.mermecgroup.eom/ramsys/339/l/general-overview.php

10. Миллер Б. M., Панков A. P. Теория случайных процессов в примерах и задачах. - М.: ФИЗМАТЛИТ, 2002. - 320 с.

11. С.Е. Фалькович. Оценка параметров сигнала. М.: «Советское радио», 1970,336 с.

12. P.J1. Стратонович Условные марковсие процессы и их применение к теории оптимального управления. М.: Изд-во Московского университета 1966-318.

13. С. Гун, X. Уайтхаус, Т. Кайлат. Сверхбольшие интегральные схемы и современная обработка сигналов. Пер. с англ. М.: «Радио и связь» 1989 -465с.

14. Точность (правильность и прецизионность) методов и результатов измерений. ГОСТ Р ИСО 5725-1-2002.

15. Патент RU2295125C1, 17.07.2005.

16. A. Kirikov, A. Zabrodin, Sensitivity of echo- and echo-through methods of plates UST, NDT world #3 (13), 2001, p32-34.

17. ZHANG Yong, CHEN Qiang, SUN Zhenguo, Development of Research on Electromagnetic Acoustic Transducer for Nondestructive Testing, Nondestructive Testing,Volume26 Number 6, June 2004, P275-280.

18. V. Gordely, A. Gordely, Development of instruments for NDT of rail-tracks with use of contactless electromagnetic acoustic emission transducers, Book of abstract 17th World Conference of Nondestructive Testing, Shanghai, China, 25-28 October, 2008, P. 117-118.

19. ООО «Ультракрафт» http://www.ultrakraft.ru/

20. ЗАО НПЦ «ИНФОТРАНС» http://www.infotrans-logistic.ru/

21. Яковлева Т.Г. Железнодорожный путь, 2-е изд., с измен, и дополн. - М.: Транспорт. 2001. - 407 с.

22. Кузьмин С.В. Точное совмещение одномерных цифровых сигналов с переменным расхождением по частоте дискретизации. / Кузьмин С.В. // X МНТК «Проблемы техники и технологии телекоммуникаций». Материалы конференции. ПГУТИ, Самара, 2009г., с. 5-7.

23. Willie D. Jones (Feb 2010), "A Compass in Every Smartphone" IEEE Spectrum, retrieved 21 Oct 2012

24. http://v,MvVv,'.electrooptika.ru/ru/?u==uins_gl 1 u

25. Ю.А. Соловьев. Системы спутниковой навигаций. М.: ИТЦ ЭКО-ТРЕНДЗ. 2000 г.

26. Васильев, Д. В. Исследование адаптивного корреляционного измерителя скорости с применением математического моделирования Текст. / Д. В. Васильев, С. А. Денисов, С. А. Серебряков // Вестник МЭИ. -1995.-№2.-С. 9-18.

27. Конкин Ю.В. Особенности применения электронных карт местности в качестве эталонного изображения для корреляционно-экстремальных систем навигации // Математическое и программное обеспечение

вычислительных систем: Межвуз. сб. / Рязан. гос. радиотехн. акад. Рязань, 2005, С. 137-142.

28. Оптические корреляционные измерители скорости. http://loet.ru/productlr.htm

29. Meyers J F 1996 Evolution of Doppler global velocimetry data processing 8th Int. Symp. on Applications of Laser Techniques to Fluid Mechanics (Lisbon, 1996).

30. Д. Даджион, P. Мерсеро Цифровая обработка многомерных сигналов Москва «Мир» 1988.

31. М. С. Motwani, М. С. Gadiya, R. С. Motwani, F. С. Harris, Jr.," Survey of image denoising techniques", Proceedings of GSPx 2004, Santa Clara, CA, September 27-30, 2004.

32. R. Yang, L. Yin, M. Gabbouj, J. Astola, and Y. Neuvo, "Optimal weighted median filters under structural constraints," IEEE Trans. Signal Processing, vol. 43, pp. 591-604, Mar. 1995.

33. R. C. Hardie and К. E. Barner, "Rank conditioned rank selection filters for signal restoration," IEEE Trans. Image Processing, vol. 3, pp. 192-206, Mar. 1994.

34. A. Ben Hamza, P. Luque, J. Martinez, and R. Roman, "Removing noise and preserving details with relaxed median filters," J. Math. Imag. Vision, vol. 11, no. 2, pp. 161-177, Oct. 1999.

35. A.K.Jain, Fundamentals of digital image processing. Prentice-Hall, 1989

36. David L. Donoho and Iain M. Johnstone,"Ideal spatial adaption via wavelet shrinkage", Biometrika, vol.81, pp 425-455, September 1994.

37. David L. Donoho and Iain M. Johnstone., "Adapting to unknown smoothness via wavelet shrinkage", Journal of the American Statistical Association, vol.90, no432, pp. 1200-1224, December 1995. National Laboratory, July 27, 2001.

38. V. Strela. "Denoising via block Wiener filtering in wavelet domain". In 3rd

European Congress of Mathematics, Barcelona, July 2000. Birkhauser Verlag.

109

39. H. Choi and R. G. Baraniuk, "Analysis of wavelet domain Wiener filters," in IEEE Int. Symp. Time-Frequency and Time-Scale Analysis, (Pittsburgh), Oct. 1998.

40. H. Zhang, Aria Nosratinia, and R. O. Wells, Jr., "Image denoising via wavelet-domain spatially adaptive FIR Wiener filtering", in IEEE Proc. Int. Conf. Acoust., Speech, Signal Processing, Istanbul, Turkey, June 2000.

41. E. P. Simoncelli and E. H. Adelson. Noise removal via Bayesian wavelet coring. In Third Int'l Conf on Image Proc, volume I, pages 379-382, Lausanne, September 1996. IEEE Signal Proc Society.

42. H. A. Chipman, E. D. Kolaczyk, and R. E. McCulloch: 'Adaptive Bayesian wavelet shrinkage', J. Amer. Stat. Assoc., Vol. 92, No 440, Dec. 1997, pp. 1413-1421.

43. Marteen Jansen, Ph. D. Thesis in "Wavelet thresholding and noise reduction" 2000.

44. D. L. Donoho, "De-noising by soft-thresholding", IEEE Trans. Information Theory, vol.41, no.3, pp.613-627, Mayl995.

45. Imola K. Fodor, Chandrika Kamath, "Denoising through wavlet shrinkage: An empirical study", Center for applied science computing Lawrence Livermore National Laboratory, July 27, 2001.

46. Растекание спектра. http://llabviewjnfo/okna-sglazhivaniya-smoothing= _____windows/rastekanie-spektra/ - -------

47. Акимов П.С., Евстратов Ф.Ф., Захаров С.И. Обнаружение радиосигналов. М.: Радио и связь, 1989. - 288 е.: ил.

48. Бакут П. А., Большаков И. А., Герасимов Б.М., Курикша А.А., Репин В.Г., Тартаковский Т.П., Широков В.В. Вопросы статистической теории радиолокации М.: «Советское радио» 1963 - 425 с.

49. Горячкин О.В. Лекции по статистической теории систем радиотехники и связи 2007. - с. 192.

50. Кузьмин С.В. Нахождение коррелированных фрагментов в одномерных

цифровых сигналах с расхождением по частоте дискретизации. IX

но

МНТК «Проблемы техники и технологии телекоммуникаций». Материалы конференции. КГТУ им. А.Н. Туполева, Казань, 2008г. с. 98100

51. С. Н. Knapp and G. С. Carter, "The generalized correlation method for estimation of time delay," IEEE Trans. Acoust., Speech, Signal Process., vol. ASSP-24, pp. 320-327, Aug. 1976.

52. Yushi Zhang,Waleed H. Abdulla. A comparative study of time-delay estimation techniques using microphone arrays. School of Engineering Report No. 619. The University of Auckland, Auckland, New Zealand, 2005. pp.57.

53. G. Jacoviti, G. Scarano, Discrete time techniques for time delay estimation // IEEE Trans, on Signal Processing, 1993.- Vol. 41.- PP. 525-533.

54. Brent C. Kirkwood. Acoustic source localization using time-delay estimation. M.Sc. thesis. Technical University of Denmark. 2003. pp.192.

55. Samir Shaltaf. Neural-network-based time-delay estimation. EURASIP Journal on Applied Signal Processing 2004:3,pp 378-385, 2004.

56. Ananthram Swami, Jerry M. Mendel, Chrysostomos L. Nikias. Higher-order spectral analysis toolbox for use with MATLAB. User's Guide Version 2. The Math Works, 1998. p. 258.

57. F. Leclerc, P. Ravier, D. Farina, J.-C. Jouanin, O. Buttelli. Comparison of three time-varying delay estimators with application to electromyography. EURASIP Journal on Applied Signal Processing, 2007. pp 2499-2503.

58. Yonghong Tan. Time-varying time-delay estimation for nonlinear systems using neural networks. International Journal of Applied Mathematics and Computer Science, Vol. 14, No. 1, 2004. pp. 63-68.

59. O., Raffel, M., and Kompenhans, J., "Advanced Evaluation Algorithms for Standard and Dual Plane Particle Image Velocimetry," 9th International Symposium on Application of Laser Technology to Fluid Mechanics, Lisbon, Portugal, 1998, pp. 1-10.

60. С. Brossard, J.-C. Monnier, P. Barricau, F.-X. Vandernoot, Y. Le Sant, F. Champagnat, G. Le Besnerais. Principles and applications of particle image velocimetry. Aerospace Lab journal. №01-03, pp. 1-11.

61. Дж.Бендат, А.Пирсол. Применения корреляционного и спектрального анализа. Перевод с английского А.И. Кочубинского, М.: «Мир», 1983. -с. 312.

62. Кисель В.А. Аналоговые и цифровые корректоры: Справочник. М.: Радио и связь, 1986. - 184 е., ил.

63. Peter D. Welch. The use of fast fourier transform for the estimation of power spectra: a method based on time averaging over short, modified periodograms. IEEE Transactions on audio and electroacoustics, vol. AU-15, NO. 2, 1967, pp 70-73.

64. Kecman V. Learning and soft computing support vector machines, neural networks and fuzzy logic models. The MIT Press, 2001, 568p.

65. Ануфриев И.Е. Самоучитель MatLab 5.3/б.х. - СПб.: БХВ-Петербург, 2002.-763 е.: ил.

66. А.Г.Зюко, Д.Д. Кловский, В.И. Коржик, М.В. Назаров «Теория электрической связи»: Учебник для вузов. Под ред. Д.Д. Кловского. -М.: Радио и связь, 1999. - 432 е.: 204 ил.

67. Кузьмин С.В. Подавление помех в канале передачи зондирующих сигналов, - применяемых для получения информации о состоянии объекта. / Васин Н.Н., Кузьмин С.В. // Вестник транспорта Поволжья № 4(34). Статья. Самара 2012, с. 32-38.

68. Гмурман В.Е. Руководство к решению задач по теории вероятностей и математической статистике. -М.: Высш. школа, 1979, - 400 с.

69. Р.Гонсалес, Вудс Р., Эддинс С. Цифровая обработка изображений в MATLAB М.: Техносфера, 2006. - 616 с.

70. Прокис Д. Цифровая связь. Пер. с англ. / Под ред. Д.Д. Кловского. - М.: Радио и связь. 2000 - 800 е.: ил.

71. Бендат Дж., Пирсол А. Прикладной анализ случайных данных: Пер. с англ. - М.: Мир, 1989. - 540 с. ил.

72. Вайнштейи J1.A., Зубаков В.Д. Выделение сигналов на фоне случайных помех.- М.: Советское радио, I960.- 448 с.

73. Колмогоров А. Н., Фомин С. В. Элементы теории функций и функционального анализа. М.: «Наука», 1976. 543 с.

74. Кудрявцев Л. Д. Краткий курс математического анализа. Т. 2. Дифференциальное и интегральное исчисления функций многих переменных. Гармонический анализ: Учебник. — 3-е изд., перераб. — М.: ФИЗМАТЛИТ, 2005. - 424 с.

75. Сергиенко А.Б., Чекунова И.С. Определение положения максимума сигнала при интерполяции по трем точкам. Известия вузов России. Радиоэлектроника. - 2005. - Вып. 4. - С. 51-55 .

76. Сергиенко А.Б., Чекунова И.С. Оценка положения корреляционного пика при трехточечной интерполяции комплексного сигнала. Доклады 8-й Международной конференции DSPA-2006 (Том 1).

77. В.В. Крухмалев, В.Н. Гордиенко, А.Д. Моченов, В.И. Иванов, В.А. Бурдин, A.B. Крыжановский, Л.А. Марыкова. Основы построения телекоммуникационных систем и сетей. М.: Горячая линия - Телеком, 2004.-510 с.: ил.

78. Ю. П. Гришин, -В. П. Ипатов, Ю. М. Казаринов и др. Радиотехнические системы; Под ред. Ю. М. Казаринова. - М.: Высш. шк., 1990 - 496 с: ил.

79. Френке Л. Теория сигналов. Нью-Джерси, 1969 г. Пер. с англ., под ред. Д. Е. Вакмана. М.: «Сов. радио», 1947, 344 с.

80. W.S. Cleveland, "Robust locally weighted regression and smoothing scatterplots", J. of the American Statistical Association, Vol 74, No. 368,1979, pp. 829-836.

81. Кузьмин C.B. Точное совмещение одномерных цифровых сигналов с переменным расхождением по частоте дискретизации. / Кузьмин С.В. //

X МНТК «Проблемы техники и технологии телекоммуникаций». Материалы конференции. ПГУТИ, Самара, 2009г., с. 5-7.

82. Орлов А.И. Математика случая: Вероятность и статистика - основные факты: Учебное пособие. - М.: МЗ-Пресс, 2004. - 110 с.

83. Сергиенко А.Б. Цифровая обработка сигналов. СПб.: Питер 2002 - 608 с.

84. Колмогоров А. Н. Математика и механика // Избранные труды / отв. ред. С. М. Никольский, сост. В. М. Тихомиров. - М.: Наука, 1985. - Т.1. -С. 136-138.

85. Л. Рабинер, Б. Гоулд Теория и применение цифровой обработки сигналов. Пер с англ. А.Л. Зайцева, Э.Г. Назаоенко, H.H. Тетёкина. М.: «Мир» 1978.

86. Кузьмин C.B. Инвариантное к масштабу определение задержек между двумя одномерными цифровыми сигналами. / Кузьмин C.B.// «Инфокоммуникационные технологии» №2. Статья. Самара 2011, с. 710.

87. Кузьмин C.B. Нормированная корреляционная функция для анализа сигналов с разной частотой дискретизации. / Кузьмин C.B.// «Инфокоммуникационные технологии» №4. Статья. Самара 2011, с. 1923.

88. Гоноровский И.С. Радиотехнические цепи и сигналы - М.: Радио и связь, 1986.-512 е.: ил.

89. М. А. Павлейно, В. М. Ромаданов. Спектральные преобразования в MATLAB.- СПб, 2007. - С. 160.

90. Хардле В. Прикладная непараметрическая регрессия. Пер. с англ. - М., Мир, 1993.-349 с, ил.

91. Кузьмин C.B. Сглаживание методом локальной регрессии как линейное преобразование. / XVII Российская научная конференция профессорско-преподавательского состава, научных сотрудников и аспирантов. Тезисы доклада. ПГАТИ, Самара, 2010г., с. 89.

92. Кузьмин С.В. Применение локальной линейной регрессии для отбраковки ложных кросскорреляционных максимумов. / Кузьмин С.В. // XVII Российская научная конференция профессорско-преподавательского состава, научных сотрудников и аспирантов. Тезисы доклада. ПГАТИ, Самара, 2010г., с. 88.

93. Джон Г. Мэтьюз, Куртис Д. Финк. Численные методы. Использование MATLAB, 3-е издание. : Пер. с англ. Л.Ф. Козаченко - М. : Издательский дом "Вильяме", 2001. - 720 с.

94. F.N. Fritsch, R.E. Carlson, "Monotone Piecewise Cubic Interpolation", SIAM J. Numerical Analysis 17, 1980, 238-246.

95. Arfken, G. "Gibbs Phenomenon." §14.5 in Mathematical Methods for Physicists, 3rd ed. Orlando, FL: Academic Press, pp. 783-787, 1985.

96. Кузьмин С.В. Методика совмещения видеосигналов измерения на основе корреляционного обнаружения и распознавания общих участков объектов контроля / Васин Н.Н., Кузьмин С.В., // X МНТК Физика и технические приложения волновых процессов. Материалы конференции. ПГУТИ, Самара: ООО «Книга», 2011г., с. 37-39.

97. A. Goshtasby, S. Н. Gage, and J. F. Bartholic, "A Two-Stage Cross-Correlation Approach to Template Matching", IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 6, no. 3, pp. 374-378, 1984.

98. ГОСТ 8161-75 Рельсы железнодорожные типа P65

99. L.B. White and В. Boashash, "Cross Spectral Analysis of Non-Stationary Processes", IEEE Transactions on Information Theory, Vol. 36, No. 4, pp. 830-835, July 1990.

100. Кузьмин С.В. Многоканальный корреляционный метод совмещения данных параметров объектов инфраструктуры. / Васин Н.Н., Кузьмин С.В.// Вестник транспорта Поволжья № 1(25). Статья. Самара 2011, с. 68-75.

101. Кузьмин С.В. Методы ускорения кросскорреляционного анализа

одномерных сигналов. / Кузьмин С.В. // XI МНТК «Проблемы техники и

115

технологии телекоммуникаций». Материалы конференции. УГАТУ, Уфа, 2010г., с. 165-166.

102. G. Ben-Artzi, "Gray-Code Filter Kernels (GCK) - Fast Convolution Kernels," master's thesis, Bar-Ilan Univ., Ramat-Gan, Israel, 2004.

103. Новицкий П. В., Зограф И. А. Оценка погрешности результатов измерений. - 2-е изд., перераб. и доп. // JL: Энергоатомиздат. Ленингр. отделение, 1991. - 304 с.

104. Patrick F Dunn. Measurement and Data Analysis for Engineering and Science. University of Notre Dame. Indiana, USA. CRC Press, 2010. 509 p.

105. P. Стенли. Перечислительная комбинаторика: Пер. с англ.—М.: Мир, 1990.—440 с, ил.

ПРИЛОЖЕНИЕ А - АКТ ВНЕДРЕНИЯ С ПРЕДПРИЯТИЯ

«УТВЕРЖДАЮ» Генеральный директор ¿в£кнпц ИНФОТРАНС

• - И.К. Михалкин

v

'"<</1.4 '"» ноября 2012 г.

*т~тттт *-

АК1

внедрения результатов диссертационной работы аспиранта ФГОБУ ВПО «Поволжского государственного университета телекоммуникаций и информатики» Кузьмина Сергея Викторовича «восстановление информационных сигналов в задачах контроля состояния протяженных объектов», представленной на соискание ученой степени кандидата технических наук по специальности 05.12.13 - Системы, сети и устройства телекоммуникации.

Настоящим актом подтверждается, что результаты и выводы, изложенные в научной работе Кузьмина C.B., в части выделения

инЛппмяттипннпго РИГНЯПЯ R СИСТРМР тсонтпоття неоянопопнпгтрй rmvicrvnw

Т ------1---------- ---------- — --------- -----Г-------'---I--^----------Г J---JI---

металла железнодорожного рельса и в части корреляционного совмещения данных внедрены в закрытом акционерном обществе научно-производственный центр информационных и транспортных систем (ЗАО НПЦ ИНФОТРАНС).

ЗАО НПЦ ИНФОТРАНС занимается разработкой и производством компьютеризированных вагонов-лабораторий для автоматизированной диагностики состояния железнодорожных путей и инфраструктуры.

С 2012 года в ЗАО НПЦ ИНФОТРАНС разработана и находится в опытной эксплуатации система контроля неоднородностей железнодорожного рельса. В программную часть системы входит:

— модуль выделения информационного и донного сигнала;

— модуль корреляционной оценки локальных пространственных задержек между проездами;

— модуль передискретизации одномерных и двумерных сигналов в соответствии с определенными локальными задержками;

Перечисленные материалы изложены по второй главе «Подавление помех и восстановление информационного сигнала», третьей главе «Совмещение зарегистрированных сигналов» и четвертой главе «Экспериментальная проверка разработанных методик и алгоритмов» диссертации Кузьмина C.B.

Другое применение методики совмещения сигналов реализовано в модуле корреляционного совмещения измерительных данных для системы комплексного мониторинга инфраструктуры «Эксперт», которая с 2012 года находится в опытной эксплуатации.

Описание модуля совмещения измерительных данных для системы «Эксперт» изложены в третьей главе «Совмещение зарегистрированных сигналов» и четвертой главе «Экспериментальная проверка разработанных методик и алгоритмов» диссертации Кузьмина C.B.

Первый заместитель

генерального директора по научно-технической политике

О.Б. Симаков

ПРИЛОЖЕНИЕ Б - КОД ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

StartVost.m

pth= ' G : \signal\2 011C 4 01 \1104 01 „142102 _ZP\';

o 0 0 2

fout = fopen([pth '\DofectOC2.db4'],'w*); getDefect ;

fout = fopen([pth »\±±cor002.db2'],'w*); getFloorApr;

i-003

fout = fopen([pth •\Defect003.db4'],'w'); getDefect ;

fout = fopen([pth '\fiOor003.db2'],'w'); getFloorApr;

getDefect.m

tic

dbuf=read_bufer_p3(pth,'WC02','WOO2'); o i ^»apaKe jpt:^ ° ^ countScan=10000; dX=dbuf.step;

t ' ^ l- ' f .5 i. C v. O

r c <"' r r C r C >~ C C ^ C ^

scanLength=dbuf.points_count;

wpoi=gausswht(scanLength,scanLength*0.03,558); scopeLength=dbuf.total_frames ; mfloor=[];

k)KOH4anKe KepTBoii :bo,-:k pebept,epaj[,KF reverb=round(0.07*scanLength);

span=round ( 0 . 10/dX/2 ) *2 + l ; r „a b03ct/„eM oy(j,<ep no ¿nHiHHe ¡uai'a iunan mmax=ceil(scopeLength/countScan); lenIh=round(scanLength/16)*2 + l ;

ih = gausswht(lenlh,scanLength*0.008,ceil(lenIh/2)).A2;

o ih ~ repnat. ( ih, 3, 1 ) ;

lenlh=numel(ih);

ih = ih'/sum(sum(ih));

meanfilt=ones(size(ih));

meanfilt=meanfilt/sum(sum(meanfilt)) ;

mih=sum(sum(ih))/lenlh;

dih=sum(sum((ih-mih). A2) )/lenlh;

disp(mmax);

for m=l:mmax

ibeg=(m-1)*countScan+l;

iend=min(ibeg+countScan-1,scopeLength); ds=read_vchan([4,5,10],ibeg,iend,dbuf); sech=ds.data ; types=ds.Type;

dsech=double(sech);

плаходиь: максимумы корреляции

Cov = conv2 (dsech, ih, ' sarie 1 )/lenlh;

meanS = conv2(dsech,meanfilt,'same1);

dispS = abs(conv2(dsech.Л2,meanfilt,'samc")-meanS.л2); P = (Cov-meanS*mih)./sqrt(dih.*dispS); P(dispS<le-12)=0 ; P(meanS<l)=0; P(1 :reverb, :)=0 ; dsech(1 :reverb,:)=0 ;

[ Imax, Pmax] =wsmurf ( Pdsech) ; это функция с 3-тоц. и н т е р п о л я д и е й

Snr=zeros(1,numel(Imax)); for k=l:numel(Imax)

iib=floor(-lenlh/2+Imax(k))+1; iie=floor(lenIh/2+Imax(k)); iib=max(1,iib); iie=min(iie,size(dsech,1)); isig=iib:iie;

inoise=(size(dsech,l)-80):size(dsech,l); snr=snrFromSig(dsech(:,k),isig,inoise); Snr(k)=snr;

end

fwrite(fout,[Imax;Pmax;Snr;double(ds.speed)],'double');

disp(m);

endowhile toc

fclose al-;

getFloorApr.m

tic

dbuf=read_bufer_p3(pth,'W002','W002'); о %опараметрыо % о countScan=10000; dX=dbuf.step;

с о о, о с^ о с. о о_ о о. с о, о с ос ооо"ооаооо"ос''о

scanLength=dbuf.points_count ;

wpoi=gausswht(scanLength,scanLength*0.03,558); scopeLength=dbuf.total_frames ; mfloor=[];

о окончание зонь: реверберации reverb=round(0.07*scanLength);

span=round(0.10/dX/2)*2 + l;%%a возьмем буфер по длинне шага шпал mmax=ceil(scopeLength/countScan); lenIh=round(scanLength/16)*2+l;

ih = gausswht(lenlh,scanLength*0.008,ceil(lenIh/2)).л2;

lenlh=numel(ih);

ih = ih'/sum(sum(ih));

meanfilt=ones(size(ih));

meanfilt=meanfilt/sum(sum(meanfilt));

mih=sum(sum(ih))/lenlh;

dih=sum(sum((ih-mih).л2))/lenlh;

m=l ;

disp(mmax); for m=l:mmax

ibeg=(m-1)*countScan+l;

iend=min(ibeg+countScan-1,scopeLength);

ds=read_vchan([4,10],ibeg,iend,dbuf);

sech=ds.data;

types=ds.Type;

dsech=double(sech);

%находим максимумы корреляции

Cov = conv2(dsech,ih,'same')/lenlh;

meanS = conv2(dsech,meanfilt,'same');

dispS = abs(conv2(dsech.Л2,meanfiltsame')-meanS.л2); P = (Cov-meanS*mih)./sqrt(dih.*dispS); P(dispS<le-12)=0; P(meanS<l)=0; P (1:reverb, :)=0;

[Imax,Pmax]=wsmurf(P',wpoi);%это функция с 3-точ. интерполяцией

fwrite(fout,[Imax;Pmax],'double'); disp(m); endowhiie toe

fclose all; wsmurf.m

function [Imax,Pmax] = wsmurf(P,wpoi) sizP=size(P); Imax=zeros(1,sizP(1)); Pmax=zeros(1,sizP(1)); s=min(size(wpoi)); if s—=1

dim=2;

dP=diff(P,1,dim);%производная по глубинам

for

- уЗ));

end

else

dim=2;

dP=diff(P,1,dim);^производная по глубинам for i=l:sizP(1)

maxs=zeros(1,sizP(2)); for k=l: (sizP(2)-2)

if((dP(i,к)>=0)&&(dP(i,k+1)<0)&&(P(i,k+1)>0.5)) maxs(k+1)=1;

end

end

maxs=maxs.*wpoi(:,i)'; [maxmax,imax]=max(maxs); if(maxmax>0)

if((imax>l)&&(imax<sizP(2)))

yl = P(i, imax-1);

У 2 = P(i, imax);

уЗ = P(i, imax+1);

Imax (i) = : imax+(y3 - - yl) / (2 * (2 * y2 - - yi

- y3));

Pmax(i) = P(i,imax);

end

end

end

end

i=l:sizP(1)

maxs=zeros(1,sizP(2)); for k=l: (sizP (2)-2)

if((dP(i,k)>=0)&&(dP(i,k+1)<0)&&(P(i,k+1)>0.5)) maxs(k+1)=1;

end

end

maxs=maxs.*wpoi; [maxmax,imax]=max(maxs); if(maxmax>0)

if((imax>l)&&(imax<sizP(2))) vl = P(i,imax-1); у2 = P(i,imax); уЗ = P(i,imax+1);

Imax(i) = imax+(y3 - yl) / (2 * (2 * y2 - yl Pmax(i) = P(i,imax);

end

end

end

snrFromSig.m

function snr=snrFromSig(sig,isig,inoise)

signoise=double(sig(isig));

noise=double(sig(inoise));

len=numel(isig);

lenS=numel(sig);

k=lenS/len;

nR=mean(noise);

nSig=signoise-nR;

snr=10*logl0 (mean ( (nSig) . л2) /nRA2/к) ;

close ai.

clear

getDelay.m

0 С, О ' О ^ О с о c^ У С w r^, О Г О ^ О г > < о Г, 5 С 5 О, О Г, ^ о W ' С / w f > у г- 1У С^ ? с О ^ V. С С С О О <. С«. СОООСССООс О«. О < б С О боС-.'боОООО.ЗеОч. О <- "С ч. О ч. С б <.

pthl='G: \siq:ial\20110401\1104Cl 142202 ZPU10431 142202\ pth2 ='G:\з i спз1\2 С110 4 01\11 С 4 С1 1М302 ZF\110401 154302\

w г ОС <. О с О

ffl = fopen([pthl 'floorOC3f.db2'],'r');

ff2 = fopen([pth2 'flocr0C3f.db2'],'r');

datal=fread(ffl,[2,inf],'double');

data2=fread(ff2,[2,inf],'doable');

figure

grid or.

hold or.

plot(datal(1,:));

p JLU L t, Ud Uclz. V -L , • ; , z I r

fd=getFd(datal,data2,3); " оо'ьсгфеделяек узловые задержки save('delay3.mat','fd'); fclose all;

getFd.m

function fd=getFd(datal,data2,hand)

1 %параметры nwinl=10000; rangel=50000; nwin2=1500; range2=50; overlapl=50; overlap2=0 ; sl=datal(1, : ) ;

s2=data2(1, : ) ;

pl=ones(size(datai(1,:)));

p2=ones(size(data2(1, : ) ) ) ;

fd=zeros(size(pi));

smlenl=5;

smlen2=21;

tic

[delx,dely,cc] =

TDMoveConv(si,s2,pl,p2,nwinl,overlapl,range1,fd, 'rzt ' ) toe

sllen=numel(pi);

[fd,delx]=smtraceMCP(dely,delx,cc,smlenl,slien); if hand~=0

ind=zeros(size(fd)); ind(delx)=1;

[fd,ind]=hdelay(si,s2,fd,ind);

end tic

[delx,dely,cc] =

TDMoveMCP(si,s2,pi,p2,nwin2,overlap2,range2,fd); toe

sllen=numel(pi);

[fd,delx]=smtraceMCP(dely,delx,cc,smlen2,slien); if hand~=0

ind=zeros(size(fd)); ind(delx)=1;

[fd,ind]=hdelay(si,s2,fd,ind);

end end

TDMoveMCP. m

function [delx,dely,cc] =

TDMoveMCP(shl,sh2,priznl,prizn2,nwin,overlap,range,fd) ? порот' на беспрспусксвость окна thr=0.3 ; fd=round(fd);

"-попробовать логические переменные на признаках!

%длины совмещаемых каналов

lenl=size(shl,2);

Ien2=size(sh2,2);

"число каналов лля совмещения

nChans = size(shl,1);

%ограничим range до неменыего нечетного range=2*fix(range/2)+1;

о пат в отсчетах с учетом оЕерлэпа overlap=min(100,overlap); step=round(nwin*(1-(overlap/100))+1); сраечктаек положения узлов deix nStepsD=(lenl-l)/step+1; nSteps=ceil(nStepsD); delx=l:step:step*nStepsD; if (nSteps~=nStepsD) delx(end)=lenl;

end

wins=hamwin(nwin)'; ъ теперь за нормируем т.орст thr=thr*sum(wins);

^.наростим данные, чтобы упростить задачу поиска г.о краям bwin=fix(nwin/2);¿пол окна - добавка сначала ewin=nwin-bwin-l;„пол окна - добавка в к^нце centers=delx+fd (delx) ;'¿центры диапазонов mincent=min(centers); maxcent=max(centers);

bran=-fix(range/2)+mincent-bwin;^индекс самого начала eran=range-fix(range/2)-1+maxcent+ewin;оипдекс самого конца end2=eran-len2 + l;'¿если зг2 итак длинный, тс хвост можно не ростить.

sl=[zeros(nChans,bwin) shl zeros(nChans,ewin)];

pl=[zeros(1,bwin) priznl zeros(1,ewin)];iздесь забитие нулями

принципиально!

s2=sh2;

p2=prizn2;

if end2>0

s2=[s2 zeros(nChans,end2)]; p2=[p2 zeros(1,end2)];

end

if bran<l

s2=[zeros(nChans,1-bran) s2]; p2=[zeros(1,1-bran) p2]; else

s2=s2(:,bran:end); p2=p2(bran:end);

end

begs=centers-mincent + l ; ^инициализируем выходные данные cc=zeros(size(delx)); dely=zeros(size(delx)); coeff=zeros(1,range);

о концепция меняется, мь: ищем средний вектор корр. коэф-тов по всем каналам for i=l:nSteps ibl=delx(i) ;

iel=ibl+nwin-l; cSi(:,:bi:.eli - рабочий кусок si; for j=l:range

ib2=begs(i)+j-1;

ie2=ib2+nwin-l; v5 2 {:,ib2:ie2); - рабочим кусок s2; pwin=pl(ibl:iel).*p2(ib2:ie2).*wins;<общая карта пропусков

znam=sum(pwin);

if znam<thr оесли приличная часть окна только пропусками заголпепа

coeff(j)= 0; continue;

end

%матожидакия и дисперсии

pwinc=repmat(pwin, nChans, 1);

ml=sum(si(:,ibl:iel).*pwinc,2)/znam;

dl=sum((si(:,ibl:iel).A2).*pwinc,2)/znam-ml.A2;

m2=sum(s2(:,ib2:ie2).*pwinc,2)/znam;

d2=sum((s2(:,ib2:ie2).A2).*pwinc,2)/znam-m2.A2;

cov = sum(si(:,ibl:iel).*s2(:,ib2:ie2).*pwinc,2)/znam-

ml . *m2 ;

dld2=dl.*d2; if min(dld2)<le-12 coeff(j)=0;

else

coeff(j)=mean(cov./яart(dld21):

end

end

[cc(i),dely(i)]=max(coeff); d=dely(i);

if ((d > 1) && (d < length(coeff))) с 3-point interpolation yl = coeff(d-1); у2 = coeff(d); y3 = coeff(d+1);

dely(i) = d+(y3 - yl) / (2 * (2 * y2 - yl - y3));

else

dely(i) = d;

end

dely(i)=dely(i)-fix(range/2)-1+fd(delx(i));

end return

smtraceMCP.m

function [fd,delx]=smtraceMCP(dely,delx,cc,smlen,sllen) lenD=numel(dely); if (lenD<=2)

if isempty(dely)

fd=zeros(1,sllen); return

end

if lenD==l

с в векторе задержки только один элемент оможно говорить только о постоянной задержке fd=ones(1,sllen)*dely(1); return

else

'Ав векторе задержки только дез элемента '¿можно говорить ~ол~п<о о постоянной задержке fd=yl+(y2-yl)*((1:sllen)-xl)/(x2-xl); return

end

end

t отбраковку делать ло сглаживанию сс=(cc+abs(сс))*0.5; inpweights=(сс.*сс);

smdely=smlowess(delx,dely,smlen,'rlowess',inpweights); uzv=figure('name','Узловой вектор'); plot (delx, smdely, ' Lir.eWidtr.' , 1) ; hold on

plot (delx, dely, ' с ' , ' Lir.eWidtr.' , 2 ) ; grid

title('Узловой вектор задержки, сглаживающая линия к отб. точки');

xlabel('номер узла');

ylabel(1 величина задержки в узле (отс.) '); err=(delу-smdely').л2;

оо%скользящим окном длинною в £A'smler. определим вектор дисперсий %о°т.е. скользящее среднее вектора ошибки. Так определим nfilt=min(2*smlen,lenD); filt=ones(1,nfilt)/double(nfilt); disp=conv(err,filt);

thr= ( (max (l,min (disp) ) ) *9) ; ^теперь 5сигма ло минимальней дисперсии - порог if lenD<=5

disp=mean(err)-max(err)/length(err);

thr=(disp*9); оубрали из опенки самый максимальный выброс

end

goodind=(err<thr) & (cc>(0.3*max(cc))); if thr==0

goodind=cc>(0.3*max(cc));

end

figure(uzv)

plot(delx(~goodind),dely(-goodind),'rx'); hold off

too delx-deiy jac-.sHa 5fc:xb crpcrc BospacraiQ^ei-:

sxy=delx(goodind)+dely(goodind);

inds=l:length(sxy);

growind = true(1,length(sxy));

for k=inds

growind=growind & ~((sxy>sxy(k))&(inds<k));

end

goodind(goodind)=growind; c %MiiTepnoj:quKH outx=l:sllen; intind=goodind; if sum(double(intind))>2 if ~intind(l)

dely(l) = linexterp(delx(goodind),dely(goodind),1); intind(1)=true;

end;

if -intind(end)

dely(end) = linexterp(delx(goodind),dely(goodind),lenD) intind(end)=true;

end;

else

dely=dely*0;

end