Как оценить синусоидальный (чирп) сигнал для идентификации системы
(для быстрого читателя)
Вопрос: Прав ли я, что метод спектрального анализа для анализа CHIRP не очень полезен для оценки параметров / идентификации модели)
[РЕДАКТИРОВАТЬ]
У меня система с разомкнутым контуром, 1 вход (угол поворота рулевого колеса) и 2 выхода (y-ускорение и yaw_Rate). Чтобы найти характеристики автомобиля, я хочу установить линейную передаточную функцию для моих данных (модель велосипеда). Мой текущий метод - это "Спектральный метод анализа": использование тестовых данных для оценки FRF и, следовательно, передаточной функции, потому что:
$H = S_yu(w) / S_uu (w) --> H = Y(w)/U(w)$
Для фиктивных данных (2 передаточные функции, возбуждаемые углом наклона рулевого колеса) это работает очень хорошо: точность переоснащения модели составляет 99,98%. Для реальных данных испытаний, настоящий автомобиль. это далеко не правильно. Даже если я усредню данные за 11 прогонов. Отсюда моя путаница / вопрос.
[загрузит изображения тестовых данных сегодня вечером для разъяснения]
Фон
Я работаю над проектом, где я должен выполнить идентификацию параметров автомобиля.
В экспериментах с компенсаторным слежением на симуляторе я возбуждаю "систему" (читай человека) много синусоидальным сигналом и использую метод инструментальных переменных (и подгонку функций) для идентификации системы (вход и выход преобразования Фурье и оценка только возбужденные частоты).
Однако, для человека-водителя это может быть немного трудно сделать в машине. Проще обеспечить синусоиду (или CHIRP).
К сожалению, я думаю, что этот входной сигнал не совместим с прямым анализом в частотной области, потому что каждая частота возбуждается только в течение определенного периода времени, и преобразование Фурье предполагает гармонические колебания в течение всего времени выборки. Я проверил некоторые книги ("Идентификация системы: подход в частотной области", "Идентификация системы: введение и др.), Но не могу понять, как использовать сигнал CHIRP для оценки функции частотного отклика (таким образом, также передачи функция).
1 ответ
Краткий ответ (для быстрого читателя):
Это зависит от того, что вы хотите сделать. И да, сигналы мультизина могут иметь благоприятные свойства по сравнению с чирпами.
Немного дольше отвечу:
Вы спрашиваете о звуковых сигналах и их пригодности для идентификации системы / оценки параметров. Поэтому я предполагаю, что вы сосредоточены на идентификации в частотной области, и поэтому я не комментирую во временной области.
Если вы прочтете книгу "Идентификация системы: подход в частотной области" Пинтелона / Шукенса (попробуйте получить второе издание от 2012 года), вы обнаружите (см. Главу 2), что авторы предпочитают периодические сигналы непериодическим (например, чирп) (и они делают это по уважительным причинам, поскольку периодические сигналы позволяют избежать серьезных ошибок, таких как утечка).
Однако, если ваша система не может быть возбуждена периодическими сигналами (по какой-либо причине), сигналы ЛЧМ могут быть отличным сигналом возбуждения. В авиационном мире летчиков-испытателей учат даже подавать хорошие сигналы. Обработка ваших данных может быть разной для щебетаний (см. Главу 7 в книге Пинтелона / Шуккенса).
В конце концов, есть только одна вещь, которая дает хороший сигнал возбуждения - это дает желаемый результат оценки. Если щебет работает для вашего приложения: идти с ними!
К сожалению, я думаю, что этот входной сигнал не совместим с прямым анализом в частотной области, потому что каждая частота возбуждается только в течение определенного периода времени, и преобразование Фурье предполагает гармонические колебания в течение всего времени выборки.
Я не понимаю, что вы имеете в виду под этим абзацем. Можете ли вы описать вашу проблему более подробно?
PS: Вы не много писали о своей системе. Это статическое или динамическое? Линейный / Нелинейный? Разомкнутый или замкнутый контур? SISO/MIMO? Вы ограничены идентификатором частотной области? Можете ли вы повторить эксперименты? Каждый предмет должен иметь в виду, когда вы решаете о возбуждении.