«ИДЕНТИФИКАЦИЯ И ДИАГНОСТИКА СОСТОЯНИЙ ПРИРОДНЫХ И ТЕХНИЧЕСКИХ ОБЪЕКТОВ НО АКУСТИЧЕСКИМ ШУМАМ Диссертация на соискание учёной степени кандидата технических наук по ...»

ИЗ ФОНДОВ РОССИЙСКОЙ ГОСУДАРСТВЕННОЙ БИБЛИОТЕКИ

Кутузов, Александр Александрович

Идентификация и диагностика состояний

природных и технических объектов по

акустическим шумам

Москва

Российская государственная библиотека

diss.rsl.ru

2006

Кутузов, Александр Александрович.

   Идентификация и диагностика состояний природных и технических объектов по акустическим шумам [Электронный ресурс] : Дис. ... канд. техн. наук

 : 05.11.13. ­ Курск: РГБ, 2006. ­ (Из фондов Российской Государственной Библиотеки).

Приборы и методы контроля природной среды, веществ, материалов и изделий Полный текст:

http://diss.rsl.ru/diss/06/0367/060367007.pdf Текст воспроизводится по экземпляру, находящемуся в фонде РГБ:

Кутузов, Александр Александрович Идентификация и диагностика состояний природных и технических объектов по акустическим шумам Курск  Российская государственная библиотека, 2006 (электронный текст). 61:06-5/ ^.

Курский госуда] ) ^ > : ' I университет

На правах рукописи

Кутузов Александр Александрович

ИДЕНТИФИКАЦИЯ И ДИАГНОСТИКА

СОСТОЯНИЙ ПРИРОДНЫХ И ТЕХНИЧЕСКИХ ОБЪЕКТОВ НО

АКУСТИЧЕСКИМ ШУМАМ

Диссертация на соискание учёной степени кандидата технических наук по специальности 05.11,13 -Приборы и методы контроля природной среды, веществ, материалов и изделий

Научный руководитель: доктор технических наук, профессор Дрейзин Валерий Элезарович

СОДЕРЖАНИЕ

1. Методы и устройства анализа и идентификации акустических 1.1. Аналоговые методы и устройства спектрального анализа 1.3. Технические средства акустического контроля сложных объектов, 2. Методы предварительной обработки и анализа акустических 2.1. Исследование стационарности исходных сигналов и формирование квазистационарных «типичных» реализаций сигналов 2.2. Математический аппарат построения энергетических спектров 2.3. Выбор информативного частотного диапазона сигнала и частотного разрешения при построении энергетических спектров 2.4. Цель и общая программа и методики проведения 2.5. Проведение предварительной обработки акустических сигналов 3. Отбор оптимальной совокупности информативных признаков и 3.1. Общая концепция диагностирования состояний сложного 3.2. Критерии предварительного отбора информативных признаков 3.3. Алгоритм предварительного отбора 3.4. Критерии разделимости классов по совокупности 3.5. Алгоритм отбора оптимальной совокупности 3.6. Критерии значимости улучшения критериев разделимости классов при 3.8. Получение обучаюш;ей выборки значений признаков и построение классификатора состояний пчелиных семей 4. Структура и алгоритмы функционирования автоматизированной исследовательской системы диагностирования состояния пчелиных 4.1. Структурная схема автоматизированной исследовательской системы 4.2. Проводной канал передачи данных, структурные схемы 4.3. Программное обеспечение автоматизированной исследовательской системы диагностирования состояний пчелиных семей

ВВЕДЕНИЕ

Актуальность работы. Одним из важных направлений неразрушающего контроля и технической диагностики являются методы, основанные на анализе акустических колебаний, шумов и вибраций либо генерируемых объектом контроля в процессе функционирования, либо возбуждаемых в объекте внешним генератором (или периодическими ударами). Данными проблемами занимались многие отечественные и зарубежные ученые и инженеры: Ю.В. Ланге, С И. Воропаев, В.Н. Костюков, Б.В. Павлов, Д. Митчел, Д. Лини и др. В частности, уже давно и успешно применяются методы технической диагностики машин и механизмов (в том числе газовых и паровых турбин, автомобильных двигателей и т.п.) по генерируемому ими акустическому шуму и вибрациям их отдельных элементов. С давних пор используется метод дефектоскопии изделий и конструкций путём их «простукивания» с анализом генерируемых звуков «на слух», который в настоящее время получил приборное развитие под названием метода «свободных колебаний», когда упругие колебания, возбуждаемые периодическими ударами по объекту, преобразуются в электрический сигнал и подвергаются спектральному анализу, а по изменениям спектра судят о наличии, характере и расположении дефектов в контролируемом объекте. Особенно эффективным этот метод оказался для обнаружения дефектов соединения между слоями в многослойных изделиях и конструкциях. Однако, и в том, и в другом случаях (т.е. и при генерировании акустических сигналов самим объектом, и при его возбуждении с помош;ью наносимых по объекту ударов) чем сложнее объект, тем сложнее получается и анализируемый акустический сигнал, и тем труднее идентифицировать по нему состояние объекта. Причина здесь в том, что, хотя в обоих случаях процессы, генерирующие анализируемый сигнал, можно отнести к циклическим, но и в сложных работающих машинах, и в сложных изделиях, в которых упругие колебания возбуждаются за счёт внешних циклических воздействий, суммарный акустический сигнал складывается из очень многих составляющих, которые генерируются отдельными деталями и элементами работающей машины или вибрирующего после удара изделия. При этом каждый из этих элементов обладает своими резонансными частотами, которые не только не совпадают друг с другом, но и не кратны. В результате наложения и вынужденных, и собственных колебаний множества этих элементов с меняющейся во времени амплитудой и различными (и также могущими изменяться во времени) периодами, а также происходящей между ними интерференции, сам суммарный сигнал (во временной области) и его спектр получаются нестационарными. Из них очень сложно выделить устойчивые информативные признаки, по которым можно было бы проводить идентификацию состояний объекта. В итоге сложилась противоречивая ситуация, когда быстрое совершенствование технологий сбора и обработки данных на базе современной компьютерной техники как в реальном времени, так и при использовании ретроспективного анализа, наталкивается на отсутствие эффективных методов анализа нестационарных и квазистационарных процессов, выделения из таких сигналов устойчивых информативных признаков и синтеза рещающих правил, позволяющих проводить надёжную идентификацию состояний указанных объектов. Именно разработке таких методов анализа, связанных с выделением близких к стационарным коротких отрезков исходных сигналов и получения из них «типичных» для данного состояния квазистационарных реализаций сигналов, которые в дальнейшем подвергаются спектральному анализу, с выделением из полученных спектров устойчивых информативных признаков, отбором их оптимальной совокупности для идентификации заданного множества состояний объекта и построением решающих правил для проведения идентификации посвящена настоящая диссертационная работа.

Указанные методы анализа могут использоваться не только в технической диагностике и неразрущающем контроле технических объектов акустическими методами, но и при мониторинге природных и биологических объектов, характеризуемых сложными циклическими процессами.

Очевидно, что для проверки эффективности предлагаемых методов желательно выбрать объект, который, с одной стороны, характеризуется наиболее сложными акустическими сигналами, со всеми специфическими особенностями, которые отмечались выше, а с другой стороны, позволял бы получать неограниченное множество реализаций сигналов, соответствующих его различным состояниям, достаточно надёжно идентифицируемым какими-либо прямыми методами. Кроме того, решение указанных задач для выбранного класса объектов должно уже само по себе иметь важное народно-хозяйственное значение.

Указанным требованиям удовлетворяет такой природный объект как пчелиная семья. В самом деле, акустический шум пчелиной семьи складывается из звуков, генерируемых тысячами пчёл, входящих в неё. При этом различные группы пчёл занимаются одновременно разнообразной деятельностью, а следовательно, издают шумы различного характера. Даже сигнал единичной летящей пчелы не является строго стационарным (зависит от совершаемых ей манёвров и скорости полёта). Тем более нестационарным будет суммарный сигнал всей пчелиной семьи. Тем не менее, опытные пчеловоды могут «на слух» различать некоторые характерные состояния пчелиной семьи по издаваемому ей акустическому шуму. Уже много лет во всём мире ведутся исследования по выявлению влияния состояний пчелиной семьи на характер издаваемого ей акустического шума, которые доказали, что такие связи объективно существуют. Наиболее полно результаты таких исследований представлены в работах Е.К. Еськова, А.Ф. Рыбочкина. Но все попытки идентифицировать состояния пчелиных семей с помощью достаточно простых методов спектрального анализа акустических сигналов не привели к успеху именно из-за их сложности и нестационарности.

Ноэтому, если разработанные в диссертации методы анализа окажутся эффективными для данной задачи, то есть все основания полагать, что в аналогичных задачах технической диагностики и неразрушающего контроля они будут ещё эффективней, поскольку акустические сигналы технических объектов заведомо являются более регулярными и близкими к стационарным, чем сигналы пчелиных семей.

Цель работы состоит в исследовании и разработке методов и алгоритмов обработки и анализа акустических сигналов, генерируемых сложными техническими и природными объектами, для идентификации их состояний и диагностики, а также разработке структуры реализующих их аппаратных и программных средств на примере системы диагностирования состояний пчелиных семей по акустическому шуму.

Основные задачи

, решаемые в работе:

- исследование и разработка методов и алгоритмов предварительной обработки нестационарных акустических сигналов для выделения их квазистационарных участков и формирование из них «типичных» для каждого распознаваемого состояния квазистационарных реализаций, пригодных для дальнейшей обработки;

- исследование и разработка методов и алгоритмов параметризации (выделения информативных признаков) полученных «типичных» реализаций сигналов путём построения по ним энергетических спектров и их усреднения по узким частотным полосам;

- разработка критериев информативности информативных признаков, не требуюш,их предварительного построения решаюш;их правил классификации, и отбор с их помощью оптимальной совокупности информативных признаков, необходимой для идентификации заданного множества состояний исследуемого объекта;

- исследование и разработка методов построения решающих правил для идентификации состояний по выделенной совокупности информативных признаков;

- разработка структуры аппаратных и программных средств автоматизированной исследовательской системы, на базе которой реализуются методы и алгоритмы идентификации состояний;

- классификация и архивирование акустических сигналов пчелиных семей по определяемым экспертным путём (пчеловодами) состояниям, в которых они находятся, для накопления обучающей выборки и построения по ней сиетемы диагностирования состояний пчелиных семей с использованием разработанных методов и алгоритмов.

Методы исследования. Для решения поставленных в работе задач применялись методы теории случайных процессов и математической статистики, спектрального анализа, теории распознавания образов, математического моделирования и экспериментальные методы.

Научная новизна работы:

- обоснована необходимость и разработаны метод и алгоритм предварительной обработки нестационарных акустических сигналов с целью выделения из них коротких квазистационарных участков, из которых формируются «типичные» для конкретных состояний квазистационарные реализации сигналов;

- разработан метод параметризации (выделения измеримых информативных признаков) «типичных» реализаций акустических сигналов, базирующийся на измерении спектральной плотности, усреднённой по сопряжённым узким полосам частот их энергетического спектра;

- разработаны критерии информативности выделенных признаков, не требующие предварительного построения решающих правил, и базирующийся на них алгоритм определения оптимального набора информативных признаков из их первоначальной избыточной совокуппости, обеспечивающего компактность решающих правил при сохранении достоверности распознавания;

- разработан метод и алгоритм построения решающих правил на основе линейных разделяющих функций, задающих границы областей в многомерном пространстве информативных признаков, соответствующих каждому распознаваемому состоянию, при максимизации критериев разделимости классов.

Практическая ценность работы:

Разработанные методы, алгоритмы и реализующие их программы составляют основное функциональное ядро программного обеснечения систем идентификации, диагностики и неразрушающего контроля сложных технических и природных объектов по акустическим шумам и вибрациям. В частности на их основе разработана обучаемая автоматизированная система диагностирования состояния пчелиных семей по аьсустическому шуму, которая позволяет существенно облегчить труд пчеловодов и повысить продуктивность пасек. Результаты диссертационной работы внедрены в учебный процесс Курского государственного технического университета в учебных дисциплинах «Основы теории распознавания образов», «Физические основы передачи сигналов», «Учебная исследовательская работа студентов», а создаваемый на основе полученных в диссертации результатов исследовательский комплекс будет внедряться в ведущей организации ФГОУ ВПО Российском государственном аграрном заочном университете, г. Балашиха и в КурскГТУ.

На защиту выносятся:

- метод и алгоритм двухэтапной предварительной обработки сложных нестационарных акустических сигналов, предназначенные для выделения квазистационарных участков сигнала и синтеза из них «типичных» реализаций сигналов, содержащих информацию о текущем состоянии объекта;

- метод оптимальной параметризации акустических сигналов, базирующийся на разделении энергетического спектра сигнала на узкие частотные полосы и определении усреднённой по каждой такой полосе спектральной мощности;

- метод и критерии, позволяющие построить алгоритм отбора оптимальной совокупности информативных признаков из первоначального избыточного набора, обеспечивающий компактность решающих правил при сохранении достоверности распознавания;

- метод и алгоритм построения решающих правил на основании линейных разделяющих функций, задающих границы областей в многомерном пространстве отобранных информативных признаков, соответствующих каждому распознаваемому состоянию, при максимизации критерия разделимости классов;

- структура и алгоритмы функционирования аппаратного и программного обеспечения автоматизированной исследовательской системы диагностирования состояний пчелиных семей по акустическому шуму.

Апробация работы. Основные положения диссертационной работы докладывались на следующих научно-технических конференциях: четвёртая международная научно-техническая конференция «Медико-экологические информационные технологии - 2001» (Курск, 2001), пятая международная конференция «Распознавание — 2001» (Курск, 2001), пятая международная научнотехническая конференция «Медико-экологические информационные технологии - 2002» (Курск, 2002), XI Российская научно-техническая конференция «Материалы и упрочняющие технологии — 2004» (Курск, 2004), третья международная научно-техническая конференция «Современные инструментальные системы, информационные технологии и инновации» (Курск, 2005), III всероссийская и I международная научно-практическая конференция «Пчеловодство холодного и умеренного климата - 2005» (Псков, 2005).

Публикации. Основные результаты выполненных исследований и разработок опубликованы в 9 печатных работах, в том числе шести статьях, получен патент Российской Федерации. В работах, опубликованных в соавторстве, автором был внесен следующий вклад: в [103, 53, 64] предложен цифровой подход и техническая реализация метода распознавания состояния пчелиных семей, в [34] проведено исследование предпосылок создания автоматизированной системы и поставлены основные её задачи, в [47] предложен метод и алгоритм отбора участков сигнала, по которым в дальнейшем производится распознавание состояния пчелиных семей, в [65] предложена математическая модель системы распознавания с обучением, а также разработаны алгоритмы отбора информативных признаков для распознавания состояния пчелиных семей и определения весовых коэффициентов решающих правил при максимизации критерия Фишера, в [94] разработана структура и алгоритмы функционирования аппаратного и программного обеспечения системы диагностирования пчелиных семей по акустическому шуму.

Структура и объём работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 103 наименования, 2 приложений, изложена на 159 страницах и поясняется 32 рисунками и 11 таблицами.

Глава 1. МЕТОДЫ И УСТРОЙСТВА АНАЛИЗА И ИДЕНТИФИКАЦИИ

АКУСТИЧЕСКИХ СИГНАЛОВ

1.1. Аналоговые методы и устройства спектрального анализа Спектральный анализ непрерывных сигналов базируется на возможности разложения любой непрерывной функции на ортогональные базисные функции.

Частным случаем такого разложения является преобразование Фурье. Математическими условиями возможности преобразования Фурье являются условия абсолютной интегрируемости исходной временной функции и условия Дирихле, состоящие в том, что исходная функция f(t) должна быть ограничена и иметь конечное число относительных максимумов и минимумов, а также точек разрыва первого рода на некотором конечном интервале. Этим условиям отвечают практически все реальные сигналы. Поэтому спектральному анализу могут подвергаться практически любые сигналы [1].

Спектральная функция S(co) исходной функции f(t) получается путём прямого преобразования Фурье Как следует из данного выражения, спектральная функция является функционалом закончившегося процесса, что определяется пределами интегрирования от -оо до +оо. Реально же анализируются конечные отрезки сигналов. Для устранения этого противоречия было введено понятие «текущего спектра» незаконченного процесса:

От выражения (1.1) оно отличается только пределами интегрирования на полубесконечном интервале (от - оо до 7).

Проведя в выражении (1.2) замену по формуле Эйлера:

получаем:

- модуль текущего частотного спектра (спектр амплитуд);

— начальные фазы аргумента текущего спектра (спектр фаз);

Детерминированные периодические сигналы имеют линейчатый спектр, в котором все частоты высших гармоник кратны основной частоте сигнала С0^=27г1Т, где Т- период сигнала. Ввиду того, что реальные сигналы анализируются на конечном интервале времени, их спектр получается бесконечно широким (число высших гармоник коо равно бесконечности). Однако подавляющая часть мощности реальных детерминированных сигналов сосредоточена на каком-то конечном интервале частот, т.е. такие сигналы без риска существенных искажений могут быть представлены спектрами конечной ширины.

На практике наиболее часто необходимо знание спектра амплитуд (1.4).

Спектр фаз используется гораздо реже, хотя, чтобы восстановить сигнал/f/j по его спектру, используя обратное преобразование Фурье, необходимо иметь как спектр амплитуд, так и спектр фаз.

Преобразование Фурье можно применить и для детерминированных непериодических сигналов, и для случайных (в том числе и шумовых) сигналов.

Но в этом случае спектр будет непрерывным, а величина S(o}) называется спектральной плотностью сигнала на частоте со.

Существует два основных подхода к измерению спектра сигналов [1].

Нервый заключается в выделении из анализируемого сигнала отдельных гармоник (для сигналов с дискретным спектром) или усреднённой интенсивности сигнала в узких полосах пропускания с помощью узкополосных фильтров и последовательном или параллельном их измерении. Второй состоит в непосредственном применении к сигналу прямого преобразования Фурье (1.3). Этот подход реально осуществим только в цифровом виде, для чего исходный сигнал сначала должен быть дискретизован, а затем с помощью ЭВМ по его мгновенным значениям вычисляются спектральные составляющие сигнала. В этом случае может быть получен как спектр амплитуд, так и спектр фаз.

Нервый подход реализуется аналоговыми средствами, и методы его реализации можно разделить на две основные группы: методы последовательного спектрального анализа и методы параллельного спектрального анализа.

Методы последовательного спектрального анализа получили наиболее широкое применение, т.к. менее громоздки в реализации. Они, в свою очередь, делятся на две группы:

- сканирование спектра с помощью перестраиваемого узкополосного фильтра;

- супергетеродинное сканирование спектра с выделением фиксированной промежуточной частоты.

Упрощённая структурная схема спектроанализаторов на базе узкополосного фильтра приведена на рис. 1.1. В них используется непосредственное выделение спектральных составляющих входного сигнала с помощью узкополосного перестраиваемого фильтра (ННФ — перестраиваемый полосовой фильтр).

Нерестройка этого фильтра (его центральной частоты полосы пропускания) должна осуществляться электрическим напряжением, вырабатываемым генератором линейно-изменяющегося напряжения (ГЛНН). Это же напряжение после усиления в усилителе горизонтального отклонения (УГО) используется для горизонтальной развёртки луча электронно-лучевой трубки (ЭЛТ).

Рис. 1.1. Упрощённая структурная схема анализатора спектра Сигнал, прошедший через 1111Ф, детектируется детектором (Д) и после усиления усилителем вертикального отклонения (УВО) поступает на вертикально-отклоняющие пластины ЭЛТ. В итоге на экране ЭЛТ отображается огибающая амплитудного спектра входного сигнала. Для измерения спектральных составляющих такие анализаторы спектра снабжены устройствами калибровки по частоте и амплитуде. Для этого на линии развертки отображаются частотные метки, соответствующие фиксированным заранее известным частотам, а измерение амплитуд этих составляющих проводится по калиброванной шкале ЭЛТ (аналогично тому, как это делается в обычных осциллофафах).

Разрешение по частоте таких анализаторов снектра определяется полосой пропускания фильтра Л/ф. АЧХ узкополосного фильтра имеет колоколообразную форму, а полоса пропускания его определяется по уровню - 3 дБ (что соответствует уровню 0,707 от коэффициента передачи на центральной частоте фильтра, где его коэффициент передачи максимален). Следовательно, надёжное разделение отдельных спектральных составляющих возможно в том случае, если частотный интервал между ними существенно превышает ширину полосы пропускания фильтра. В этом случае на выход фильтра пройдёт лишь одна из спектральных составляющих, а остальные будут существенно ослаблены. Принято оценивать разрешающую способность таких анализаторов спектра величиной Однако в перестраиваемых фильтрах не удаётся осуществить постоянства ширины полосы пропускания фильтра во всем диапазоне перестройки центральной частоты фильтра, т.к. для этого с увеличением центральной частоты фильтра должна пропорционально увеличиваться и его добротность. Реализовать же фильтр с линейным изменением добротности при перестройке центральной частоты в сколько-нибудь значительном диапазоне частот очень сложно. Гораздо легче добиться постоянства добротности при изменении центральной частоты фильтра. В этом случае, очевидно, будет сохраняться постоянство не абсолютной (Л/ф), а относительной (А/ф//о), ширины полосы пропускания фильтра (здесь /о - центральная частота полосы пропускания). Следовательно, в этом случае будет обеспечиваться постоянство не абсолютной, а относительной разрешающей способности анализатора спектра. Что же касается возможной скорости перестройки фильтра, то она ограничивается инерционностью фильтра, которая растёт с увеличением его добротности (т.е. с уменьшением относительной ширины полосы пропускания А/ф /fo). Инерционность фильтров принято характеризовать временем установления Ту, которое равно интервалу времени, соответствующему возрастанию выходного напряжения от 0,1 до 0,9 от максимального установившегося значения при подаче на его вход переменного синусоидального сигнала с частотой, равной центральной частоте fo полосы пропускания фильтра.

Время установления фильтра Ту зависит как от ширины полосы пропускания фильтра А/, так и от формы АЧХ фильтра. Для узкополосных фильтров с колоколообразной АЧХ можно считать, что При непрерывной линейной перестройке центральной частоты фильтра любая спектральная составляющаяyit входного сигнала, попадающая в диапазон перестройки фильтра, будет находиться в пределах полосы пропускания фильтpa в течение времени, равного То, которое зависит от скорости перестройки фильтра.

Динамические погрешности прохождения этой спектральной составляющей через фильтр будут отсутствовать в том случае, если будет выполняться условие Ту/То 1 возникнут динамические искажения, характерный вид которых показан на рис. 1.2.

Рис. 1.2. Динамические искажения анализатора спектра Здесь по оси абсцисс отложена относительная расстройка фильтра t = (f^. Из рисунка видно, что при невыполнении условия (1.8) помимо возникновения амплитудной погрешности (огибающая сигнала проходит ниже максимального уровня) происходит смещение максимума вправо и помимо основного максимума на заднем скате появляются дополнительные локальные максимумы. В результате появляются динамические погрешности при измерении спектральной функции.

Учитывая, что где Та - время анализа, за которое центральная частота полосы пропускания фильтра перестраивается от/^ах жо fmin (граничных частот, определяющих частотный диапазон анализатора спектра), отношение Ту/Тд можно выразить Тогда при Ту/То = 1 время анализа будет Основными недостатками анализаторов спектра на основе перестраиваемого узкополосного фильтра являются сравнительно узкий частотный диапазон {f max~fmin)Ifmin ~ Ю... 20 И недостаточная разрешающая способность по частоте. Это связано с тем, что весьма трудно получить электрически перестраиваемый фильтр с широким диапазоном перестройки и узкой полосой пропускания. К недостаткам следует отнести и то, что абсолютная разрешающая способность фильтра fp зависит от частоты.

Более совершенными являются гетеродинные анализаторы спектра [1]. Упрощённая структурная схема такого анализатора представлена на рис.

1.3.

Рис. 1.3. Упрощённая структурная схема супергетеродинного Супергетеродинный анализатор спектра можно рассматривать как узкополосный приёмник с электронной, сканирующей по всему диапазону, перестройкой частоты. Генератор линейно-изменяющегося напряжения (ГЛРШ), обеспечивающий горизонтальную развертку луча электронно-лучевой трубки (ЭЛТ), одновременно управляет частотой гетеродина - генератора, управляемого напряжением (ГУН). Синусоидальный сигнал гетеродина линейноизменяющейся частоты /г поступает на один из входов смесителя (См), на второй вход которого подаётся исследуемый сигнал. На выходе смесителя образуется сложный сигнал, представленный комбинационными частотами частоты гетеродина /г со всеми гармониками входного сигнала /см~/г ifw ? где f^c гармоника сигнала (;с = 1,2,...).

Этот сигнал поступает на узкополосный усилитель промежуточной частоты (УНЧ), который из этого сложного сигнала выделяет только ту составляющую, частота которой попадает в полосу пропускания УНЧ. Далее эта составляющая сигнала детектируется детектором (Д) и попадает па вход усилителя вертикального отклонения (УВО), управляя вертикальным отклонением луча ЭЛТ. Нри изменении частоты гетеродина ^ в полосу пропускания УНЧ последовательно попадают разностные частоты f^ —/кс со всеми гармоническими составляющими входного сигнала, соответствующими диапазону перестройки гетеродина А/^2 =/гmax- /гmin- Таким образом, полоса пропускания УНЧ сканирует спектр входного сигнала. А поскольку ширина полосы пропускания УНЧ lsfф остаётся постоянной, то и разрешение по частоте таких анализаторов спектра А/^ = 2 (2А/^) также остаётся постоянным, независящим от текущей частоты анализа. Нричём, регулируя полосу пропускания УНЧ (А/ф), можно легко регулировать и разрещение по частоте. Это является важным преимуществом гетеродинных анализаторов спектра по сравнению с выщерассмотренными анализаторами с перестраиваемым фильтром.

Вторым важным достоинством гетеродинных анализаторов является более широкий диапазон анализируемых частот. Даже при использовании однократного преобразования частоты, как в рассматриваемой простейшей схеме, максимальный диапазон анализируемых частот будет а границы анализируемого диапазона частот будут равны Jcmin ~J2.min~'^np • В принципе возможны два варианта выбора промежуточной частоты:

Если Fnp выбрать много большей/с «,„ (положим в сто раз), а перекрытие по частоте гетеродина взять десятикратное (f гтах^/г min~ Ю), то границы анализируемого частотного диапазона будут = 10-101Л,,„-100/,,/„ = (1010-100)/, ™ = 910Л«,>, Таким образом, перекрытие по частоте анализируемого диапазона частот будет 910, т.е. почти в 100 раз больше, чем перекрытие частоты гетеродина. В данном случае полоса анализируемых частот Fa простирается от f с min почти д о / max- В ней лежит и Fnp, а / ^ min должна быть больше F^p на величину /, min Причём, чем выше выбрана Fnp по сравнению с fс min » тем шире будет частотный диапазон анализатора спектра при сравнительно небольшом частотном перекрытии гетеродина.

Во втором случае, /г mm должна быть больше/сот/йна величину Fnp, чтобы выполнялось условие/г той- /с min = ^ир- В Э О случае в полосу пропускаТМ и fp" =fc - / при условии fa^fc- Этим обусловлено появление так называемого «зеркального канала» в том случае, если верхняя граница спектра сигнала превышает частоту / min^Fnp. Следовательно, чтобы избежать появления min'^Fnp) - ifzmin'^Fnp) = 2Fnp, a Э О означает что и полоса перестройки частоты гетеродина должна быть такой же ширины, т.е. femax-fz min +2Fnp. Очевидно, что в этом случае полоса анализа получается слишком узкой. Для её расширения необходимо выбирать Fnp как можно ближе к / ^in • Но тогда крутизна срезов УПЧ должна быть очень высокой, чтобы через него проходила лишь одна гармоника сигнала, а остальные полностью подавлялись. Поэтому более широкая полоса анализа обеспечивается в первом случае, т.е. при ^„р >/с тшКроме этих проблем, возникают ещё проблемы стабилизации частоты гетеродина (точнее жёсткой привязки её к напряжению горизонтальной развёртки луча ЭЛТ) и точного измерения частот, соответствующих максимумам, т.е. частот отдельных гармоник исследуемого сигнала. Всё это и приводит к необходимости усложнения структурных схем современных гетеродинных анализаторов спектра с использованием многократных преобразований частоты. Для решения всех этих проблем вместо однократного используют многократное преобразование частоты. Это позволяет не только расширить анализируемый частотный диапазон, но и существенно повысить точность измерений как амплитуды спектральных составляющих, так и их частот. Поэтому современные гетеродинные анализаторы спектра используют двух-, трёх- и даже четырёхкратное преобразование частоты, т.е. вместо одного имеют до четырёх гетеродинов.

Основным недостатком последовательного метода является невозможность анализа коротких одиночных и нерегулярных сигналов, а также сигналов с меняющимися во времени параметрами. Это связано с тем, что, чем выше избирательность фильтра, тем больше его инерционность. А значит, чем выше мы хотим получить частотное разрешение анализатора спектра, тем ниже должна быть скорость сканирования спектра во избежание больших динамических погрешностей при измерении отдельных спектральных составляющих сигнала.

Поэтому за время сканирования всей частотной полосы анализа сигнала его параметры не должны изменяться, а необходимое время сканирования при высоком частотном разрешении и достаточно широкой полосе анализа может достигать десятков секунд и больше. Поэтому для анализа случайных нестационарных сигналов последовательные методы спектрального анализа практически не пригодны.

Метод параллельного спектрального анализа в звуковом диапазоне может быть реализован только с помощью многоканальной системы узкополосных фильтров с фиксированной настройкой, совместно перекрывающих весь частотный диапазон анализа. Для получения высокого разрешения по частоте ширина полосы пропускания каждого фильтра должна быть достаточно узкой. Но в этом случае для перекрытия достаточно широкой полосы анализа их число в многоканальной системе должно быть весьма велико. Это приводит к очень громоздким, дорогим и негибким узкоспециализированным системам с фиксированной и неширокой областью частотного анализа. Поэтому их применяют очень редко.

Бурное развитие вычислительной техники за последнее десятилетие дало толчок для создания вычислительных анализаторов спектра. Они базируются на дискретном преобразовании Фурье (ДПФ) [1, 2, 3, 4, 5]. При дискретном преобразовании Фурье исследуемая непрерывная функция времени/('/^ заменяется дискретизованной функцией, представляющей собой квантованные отсчёты функции/^/), взятые через интервал дискретизации А?^ который, в свою очередь, выбирается в соответствии с теоремой Котельникова Af^ < = 1/(2 Fg) где Fe — верхняя граничная частота спектра анализируемого сигнала f(t). При замене/(If) дискретизованной функцией х(п), i = О, 1,2,..., N, периодическую последовательность Хр(п)' с периодом в Л'^ отсчётов можно записать следующим образом:

причём частоты спектральных составляющих, образующих Хр(п), могут принимать только значения со^ = 2nk/N, -оо < к < со, поскольку периоды других частот не кратны N. Поэтому (1.14) можно переписать в другом виде:

' Периодические последовательности отмечены индексом р подчёркивающем наличие всего N различных комплексных экспонент с периодом в Л'^ отсчётов, где деление на Л'^ не изменяет способа представления. Соотношение (1.15) представляет собой обратное дискретное преобразование Фурье (ОДПФ). Выражая коэффициенты Хр(к) через Хр(гг), получим соотношение для дискретного преобразования Фурье (ДПФ) Из определений (1.15) и (1.16) видно, что обе последовательности JSi^(^^ и Хр(п) периодичны с периодом в N отсчётов, при этом Хр(к) полностью определяется одним периодом Хр(п). Это позволяет применять дискретное преобразование Фурье для любой последовательности конечной длины. В самом деле, любой отрезок непериодической последовательности конечной длины можно представить как один период длиной в N отсчётов периодической последовательности:

X = Х+ 5Х. Случайные отклонения вектора X от истинного значения X могут приводить к дополнительным ошибкам классификации даже при использовании оптимального классификатора, что ухудшает возможность правильной классификации при данной совокупности признаков {X}. То же относится и к каждому отдельному признаку. Таким образом, реальная разделительная способность признака уменьшается на величину, определяемую погрешностями при измерении и вычислении признаков, которая обозначается как AOg, где 0 значение критерия. Тогда наращивание пространства признаков для построения классификатора имеет смысл до тех пор, пока приращение критерия, не окажется меньшим А05. Таким образом, А05 является критерием значимости улучшения критерия полезности, определяемым конечной точностью измерения признаков. В работе [49, 52] разработаны критерии определения значимости приращения критериев информативности признаков, определяемых по выборочным данным при нормальном законе распределения погрешностей:

5х )~ критерий значимости для оценки /-го признака, ^® -^ — критерий знаЧ М С И для оценки к признаков, ^(&.) - среднеквадратическая погрешность измерения признаков. Сравнивая величины (3.30) и (3.31) с приращениями критериев информативности можно судить о том, имеет ли смысл увеличивать число признаков в отбираемой совокупности.

Существует множество методов построения решающих правил классификации, рассматриваемых в теории распознавания образов [48, 54, 56-62]. Если их приходится строить по заранее классифицированной выборке реализаций, то целесообразно использовать детерминистские методы. Из них наиболее простым и, вместе с тем, достаточно эффективным является метод построения решающих правил в виде линейных гиперплоскостей, разделяющих заданные классы в многомерном пространстве информативных признаков. Этот метод и используется в настоящей работе.

Таким образом, решающие правила (классификатор) предлагается определять в виде линейных решающих функций, задающих границы областей, соответствующих каждому распознаваемому состоянию в многомерном пространстве отобранных информативных признаков с учётом возможных вариаций отдельных реализаций одних и тех же состояний [63].

Пусть на предыдущем этапе отобрано т информативных признаков. Общий вид линейной решающей функции задаётся формулой:

гдеXi, i= \...т-значения информативных признаков, щ, i= 1... т+1 — весовые коэффициенты, A=(ai,a2,...Ощ) - весовой вектор.

Необходимо построить М решающих функций, при которых каждый класс будет отделяться от других одной разделяющей поверхностью. Значениями информативных признаков при построении решающих правил являются усреднённые по всем реализациям обучающей выборки интенсивности спекX) Тогда для всех заданных классов можно составить М решающих функций:

где oy - весовые коэффициенты, соответствующие i-му признаку иу-му классу.

Максимум критерия при котором обеспечивается наилучшая разделимость двух классов в многомерном случае достигается при вычислении параметра^ следующим образом [48]:

При переходе к одномерному случаю формула (3.34) примет вид:

Т.к. решающие функции (3.33) представляют собой границы, отделяющие один класс (например А^ от других, необходимо, чтобы параметры а,- были пропорциональными сумме различительных способностей данного признака для всех классов, т.е.

Значение порога an+i для классов в общем многомерном случае при условии максимизации критерия Фишера можно определить по формуле (3.37) [48]:

Однако, учитывая, что принята гипотеза о нормальности распределений признаков, значение порога а^+у можно найти из следующих соображений. Перепишем (3.33), отбросив свободный член уравнений в виде:

где yi,... Ум — выходные величины решающего устройства, соответствующие каждому из заданного множества классов.

Фактически, каждое из этих уравнений преобразует т-мерное пространство информативных признаков в одномерное пространство результативного признака yj. Наиболее корректным решением задачи определения границы каждого состояния по соответствующим результативным признакам у^р, когда заданное первоначально множество состояний М далеко не исчерпывает всего множества возможных состояний объекта, является ограничение каждого состояния двусторонними границами с центрами, определяемыми в соответствии с уравнениями (3,39) и щириной интервалов, зависящей от дисперсии (D) значений признаков для различных реализаций сигналов.

Учитывая, что при нормальном законе распределения значений информативных признаков в интервал шириной ± 2а=+2-/о попадает примерно 95% всех реализаций, можно рекомендовать именно таким образом определять границы состояний [63]:

где: Dif дисперсии значения /- го признака для у-го класса, определяемая по ^Aj реализациям сигнала в выборке для класса^у в соответствии с (3.16).

Тогда, определяемые таким образом границы классов будут располагаться симметрично относительно их центров, заданных уравнениями (3.39). Поэтому более удобно определить интервалы ^yj между центром каждого j-vo класса и его границами, которые можно находить из уравнений:

И, откладывая их по обе стороны от центров состояний ур определять границы каждого состояния. При нахождении интервалов h.yj в соответствии с (3.41) используются модули коэффициентов а^, т.к. в (3.40) в каждой скобке стоят знаки (±), а это значит, что при любом знаке соответствующего коэффициента результаты будут получаться одни и те же.

В том случае, если границы областей, соответствующих заданным состояниям (классам) в т-мерном пространстве, пересекаются, необходимо либо увеличить мерность пространства информативных признаков, т.е. добавить ещё одну узкую полосу частот, либо сузить границы соответствующих пересекающихся состояний, т.е. в соответствующих уравнениях из системы уравнений (3.40) принять допустимые границы вариаций интенсивности не +2V-0 /, а, например, ± 1,5^1 D у и т.д.

При диагностировании состояний алгоритм программного обеспечения вычисляет значения результативного признакаyo,yj,y2'--,yN^ сопоставляет их с заранее вычисленными границами по каждому из распознаваемых состояний.

Если лишь для одного из уравнений системы (3.40) вычисленное значение yj попадает в разрешённый интервал между верхним и нижним граничными значениями, то данная реализация сигнала соответствует именно данному у-му состоянию. Если ни для одного из уравнений значение yj не попадает между границами данного состояния, то это будет свидетельствовать о том, что данная реализация сигнала соответствует состоянию, не включенному в заданное множество М Такая ситуация вполне вероятна, поскольку, как уже отмечалось выше, начальное задаваемое множество состояний М сложного объекта обычно далеко не исчерпывает всего множества возможных состояний, поскольку реальные состояния такого объекта зависят от множества факторов, которые могут накладываться друг на друга, что может приводить к практически неограниченному множеству возможных состояний.

3.8. Получение обучающей выборки значений нризнаков и ностроение класснфикатора состояний нчелнных семей В результате проведения экспериментальных исследований были накоплены записи шумов пчелиных семей с разных частных пасек Курской области.

Оценка состояний производилась экспертами (пчеловодами). Поскольку с наибольшей надежностью экспертами может быть выявлено роевое состояние пчелиной семьи, то проверка предлагаемых методов и алгоритмов анализа акустических сигналов и построения решающих правил проводится для случая распознавания двух классов: класс JSfol - условно нормальное и класс Хо2 - роевое состояния семьи. В результате предварительной обработки (см. главу 2) каждой реализации сигнала для этих двух классов было получено обучающее множество значений информативных признаков — усреднённых интенсивностей энергетического спектра в частотных полосах, шириной 30 Гц в диапазоне частот 60 Гц (таблица 1, Приложение 1). В выборках, соответствующих двум классам, нельзя исключить возможность получения «артефактных» данных, например в случае неверного диагностирования состояния пчелиной семьи экспертом. Для поиска искаженных данных использовался метод исключения грубых ошибок, при котором ошибочным может считаться тот показатель, который не вписывается в обш,ую картину закона распределения соответствующих признаков.

На основании гипотезы о нормальном законе распределения значений признаков (см. глава 2), за «истинные» можно принять данные в интервале +2а (где а - стандартное отклонение). В этом случае все результаты за пределом данного интервала могут быть исключены из выборки.

Так как истинные (генеральные) значения математического ожидания и среднеквадратического отклонения (|i и а) неизвестны, то их оценки вычисляются по имеющейся выборке. Доверительные интервалы оценок определяются с уровнем доверия (1-а) 95 % и используются для построения интервала р, ± 2а.

Доверительный интервал для математического ожидания при неизвестном ст с уровнем доверия 1-а строится с использованием распределения Стьюдента, ^12 - процесс увеличения набора признаков прекращается.

Таким образом, оптимальный набор признаков включает признаки X18, Xi7, Х]4, Xjs, Xi6. Оптимальным оказалось подмножество не с максимальными значениями критерия (3.14) для всех отобранных признаков (см. таблицу 3.4), что может свидетельствовать о тесной коррелированности признаков с наибольшими значениями критерия (3.14).

Построение решающих правил Согласно (3.39) уравнения центров одномерных пространств результативного признака yj для анализируемых классов и для полученного набора признаков примут вид:

Весовые коэффициенты для уравнения класса 1 равны:

,7 =-347,826.

Весовые коэффициенты для уравнения класса 2 равны:

ди.2= 881,17; а/5,.2=1326; а/7;2= 479,9; а;,,.2= 522,659; а;5,.2= 530,78;

= 347,826.

Подставляя значения весовых коэффициентов в (3.47) получаем:

530,78-/^^^ -347,826-/^^^ = 881,17-/.^-' +1326-/.'^ +479,9-/.^' +522,659-/.^^ + 530,78-/. *^ +347,826-/.

;;;=-11,131, д^2 = Согласно (3.41) Ау; = 9,707, Ау2 ~ 55,834. Тогда для рассматриваемых классов можно сформулировать следующее решаюш,ее правило:

объект принадлежит классу 1, еслиуе[-20,838;-1,424];

объект принадлежит классу 2, если у Е[38, 782; 150,45].

В таблице 3 приложения 1 приведены результаты проверки построенных решаюш,их правил по обучаюш;ей выборке значений признаков (таблица 2 приложения 1) с удаленными артефактами (объём выборки класса № 1 - 6 5, класса №2 - 65). Согласно решаюп];им правилам, построенным по оптимальному набору признаков, ошибка распознавания класса №1 составляет 1,5 % (цветом в таблице 3 приложения 1 выделены строки, для которых не выполняется условие принадлежности к классу JSTol). Для класса J f 2 распознавание безошибочно (см. таблица 4 приложения 1).

В таблице 4 приложения 1 приведены результаты проверки построенных решающих правил по полной (объём выборки класса № 1 - 3 1 8, класса №2 - 65) начальной (без удаления артефактов) выборке значений признаков (таблица приложения 1). Согласно решающим правилам, построенным по оптимальному набору признаков, ошибка распознавания класса №1 составляет 20 % (цветом в таблице 3 приложения 1 выделены строки, для которых не выполняется условие принадлежности к классу №1). Из проведенного эксперимента для наборов значений признаков, соответствующих строкам 293-299 (выделены более темным цветом в таблице 3 приложения 1) можно сделать вывод, что объекты, описываемые этими наборами значений признаков, принадлежат к классу № (роевое состояние). Данный факт, кроме ошибки распознавания при используемых решающих правилах, может быть объяснен и не верной априорной классификацией состояния (принято как нормальное, а на самом деле роевое). Остальные наборы значений признаков, которые не удовлетворяют условию принадлежности классу JVfol, не классифицируются. Это вполне может быть, поскольку мы наблюдаем достаточно большие расстояния по результативному признаку у между кластерами реализаций разных классов и другая реализация (неизвестное состояние) вполне может оказаться между ними. В таких случаях, по разработанной концепции системы распознавания, могут быть три варианта решения: а) если есть полная уверенность, что данная реализация достоверна и принадлежит именно данному состоянию, то должны быть расширены границы данного класса; б) если нет полной уверенности, что данная реализация достоверна, то её надо просто исключить; в) если есть полная уверенность, что данная реализация достоверна, но нет уверенности в принадлежности её данному классу, то принимается решение, что она принадлежит новому классу, которого не было в первоначальном множестве.

По выборке значений признаков, соответствующей классу JT 2 распознаS»

вание безошибочно.

Для оценки вероятности ошибок классификатора лучше всего использовать проверочную выборку реализаций сигналов, которая не участвовала в построении данного классификатора. Поэтому, если исходный массив реализаций сигналов достаточно велик, то следует его с самого начала разделить на две выборки (так, чтобы число реализаций для каждого класса в той и другой выборке было примерно одинаковым) и одну из них (обучающую) использовать для построения решающих правил, а вторую (проверочную) - для оценки вероятности ошибочного распознавания при использовании построенного классификатора.

Оценивая, построенный классификатор, можно видеть, что он характеризуется большим запасом расстояния между классами. Это значит, что повидимому существует более простой классификатор (с меньшим числом используемых информативных признаков), который со 100%-ой точностью будет классифицировать обучающую (или проверочную) выборку. Поэтому при условии доверия к выборке, для определения решающих правил минимальной сложности общий алгоритм их построения должен быть итеративным. На первом шаге решающие правила определяются для одномерного пространства (по первому признаку, отобранному по одномерному критерию). По ним определяется процент ошибочной классификации по проверочной выборке (он является оценкой вероятности ошибок при использовании данного классификатора). Если классификатор обеспечивает безошибочное распознавание всех реализаций, то процедура прекращается. В противном случае выполняется второй шаг, на котором строится классификатор для двумерного пространства признаков и т.д., пока после очередного шага вероятность ошибок классификации либо будет равна нулю, либо меньше допустимой величины.

Если же оказалась исчерпанной вся отобранная оптимальная совокупность информативных признаков (по обоим альтернативным критериям (3.25), (3.26)), а желаемый уровень вероятности ошибок не достигнут, то дальнейшее наращивание мерности информативных признаков существенного эффекта не даст. В этом случае, либо в том же пространстве признаков необходимо строить более сложный классификатор (например, заменить линейные разделяющие поверхности (гиперплоскости) гиперэллипсоидами, или применить метод дробящихся эталонов, очень эффективный, если какие-то классы распадаются на несколько кластеров) или попытаться привлечь новые информативные признаки, не входившие в первоначальное множество (лучше, если они будут другой физической природы, напрмер, температурные характеристики).

Алгоритмы отбора оптимального набора информативных признаков и построения решающих правил представлены в [65].

1. При решении задачи распознавания состояний сложного обьекта априорно невозможно выделить все возможные состояния, поэтому в условиях данной неопределённости необходимо синтезировать диагностическую систему с возможностью коррекции и расширения классификатора.

2. Существует многократная избыточность выделяемых из энергетического спектра акустических сигналов информативных признаков. Поэтому из их начального множества необходимо отбирать совокупность наиболее информативных для идентификации заданного множества состояний объекта информативных признаков. При этом оценку «разделительных свойств» того или иного признака необходимо производить вне связи с используемым классификатором.

3. Для оценки «разделительных свойств» (информативности) информативных признаков получены критерии, определяющие информативность каждого признака максимизирующие разделимость любой пары классов, «среднюю разделимость» всех пар классов и критерии, максимизирующие разделимость пары классов с наихудшей разделимостью.

4. Поскольку критерии, определяющие разделимость классов по каждому признаку в отдельности не учитывают взаимной корреляции информативных признаков (которая неизбежна для смежных частотных диапазонов), то предложены критерии позволяющие оценивать разделимость каждой пары классов по любой совокупности информативных признаков (с учётом их взаимной корреляции). Па основе этих критериев разработан алгоритм отбора оптимальной совокупности информативных признаков.

5. Для реализации алгоритма по п. 4 необходимо использовать критерии значимости улучшения разделимости классов при использовании дополнительного информативного признака. Предложено два альтернативных подхода к получению такого критерия.

6. Предложено использовать наиболее простой метод построения решающих правил (классификатора), при котором решающие правила задаются в виде линейных решающих функций, определяющих границы областей в многомерном пространстве отобранных информативных признаков, соответствующих каждому распознаваемому состоянию, 7. С использованием предложенных критериев и алгоритмов проведена обработка накопленного банка записей акустических сигналов пчелиных семей, классифицированных пчеловодами на два состояния «нормальное» и «роевое».

Исследования построенного классификатора по оптимальной совокупности признаков (оказалось включено 6 признаков из 18) по откорректированному обучающему множеству (с исключением «артефактных» реализаций) показали 1,5 % ошибку классификации «нормального» состояние и безошибочное распознавание «роевого» состояния, а по по полному не исправленному обучающему множеству показали соответственно 20%-ю ощибку распознавания «нормального» состояния и безошибочную классификацию «роевого» состояния. Довольно высокую ошибку идентификации «нормального» состояния для неисправленной выборки легко объяснить тем, что к нормальному состоянию пчеловоды относят множество состояний, которые они не могут идентифицировать непосредственным наблюдением.

Глава 4. СТРУКТУРА И АЛГОРИТМЫ ФУНКЦИОНИРОВАНИЯ

АВТОМАТИЗИРОВАННОЙ ИССЛЕДОВАТЕЛЬСКОЙ СИСТЕМЫ

ДИАГНОСТИРОВАНИЯ СОСТОЯНИЯ НЧЕЛИНЫХ СЕМЕЙ

4.1. Структурная схема автоматизированной исследовательской системы диагностирования состояний пчелиных семей Основными задачами

автоматизированной исследовательской системы диагностирования состояния пчелиных семей по акустическому шуму являются:

- сбор и регистрация акустических данных;

- преобразование полученных данных;

- передача данных в ПЭВМ;

- приём данных ПЭВМ;

- хранение полученных данных;

- обработка и анализ данных;

• - отображение результатов.

Под сбором данных подразумевается преобразование акустических сигналов в электрические и передача их в ПЭВМ в реальном масштабе времени по командам управления. В качестве преобразователя используются, получившие широкое распространение в технике акустических измерений конденсаторные или электретные микрофоны. Для обслуживания удалённых от системы ульев или пасек наиболее удобным средством регистрации данных являются аналоговые или цифровые магнитофоны (диктофоны). Под регистрацией понимается процесс записи акустических данных для последуюш,его ввода в ПЭВМ (при помош,и звуковой карты или коммуникационных цифровых портов) и их анализа. Таким образом, программное обеспечение системы должно поддерживать возможность обработки, как при сборе, так и при регистрации (с магнитофона).

Передачу данных от микрофона в ПЭВМ наиболее целесообразно осуществлять в цифровом виде, поскольку применение цифровых каналов обеспечивает более низкую частоту возникновения ошибок, чем аналоговые. Кроме того, цифровые каналы надёжнее, могут нроизводиться но более низким ценам, чем аналоговые, цифровое нрограммное обеснечение нозволяет осуществлять гибкую реализацию (микронроцессоры, цифровая коммутация, большие интегральные микросхемы) [66].

Приём данных должен обеснечиваться при номощи стандартных коммуникационных портов ПЭВМ. Таким образом, необходимо обеспечить совместимость передаваемых от микрофона данных с интерфейсом порта. Приём данных от магнитофона должен осуществляться при помощи стандартной звуковой карты ПЭВМ.

Хранение данных должно осуществляться на жёстком диске ПЭВМ в виде стандартных звуковых файлов.

Под обработкой и анализом данных подразумевается программная реализация алгоритмов, представленных во 2 и 3 главах диссертации. Сюда относится предварительная обработка акустических сигналов, рассмотренная в главе 2, построение оптимального набора признаков и решающих правил для обучающей выборки реализаций сигналов, характеризующих состояния пчелиных семей, диагностирование состояний по вновь предьявляемым реализациям сигналов на основе уже нолученных решающих правил для определённого классификатора. Данные вычисления производятся на ПЭВМ, и наиболее эффективной будет реализация специального программного обеспечения (СПО) на языках высокого уровня.

На рис. 4.1 представлена структурная схема автоматизированной исследовательской системы диагностирования состояния пчелиных семей, при реализации которой, решаются перечисленные задачи.

Канал передачи данных от контроллера улья (4,5,..т) до ПЭВМ (1) делится на два участка: канал передачи данных от оконечного устройства (4, 5,..., ш) до контроллера пасеки (2) (канал 1) и канал передачи данных от контроллера пасеки в ПЭВМ (канал 2). В качестве физической среды передачи данных для канала 1 используется электрический провод (например, витая пара, коаксиальный кабель).

АИП КУ КУ КУ

Т.к. расстояния между ульями небольшие (обычно не превышают 3- метров), то прокладка кабеля не вызовет трудностей. Кроме того, данный вид соединения обеспечивает надежный (помехозащищённый) канал связи.

Подключение контроллера пасеки к ПЭВМ (канал 2) осуществляется при помощи стандартного проводного интерфейса компьютера USB [67, 68].

Контроллеры улья обеспечивают сбор, преобразование в цифровой вид и кодирование акустической информации по командам управления.

Контроллер пасеки обеспечивает приём данных от контроллеров улья по каналу 1, их преобразование и передачу в ПЭВМ; приём команд управления от ПЭВМ и их передачу в контроллеры улья.

Общий алгоритм работы автоматизированной исследовательской системы заключается в следующем. В пользовательском интерфейсе СПО вводится номер улья, для которого необходимо провести диагностику. При этом СПО генерирует соответствующую команду и через USB интерфейс передаёт её в контроллер пасеки. Полученная команда выставляется на шину для всех контроллеров улья. Контроллер улья, номер которого соответствует переданной команде, передаёт свой номер в контроллер насеки, в результате чего последний переходит в режим приёма. Контроллер улья включает цепи «прослушивания»

улья. Данные, поступающие от контроллера улья, оцифровываются, форматируются к виду, пригодному для передачи по проводному каналу и передаются в контроллер пасеки, где полученные данные преобразуются к виду пригодному для передачи по USB каналу в ПЭВМ.

Питание контроллеров улья и контроллера пасеки осуществляется от автономного источника питания (3) — автомобильного аккумулятора.

Управление системой диагностирования состояния пчелиных семей обеспечивается посредством команд управления:

- команда начала приёма и адрес подключаемого контроллера улья;

- команда продолжения связи (высылается контроллером пасеки после приёма сигнала длительностью 1 с);

- команда окончания связи;

- команда подтверждения готовности передачи данных, определённого адресом контроллера улья, выставляется контроллером улья.

В системе диагностирования пчелиных семей максимально возможное количество контроллеров улья составляет 250. В качестве команды подтверждения готовности к передаче предлагается использовать адрес выбранного контроллера улья, т.е. в контроллер пасеки передаётся адрес искомого улья.

Команды продолжения и окончания связи аналогичны для всех контроллеров улья. Тогда для обеспечения необходимого пространства команд (250+2) достаточное количество информационных бит в команде составляет 8 бит.

В перспективе разработанная структура системы может быть расширена.

Так при необходимости дистанционной работы с сетью контроллеров улья, в состав системы могут быть включены блоки, обеспечивающие построение двунаправленного радиоканала между ПЭВМ и контроллерами ульев. Па рис. 4. приведена структурная схема автоматизированной системы диагностирования состояний пчелиных семей с управлением по радиоканалу. В данной схеме канал 1 представляет собой двунаправленное проводное соединение контроллеров улья (6, 7,..., т ) с ретранслятором пасеки (3).

ПЭВМ КП

Рис. 4.2. Структурная схема автоматизированной исследовательской системы диагностирования состояния пчелиных семей Ретранслятор пасеки выполняет преобразование полученных по каналу цифровых кодированных данных к виду пригодному для передачи по двунаправленному радиоканалу (канал 2) и передаёт данные в контроллер пасеки (2);

принимает от контроллера пасеки команды управления и транслирует их в проводный канал. Контроллер пасеки обеспечивает приём данных от ретранслятора пасеки по каналу 2, их преобразование и передачу в ПЭВМ по каналу (стандартное проводное соединение с ПЭВМ); приём команд управления от ПЭВМ и их передачу в ретранслятор пасеки по радиоканалу. Питание контроллера пасеки в данном случае может осуществляться от стационарного источника питания (4). В [69] рассмотрено одно из возможных решений, использующих применение радиоканала в системе диагностирования состояний пчелиных семей.

4.2. Проводной канал нередачи данных, структурные схемы Полученный при помощи микрофона акустический сигнал должен быть передан в контроллер пасеки (рис. 4.1) посредствам цифрового проводного соединения. Для этого аналоговый акустический сигнал должен быть оцифрован.

Поскольку наиболее информативная часть спектра находится в частотной полосе от 60 до 600 Гц [21, 30, 32, 43], то целесообразно провести предварительную фильтрацию аналогового сигнала фильтром нижних частот, с частотой среза равной 600 Гц. Этот предварительно отфильтрованный сигнал поступает на вход устройства аналого-цифрового преобразователя. Согласно теореме Котельникова [41, 66, 70, 71] гармонический сигнал может быть адекватно представлен дискретными отсчётами, если верхняя граничная частота его спектра не превышает половины частоты дискретизации. Тогда при дискретизации входного аналогового сигнала с максимальной частотной составляющей 600 Гц, частота дискретизации должна составлять не менее 1200 Гц. Для лучшего восстановления сигнала целесообразно применять частоту дискретизации, превосходящую минимально необходимую, но в этом случае увеличивается частота передачи в реальном времени выборок в канале, что ведёт к усложнению схемотехнических и программных решений. Поэтому остановим выбор на частоте дискретизации 1200 -1400 Гц. При использовании АЦП одновременно с дискретизацией будет происходить квантование сигнала. Число уровней квантования определяется разрядностью используемого АЦП. Учитывая вариабельность сигналов, принадлежащих одному и тому же состоянию пчелиной семьи, применять АЦП с разрядностью более 8 не имеет смысла.

Для получения узкополосного сигнала, совместимого с каналом связи производится кодирование каждой квантованной выборки цифровым словом. В результате получаем сигнал с импульсно-кодовой модуляцией (ИКМ). При передаче сигналов в системе диагностирования состояний пчелиных семей применяется кодировка NRZ-L (без возврата к нулю), т.к. данная кодировка наиболее легко реализуется, а также имеет приемлемую достоверность передачи данных [66, 70, 72, 73]. Однако данный тип кодировки не имеет встроенных средств синхронизации, помогающих восстанавливать сигнал. Па небольших расстояниях хорошо работает схема, основанная на отдельной тактирующей линии связи, так что информация снимается с линии данных только в момент прихода тактового импульса. При передаче данных на большие расстояния, использование этой схемы вызывает трудности из-за неоднородности характеристик проводящих сред. На больших расстояниях неравномерность скорости распространения сигнала может привести к тому, что тактовый импульс придёт позже или раньше соответствующего сигнала данных, в результате чего бит данных будет пропущен или считан повторно.

Поэтому, ввиду небольшой скорости передачи данных по проводному каналу в системе диагностирования состояния пчелиных семей целесообразно применить введение дополнительных синхроимпульсов, сигналы которых несут для приёмника указания о том, в какой момент времени нужно осуществлять распознавание очередного бита. Для обеспечения битовой и символьной синхронизации в системе передачи данных по кабельному каналу в код вводится преднамеренная избыточность.

Битовая синхронизация достигается включением перед каждым двоичным информационным битом, представленным уровнем напряжения, бита синхронизации, который представляет собой переход сигнала от низкого уровня напряжения к высокому (фронт сигнала).

Каждый символ сообщения, представленный информационной и синхронизирующей (битовая синхронизация) составляющими, заканчивается временной паузой, являющейся признаком конца символа. Данная пауза представляет собой средство символьной синхронизации. Диаграмма структуры отдельного символа представлена на рис. 4.3.

В целях унификации сигналов предлагается для передачи команд в проводном канале использовать тот же формат, что и для передачи информационных символов. Во избежание конфликтов на шине, необходимо отличать управляющие команды от информационных символов сообщения. Для этого в состав символа вводится бит (9-й информационный бит, рис. 4.3), нулевое значение которого соответствует передаваемому информационному символу, а единичное значение указывает на то, что символ является командой.

Значение Передатчик Приемник

II II II

Введение преднамеренной избыточности в код обеспечивает надежную синхронизацию передатчика и приёмника без применения дополнительных проводников. Однако увеличение количества битов символа сообщения приводит к расширению спектра передаваемого сигнала и соответственно увеличению частоты передачи данных.

Скорость, необходимая для передачи выборок сигнала с введённой избыточностью в реальном масштабе времени по каналу 1 при частоте дискретизации 1333 Гц, будет составлять: 1333 выборок в секунду-22бита-2 = 58652 бит/с.

Для проводного цифрового канала это вполне приемлемая полоса пропускания (пропускная способность проводных соединений довольно высока, так медный неэкранированный кабель UTP категории 5, разработанный для поддержки высокоскоростных протоколов имеет максимальную скорость передачи данных свыше 100 Мбит/с [72, 73, 74]).

Канал 1 (рис. 4.1) представляет собой сеть с потерями в линии. В этом случае необходимо предусмотреть ряд особенностей таких линий. Необходимо согласовать нагрузки с линией, в противном случае при двоичной передаче данных, если задержка на распространение велика по сравнению с длительностью одного двоичного разряда, разряд может быть распознан до достижения установившегося режима, в результате чего его значение может быть идентифицировано неправильно. Кроме того, отражение, обусловленное передачей одного разряда, может вызывать ошибки при детектировании последующих разрядов. В длинных линиях имеет место ослабление сигнала при большой длине линии. В результате возникает вероятность неправильного детектирования логического уровня. Повышение частоты следования передаваемых сигналов может приводить к появлению перекрестных помех, а, следовательно, к росту частоты ошибок [75, 76, 77]. Чтобы этого не произошло входные и выходные сопротивления контроллеров пасеки и ульев должны быть согласованными с линией. Кроме того, в структурной схеме проводного канала, представленной на рис. 4.4, вводятся коммутационные элементы, позволяющие отключить не участвующую в обмене данными при приёме или передаче часть схемы, которая вносит рассогласование.

куукп

УУШ УУШ

УУКП - устройство управления контроллером пасеки;

У У - устройство управления контроллером улья.

Рис. 4.4. Структурная схема проводного канала передачи данных Схема (рис. 4.4) функционирует следующим образом: контроллер пасеки (4) при помощи устройства управления шиной (3) и коммутационного элемента (5) подключает все контроллеры ульев к шине (линии). При передаче команды начала приёма (адрес подключаемого контроллера улья) от контроллера пасеки в контроллеры улья (9,..., ш) модулятор (1) контроллера пасеки последовательно выставляет на шину двоичные данные. При этом все коммутационные элементы замкнуты. Модуляторы (6) контроллеров улья отключены от линии.

Двоичные сигналы поступают на компараторы (7) контроллеров улья, в которых принимается решение о значении бита. В устройствах управления контроллерами ульев полученная команда сравнивается с заданным при разработке номером контроллера улья. После передачи команды модулятор контроллера пасеки отключается от линии, и переходит в режим приёма. Тот контроллер улья, у которого совпал номер, при помощи устройства управления шиной (8) и коммутационного элемента (5) отключает все последующие контроллеры ульев и с задержкой начинает передавать команду подтверждения готовности передачи данных. При этом оставшиеся подключёнными контроллеры ульев находятся в режиме приёма. Двоичные данные поступают на компаратор (2) контроллера пасеки. При получении команды подтверждения контроллер пасеки переходит в режим ожидания приема данных. В противном случае контроллер пасеки повторяет передачу команды начала приёма. Далее контроллер улья с задержкой переходит на передачу информационных выборок, модулятор контроллера улья последовательно выставляет на шину двоичные данные. После передачи количества выборок, соответствующего времени «прослушивания»

улья равного 1 с, процесс передачи прекращается. Контроллер пасеки, получив данное количество выборок, передаёт в контроллер улья либо команду продолжения связи, либо команду окончания связи. При получении команды продолжения связи контроллер улья продолжает передачу. Получив команду окончания связи, контроллер улья при помощи устройства управления шиной и коммутационного элемента подключает к линии все контроллеры ульев и переходит в режим приёма. После передачи команды окончания связи контроллер пасеки при помощи устройства управления шиной и коммутационного элемента отключает контроллеры ульев от шины.

В случае передачи данных от ш-го контроллера улья согласующий элемент (терминатор) отключается от линии при помощи коммутирующего элемента.

Модулятор контроллеров улья и пасеки строится с учётом того, что при передаче двоичной единицы и двоичного нуля должно выполняться условие согласования линии передачи данных.

На рис. 4.5 приведена структурная схема контроллера улья. Последовательно на вход контроллера улья поступает команда, в компараторе (6) принимается решение о значении текущего бита. В декодере (7) полученная команда декодируется и поступает в решающее устройство (8), где принимается решение о её значении. В зависимости от поступившей команды устройство управления (12) инициирует работу тех или иных блоков схемы. При поступлении команды начала приёма устройство управления отключает при помощи устройства управления шиной ( И ) и коммутационного элемента (10) последующие контроллеры ульев от линии и передаёт команду подтверждения готовности передачи данных в кодер (13), где команда преобразуется к виду, пригодному для передачи по каналу. Далее команда поступает в модулятор (14), который передаёт её в линию. Затем устройство управления при помощи ключевой схемы (9) включает аналоговый тракт. Аналоговая часть контроллера улья включает микрофон (1), микрофонный усилитель (2), фильтр нижних частот (3) с частотой среза 600 Гц, усилитель с автоматической регулировкой усиления (4).

Сигнал из усилителя с АРУ поступает на АЦП (5), где преобразуется в цифровой вид. Полученная выборка передаётся в кодер, где преобразуется к виду, пригодному для передачи по каналу, и при помощи модулятора последовательно выставляется на шину.

Па рис. 4.6 приведена структурная схема контроллера пасеки, которая функционирует следующим образом. Команда из ПЭВМ по универсальной последовательной шине (USB) поступает на вход устройства сопряжения (1), где из сигнала, соответствующего интерфейсу, преобразуется в двоичные цифровые данные. По приходу команды из ПЭВМ устройство управления (8) переводит модулятор (5) на передачу и при помощи устройства управления шиной (7) и коммутационного элемента (6) подключает к шине сеть контроллеров улья.

МУ АРУ АЦП

Данные из устройства сопряжения поступают на модулятор и выставляются на шину. Для упрощения аппаратной части контроллера улья кодирование команды производится программно в ПЭВМ. Далее на вход контроллера пасеки последовательно поступает команда подтверждения готовности передачи данных от выбранного контроллера улья, в компараторе (2) принимается решение о значении каждого полученного бита. В декодере (3) полученная команда декодируется и поступает в решающее устройство (4), где принимается решение о её значении. Решаюш;ее устройство передает полученную команду в устройство сопряжения, где она преобразуется к виду пригодному для передачи по универсальной последовательной шине и передаётся в ПЭВМ. Кроме того, решающее устройство сообщает в устройство управления, что приём данных от контроллера улья продолжается. Далее на вход контроллера пасеки последовательно поступают цифровые звуковые данные, которые через компаратор, декодер, рещающее устройство и устройство сопряжения поступают в ПЭВМ.

Команды продолжения или окончания связи от ПЭВМ аналогично команде начала связи через устройство сопряжения, решающее устройство, устройство управления и модулятор выставляются на шину. При завершении передачи команды окончания связи, устройство управления с задержкой при помощи устройства управления шиной и коммутационного элемента отключает сеть контроллеров улья.

АЦП, решающее устройство, устройство управления, устройство управления шиной, кодер, декодер контроллеров улья и декодер контроллера пасеки, решающее устройство, устройство управления, устройство управления шиной контроллера пасеки наиболее целесообразно реализовать на базе микроЭВМ, что обеспечит минимизацию и габаритов, и потребления от автономного источника питания. Кроме того, применение микроЭВМ, обеспечивает гибкую программную реализацию блоков схем. В настоящее время существует большое количество микроЭВМ различных фирм [78 - 84], способных обеспечить выполнение поставленных задач, в состав которых включены и АЦП. В качестве коммутационных элементов могут быть применены электромеханические реле, обеспечивающие замкнутое состояние при отсутствии напряжения питания. Устройство сопряжения контроллера пасеки может быть реализовано на базе специальных контроллеров универсальной последовательной шины [85 или микроэвм с поддержкой USB интерфейса [94 - 96]. Наиболее простая реализация интерфейса USB возможна на базе микросхем FT245AM/BM преобразователя USB в параллельный интерфейс [86, 87]. Параллельный интерфейс FT245AM/BM представлен 1-байтным портом шины данных, сигналами чтения и записи.

4.3. Программное обеспечение автоматизированной исследовательской системы диагиостироваиия состояний ичелииых семей Специальное программное обеспечение работает в трёх основных режимах: режим работы с сетью контроллеров улья (режим 1), режим обработки информации, занесенной в ПЭВМ при помощи звуковой карты или коммуникационных портов (режим 2) и режим диагностирования состояний пчелиных семей (режим 3).

Основными задачами СПО для режима 1 являются: программное сопряжение и управление контроллером пасеки, подготовка команд, полученных от пользователя, для передачи в контроллер пасеки, форматирование данных, полученных от контроллера пасеки.

Для программного сопряжения контроллера пасеки с ПЭВМ используются низкоуровневый драйвер [85, 97, 98], обеспечивающий непосредственное взаимодействие с контроллером пасеки и динамическая библиотека, которая предоставляет набор функций для взаимодействия пользовательского приложения с драйвером. Низкоуровневый драйвер основан на WDM технологии [85, 97, 98, 99], поддерживает спецификацию РпР [85, 97, 98, 99] и управляет устройством сопряжения контроллера пасеки через стек USB Windows. Динамическая библиотека включает функции управления устройством сопряжения: открыть/закрыть устройство, запись/чтение данных и др. Низкоуровневый драйвер и динамическая библиотека входят в комплект драйверов прямого доступа D2XX фирмы FTDI [86, 87].

Команды управления системой диагностирования состояний пчелиных семей, введённые в пользовательском интерфейсе, программно преобразуются к виду пригодному для передачи по проводному каналу.

При получении ПЭВМ акустических данных от контроллера пасеки цифровой поток для хранения на жёстком диске ПЭВМ преобразуется в файл. Наиболее удобным и распространенным форматом звуковых файлов является формат Microsoft Wave RIFF [42, 99]. Данные, записанные в таком файле, могут иметь формат как со сжатием, так и без него. Дополнительно в файле может содержаться текстовая информация о дате создания записи, разработчиках и др.

Ограничением применения формата, можно назвать только то, что такой файл может содержать данные размером до 4 Гб, чего для данных целей более чем достаточно.

Данные, полученные от контроллера пасеки, сохраняются в виде waveфайла, который содержит один глобальный фрагмент данных, который имеет свой заголовок и данные. В заголовке фрагмента содержится четырёхбайтовый идентификатор фрагмента и размер данных фрагмента. Общий порядок расположения фрагментов глобального фрагмента, показан на рис. 4.7.

Заголовок Рис. 4.7. Организация фрагментов в файле формата RIFF Фрагмент R1FF является единственным глобальным фрагментом. В нём содержатся фрагменты, определяющие формат звуковых данных, сами данные и дополнительная информация. В первых четырёх байтах фрагмента содержится дополнительный идентификатор WAVE. Фрагмент, определяющий формат звуковых данных, имеет идентификатор fmt (последним символом является пробел). Фрагмент, содержащий данные, имеет идентификатор data.

Применяемый формат файла с импульсно кодовой модуляцией представлен с помощью таблицы 4.1.

Для выборок, имеющих размер 8 бит (байт), байт хранится в виде беззнакового целого; отсутствию сигнала соответствует значение 128. В системе используется моно режим, при этом применяется последовательный порядок следования выборок.

При внесении данных, записанных на каких-либо носителях (например, магнитофонные записи) в ПЭВМ с помощью звуковой карты или коммуникационных портов, характеристики полученных файлов (СПО работает только с wave-файлами) могут отличаться от требуемых в алгоритмах СПО, в частности, частота дискретизации может быть выше используемой в СПО (например, при использовании бытовой звуковой карты минимальная частота дискретизации кГц). В этих случаях в акустическом сигнале могут присутствовать частотные составляющие выше 600 Гц. Таким образом, в СПО для режима 2 предусматривается возможность предварительной обработки файлов, к которой относятся фильтрация и понижающая передискретизация сигнала.

Программная фильтрация осуществляется при помощи цифрового нерекурсивного фильтра с конечной импульсной характеристикой (КИХ-фильтр) [2, 4, 5, 7, 42, 100]. Применяется ФНЧ с частотой среза 600 Гц. Один из возможных способов получения KPIX-фильтра, аппроксимирующего заданную частотную характеристику, заключается в усечении бесконечного ряда Фурье. Во избежание появления эффекта Гиббса [2, 70] для модификации коэффициентов Фурье, вводится весовая последовательность конечной длины, называемой окном. В СПО используется «обобщённое» окно Хэмминга (2.19).

Частотная характеристика фильтра зависит от частоты дискретизации исходного сигнала и разрядности фильтра. Для получения крутых срезов при минимизации разрядности фильтра и, как следствие, увеличения скорости расчётов, необходимо при записи данных через звуковую карту или коммуникационные порты ПЭВМ выбирать частоту дискретизации исходного сигнала как можно ниже. Ориентируясь на стандартную программу операционной системы Windows «Звукозапись» (sndrec32.exe), которая предназначена для записи в ПЭВМ акустических данных через звуковую карту, принимаем, что частота дискретизации исходного сигнала равна 8 КГц (минимальная частота дискретизации для непрофессиональных звуковых карт). Тогда для частоты среза Гц, при 64 разрядном фильтре, частотный шаг составит 125 Гц, а частота единичного усиления составит 725 Гц. Формирование частотной характеристики заключается в том, что заполняется некоторый 64- битный массив единицами и нулями, где единица соответствует полосе пропускания, ноль — полосе непропускания. Таким образом, для частоты среза 600 Гц, с частотным шагом 125 Гц, необходимо заполнить первые и последние 4 элемента массива единицами, а остальное пространство заполнить нулями. Такое расположение бит, обусловлено требованиями обратного дискретного преобразования Фурье (ОДПФ), которое используется при нахождении весовых значений для использования в операции свёртки во временной области. Далее производится операция свёртки, т.е. выбираются определенные отсчёты исходного сигнала во временной области, умножаются на весовые значения, а затем суммируются для получения одного выходного отсчёта. По мере того как входной сигнал проходит через фильтр, происходит формирование выходных отсчётов. На рис. 4.8 приведён алгоритм реализации цифрового ФНЧ. Значения полученного в результате фильтрации сигнала сохраняются в динамическом массиве. Далее проводится понижающая передискретизация [2, 42].

Рис. 4.8. Алгоритм реализации цифрового ФНЧ Шаг нередискретизации вычисляется по формуле:

где /до - частота дискретизации исходного сигнала.

f^ — необходимая частота дискретизации.

Шаг передискретизации Ад пщ. fдo = 8000 Гц и_/^/ =1300 Гц составляет 6,15, при округлении 6. Таким образом, достаточно взять каждый шестой отсчёт из фильтрованного сигнала, однако следует учесть, что при этом частота дискретизации составляет 1333 Гц. Такой способ передискретизации вполне допустим, т.к. была проведена предварительная фильтрация сигнала. В противном случае в сигнале могли остаться частоты превышающие предел Найквиста для полученных частот дискретизации. Полученный после фильтрации и передискретизации сигнал сохраняется в wave-файле.

Wave-файлы, полученные в режимах 1 и 2, заносятся в базу данных, что позволяет сохранять звуковые данные и необходимые комментарии к ним, осуществлять сортировку, фильтрацию и последующую обработку акустических данных. Для создания базы данных и обработки запросов к ней в программе использована система управления базами данных (СУБД) Paradox [101].

Данная СУБД использует для каждой таблицы отдельный файл. Таким образом, база данных — это каталог, в котором хранятся файлы таблиц. В главной таблице базы данных предусмотрены следующие основные поля:

- порядковый номер записи;

- состояние;

- название файла;

- дата записи;

- климатические условия;

- наличие откачки мёда;

- географическое расположение пасеки;

- поле, содержащее wave-файл.

Все поля таблицы базы данных для каждой записи заполняются пользователем вручную, за исключением поля, содержащего wave-файл. Он заносится при помощи команд пользовательского интерфейса.

Основными функциями режима 3 являются: предварительная обработка сигнала, выбранного пользователем из таблицы базы данных, реализация алгоритма диагностики состояния по имеющемуся классификатору, реализация алгоритма построения классификатора по обучающему множеству уже классифицированных (по состоянию семьи) сигналов с обучением. Функции этапа реализуются на основании математического аппарата, разработанного в главах 2 и 3. Структура аппаратного и программного обеспечения автоматизированной исследовательской системы описана в [102].

На рис. 4.9 представлен обобщенный алгоритм СПО системы диагностирования состояний пчелиных семей по акустическому шуму.

формирование управления работа с портом низкоуровневый СПО разработано на языке программирования С-Н- в интегрированной среде разработки Borland C++ Builder 4.0 и оптимизировано для работы в операционных средах Windows 2000/ХР.

В работе подробно не рассматривается структура программного обеспечения низкого уровня: контроллеров пасеки и ульев. Это объясняется тем, что аппаратные и программные средства анализа акустических сигналов, для повышения функциональной эффективности обслуживания, должны быть включены в состав автоматизированного комплекса контроля и управления пасеки в качестве подсистемы. Помимо этой подсистемы в него входят подсистема контроля микроклимата в улье, подсистема контроля количества мёда, подсистема мониторинга зимовки пчёл и т.д. Если СПО верхнего уровня для каждой такой функциональной подсистемы может разрабатываться автономно и в дальнейшем работать под управлением диспетчерского приложения, то для программного обеспечения низкого уровня встраиваемых микронроцессорных решений отдельных функциональных подсистем такую независимость разработки и функционирования обеспечить сложно. Это объясняется тесной связью структур и алгоритмов программного обеспечения низкого уровня с аппаратным обеспечением, которое различно для каждой функциональной подсистемы. Поэтому программное обеспечение низкого уровня не рассматривается.

1. Определены основные задачи автоматизированной исследовательской системы диагностирования состояния пчелиных семей по акустическому шуму.

С их учётом разработана структурная схема автоматизированной исследовательской системы, реализация которой позволяет решить поставленные задачи.

2. Предложено в автоматизированной исследовательской системе использовать цифровую передачу данных, поскольку цифровые каналы отличаются рядом преимуш1еств по сравнению с аналоговыми. В связи с этим в работе рассмотрены каналы передачи данных, применяемые в системе. Разработаны структурные схемы блоков автоматизированной системы диагностирования состояния пчелиных семей (контроллеров улья и пасеки), ориентированные на применение микро-ЭВМ и обобш,енные алгоритмы их работы.

3. Определены основные функции специального программного обеспечения, работающего на ПЭВМ, на основании которых разработана структура СПО автоматизированного исследовательского комплекса диагностирования состояния пчелиных семей по акустическому шуму. Основная часть СПО, реализующая методы и алгоритмы предварительной обработки акустических сигналов, их параметризации, отбора оптимальной совокупности информативных признаков, построения решающих правил (классификатора) и диагностирования вновь предъявляемых реализаций сигналов с помощью построенного классификатора реализована на языке высокого уровня C++ в интегрированной среде разработки Borland C++ Builder 4.0.

4. Описанные в работе аппаратные и программные средства анализа акустических сигналов, для повышения функциональной эффективности обслуживания, могут быть включены в состав автоматизированного комплекса контроля и управления пасеки в качестве подсистемы акустической диагностики состояний пчелиных семей.

ЗАКЛЮЧЕНИЕ

1. Основными проблемами при разработке методов и алгоритмов идентификации и диагностирования состояний сложных объектов по акустическим сигналам являются стохастичность и нестационарность анализируемых сигналов, что определяет существенную вариабельность их спектров. А это осложняет и достоверную идентификацию соответствующих состояний объекта. Решение указанных проблем возможно путём проведения предварительной обработки сигналов, заключающейся в разделении полученных реализаций сигнала на короткие отрезки, определения степени их идентичности по статистическим характеристика, отбраковки отрезков с существенно отличающимися статистическими характеристиками и формировании из оставшихся «типичных» для данного состояния объекта квазистационарных реализаций сигналов, которые подвергаются дальнейшему анализу.

2. Из теории случайных сигналов и в результате проведения экспериментальных исследований реальных сигналов пчелиных семей сделан вывод, что для анализа слабостационарных и нестационарных сигналов целесообразно использовать не амплитудный, а энергетический спектр, который более устойчив, чем амплитудный и при большом числе обрабатываемых отсчётов характеризуется состоятельностью и несмещённостью. Разработана общая методика определения информативного частотного диапазона анализируемых сигналов и частотного разрешения при построении энергетических спектров, обеспечивающая компромисс между требованиями хорошей различаемости спектров, соответствующих различным состояниям объекта и сглаживания индивидуальных различий спектров различных отрезков одной и той же реализации сигнала при минимизации объёмов вычислительной работы. Она подкреплена на конкретном примере построения энергетических спектров акустических сигналов пчелиных семей.

3. На основании известных методов спектрального анализа разработаны алгоритмы и программы построения энергетических спектров «типичных» квазистационарных реализаций сигналов, базирующиеся на быстром преобразовании Фурье, На этом этапе производится вторая проверка исследуемых сигналов на стационарность, для чего полученные «типичные» реализации разбиваются на несколько отрезков равной длины, по которым вычисляются энергетические спектры и по критерию Пирсона проводится их сравнение на статистическую эквивалентность. Удовлетворяющие этому критерию энергетические спектры параметризуются путём вычисления усреднённых по узким полосам частот спектральных плотностей мощности сигнала. Даны рекомендации по выбору базы усреднения (ширины узких полос частот).

4. Предложена концепция построения гибкой обучаемой универсальной диагностической системы для идентификации состояний сложных природных и технических объектов по акустическим шумам, в соответствии с которым базовое программное обеспечение системы должно включать не только программы предварительного анализа и обработки акустических сигналов (или их записей) с выделением информативных признаков и заранее построенный классификатор на какое-то начальное множество диагностируемых состояний, но и программы определения оптимальной совокупности информативных признаков и построения нового классификатора, если предъявляются сигналы, не диагностируемые начальным классификатором. Такая система не только выполняет функции диагностической системы для конкретного класса объектов, позволяющей классифицировать заранее заданное множество состояний объекта, но и может использоваться в качестве исследовательского комплекса, перенастраивать эту систему для любых других объектов, состояния которых характеризуются акустическими сигналами. В этом случае необходимо лишь накопить представительную выборку записей сигналов, характеризующих те или иные состояния этого объекта, которые требуется диагностировать, и в диалоговом режиме определить количественные характеристики параметризации исходных сигналов, которые для каждого типа объектов будут специфичны.

5. Разработаны критерии определения информативности каждого информативного признака в отдельности и любой их совокупности, не требующих предварительного построения классификатора и позволяющие отбирать оптимальную совокупность информативных признаков для идентификации заданного множества состояний объекта. На базе этих критериев разработаны алгоритмы построения оптимального набора информативных признаков из первоначальной избыточной совокупности признаков, 6. Предложен метод и алгоритм построения решающих правил на основании линейных разделяющих функций, задающих границы областей в многомерном пространстве отобранных информативных признаков, соответствующих каждому распознаваемому состоянию, при максимизации критерия разделимости классов.

7. На основе разработанных методов, критериев и алгоритмов разработаны программы для НЭВМ, реализующие задачи предварительной обработки акустических сигналов, построения их энергетических спектров, выделения из них информативных признаков, отбора оптимального подмножества информативных признаков, обеспечивающего максимум критерия разделимости классов, и построения решающих правил.

8. С использованием разработанного программного обеспечения проведены экспериментальные исследования по накопленному массиву магнитофонных записей акустических сигналов пчелиных семей, идентифицированных по состояниям экспертами (пчеловодами) традиционными методами. Поскольку с наибольшей достоверностью пчеловодами выделялось два состояния: «нормальное» и «роевое», то из всего накопленного массива записей были отобраны только записи, относящиеся к указанным состояниям и для них произведена оценка разделительных свойств и каждого признака в отдельности и их различных совокупностей. Построенные по ним решающие правила и анализ проведённой по ним классификации подтвердил правильность всех теоретических положений, разработанных в диссертации, и достаточную эффективность разработанных методов предварительной обработки сигналов, их параметризации, критериев информативности признаков, алгоритмов отбора оптимальной совокупности информативных признаков и построения по ним классификатора. Поскольку, разработанные в диссертации методы, алгоритмы и критерии оказались эффективными нри решении задачи диагностирования состояний пчелиных семей, акустические сигналы которых являются случайными и нестационарными, то их использование будет эффективным и в аналогичных задачах диагностики и неразрушаюш;его контроля технических объектов. Потому что акустические сигналы технических объектов заведомо являются более регулярными и близкими к стационарным, чем сигналы пчелиных семей.