AS Automaatio- ja systeemitekniikan projektityöt S09-18 Langaton anturijärjestelmä rakenteiden kunnonvalvontaan

Koko: px
Aloita esitys sivulta:

Download "AS Automaatio- ja systeemitekniikan projektityöt S09-18 Langaton anturijärjestelmä rakenteiden kunnonvalvontaan"

Transkriptio

1 AS-.32 Automaatio- ja systeemitekniikan projektityöt S9-8 Langaton anturijärjestelmä rakenteiden kunnonvalvontaan Joni Silvo

2 Johdanto Tässä työssä tutkitaan rakenteiden kunnonvalvontaan käytettävään langattomaan anturijärjestelmään soveltuvaa datankäsittelyä anturitasolla. Tutkimuskohde on Sensinode microantureilla toteutettu kunnonvalvontajärjestelmä siltarakenteeseen. Antureilla mitataan sillasta kiihtyvyystietoa, jonka pohjalta on tarkoitus identifioida sillan värähtelyt ja niiden pohjalta rakenteen kunto. Kerätyn mittausdatan siirtäminen antureista tapahtuu radion välityksellä. Korkean näytteenottotaajuuden vuoksi mittausdataa kertyy paljon, ja kaiken kerätyn datan lähettäminen radiolla kuluttaa anturien akut loppuun hyvinkin nopeasti. Kunnonvalvontajärjestelmän tulee kuitenkin pystyä toimimaan pitkiä aikoja ilman huoltoa. Tästä syystä anturiin pitää toteuttaa datankäsittelyä, jolla mittausdatasta saadaan kaivettua haluttu informaatio tiivistetyssä muodossa. Radioliikenne muodostaa myös toisen ongelman. Rajallisen laskenta- ja muistikapasiteetin vuoksi Sensinode-anturissa joudutaan usein kirjoittamaan kerätty mittausdata flash-muistiin. Samalla kun anturi kirjoittaa tietoja flash-muistiin, anturi ei kykene muihin toimintoihin. Tämän seurauksena aina muistiin kirjoitettaessa hukataan muutamia näytteitä. Näytteiden puuttuminen muuttaa mittausdatan informaatiosisältöä ja näin ollen puuttuvat näytteet on tarpeellista pyrkiä estimoimaan. Tässä työssä käsitellään kahta data-aukkojen estimoimiseen käytettävään mallirakennetta (AR ja ARMA). Työssä selvitetään, mikä on riittävä mallin kertaluku mittausdatan estimoimiseksi, ja millaisia signaaleja näillä malleilla ylipäätään voidaan estimoida. Lisäksi työssä käsitellään suodatuksen vaikutuksia estimaatteihin.

3 Koelaitteisto ja mittausdata Käsiteltävä mittausdata on kerätty siltarakenteesta (kuva ), jossa on Sensinode micro -antureilla toteutettu langaton kunnonvalvontajärjestelmä. Järjestelmän sensori-noodeissa on lämpötila- ja kosteusanturit ympäröivien olosuhteiden valvomiseen, sekä kiihtyvyysanturit rakenteen tilan määrittämiseksi. Kuva. Siltarakenne Siltarakenteesta kerätään mittausdataa (kiihtyvyys) antureilla Hz näytteenottotaajuudella ja kolmen akselin suuntaisesti. Tällä näytteenottotaajuudella ja mittausakselien määrällä anturin välimuisti täyttyy 36 mittauksen välein, jonka jälkeen data joudutaan kirjoittamaan flash-muistiin. Muistiin kirjoittamisen aikana anturi ei voi kerätä mittauksia ja näin ollen jokaisen kirjoitusoperaation aikana menetetään 3 näytepistettä. Mittausdatassa on siis 36 näytepisteen välein 3 näytepisteen mittainen aukko Kuva 2. kerättyä mittausdataa, jossa on havaittavissa puuttuvia datapisteitä Kuvassa 2 on nähtävillä siltarakenteesta kerättyä mittausdataa. Näytepisteen kohdalla datassa on havaittavissa aukko. Puuttuvat datapisteet aiheuttavat signaaliin vaihesiirtymää, minkä seurauksena raaka-datasta identifioimalla saataisiin esille vääristynyttä informaatiota siltarakenteen värähtelyistä.

4 Mittausdatan estimoiminen AR-mallilla Mittausdatan estimointia data-aukkojen paikkaamiseksi lähdettiin tutkimaan AR-mallilla y k =a a y k a 2 y k 2... a n y k n () jossa a on estimoitavan signaalin keskiarvo ja [a a n ] mallin parametrit, eli aiempien mittauspisteiden painokertoimet. AR-mallin parametrien estimoimiseksi matlab:iin kirjoitettiin rekursiivista pienimmän neliösumman (RPNS) menetelmää käyttävä funktio. Funktioon lisättiin myös data-aukkojen estimointi, jotta sen toiminta vastaisi mahdollisimman hyvin anturiin toteutettavan ratkaisun toimintaa. Kokeet useilla eri dataseteillä ja AR-mallin kertaluvuilla osoittavat, että AR-mallilla kyetään estimoimaan anturin käyttäytymistä kelvollisesti. Kuvassa 3 on esitetty 5 Hz herätteellä kerättyä dataa siltarakenteesta. Lisäksi kuvaan on piirretty AR-mallilla, kertaluku 8, lasketut estimaatit jokaiselle mittauspisteelle. Estimaatti ei ole täysin yksi yhteen mittausdatan kanssa mutta seuraa sitä kuitenkin tarkkuudella, joka mahdollistaa AR-mallin käytön puuttuvien datapisteiden estimoimiseksi Kuva 3. mittausdata (sininen) ja AR-mallilla laskettu estimaatti (punainen) Anturin rajallisen kapasiteetin vuoksi estimointia ei ole kannattava tehdä kovinkaan korkean kertaluvun mallilla. Lisäksi kun mallin kertaluku kasvatetaan riittävän suureksi, tulee mallinnettua mittauskohinaa, toisaalta liian pieni mallin kertaluku johtaa epätarkkaan estimaattiin. Sopivaa mallin kertaluvun etsintää käsitellään seuraavassa luvussa.

5 Kertaluvun etsintä Mallin optimikertaluvun määrittämiseksi tehtiin kokeita käyttäen mittausdataa, jota oli kerätty siltarakenteesta käyttäen useita eri taajuisia herätteitä. Herätesignaalin taajuus vaihteli eri datasarjoissa hertsistä 2 hertsiin. Estimaattien vertailemiseksi mittausdatalle ja estimaatille laskettiin neliövirhe ja niiden residuaalille muodostettiin autokorrelaatiofunktio. Lisäksi jokaisesta kokeesta kerättiin talteen AR-mallin parametrit ja niiden muutokset datasarjan aikana, sekä ARmallilla estimoidut datapisteet. Jokainen datasarja ajettiin kahdesti RPNS-funktio läpi. Jälkimmäisessä ajossa käytettiin alkuarvoina edellisen ajon tuloksena saatuna parametreja. Tällä tavoin pystyttiin seuraamaan kuinka mallin parametrit käyttäytyvät konvergoitumisen jälkeen. Parametrien konvergoitumiseen ja muutosnopeuteen vaikuttaa RPNS-algoritmissa käytettävä unohduskerroin. Tehdyt kokeet osoittavat että kyseisessä tapauksessa joudutaan käyttämään lähellä ykköstä olevaa unohduskerrointa. Muutoin parametriestimaatti on liian herkkä kohinalla (kuva 4) Kuva 4. unohduskertoimen vaikutukset parametriestimaatteihin: ylhäällä,9999, keskellä,9995 ja alhaalla,9 AR-mallille kokeiltiin kertalukuja kahdesta kolmeenkymmeneen. Kaikki koetulokset olivat anturista ja herätteen taajuudesta riippumatta samansuuntaisia. Alhaisen kertaluvun malleilla tulokset olivat heikkoja mutta hyvin nopeasti kertalukua kasvattamalle estimaatit paranivat huomattavasti (kuva 5). Pääasiassa paras tulos löytyi mallin kertalukujen 8 ja 6 väliltä, hieman anturista ja herätteen taajuudesta riippuen. Neliövirhevertailun osoittamalla optimikertaluvulla estimaatti seuraa aukkojen estimointiin riittävällä tarkkuudella alkuperäistä mittaussignaalia. Myös residuaalin autokorrelaatio on tällöin lähinnä valkoista kohinaa (kuva 6). Suuremmilla mallin kertaluvuilla estimaatti seuraa edelleen hyvin mittaussignaalia, mutta suurin osa parametreista estimoituu nollaksi tai lähelle nollaa ja residuaalin autokorrelaatio ei muistuta enää valkoista kohinaa (kuva 7).

6 I S E m o d e l o r d e r Kuva 5. estimaatin neliövirheen muutokset mallin kertaluvun funktiona c o r r e l a t i o n l a g s Kuva 6. parametrien käyttäytyminen, estimaatit ja residuaalin autokorrelaatio optimikertaluvulla

7 c o r r e l a t i o n l a g s Kuva 7. parametrien käyttäytyminen, estimaatit ja residuaalin autokorrelaatio liian korkealla mallin kertaluvulla Matalat taajuudet Erittäin matalilla taajuuksilla on kuitenkin havaittavissa ongelma. Alle Hz herätteillä kerätty mittausdata ei näytä estimoituvan ollenkaan. Mallin kertaluvusta riippumatta estimaatti ei seuraa ollenkaan alkuperäistä signaalia (kuva 8), eikä neliövirhe ei pienene (kuva 9). Jos mittaussignaalia tarkastelee tarkemmin, siinä ei ole selvästi havaittavissa jaksollisuutta kuten muissa mittauksissa. Ilmeisesti matalilla värähtelytaajuuksilla signaalin amplitudi ei ole riittävän suuri erottuakseen mittauskohinan alta Kuva 8. mittausdata (sininen) ja AR-mallilla laskettu estimaatti (punainen)

8 2 8 I S E m o d e l o r d e r Kuva 9. estimaatin neliövirheen muutokset mallin kertaluvun funktiona Kuva. kohinaista mittausdataa Kaikilla alle 5 Hz herätteellä kerätyissä mittauksissa on havaittavissa selvää kohinaa, esim. Hz herätteellä kerätty data kuvassa. Kohinainen signaalin hankaloittaa rakenteen värähtelyjen identifioimista ja toisaalta AR-mallilla mallinnetaan ja estimoidaan varsinaisen signaalin lisäksi myös kohinaa. Tästä syystä onkin tarpeellista tutkia suodatuksen vaikutuksia parametriestimaatteihin.

9 Suodatuksen vaikutukset Signaalin suodatuksessa on huomioitava suodattimen aiheuttamat vääristymät signaaliin. Etenkin sovelluksessa, jossa pyritään identifioimaan värähtelyjen taajuuksia, on tärkeää että suodatin ei aiheuta vaihesiirtymää signaaliin identifioitavilla taajuuksilla. Tästä syystä esimerkiksi Butterworth alipäästösuodin, jolla vaihekäyrä on aina negatiivinen (kuva ) eli vaihesiirtoa tapahtuu kaikilla taajuuksilla, ei sovellu tutkittavaan sovellukseen. Vaihesiirto suodatetun ja alkuperäisen signaalin välillä on selvästi havaittavissa kuvassa 2. Kuva. butterworth alipäästösuotimen vahvistus- ja vaihekäyrät Kuva 2. vaihesiirto mitatun (sininen) ja butterworth alipäästösuotimella suodatetun signaalin (punainen) välillä

10 Suodatuksen aiheuttaman vaihesiirron seurauksena myös data-aukkojen paikat siirtyvä, mikä aiheuttaa ongelmia puuttuvat mittaukset estimoivan algoritmin toteutuksessa. Algoritmissa joudutaan huomioimaan vaihesiirtymä kohdetaajuudella. Koska näytteenotto tapahtuu diskreetisti Hz taajuudella, on hyvin todennäköistä että vaihesiirtymä ei osu tasan näytepisteiden kanssa, vaan pikemminkin kahden näytepisteen väliin. Tällöin estimaatit osuvat edelleen väärään kohtaan aiheuttaen signaalin vääristymisen. Kaistanpäästösuodattimella on mahdollista saada vaihekäyrä positiiviseksi tai nollaksi kohdetaajuudella (kuva 3). Näin päästään eroon vaihesiirtymästä (kuva 4), jolloin informaatio ei vääristy. Toisaalta kaistanpäästösuodattimella hukataan matalataajuuksinen informaatio, mikä tarkoittaa signaalin keskiarvon menettämistä. Tämä ei kuitenkaan vaikuta itse värähtelyn identifioitumiseen, eikä alle Hz taajuuksien menettäminen heikennä sovelluksen toimivuutta, sillä näin matalia värähtelyjä ei kyseisellä laitteistolla pystytä muutenkaan identifioimaan. Kuva 3. 5 Hz kohdetaajuudelle suunnitellun butterworth kaistanpäästösuotimen vahvistus- ja vaihekäyrät Kuva 4. vaihesiirto mitatun (sininen) ja butterworth kaistanpäästösuotimella suodatetun signaalin (punainen) välillä

11 ARMA-malli Vertailun vuoksi tutkittiin vielä ARMA-mallin käyttämistä datan estimoimiseksi. Vertailuun käytettiin matlab:n tarjoamaan rarmax-funktiota. Funktion rajoitusten vuoksi parametrien käyttäytymistä datasarjan aikana ei saada näkyviin, eikä mittausdatasta puuttuvia datapisteitä saada estimoitua, joten signaaleihin jää vaihesiirtymä. ARMA-malli on muotoa: y k =a y k a 2 y k 2... a n y k n e k c e k... c n e k n. (2) ARMA-malli (kuva 5) seuraa AR-mallia (kuva 6) tarkemmin kohinaa. Tämän seurauksena ARMA-mallin tapauksessa suodatuksen merkitys korostuu Kuva 5. mitattu signaali ja ARMA-mallilla estimoitu signaali, ARMA mallin kertaluku [5 5] Kuva 6. mitattu signaali ja AR-mallilla estimoitu signaali, AR-mallin kertaluku 5

12 I S E m o d e l o r d e r Kuva 7. ARMA-mallin kertaluvun vaikutus neliövirheeseen Kuva 8. suodatettu mittaussignaali (sininen) ja estimaatti (vihreä) ARMA-mallin kertaluvulla [6 4]

13 Suodatetulla signaalilla ARMA-malli toimii erittäin hyvin. Neliövirhe jää kaikilla kokeilluilla mallin kertaluvuilla pieneksi (kuva 7). Estimaatti seuraa suodatettua mittaussignaalia erittäin tarkasti ja kuvassa 8 näkyviä estimaattia ja suodattua signaalia on vaikea erottaa toisistaan. Saadut tulokset viittaisivat siihen että ARMA-malli toimisi jopa AR-mallia paremmin data-aukkojen estimoinnissa. Käytetyn matlab:n armax-funktion rajoitusten vuoksi tarvittaisiin lisätutkimusta kunnollisella funktiolla, josta saataisiin myös parametrien muutokset datasarjan aikana esille.

14 Yhteenveto Saadut tulokset osoittavat että AR-mallia voidaan käyttää mittausdatassa olevien data-aukkojen estimoimiseen. Etenkin matalilla taajuuksilla mittauskohina on voimakasta, minkä seurauksena suodatusta tulee harkita estimaattien parantamiseksi. Erittäin matalat taajuudet eli alle Hz:n värähtelyt eivät ole käytetyllä laitteistolla identifioitavissa edes suodatuksen jälkeen liian voimakkaan kohinan vuoksi. Suodatusta suunniteltaessa tulee huomioida suodattimen aiheuttama vaihesiirto. Parhaaksi ratkaisuksi osoittautuu kaistanpäästösuodin, joka on suunniteltu siten että kohdetaajuudella vaihesiirto on nolla. Kaistanpäästösuodattimella menetetään matalat taajuudet, mutta koska alle Hz värähtelyt eivät muutenkaan ole laitteistolla identifioitavissa, laitteiston suorituskyky ei kärsi tästä seikasta. Signaalin keskiarvon menettäminen ei myöskään vaikuta värähtelyjen identifioitumiseen. Suodatuksen aiheuttamat ongelmat ilmenivät niin myöhäisessä vaiheessa projektin aikana, että kaikkiin ongelmiin ei ehditty löytää hyvää ratkaisua. Kaistanpäästösuotimella päästään eroon vaihessiirron aiheuttamasta data-aukkojen siirtymisestä. Tämän ratkaisukin muodostaa ongelman, sillä suodattimen vaihesiirto saadaan nollaksi vain kapealla kohdetaajuuskaistalle, minkä seurauksena laajan tarkkailtavan taajuusalueen kanssa joudutaan edelleen ongelmiin vaihesiirron kanssa. Yksi ratkaisu tähän voisi olla estimoida puuttuvat datapisteet ennen datan suodatusta ja ARtai ARMA-mallin parametrien estimointia. Tätä ratkaisua ei kuitenkaan ehditty vielä kokeilemaan ja asia vaatisi lisätutkimusta. Matlab:n armax-funktiolla tehdyt kokeet ARMA-mallilla viittaavat siihen että ARMA-malli soveltuisi jopa AR-mallia paremmin data-aukkojen estimoimiseen. Funktion rajoituksista johtuen ei kuitenkaan saada esille mallin parametrien käyttäytymistä datasarjan aikana, joten ei voida olla täysin varmoja siitä miten hyvin malli todellisuudessa toimii. Toiminnan varmistamiseksi kaivattaisiin vielä lisätutkimusta kunnollisen funktion avulla, josta saataisiin parametrit esille tarkastelua varten. Hyvin toteutetulla suodatuksella päästään eroon häiriöistä ja saadaan parannettua AR- tai ARMAmallin toimintaa data-aukkojen estimoinnissa. Kun datasta saadaan estimoitua puuttuvat mittauspisteet, pystytään siitä sen jälkeen kaivamaan esille rakenteen värähtelyjen piirteet esimerkiksi FFT.n tai Goertzel:n avulla. Näin ollen anturien ei tarvitse lähettää kaikkea kerättyä mittausdataa eteenpäin vaan sama informaatio saadaan siirrettyä tiiviimmässä muodossa. Tämä vähentää tarvittavaa radioliikennettä ja sitä kautta akkujen kulutusta, mikä oli alkuperäinen tavoite.

15 Ajan käyttö AR-malli. Teoriaan tutustuminen 3 h 2. Alustavat kokeet h koodi (4 h) ja useat kokeilut datalla (6h) 3. Kertaluvun etsintä 2 h muutama vaihtoehtoinen koejärjestely koodi n. 6 h ja kokeet 6h 4. Matalien taajuuksien identifioiminen h useita kokeiluja (downsampling, keskiarvoistaminen...) koodi 5h ja kokeet 6h yht: 36 h ARMA-malli. Alustavat kokeet 2 h 2. Kertaluvun etsintä 7 h koodi 2h ja kokeet 5h yht: 8 h Suodatus. Teoriaan tutustuminen 2 h 2. Erilaisten suodattimien kokeileminen 6 h FDAtool:lla suodatinten suunnittelua ja kokeita eri datasarjoilla 3. Suodatuksen vaikutukset AR-mallin toimintaan 7 h koodi 3h ja kokeet useilla datasarjoilla 4h 4. Suodatuksen vaikutukset ARMA-mallin toimintaan 6 h koodi,5 2h ja kokeet 4h yht: 2 h Projektitapaamiset ohjaajien kanssa 5 kpl, noin h / tapaaminen 5 h lyhyen esityksen laatiminen tuloksista noin 3min / tapaaminen 2,5 h yht: 7,5 h Loppuraportin laatiminen 9 h yht: 8,5 h ~ 3op

Suodattimet. Suodatintyypit: Bessel Chebyshev Elliptinen Butterworth. Suodattimet samalla asteluvulla (amplitudivaste)

Suodattimet. Suodatintyypit: Bessel Chebyshev Elliptinen Butterworth. Suodattimet samalla asteluvulla (amplitudivaste) Suodattimet Suodatintyypit: Bessel Chebyshev Elliptinen Butterworth Suodattimet samalla asteluvulla (amplitudivaste) Kuvasta nähdään että elliptinen suodatin on terävin kaikista suodattimista, mutta sisältää

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016) Tavoitteet (teoria): Hallita multinormaalijakauman määritelmä. Ymmärtää likelihood-funktion ja todennäköisyystiheysfunktion ero. Oppia kirjoittamaan

Lisätiedot

LOPPURAPORTTI 19.11.2007. Lämpötilahälytin. 0278116 Hans Baumgartner xxxxxxx nimi nimi

LOPPURAPORTTI 19.11.2007. Lämpötilahälytin. 0278116 Hans Baumgartner xxxxxxx nimi nimi LOPPURAPORTTI 19.11.2007 Lämpötilahälytin 0278116 Hans Baumgartner xxxxxxx nimi nimi KÄYTETYT MERKINNÄT JA LYHENTEET... 3 JOHDANTO... 4 1. ESISELOSTUS... 5 1.1 Diodi anturina... 5 1.2 Lämpötilan ilmaisu...

Lisätiedot

Spektri- ja signaalianalysaattorit

Spektri- ja signaalianalysaattorit Spektri- ja signaalianalysaattorit Pyyhkäisevät spektrianalysaattorit Suora pyyhkäisevä Superheterodyne Reaaliaika-analysaattorit Suora analoginen analysaattori FFT-spektrianalysaattori DFT FFT Analysaattoreiden

Lisätiedot

Laskuharjoitus 9, tehtävä 6

Laskuharjoitus 9, tehtävä 6 Aalto-yliopiston perustieteiden korkeakoulu Jouni Pousi Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Laskuharjoitus 9, tehtävä 6 Tämä ohje sisältää vaihtoehtoisen tavan laskuharjoituksen

Lisätiedot

Virheen kasautumislaki

Virheen kasautumislaki Virheen kasautumislaki Yleensä tutkittava suure f saadaan välillisesti mitattavista parametreistä. Tällöin kokonaisvirhe f määräytyy mitattujen parametrien virheiden perusteella virheen kasautumislain

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 6 (2016) Tavoitteet (teoria): Hahmottaa aikasarjan klassiset komponentit ideaalisessa tilanteessa. Ymmärtää viivekuvauksen vaikutus trendiin. ARCH-prosessin

Lisätiedot

Sisältö. Työn lähtökohta ja tavoitteet Lyhyt kertaus prosessista Käytetyt menetelmät Työn kulku Tulokset Ongelmat ja jatkokehitys

Sisältö. Työn lähtökohta ja tavoitteet Lyhyt kertaus prosessista Käytetyt menetelmät Työn kulku Tulokset Ongelmat ja jatkokehitys Loppuraportti Sisältö Työn lähtökohta ja tavoitteet Lyhyt kertaus prosessista Käytetyt menetelmät Työn kulku Tulokset Ongelmat ja jatkokehitys Työn lähtökohta ja tavoitteet Voimalaitoskattiloiden tulipesässä

Lisätiedot

Projektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén

Projektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén Projektisuunnitelma ja johdanto AS-0.3200 Automaatio- ja systeemitekniikan projektityöt Paula Sirén Sonifikaatio Menetelmä Sovelluksia Mahdollisuuksia Ongelmia Sonifikaatiosovellus: NIR-spektroskopia kariesmittauksissa

Lisätiedot

Harjoitustyö 1. Signaaliprosessorit Sivu 1 / 11 Vähämartti Pasi & Pihlainen Tommi. Kaistanestosuodin, estä 2 khz. Amplitudi. 2 khz.

Harjoitustyö 1. Signaaliprosessorit Sivu 1 / 11 Vähämartti Pasi & Pihlainen Tommi. Kaistanestosuodin, estä 2 khz. Amplitudi. 2 khz. Signaaliprosessorit Sivu 1 / 11 Harjoitustyö 1 Kaistanestosuodin, estä 2 khz Amplitudi f 2 khz MATLAB koodi: clear; close all; w=[0 1900 1950 2050 2100 4000]/4000; m=[1 1 0 0 1 1]; h=remez(800,w,m); [H,w]=freqz(h,1);

Lisätiedot

IIR-suodattimissa ongelmat korostuvat, koska takaisinkytkennästä seuraa virheiden kertautuminen ja joissakin tapauksissa myös vahvistuminen.

IIR-suodattimissa ongelmat korostuvat, koska takaisinkytkennästä seuraa virheiden kertautuminen ja joissakin tapauksissa myös vahvistuminen. TL536DSK-algoritmit (J. Laitinen)..5 Välikoe, ratkaisut Millaisia ongelmia kvantisointi aiheuttaa signaalinkäsittelyssä? Miksi ongelmat korostuvat IIR-suodatinten tapauksessa? Tarkastellaan Hz taajuista

Lisätiedot

Harjoitustyö 3. Heiluri-vaunusysteemin parametrien estimointi

Harjoitustyö 3. Heiluri-vaunusysteemin parametrien estimointi Aalto-yliopiston perustieteiden korkeakoulu Systeemianalyysin laboratorio Mat-2.4129 Systeemien identifiointi Harjoitustyö 3 Heiluri-vaunusysteemin parametrien estimointi Yleistä Systeemianalyysin laboratoriossa

Lisätiedot

Taajuusmittauskilpailu Hertsien herruus 2008. Mittausraportti

Taajuusmittauskilpailu Hertsien herruus 2008. Mittausraportti Taajuusmittauskilpailu Hertsien herruus 2008 1. MITTAUSJÄRJESTELMÄ Mittausraportti Petri Kotilainen OH3MCK Mittausjärjestelmän lohkokaavio on kuvattu alla. Vastaanottoon käytettiin magneettisilmukkaantennia

Lisätiedot

S-114.3812 Laskennallinen Neurotiede

S-114.3812 Laskennallinen Neurotiede S-114.381 Laskennallinen Neurotiede Projektityö 30.1.007 Heikki Hyyti 60451P Tehtävä 1: Virityskäyrästön laskeminen Luokitellaan neuroni ensin sen mukaan, miten se vastaa sinimuotoisiin syötteisiin. Syöte

Lisätiedot

Signaalien datamuunnokset. Digitaalitekniikan edut

Signaalien datamuunnokset. Digitaalitekniikan edut Signaalien datamuunnokset Datamuunnosten teoriaa Muunnosten taustaa Muunnosten teoriaa Muunnosten rajoituksia ja ongelmia Petri Kärhä 09/02/2009 Signaalien datamuunnokset 1 Digitaalitekniikan edut Tarkoituksena

Lisätiedot

Signaalien datamuunnokset

Signaalien datamuunnokset Signaalien datamuunnokset Datamuunnosten teoriaa Muunnosten taustaa Muunnosten teoriaa Muunnosten rajoituksia ja ongelmia Petri Kärhä 06/02/2004 Luento 4a: Signaalien datamuunnokset 1 Digitaalitekniikan

Lisätiedot

Korkean resoluution ja suuren kuva-alueen SAR

Korkean resoluution ja suuren kuva-alueen SAR Korkean resoluution ja suuren kuva-alueen SAR MATINE tutkimusseminaari 17.11.2016 Risto Vehmas, Juha Jylhä, Minna Väilä, Ari Visa Tampereen teknillinen yliopisto Signaalinkäsittelyn laitos Hankkeelle myönnetty

Lisätiedot

S09 04 Kohteiden tunnistaminen 3D datasta

S09 04 Kohteiden tunnistaminen 3D datasta AS 0.3200 Automaatio ja systeemitekniikan projektityöt S09 04 Kohteiden tunnistaminen 3D datasta Loppuraportti 22.5.2009 Akseli Korhonen 1. Projektin esittely Projektin tavoitteena oli algoritmin kehittäminen

Lisätiedot

4. Tietokoneharjoitukset

4. Tietokoneharjoitukset 4. Tietokoneharjoitukset Demotehtävät 4.1 Tarkastellaan seuraavia aikasarjoja. Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus INTEL Intel_Close Intelin osakekurssi Pörssipäivä n = 20 Intel_Volume

Lisätiedot

Yleistä. Aalto-yliopisto Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos

Yleistä. Aalto-yliopisto Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Perustieteiden korkeakoulu Matematiikan ja systeemianalyysin laitos MS-E2129 Systeemien identifiointi 3. Harjoitustyö Heiluri-vaunusysteemin parametrien estimointi Yleistä Systeemianalyysin

Lisätiedot

TL5503 DSK, laboraatiot (1.5 op) Suodatus 2 (ver 1.0) Jyrki Laitinen

TL5503 DSK, laboraatiot (1.5 op) Suodatus 2 (ver 1.0) Jyrki Laitinen TL5503 DSK, laboraatiot (1.5 op) Suodatus 2 (ver 1.0) Jyrki Laitinen TL5503 DSK, laboraatiot (1.5 op), K2005 1 Suorita oheisten ohjeiden mukaiset tehtävät Matlab-ohjelmistoa käyttäen. Kokoa erilliseen

Lisätiedot

Infraäänimittaukset. DI Antti Aunio, Aunio Group Oy

Infraäänimittaukset. DI Antti Aunio, Aunio Group Oy Infraäänimittaukset DI Antti Aunio, Aunio Group Oy antti.aunio@aunio.fi Mitä infraääni on? Matalataajuista ilmanpaineen vaihtelua Taajuusalue < 20 Hz Ihmisen kuuloalue on tyypillisesti 20-20 000 Hz Osa

Lisätiedot

Tiedonkeruu ja analysointi

Tiedonkeruu ja analysointi Tiedonkeruu ja analysointi ViDRoM Virtual Design of Rotating Machines Raine Viitala 30.9.2015 ViDRoM Virtual Design of Rotating Machines Mitataan dynaamista käyttäytymistä -> nopeuden funktiona Puhtaat

Lisätiedot

A11-07 Measurements with machine vision Projektisuunnitelma

A11-07 Measurements with machine vision Projektisuunnitelma AS-0.3200 Automaatio- ja systeemitekniikan projektityöt A11-07 Measurements with machine vision Projektisuunnitelma Niko Nyrhilä 25.9.2011 Niko Nyrhilä 2 1 Projektityön tavoite Projektityön tavoitteena

Lisätiedot

LABORATORIOTYÖ 3 VAIHELUKITTU VAHVISTIN

LABORATORIOTYÖ 3 VAIHELUKITTU VAHVISTIN LABORATORIOTYÖ 3 VAIHELUKITTU VAHVISTIN Päivitetty: 23/01/2009 TP 3-1 3. VAIHELUKITTU VAHVISTIN Työn tavoitteet Työn tavoitteena on oppia vaihelukitun vahvistimen toimintaperiaate ja käyttömahdollisuudet

Lisätiedot

SÄÄTÖJÄRJESTELMIEN SUUNNITTELU

SÄÄTÖJÄRJESTELMIEN SUUNNITTELU ENSO IKONEN PYOSYS 1 SÄÄTÖJÄRJESTELMIEN SUUNNITTELU Enso Ikonen professori säätö- ja systeemitekniikka http://cc.oulu.fi/~iko Oulun yliopisto Älykkäät koneet ja järjestelmät / Systeemitekniikka Jan 2019

Lisätiedot

S-114.3812 Laskennallinen Neurotiede

S-114.3812 Laskennallinen Neurotiede S-114.3812 Laskennallinen Neurotiede Laskuharjoitus 2 4.12.2006 Heikki Hyyti 60451P Tehtävä 1 Tehtävässä 1 piti tehdä lineaarista suodatusta kuvalle. Lähtötietoina käytettiin kuvassa 1 näkyvää harmaasävyistä

Lisätiedot

4. Tietokoneharjoitukset

4. Tietokoneharjoitukset 4. Tietokoneharjoitukset Demotehtävät 4.1 Tarkastellaan seuraavia aikasarjoja. Tiedosto (.txt) Muuttuja Kuvaus Havaintoväli Aikasarjan pituus INTEL Intel_Close Intelin osakekurssi Pörssipäivä n = 20 Intel_Volume

Lisätiedot

SGN-1251 Signaalinkäsittelyn sovellukset Välikoe Heikki Huttunen

SGN-1251 Signaalinkäsittelyn sovellukset Välikoe Heikki Huttunen SGN-5 Signaalinkäsittelyn sovellukset Välikoe.. Heikki Huttunen Tentissä ja välikokeessa saa käyttää vain tiedekunnan laskinta. Tenttikysymyksiä ei tarvitse palauttaa. Sivuilla - on. Sivuilla 4-6 on. Vastaa

Lisätiedot

Tieverkon kunnon stokastinen ennustemalli ja sen soveltaminen riskienhallintaan

Tieverkon kunnon stokastinen ennustemalli ja sen soveltaminen riskienhallintaan Mat 2.4177Operaatiotutkimuksenprojektityöseminaari Tieverkonkunnonstokastinenennustemallija sensoveltaminenriskienhallintaan Väliraportti 3/4/2009 Toimeksiantajat: PöyryInfraOy(PekkaMild) Tiehallinto(VesaMännistö)

Lisätiedot

Identifiointiprosessi

Identifiointiprosessi Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi

Lisätiedot

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) 805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016) Tavoitteet (teoria): Hallita autokovarianssifunktion ominaisuuksien tarkastelu. Osata laskea autokovarianssifunktion spektriiheysfunktio. Tavoitteet

Lisätiedot

Alipäästösuotimen muuntaminen muiksi perussuotimiksi

Alipäästösuotimen muuntaminen muiksi perussuotimiksi Alipäästösuotimen muuntaminen muiksi perussuotimiksi Usein suodinsuunnittelussa on lähtökohtana alipäästösuodin (LPF), josta voidaan yksinkertaisilla operaatioilla muodostaa ylipäästö- (HPF), kaistanpäästö-

Lisätiedot

Koesuunnitelma. Lennokin paikan määrittäminen kiihtyvyys datan avulla. Jani Mäkelä, Jussi Tamminen, Tuomas Keski-Heikkilä ja Markus Laitinen

Koesuunnitelma. Lennokin paikan määrittäminen kiihtyvyys datan avulla. Jani Mäkelä, Jussi Tamminen, Tuomas Keski-Heikkilä ja Markus Laitinen Koesuunnitelma Lennokin paikan määrittäminen kiihtyvyys datan avulla Jani Mäkelä, Jussi Tamminen, Tuomas Keski-Heikkilä ja Markus Laitinen Sisällysluettelo 1 Johdanto... 2 2 Tutkimusaiheeseen liittyvää

Lisätiedot

Identifiointiprosessi

Identifiointiprosessi Alustavia kokeita Identifiointiprosessi Koesuunnittelu, identifiointikoe Mittaustulosten / datan esikäsittely Ei-parametriset menetelmät: - Transientti-, korrelaatio-, taajuus-, Fourier- ja spektraalianalyysi

Lisätiedot

Väliraportti: Vesipistekohtainen veden kulutuksen seuranta, syksy Mikko Kyllönen Matti Marttinen Vili Tuomisaari

Väliraportti: Vesipistekohtainen veden kulutuksen seuranta, syksy Mikko Kyllönen Matti Marttinen Vili Tuomisaari Väliraportti: Vesipistekohtainen veden kulutuksen seuranta, syksy 2015 Mikko Kyllönen Matti Marttinen Vili Tuomisaari Projektin eteneminen Projekti on edennyt syksyn aikana melko vaikeasti. Aikataulujen

Lisätiedot

Signaalien tilastollinen mallinnus T-61.3040 (5 op) Syksy 2006 Harjoitustyö

Signaalien tilastollinen mallinnus T-61.3040 (5 op) Syksy 2006 Harjoitustyö Signaalien tilastollinen mallinnus T-61.3040 (5 op) Syksy 2006 Harjoitustyö Harjoitustyön sekä kurssin suorittaminen Kurssin suorittaminen edellyttää sekä tentin että harjoitustyön hyväksyttyä suoritusta.

Lisätiedot

SGN-4200 Digitaalinen Audio Harjoitustyö-info

SGN-4200 Digitaalinen Audio Harjoitustyö-info 1 SGN-4200 Digitaalinen Audio Harjoitustyö-info 04.04.2012 Joonas Nikunen Harjoitystyö - 2 Suorittaminen ja Käytännöt Kurssin pakollinen harjoitustyö: Harjoitellaan audiosignaalinkäsittelyyn tarkoitetun

Lisätiedot

Katsaus suodatukseen

Katsaus suodatukseen Katsaus suodatukseen Suodatuksen perustaa, ideaaliset suotimet, käytännön toteutuksia Suodatus Suodatusta käytetään yleensä signaalin muokkaukseen siten, että 2 poistetaan häiritsevä signaali hyötysignaalin

Lisätiedot

Digitaalinen signaalinkäsittely Kuvankäsittely

Digitaalinen signaalinkäsittely Kuvankäsittely Digitaalinen signaalinkäsittely Kuvankäsittely Teemu Saarelainen, teemu.saarelainen@kyamk.fi Lähteet: Ifeachor, Jervis, Digital Signal Processing: A Practical Approach H.Huttunen, Signaalinkäsittelyn menetelmät,

Lisätiedot

Kojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto

Kojemeteorologia. Sami Haapanala syksy 2013. Fysiikan laitos, Ilmakehätieteiden osasto Kojemeteorologia Sami Haapanala syksy 2013 Fysiikan laitos, Ilmakehätieteiden osasto Datan käsittely ja tallentaminen Käytännössä kaikkien mittalaitteiden ensisijainen signaali on analoginen Jotta tämä

Lisätiedot

HARJOITUSTYÖ: Mikropunnitus kvartsikideanturilla

HARJOITUSTYÖ: Mikropunnitus kvartsikideanturilla Tämä työohje on kirjoitettu ESR-projektissa Mikroanturitekniikan osaamisen kehittäminen Itä-Suomen lääninhallitus, 2007, 86268 HARJOITUSTYÖ: Mikropunnitus kvartsikideanturilla Tarvittavat laitteet: 2 kpl

Lisätiedot

Alias-ilmiö eli taajuuden laskostuminen

Alias-ilmiö eli taajuuden laskostuminen Prosessiorientoituneet mallit Todellista hybridijärjestelmää ELEC-C1230 Säätötekniikka Luku 12: Näytteenottoteoreema ja jatkuvien säätimien diskreetit approksimaatiot Prosessiorientoituneet mallit katsotaan

Lisätiedot

FYS206/5 Vaihtovirtakomponentit

FYS206/5 Vaihtovirtakomponentit FYS206/5 Vaihtovirtakomponentit Tässä työssä pyritään syventämään vaihtovirtakomponentteihin liittyviä käsitteitä. Tunnetusti esimerkiksi käsitteet impedanssi, reaktanssi ja vaihesiirto ovat aina hyvin

Lisätiedot

x = ( θ θ ia y = ( ) x.

x = ( θ θ ia y = ( ) x. Aalto-yliopiston Perustieteiden korkeakoulu Matematiikan systeemianalyysin laitos Mat-2429 Systeemien Identifiointi 5 harjoituksen ratkaisut Esitetään ensin systeemi tilayhtälömuodossa Tiloiksi valitaan

Lisätiedot

Supply jännite: Ei kuormaa Tuuletin Vastus Molemmat DC AC Taajuus/taajuudet

Supply jännite: Ei kuormaa Tuuletin Vastus Molemmat DC AC Taajuus/taajuudet S-108.3020 Elektroniikan häiriökysymykset 1/5 Ryhmän nro: Nimet/op.nro: Tarvittavat mittalaitteet: - Oskilloskooppi - Yleismittari, 2 kpl - Ohjaus- ja etäyksiköt Huom. Arvot mitataan pääasiassa lämmityksen

Lisätiedot

SEISOVA AALTOLIIKE 1. TEORIAA

SEISOVA AALTOLIIKE 1. TEORIAA 1 SEISOVA AALTOLIIKE MOTIVOINTI Työssä tutkitaan poikittaista ja pitkittäistä aaltoliikettä pitkässä langassa ja jousessa. Tarkastellaan seisovaa aaltoliikettä. Määritetään aaltoliikkeen etenemisnopeus

Lisätiedot

Matlab-tietokoneharjoitus

Matlab-tietokoneharjoitus Matlab-tietokoneharjoitus Tämän harjoituksen tavoitteena on: Opettaa yksinkertaisia piirikaavio- ja yksikkömuunnoslaskuja. Opettaa Matlabin perustyökaluja mittausten analysoimiseen. Havainnollistaa näytteenottotaajuuden,

Lisätiedot

FYSIIKAN LABORATORIOTYÖT 2 HILA JA PRISMA

FYSIIKAN LABORATORIOTYÖT 2 HILA JA PRISMA FYSIIKAN LABORATORIOTYÖT HILA JA PRISMA MIKKO LAINE 9. toukokuuta 05. Johdanto Tässä työssä muodostamme lasiprisman dispersiokäyrän ja määritämme työn tekijän silmän herkkyysrajan punaiselle valolle. Lisäksi

Lisätiedot

Liikehavaintojen estimointi langattomissa lähiverkoissa. Diplomityöseminaari Jukka Ahola

Liikehavaintojen estimointi langattomissa lähiverkoissa. Diplomityöseminaari Jukka Ahola Liikehavaintojen estimointi langattomissa lähiverkoissa Diplomityöseminaari Jukka Ahola ESITYKSEN SISÄLTÖ Työn tausta Tavoitteen asettelu Johdanto Liikehavaintojen jakaminen langattomassa mesh-verkossa

Lisätiedot

TL5503 DSK, laboraatiot (1.5 op) Suodatus 1 (ver 1.0) Jyrki Laitinen

TL5503 DSK, laboraatiot (1.5 op) Suodatus 1 (ver 1.0) Jyrki Laitinen TL5503 DSK, laboraatiot (1.5 op) Suodatus 1 (ver 1.0) Jyrki Laitinen TL5503 DSK, laboraatiot (1.5 op), K2005 1 Suorita oheisten ohjeiden mukaiset tehtävät Matlab-ohjelmistoa käyttäen. Kokoa erilliseen

Lisätiedot

Menetelmä Markowitzin mallin parametrien estimointiin (valmiin työn esittely)

Menetelmä Markowitzin mallin parametrien estimointiin (valmiin työn esittely) Menetelmä Markowitzin mallin parametrien estimointiin (valmiin työn esittely) Lauri Nyman 17.9.2015 Ohjaaja: Eeva Vilkkumaa Valvoja: Harri Ehtamo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla

Lisätiedot

Radioamatöörikurssi 2013

Radioamatöörikurssi 2013 Radioamatöörikurssi 2013 Polyteknikkojen Radiokerho Radiotekniikka 21.11.2013 Tatu, OH2EAT 1 / 19 Vahvistimet Vahvistin ottaa signaalin sisään ja antaa sen ulos suurempitehoisena Tehovahvistus, db Jännitevahvistus

Lisätiedot

SGN Signaalinkäsittelyn perusteet Välikoe Heikki Huttunen

SGN Signaalinkäsittelyn perusteet Välikoe Heikki Huttunen SGN- Signaalinkäsittelyn perusteet Välikoe.5.4 Heikki Huttunen Tentissä ja välikokeessa saa käyttää vain tiedekunnan laskinta. Tenttikysymyksiä ei tarvitse palauttaa. Sivuilla -3 on. Sivuilla 4-5 on. Sivulla

Lisätiedot

S-108.3020 Elektroniikan häiriökysymykset. Laboratoriotyö, kevät 2010

S-108.3020 Elektroniikan häiriökysymykset. Laboratoriotyö, kevät 2010 1/7 S-108.3020 Elektroniikan häiriökysymykset Laboratoriotyö, kevät 2010 Häiriöiden kytkeytyminen yhteisen impedanssin kautta lämpötilasäätimessä Viimeksi päivitetty 25.2.2010 / MO 2/7 Johdanto Sähköisiä

Lisätiedot

Koesuunnitelma. ViDRoM Virtual Design of Rotating Machines. Raine Viitala

Koesuunnitelma. ViDRoM Virtual Design of Rotating Machines. Raine Viitala Koesuunnitelma ViDRoM Virtual Design of Rotating Machines Raine Viitala ViDRoM Virtual Design of Rotating Machines Mitataan dynaamista käyttäytymistä -> nopeuden funktiona Puhtaat laakerit, kolmikulmaiset

Lisätiedot

Tuntematon järjestelmä. Adaptiivinen suodatin

Tuntematon järjestelmä. Adaptiivinen suodatin 1 1 Vastaa lyhyesti seuraaviin a) Miksi signaaleja ylinäytteistetään AD- ja DA-muunnosten yhteydessä? b) Esittele lohkokaaviona adaptiiviseen suodatukseen perustuva tuntemattoman järjestelmän mallinnus.

Lisätiedot

Viikon 5 harjoituksissa käytämme samoja aikasarjoja kuin viikolla 4. Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus

Viikon 5 harjoituksissa käytämme samoja aikasarjoja kuin viikolla 4. Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus MS-C2128 Ennustaminen ja aikasarja-analyysi 5. harjoitukset / Tehtävät Kotitehtävät: 2 Aihe: ARMA-mallit Viikon 5 harjoituksissa käytämme samoja aikasarjoja kuin viikolla 4. Tehtävä 5.1. Tarkastellaan

Lisätiedot

TASA- JA VAIHTOVIRTAPIIRIEN LABORAATIOTYÖ 5 SUODATINPIIRIT

TASA- JA VAIHTOVIRTAPIIRIEN LABORAATIOTYÖ 5 SUODATINPIIRIT TASA- JA VAIHTOVIRTAPIIRIEN LABORAATIOTYÖ 5 SUODATINPIIRIT Työselostuksen laatija: Tommi Tauriainen Luokka: TTE7SN1 Ohjaaja: Jaakko Kaski Työn tekopvm: 02.12.2008 Selostuksen luovutuspvm: 16.12.2008 Tekniikan

Lisätiedot

Tiedonkeruu ja analysointi

Tiedonkeruu ja analysointi Tiedonkeruu ja analysointi ViDRoM Virtual Design of Rotating Machines Raine Viitala ViDRoM Virtual Design of Rotating Machines Mitataan dynaamista käyttäytymistä -> nopeuden funktiona Puhtaat laakerit,

Lisätiedot

Laskuharjoitus 2 ( ): Tehtävien vastauksia

Laskuharjoitus 2 ( ): Tehtävien vastauksia TT12S1E Tietoliikenteen perusteet Metropolia/A. Koivumäki Laskuharjoitus 2 (11.9.2013): Tehtävien vastauksia 1. Eräässä kuvitteellisessa radioverkossa yhdessä radiokanavassa voi olla menossa samanaikaisesti

Lisätiedot

SGN-4010, Puheenkäsittelyn menetelmät Harjoitus 6, 18. ja

SGN-4010, Puheenkäsittelyn menetelmät Harjoitus 6, 18. ja SGN-4010, Puheenkäsittelyn menetelmät Harjoitus 6, 18. ja 21.2.2010 1. (Matlab, 2 pistettä) Vokaalit ja soinnilliset konsonantit ovat lähes jaksollisia ja niillä on äänihuulten värähtelystä johtuva perustaajuus.

Lisätiedot

Mitä on konvoluutio? Tutustu kuvankäsittelyyn

Mitä on konvoluutio? Tutustu kuvankäsittelyyn Mitä on konvoluutio? Tutustu kuvankäsittelyyn Tieteenpäivät 2015, Työohje Sami Varjo Johdanto Digitaalinen signaalienkäsittely on tullut osaksi arkipäiväämme niin, ettemme yleensä edes huomaa sen olemassa

Lisätiedot

4. kierros. 1. Lähipäivä

4. kierros. 1. Lähipäivä 4. kierros 1. Lähipäivä Viikon aihe Taajuuskompensointi, operaatiovahvistin ja sen kytkennät Taajuuskompensaattorit Mitoitus Kontaktiopetusta: 8 h Kotitehtäviä: 4 h + 0 h Tavoitteet: tietää Operaatiovahvistimen

Lisätiedot

OPERAATIOVAHVISTIN. Oulun seudun ammattikorkeakoulu Tekniikan yksikkö. Elektroniikan laboratoriotyö. Työryhmä Selostuksen kirjoitti 11.11.

OPERAATIOVAHVISTIN. Oulun seudun ammattikorkeakoulu Tekniikan yksikkö. Elektroniikan laboratoriotyö. Työryhmä Selostuksen kirjoitti 11.11. Oulun seudun ammattikorkeakoulu Tekniikan yksikkö Elektroniikan laboratoriotyö OPERAATIOVAHVISTIN Työryhmä Selostuksen kirjoitti 11.11.008 Kivelä Ari Tauriainen Tommi Tauriainen Tommi 1 TEHTÄVÄ Tutustuimme

Lisätiedot

SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä. Antti Suoperä 16.11.2009

SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä. Antti Suoperä 16.11.2009 SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä Antti Suoperä 16.11.2009 SAS/IML käyttö ekonometristen mallien tilastollisessa päättelyssä: Matriisi ja vektori laskennan ohjelmisto edellyttää

Lisätiedot

Muuntajan toiminnasta löytyy tietoja tämän työohjeen teoriaselostuksen lisäksi esimerkiksi viitteistä [1] - [4].

Muuntajan toiminnasta löytyy tietoja tämän työohjeen teoriaselostuksen lisäksi esimerkiksi viitteistä [1] - [4]. FYS 102 / K6. MUUNTAJA 1. Johdanto Muuntajassa on kaksi eristetystä sähköjohdosta kierrettyä kelaa yhdistetty rautasydämellä ensiöpiiriksi ja toisiopiiriksi. Muuntajan toiminta perustuu sähkömagneettiseen

Lisätiedot

A11-07 Measurements with machine vision (3 op) Loppuraportti

A11-07 Measurements with machine vision (3 op) Loppuraportti AS-0.3200 Automaatio- ja systeemitekniikan projektityöt A11-07 Measurements with machine vision (3 op) Loppuraportti Niko Nyrhilä Automaatio- ja Systeemitekniikka Valvoja: Mika Strömman Projektin kesto

Lisätiedot

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti SGN-1200 Signaalinkäsittelyn menetelmät, Tentti 5.5.2008 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle

Lisätiedot

1 PID-taajuusvastesuunnittelun esimerkki

1 PID-taajuusvastesuunnittelun esimerkki Enso Ikonen, Oulun yliopisto, systeemitekniikan laboratorio 2/23 Säätöjärjestelmien suunnittelu 23 PID-taajuusvastesuunnittelun esimerkki Tehtävänä on suunnitella säätö prosessille ( ) = = ( +)( 2 + )

Lisätiedot

SÄÄTÖJÄRJESTELMIEN SUUNNITTELU

SÄÄTÖJÄRJESTELMIEN SUUNNITTELU ENSO IKONEN PYOSYS 1 SÄÄTÖJÄRJESTELMIEN SUUNNITTELU Enso Ikonen professori säätö- ja systeemitekniikka http://cc.oulu.fi/~iko Oulun yliopisto Älykkäät koneet ja järjestelmät / systeemitekniikka Jan 019

Lisätiedot

Hyvyyskriteerit. ELEC-C1230 Säätötekniikka. Luku 8: Säädetyn järjestelmän hyvyys aika- ja taajuustasossa, suunnittelu taajuustasossa, kompensaattorit

Hyvyyskriteerit. ELEC-C1230 Säätötekniikka. Luku 8: Säädetyn järjestelmän hyvyys aika- ja taajuustasossa, suunnittelu taajuustasossa, kompensaattorit Hyvyyskriteerit ELEC-C1230 Säätötekniikka Aikaisemmilla luennoilla on havainnollistettu, miten systeemien käyttäytymiseen voi vaikuttaa säätämällä niitä. Epästabiileista systeemeistä saadaan stabiileja,

Lisätiedot

Ei välttämättä, se voi olla esimerkiksi Reuleaux n kolmio:

Ei välttämättä, se voi olla esimerkiksi Reuleaux n kolmio: Inversio-ongelmista Craig, Brown: Inverse problems in astronomy, Adam Hilger 1986. Havaitaan oppositiossa olevaa asteroidia. Pyörimisestä huolimatta sen kirkkaus ei muutu. Projisoitu pinta-ala pysyy ilmeisesti

Lisätiedot

Radioamatöörikurssi 2015

Radioamatöörikurssi 2015 Radioamatöörikurssi 2015 Polyteknikkojen Radiokerho Radiotekniikka 5.11.2015 Tatu Peltola, OH2EAT 1 / 25 Vahvistimet Vahvistin ottaa signaalin sisään ja antaa sen ulos suurempitehoisena Tehovahvistus,

Lisätiedot

ILKKA HULKKO TAAJUUDEN MITTAUS PAINESIGNAALISTA. Kandidaatintyö

ILKKA HULKKO TAAJUUDEN MITTAUS PAINESIGNAALISTA. Kandidaatintyö ILKKA HULKKO TAAJUUDEN MITTAUS PAINESIGNAALISTA Kandidaatintyö Tarkastaja: Konsta Koppinen Työ jätetty tarkastettavaksi: 8.5.2009 II TIIVISTELMÄ TAMPEREEN TEKNILLINEN YLIOPISTO Automaatiotekniikan koulutusohjelma

Lisätiedot

SÄÄTÖJÄRJESTELMIEN SUUNNITTELU

SÄÄTÖJÄRJESTELMIEN SUUNNITTELU ENSO IKONEN PYOSYS SÄÄTÖJÄRJESTELMIEN SUUNNITTELU Enso Ikonen professori säätö- ja systeemitekniikka http://cc.oulu.fi/~iko Oulun yliopisto Teknillinen tiedekunta Älykkäät koneet ja järjestelmät helmikuu

Lisätiedot

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti SG-1200 Signaalinkäsittelyn menetelmät, Tentti 21.3.2006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle

Lisätiedot

FYSP105 / K3 RC-SUODATTIMET

FYSP105 / K3 RC-SUODATTIMET FYSP105 / K3 R-SODATTIMET Työn tavoitteita tutustua R-suodattimien toimintaan oppia mitoittamaan tutkittava kytkentä laiterajoitusten mukaisesti kerrata oskilloskoopin käyttöä vaihtosähkömittauksissa Työssä

Lisätiedot

KERTALUKUANALYYSI KAIVOSKONEEN MELUKARTOITUKSESSA 1 JOHDANTO 2 MITTAUKSET. Velipekka Mellin

KERTALUKUANALYYSI KAIVOSKONEEN MELUKARTOITUKSESSA 1 JOHDANTO 2 MITTAUKSET. Velipekka Mellin Velipekka Sandvik Mining and Construction Oy PL 434, 20101 TURKU velipekka.mellin@sandvik.com 1 JOHDANTO Kertalukuanalyysi (engl. order analysis) on pyörivään komponenttiin verrannollisen vasteen amplitudin

Lisätiedot

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti

SGN-1200 Signaalinkäsittelyn menetelmät, Tentti SG-1200 Signaalinkäsittelyn menetelmät, Tentti 30.1.2006 Kirjoita nimesi ja opiskelijanumerosi jokaiseen paperiin. Vastauspaperit tullaan irrottamaan toisistaan. Jos tila ei riitä, jatka kääntöpuolelle

Lisätiedot

Ch4 NMR Spectrometer

Ch4 NMR Spectrometer Ch4 NMR Spectrometer Tässä luvussa esitellään yleistajuisesti NMR spektrometrin tärkeimmät osat NMR-signaalin mittaaminen edellyttää spektrometriltä suurta herkkyyttä (kykyä mitata hyvin heikko SM-signaali

Lisätiedot

BIOSÄHKÖISET MITTAUKSET

BIOSÄHKÖISET MITTAUKSET TEKSTIN NIMI sivu 1 / 1 BIOSÄHKÖISET MITTAUKSET ELEKTROENKEFALOGRAFIA EEG Elektroenkegfalografialla tarkoitetaan aivojen sähköisen toiminnan rekisteröintiä. Mittaus tapahtuu tavallisesti ihon pinnalta,

Lisätiedot

SMG-1100: PIIRIANALYYSI I. Verkkojen taajuusriippuvuus: suo(dat)timet

SMG-1100: PIIRIANALYYSI I. Verkkojen taajuusriippuvuus: suo(dat)timet SMG-00: PIIRIANALYYSI I Verkkojen taajuusriippuvuus: suo(dat)timet alipäästösuodin ylipäästösuodin kaistanpäästösuodin kaistanestosuodin jännitevahvistus rajataajuus kaistanleveys resonanssi Suotimet:

Lisätiedot

Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen

Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen Seurantalaskimen simulointi- ja suorituskykymallien vertailu (valmiin työn esittely) Joona Karjalainen 08.09.2014 Ohjaaja: DI Mikko Harju Valvoja: Prof. Kai Virtanen Työn saa tallentaa ja julkistaa Aalto-yliopiston

Lisätiedot

Mediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin

Mediaanisuodattimet. Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että. niiden ominaisuudet tunnetaan hyvin Mediaanisuodattimet Tähän asti käsitellyt suodattimet ovat olleet lineaarisia. Niille on tyypillistä, että niiden ominaisuudet tunnetaan hyvin niiden analysointiin on olemassa vakiintuneita menetelmiä

Lisätiedot

RAPORTTI Risto Paakkunainen Arto Valtonen Pasi Vähämartti Metsäteollisuuden automaation harjoitustyö Joulukuu 2007

RAPORTTI Risto Paakkunainen Arto Valtonen Pasi Vähämartti Metsäteollisuuden automaation harjoitustyö Joulukuu 2007 RAPORTTI Risto Paakkunainen Arto Valtonen Pasi Vähämartti Metsäteollisuuden automaation harjoitustyö Joulukuu 2007 Automaatiotekniikka Sivu 1 (11) Tehtäväkuvaus: Tämän projektin tarkoituksena oli perehtyä

Lisätiedot

3. kierros. 2. Lähipäivä

3. kierros. 2. Lähipäivä 3. kierros. Lähipäivä Viikon aihe (viikko /) Takaisinkytketyt vahvistimet Takaisinkytkentä, suljettu säätöluuppi Nyquistin kriteeri, stabiilisuus Taajuusanalyysi, Boden ja Nyquistin diagrammit Systeemin

Lisätiedot

1. Määritä pienin näytelauseen ehdon mukainen näytetaajuus taajuus seuraaville signaaleille:

1. Määritä pienin näytelauseen ehdon mukainen näytetaajuus taajuus seuraaville signaaleille: TL61, Näytejonosysteemit (K00) Harjoitus 1. Määritä pienin näytelauseen ehdon mukainen näytetaajuus taajuus seuraaville signaaleille: a) 1 (t) = cos(000πt) + sin(6000πt) + cos(00πt) ja ) (t) = cos(00πt)cos(000πt).

Lisätiedot

Kirjoitetaan FIR-suotimen differenssiyhtälö (= suodatuksen määrittelevä kaava):

Kirjoitetaan FIR-suotimen differenssiyhtälö (= suodatuksen määrittelevä kaava): TL536, DSK-algoritmit (S4) Harjoitus. Olkoo x(t) = cos(πt)+cos(8πt). a) Poimi sigaalista x äytepisteitä taajuudella f s = 8 Hz. Suodata äi saamasi äytejoo x[] FIR-suotimella, joka suodikertoimet ovat a

Lisätiedot

Kohdeyleisö: toisen vuoden teekkari

Kohdeyleisö: toisen vuoden teekkari Julkinen opetusnäyte Yliopisto-opettajan tehtävä, matematiikka Klo 8:55-9:15 TkT Simo Ali-Löytty Aihe: Lineaarisen yhtälöryhmän pienimmän neliösumman ratkaisu Kohdeyleisö: toisen vuoden teekkari 1 y y

Lisätiedot

THE audio feature: MFCC. Mel Frequency Cepstral Coefficients

THE audio feature: MFCC. Mel Frequency Cepstral Coefficients THE audio feature: MFCC Mel Frequency Cepstral Coefficients Ihmiskuulo MFCC- kertoimien tarkoituksena on mallintaa ihmiskorvan toimintaa yleisellä tasolla. Näin on todettu myös tapahtuvan, sillä MFCC:t

Lisätiedot

20 Kollektorivirta kun V 1 = 15V 10. 21 Transistorin virtavahvistus 10. 22 Transistorin ominaiskayrasto 10. 23 Toimintasuora ja -piste 10

20 Kollektorivirta kun V 1 = 15V 10. 21 Transistorin virtavahvistus 10. 22 Transistorin ominaiskayrasto 10. 23 Toimintasuora ja -piste 10 Sisältö 1 Johda kytkennälle Theveninin ekvivalentti 2 2 Simuloinnin ja laskennan vertailu 4 3 V CE ja V BE simulointituloksista 4 4 DC Sweep kuva 4 5 R 2 arvon etsintä 5 6 Simuloitu V C arvo 5 7 Toimintapiste

Lisätiedot

Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus. Intelin osakekurssi. (Pörssi-) päivä n = 20 Intel_Volume. Auringonpilkkujen määrä

Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan pituus. Intelin osakekurssi. (Pörssi-) päivä n = 20 Intel_Volume. Auringonpilkkujen määrä MS-C2128 Ennustaminen ja aikasarja-analyysi 4. harjoitukset / Tehtävät Kotitehtävät: 3, 5 Aihe: ARMA-mallit Tehtävä 4.1. Tutustu seuraaviin aikasarjoihin: Tiedosto Muuttuja Kuvaus Havaintoväli Aikasarjan

Lisätiedot

Sovelletun fysiikan laitos E-mail: Marko.Vauhkonen@uku.fi. Marko Vauhkonen, Kuopion yliopisto, Sovelletun fysiikan laitos Slide 1

Sovelletun fysiikan laitos E-mail: Marko.Vauhkonen@uku.fi. Marko Vauhkonen, Kuopion yliopisto, Sovelletun fysiikan laitos Slide 1 Marko Vauhkonen Kuopion yliopisto Sovelletun fysiikan laitos E-mail: Marko.Vauhkonen@uku.fi Marko Vauhkonen, Kuopion yliopisto, Sovelletun fysiikan laitos Slide 1 Sisältö Mallintamisesta mallien käyttötarkoituksia

Lisätiedot

SIGNAALITEORIAN KERTAUSTA OSA 2

SIGNAALITEORIAN KERTAUSTA OSA 2 1 SIGNAALITEORIAN KERTAUSTA OSA 2 Miten spektri lasketaan moduloiduille ja näytteistetyille tietoliikennesignaaleille? KONVOLUUTIO JA KERTOLASKU 2 Kantataajuussignaali (baseband) = sanomasignaali ilman

Lisätiedot

Muuntavat analogisen signaalin digitaaliseksi Vertaa sisääntulevaa signaalia referenssijännitteeseen Sarja- tai rinnakkaismuotoinen Tyypilliset

Muuntavat analogisen signaalin digitaaliseksi Vertaa sisääntulevaa signaalia referenssijännitteeseen Sarja- tai rinnakkaismuotoinen Tyypilliset Muuntavat analogisen signaalin digitaaliseksi Vertaa sisääntulevaa signaalia referenssijännitteeseen Sarja- tai rinnakkaismuotoinen Tyypilliset valintakriteerit resoluutio ja nopeus Yleisimmät A/D-muunnintyypit:

Lisätiedot

Mittaustekniikka (3 op)

Mittaustekniikka (3 op) 530143 (3 op) Yleistä Luennoitsija: Ilkka Lassila Ilkka.lassila@helsinki.fi, huone C319 Assistentti: Ville Kananen Ville.kananen@helsinki.fi Luennot: ti 9-10, pe 12-14 sali E207 30.10.-14.12.2006 (21 tuntia)

Lisätiedot

Harjoitukset 4 : Paneelidata (Palautus )

Harjoitukset 4 : Paneelidata (Palautus ) 31C99904, Capstone: Ekonometria ja data-analyysi TA : markku.siikanen(a)aalto.fi & tuuli.vanhapelto(a)aalto.fi Harjoitukset 4 : Paneelidata (Palautus 7.3.2017) Tämän harjoituskerran tarkoitus on perehtyä

Lisätiedot

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä.

MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. MS-A0204 Differentiaali- ja integraalilaskenta 2 (ELEC2) Luento 7: Pienimmän neliösumman menetelmä ja Newtonin menetelmä. Antti Rasila Matematiikan ja systeemianalyysin laitos Aalto-yliopisto Kevät 2016

Lisätiedot

Vastepintamenetelmä. Kuusinen/Heliövaara 1

Vastepintamenetelmä. Kuusinen/Heliövaara 1 Vastepintamenetelmä Kuusinen/Heliövaara 1 Vastepintamenetelmä Vastepintamenetelmässä pyritään vasteen riippuvuutta siihen vaikuttavista tekijöistä approksimoimaan tekijöiden polynomimuotoisella funktiolla,

Lisätiedot