Hybrid algorithm of the "blind correction" for the low order transducers

W artykule przedstawiono strukturę systemu pomiarowego oraz trzy metody autoidentyfikacji właściwości dynamicznych przetworników pomiarowych I rzędu. Podstawową cechą korekcji " w ciemno" jest to, że identyfikacja przeprowadzana jest w miejscu pracy przetwornika przy wykorzystaniu tylko mierzonego sygnału. Pierwsza metoda identyfikacji selekcjonuje uzyskane próbki rejestrowanych sygnałów pod kątem najkorzystniejszego uwarunkowania numerycznego zalgebraizowanego równania różniczkowego. Rozwiązanie tak utworzonego układu równań algebraicznych obarczone jest najmniejszym błędem numerycznym. Druga metoda wykorzystuje rozkład QR jako wariant procedury LSQ do rozwiązania nadokreśłonego układu równań algebraicznych i uwzględnia wszystkie zarejestrowane próbki sygnałów. Trzecia metoda - hybrydowa - łączy zalety obu poprzednich, wstępnie wybierając fragmenty sygnałów, istotne z punktu widzenia identyfikacji, które z kolei wykorzystywane są przez procedurę LSQ. Dzięki temu zmniejszony zostaje rozmiar zadania, co łagodzi wymagania sprzętowe implementacji tej metody oraz zwiększa odporność systemu pomiarowego na oddziaływanie zakłóceń. Szeregowe korektory o parametrach dobieranych na podstawie wyników autoidentyfikacji są realizowane na drodze programowej. Efekty działania prezentowanych metod korekcji zilustrowano wybranymi przykładami uzyskanymi na drodze symulacji.A structure of the measuring system destined for the "blind" correction of the dynamic error has been shown in the article. Dynamic properties of the measuring system are self-identified, based on time-varying signals, using solely the measured signal at the system operating site. Three self-identification methods of the dynamic characteristic of the I-order system sensors have been described. The first method selects such samples of the transducer output signals that generate a set of the linear equations of the best condition number. This minimizes numerical errors of the equations solution. The second method uses the QR orthogonal-triangular decomposition and LSQ procedures to solve the overdetermined set of the linear equations. This linear equations are created for each sample moment. The third one called "the hybrid algorithm " involves positive features of the two farmer methods. Firstly, a subset of samples is chosen that is significant for the identification. Secondly the set of equations is solved using QR and LSQ procedures. Due to these steps, the size of the numerical task is considerably reduced. The hardware requirements are reduced by this method and the robustness of the noise is increased in comparison to LSQ procedure. The software serial corrector uses results of the self-identification. Some simulation results illustrate the effectiveness of these methods