🟦 Оценка параметров усилителя - новое приложение Engee! 

Друзья, а вы уже заметили, что в меню приложений появилась новая иконка? Представляем вам наше новое приложение – Оценка параметров усилителя!

Это новый инженерный графический инструмент, который предназначен для анализа характеристик усилителей мощности (УМ) по данным измерений, а также построения моделей усилителей с возможностью их использования в среде моделирования Engee.

🔈 Поддерживается анализ сигналов, настройка параметров модели, визуализация результатов и экспорт коэффициентов для последующего использования.

📎 Приложение «Оценка параметров усилителя» моделирует нелинейные усилители мощности, используя данные реальных или синтезированных сигналов. Оно позволяет учитывать расширение спектра и помехи в соседних каналах, а также применять цифровое предыскажение сигнала (DPD) для минимизации искажений.

Цель DPD — исказить входной сигнал так, чтобы после прохождения через усилитель результирующий сигнал был близок к идеальному. Приложение поддерживает различные алгоритмы расчёта параметров DPD, такие как RLS, LMS, NLMS, RPEM и регуляризованный RLS, а также архитектуры моделей, включая P, MP и GMP. Выбор архитектуры зависит от оценки нормализованной среднеквадратичной ошибки (NMSE) модели усилителя.

Цифровые предыскажения обеспечивают:
🔹 повышение энергоэффективности;
🔹 снижение нелинейных искажений и межканальных помех;
🔹 уменьшение размеров усилителя.

Хотите узнать больше о приложении? 
🔗Подробное руководство в документации Engee 

До встречи в Engee и хороших выходных! 💼

🔄Резервирование датчиков: как сделать систему неуязвимой к отказам?

Резервирование (или дублирование) датчиков — ключевой принцип повышения надежности критических систем. При отказе основного сенсора резервный мгновенно берет на себя его функции, обеспечивая непрерывность работы. Особенно важно это в авиации, промышленных процессах и робототехнике, где даже кратковременный сбой недопустим.

В Engee для реализации подобной логики отлично подходит удобный и эффективный инструмент – Конечные автоматы. И с помощью него мы реализовали для вас и выложили в Сообщество алгоритм:
🔗Изучить и скачать проект

Модель состоит из двух специализированных блоков Chart:
1️⃣Первый блок отслеживает состояние датчиков через параллельные состояния: при сигнале сбоя (например, sensor1Failure > 0) система переводит датчик в 5-шаговый режим проверки с динамическим сбросом таймера с непрерывным мониторингом. Если сбой исчезает, таймер автоматически сбрасывается.

2️⃣Второй блок формирует выходной сигнал по интеллектуальной логике:
🔹Оба исправны → усреднение показаний для фильтрации шума
🔼Сбой одного → мгновенное переключение на резерв без разрыва данных
⭐️Двойной отказ → аварийное обнуление выхода (как на 7-й секунде симуляции)

Как показали результаты тестов, система полностью компенсирует одиночные сбои датчиков, а при редких двойных отказах гарантирует безопасное поведение. ☑️

Еще больше примеров со сложной логикой доступно в Сообществе! 💼

Спектральный анализ в Engee 📻

Друзья,

Знаете ли Вы, что интерактивные скрипты Engee — это лучший инструмент для спектрального анализа сигналов различными методами?

🎓
Спектральный анализ, простыми словами, — это разложение сигнала на элементарные частотные компоненты и построение спектра сигнала, то есть зависимости амплитуды/мощности этих компонентов от частоты.

В новом расчетном проекте Сообщества описываются как основные задачи анализа, так и повсеместно применяемые методы оценки спектра сигнала. Отдельное внимание уделяется методам периодограммы, Уэлча и базового БПФ (про БПФ есть свой отдельный пост).

А в качестве тестового сигнала мы берём запись гитарной струны, и пытаемся методами цифровой обработки сигналов понять, что за ноту играл музыкант!

Для этого необходимо:
🟡 оценить спектр сигнала – для этого используются функции fft и fftshift библиотеки FFTW.jl, а также periodogram и welch_pgram из DSP.jl
🟡 отрисовать его на графике – стандартная функциональность Plots.jl
🟡 найти основную частоту, то есть первый «пик» на графике спектра – в этом нам помогает функция findpeaks1d
🟡 или же рассчитать среднее расстояние между «пиками» - тут мы обращаемся к библиотеке Statistics.jl

Затем можно обратиться к таблице частот музыкальных нот и сопоставить результаты. А для большей убедительности можно синтезировать цифровой фильтр функцией digitafilter, выделить первую гармонику и послушать результат обработки прямо в скрипте Engee в вашем браузере!

👇 Изучить и скачать скрипт

Ещё больше примеров из области цифровой обработки сигналов - в нашем Сообществе.

Следите за обновлениями на канале, до встречи! 💼

Нечёткий ПИД и идентификация объекта в Engee 🤖

Друзья,

❓А вы когда-нибудь сталкивались с ситуацией, когда нужно настроить регулятор, но модель объекта управления неизвестна? Мы решили эту двойную задачу в одном проекте – сначала идентифицировали объект по экспериментальным данным, а затем применили нечёткий ПИД-регулятор.

Знаете, почему это особенно интересно? Мы не просто взяли готовую модель из учебника, а получили её из "живых" экспериментальных данных с шумом и запаздыванием – как это бывает в реальности!

✔️ Умная идентификация: Использовали метод ошибки прогнозирования для получения модели системы. Система "сама рассказала" о своих свойствах через переходный процесс!

🔄 Двойная валидация: Проверили модель не только на обучающих данных, но и на специальном валидационном наборе – и результат превосходный!

🧠 Нечёткое управление: Заменили классический ПИД на систему с нечёткой логикой. Регулятор принимает решения на основе простых правил типа "если ошибка большая и растёт, то..."

🔧 Единая среда: Вся идентификация и синтез регулятора выполнены в Engee. Никаких переходов между разными программами!

Ссылка на проект.

Получилась работающая система управления, где модель объекта была неизвестна заранее, а определена экспериментально. Такой подход очень близок к реальным инженерным задачам!

Как думаете, в каких ещё областях полезна связка "идентификация + нечёткое управление"?

Делитесь идеями в комментариях! 💼

🎧 Адаптивная фильтрация в Engee

Друзья,

а вы задумывались, как работают ваши любимые наушники с активным шумоподавлением? Под капотом продвинутые алгоритмы цифровой обработки сигналов (ЦОС), а именно – адаптивные фильтры! 🔈

Один из самых фундаментальных и широко применяемых алгоритмов – это LMS-алгоритм (Least Mean Squares, алгоритм наименьших средних квадратов). Он итеративно подстраивает коэффициенты КИХ-фильтра и минимизирует ошибку между желаемым и фактическим сигналом.

🎙️ В гарнитурах с ANC, к примеру, используется дополнительный микрофон, который улавливает только шум (эталонный шумовой сигнал). LMS-фильтр адаптируется так, чтобы его выходной сигнал максимально точно повторял этот шум, который затем вычитается из основного сигнала (где есть и полезный сигнал, и шум). В результате шум подавляется.

В новой серии демонстрационных проектов разбирается реализация этого алгоритма на базе системного объекта LMSFilter библиотеки EngeeDSP:

✍️ Первый проект Сообщества описывает основные принципы работы алгоритма и его параметры, такие как длина фильтра, шаг адаптации и коэффициент утечки, а также на тестовом сигнале демонстрирует адаптивное изменение коэффициентов объекта LMSFilter
🔎 Далее, осуществляется исследование таких параметров LMS-фильтра, как длина фильтра и шаг адаптации, оценивается их влияние на сходимость алгоритма.
✔️ Наконец, производится сравнение алгоритмов LMS и NLMS (Normalized LMS) для адаптивной фильтрации стационарных и нестационарных сигналов.

🚀 Проекты показывают, как легко начать знакомство с адаптивными фильтрами и другими продвинутыми алгоритмами ЦОС при помощи функционала библиотеки EngeeDSP.

Следите за обновлениями на канале, до встречи! 💼