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! 💼

🛠 Электродуговая сталеплавильная печь в Engee — один из самых сложных объектов энергетики

Мы смоделировали работу дуговой печи — агрегата, который превращает металлолом в сталь, но при этом создает значительные колебания нагрузки и искажения тока и напряжения в электросети.

❗️Почему это важно? Электрическая дуга — фактически низкотемпературная плазма. Её поведение случайно, сопротивление динамично меняется и зависит от тока и скорости его изменения. Энергетики и технологи сталкиваются с целым набором проблем при работе с таким объектом.

👉 Открыть проект 👈

Что сделали в Engee:
✔️ Воссоздали нелинейную модель дуги. С помощью направленных блоков перенесли в модель нелинейную вольт-амперную характеристику (ВАХ) дуги, зависящую от величины и скорости изменения тока в цепи. По ней определяется величина сопротивления R_arc(I, dI/dt) в блоке переменного резистора - схемы замещения дуги в 1-D физической модели электрической цепи сталеплавильной печи. 

📶 По результатам моделирования построили осциллограммы токов и напряжений, а также вольт-амперную характеристику. Они имеют ожидаемые формы и параметры — модель работает корректно!

🖊 Провели гармонический анализ: разложили период установившегося сигнала  на гармоники при помощи БПФ и разделили их на последовательности — нечетную, четную и тройную. Это ключ к пониманию влияния дуговой печи на электрическую сеть.

📈 Проанализировали показатели: рассчитали коэффициент гармонических искажений (THD), искажения синусоидальной формы напряжения составляют 43.44%, а тока — 8.15%

📜 Сделали вывод: печь значительно влияет на электромагнитную совместимость сети и требует строгого контроля качества энергии.

Весь проект — расчёты, моделирование и анализ — выполнен полностью в Engee, идеальном инструменте для комплексного решения сложных задач электроэнергетики и электротехнологий.

Присоединяйтесь! 💼