Pomiary Automatyka Robotyka 4/2019

PAR P O M I A RY • A U T O M AT Y K A • R O B O T Y K A

4/2019 ISSN 1427-9126 Indeks 339512

Cena 25,00 zł w tym 5% VAT

Technical Sciences Quarterly | Measurements Automation Robotics

W numerze:

3 5

Od Redakcji

!

" # $ %

Agentowa struktura wielomodalnego interfejsu do Narodowej Platformy

19

& ' ( % ) * + , - ). ./* .

25

#

Towards Autonomous Driving: Design of Smart Damper – Energy Harvester

Mobile Robot Simulation Framework

31

% 0 1 % 1 2

41

# 0

! " #$% – MATLAB

&

% "' ( ! ' ! ) !'

1 3 Informacje dla Autorów – 75 | Kalendarium – 105 | Nasze monografie – 106 |

107 |

!" #$%& ' 108 | Konkurs Konstrukcji Studenckich – 110 | Nasze wydawnictwa – 112

Rada Naukowa Rok 23 (2019) Nr 4(234) ISSN 1427-9126, Indeks 339512

Redaktor naczelny

, - .

& +

1 % QT , / % 0 [ ) \ % ] ^

B # $ %

, 1 2% - H% - 1 % _%`

*

% !

CB

%

, 34 ! % 5 6 , L % ' % [ ) & ]E ^

* "'

7% ! 84% 4 [ ) + ]L ^

CB D +

B E F

B

D

CB

% F

G

B ' F %

B # $ % F 0

& ' )

+

H

, & ' 9

P + Q F 1 - & 1 T 1-&1

, ; . 9 + 4 L [ ( ) ][ ^ , 8! < 9 1 C $ a2 !

Druk

, - 1 / + 1 % - 1 ]1 % ^

$ E J ' K B B B L MOO B

, - / %

( [ ) ] ^ , . / '

L & P

Wydawca P + Q F 1 - & "1 T 1-&1 &%B D % UOU OU/VWM

Kontakt K % / 1 & K 0 &%B D % UOU OU/VWM

%B UU WXV OY VM Z B % B B %

Pomiary Automatyka Robotyka / 0 /

YhhX B 1 YW % ! ! B & %

%

` "

/0

0 % B

% / 1 & K 0 " 0 +&$'H#g E % %

-L Hi #a1HKL-#[ ]-#* UOYM3 Xj UV^ " C " 0 0 C % % &K-&L'&B 1 L 0% W ] B YUVV^B 1 ` ` ! % a L ! 0 0% " % / 1

& K 0 B ` ` ]

`^

B 1 L 0% % 1 & K 0 0 UO B ]

T ! jY % UOYh B B UXhOU^B 1 % / % % B

% 1 & K 0 F J " hOXG1/ [LGUOYh 2 T L % C % 2P ` ` !B

5

% / %

[ ) 1 ]E ^ , -

= $ ` 1 % + , 0 . = 4 4 - # % ]K ^ , & + < + b() ) 1 % c L % [ ) ][ ^ , 3 ! >

- C $ ` C H % $ `

, - &(

# % [ ) ] ^ , >

& + # f [ ) ] % + ^ , ? % & - C 1 ( 1 % a % 0 ! &

&'+ F - & % ' % + E 0g ]L ^ , 3 ! @

' % 1 % _%` , < C4

% ) & ] ^ , 9 , 1 + - - & K 0 1 %

, ?

+ ?'

K -' [ ) %0 ]& % ^ , 3 ! 1 5 %

b ) 1 % c L % [ ) ][ ^

1 & K 0 - L YVUX/hYUM KB Uj L VGUOYh

3

Od Redakcji

5

!

# $ % Agentowa struktura wielomodalnego interfejsu do Narodowej Platformy

&

% % [ - L % # 0

1%

F 1 U

19

25

31

& ' ( % ) , * + , - ). ./* , .

Towards Autonomous Driving: Design of Smart Damper â&#x20AC;&#x201C; Energy Harvester

3 %

#

Mobile Robot Simulation Framework %

% 0 0 %

% 0 1 % 1 2 Budowa struktury komunikacji: programowanie robotĂłw off-line â&#x20AC;&#x201C; MATLAB # #

1

a /% K 0 F &'(&+

41

# 0

!" " " " !" #

$ !

- % # K 0 + #

47

D 0 l % The Application of an Adaptive Controller Combined with the LQR Controller for the Inverted Pendulum $ % ` % (mK % T

55

+ 0

& T % " " # &#

# " & # H) % & % + % & % (

0

#

65

1 D $ % '# # ( !# $ " # ! # !" " $" " #

# ( # (

( $" " ( & % % 1 % 1

# '

#

L

71

&%

/ * % & )

) #

#"

" " $ " !# # !"

" " $" "# #

!" " " ( " # " 0 % ) ' [ - % H% % #

( # % + K (

1

1- 'KH_#-

77

87

0

% K %

% $0

Remote Sensing Semi-Automatic Measurements Approach for Monitoring ) " # ! " "* + # ( 1T ` %

0

B

$ ( D 1 % ," "# " " # # #" " # ( "

" " ( $ " ( "

. " " # # $ $ " " # ( "

dwuparametrowych Hp H) % [ - % /1

#

B 1 UB & % Hp % - ' /1

101

Informacje dla Autorรณw

105 Kalendarium 106 Nasze monografie 107

& Wybrane aspekty praktycznej realizacji algorytmu regulacji PFC

!"% !%

% ] + ^ < _

108

q K %

< ( % ( ] 31> `hq ^

U

110

q $ t Konkurs Konstrukcji Studenckich

112

Nasze wydawnictwa

P

O

M

I

A

R

Y

โ ข

A

U

T

O

M

A

T

Y

K

A

โ ข

R

O

B

O

T

Y

K

A

N R 4 /201 9

a KH & #D-

Drodzy Czytelnicy, 1 1

kwartalnika naukowo-technicznego Pomiary Automatyka Robotyka. Podobnie jak w poprzednich edycjach, tematyka 0

TC

B & % ` % F

T 2 ! `

B T% %

2 !

2 2

T %

%!

T F !2 C B !

T 0 T

% %

0 B !2 2 ! ] ^ ` !2P

L 1% # 0 0 B

% ! ` % T (mK %

` 0% T B '

2 !

%

C% `

B KT C

` !

0 ` F T% 2 ` ! % 0 T 0 %

f/% &'(&+ C 0

0 T T `

!0 B L 0

T C T % T ` ` 0%

B # ! ` % ` T 1 VBOB F + Q F 1 - & 1 T 1-&1 F ` %

numeru.

Redaktor naczelny kwartalnika Pomiary Automatyka Robotyka

B 0B CB # $ %

3

V

P

O

M

I

A

R

Y

•

A

U

T

O

M

A

T

Y

K

A

•

R

O

B

O

T

Y

K

A

N R 4 /201 9

Pomiary Automatyka Robotyka, ISSN 1427-9126, R. 23, Nr 4/2019, 5â&#x20AC;&#x201C;18, DOI: 10.14313/PAR_234/5

-. % . / % 0 % 6 / 7 7 " #

8 ) () ' * + ( , + - , . + ( / + - ' 0 1 + - (21 + / , + 3 4 6 ; # ; % < = > / # > - > / # 0 &'?&*# !!@++' ;

, 5 Ten dwuczÄ&#x2122;Ĺ&#x203A;ciowy artykuĹ&#x201A; przedstawia interfejs do Narodowej Platformy CyberbezpieczeĹ&#x201E;stwa (NPC). Wykorzystuje on gesty i komendy wydawane gĹ&#x201A;osem do sterowania pracÄ&#x2026; platformy. Ta czÄ&#x2122;Ĺ&#x203A;Ä&#x2021; artykuĹ&#x201A;u przedstawia strukturÄ&#x2122; interfejsu oraz sposĂłb jego dziaĹ&#x201A;ania, ponadto prezentuje zagadnienia zwiÄ&#x2026;zane z jego implementacjÄ&#x2026;. Do specyfikacji interfejsu wykorzystano podejĹ&#x203A;cie oparte na agentach upostaciowionych, wykazujÄ&#x2026;c Ĺźe podejĹ&#x203A;cie to moĹźe byÄ&#x2021; stosowane do tworzenia nie tylko systemĂłw robotycznych, do czego byĹ&#x201A;o wykorzystywane wielokrotnie uprzednio. Aby dostosowaÄ&#x2021; to podejĹ&#x203A;cie do agentĂłw, ktĂłre dziaĹ&#x201A;ajÄ&#x2026; na pograniczu Ĺ&#x203A;rodowiska fizycznego i cyberprzestrzeni, naleĹźaĹ&#x201A;o ekran monitora potraktowaÄ&#x2021; jako czÄ&#x2122;Ĺ&#x203A;Ä&#x2021; Ĺ&#x203A;rodowiska, natomiast okienka i kursory potraktowaÄ&#x2021; jako elementy agentĂłw. W konsekwencji uzyskano bardzo przejrzystÄ&#x2026; strukturÄ&#x2122; projektowanego systemu. CzÄ&#x2122;Ĺ&#x203A;Ä&#x2021; druga tego artykuĹ&#x201A;u przedstawia algorytmy wykorzystane do rozpoznawania mowy i mĂłwcĂłw oraz gestĂłw, a takĹźe rezultaty testĂłw tych algorytmĂłw. &' % 0 % 6 / 7 7 " # 7 # . A # # A

1. Wprowadzenie h h ? % % ,

' $ Prace badawcze poĹ&#x203A;wiÄ&#x2122;cone wielomodalnym interfejsom czĹ&#x201A;owiek-komputer sÄ&#x2026; prowadzone od ponad 40 lat [37]. Celem tych badaĹ&#x201E; jest opracowanie metod i technik interakcji ludzi z komputerem w peĹ&#x201A;ni wykorzystujÄ&#x2026;cych sposoby naturalnej komunikacji i interakcji czĹ&#x201A;owieka z otoczeniem. Interfejsy wielomodalne charakteryzujÄ&#x2026; siÄ&#x2122; dwiema podstawowymi cechami: Ĺ&#x201A;Ä&#x2026;czÄ&#x2026; wiele typĂłw danych oraz przetwarzajÄ&#x2026; te dane w czasie rzeczywistym przy okreĹ&#x203A;lonych ograniczeniach czasowych [10].

System â&#x20AC;&#x153;Put-That-Thereâ&#x20AC;? [3] opracowany w MIT (USA) jest powszechnie uwaĹźany za pierwszy praktyczny pokaz moĹźliwoĹ&#x203A;ci, jakie daje wielomodalny interfejs. W systemie tym byĹ&#x201A;y Ĺ&#x201A;Ä&#x2026;czone dwa rodzaje wejĹ&#x203A;Ä&#x2021;: gĹ&#x201A;osowe oraz gesty, ktĂłre umoĹźliwiaĹ&#x201A;y uĹźytkownikowi siedzÄ&#x2026;cemu na krzeĹ&#x203A;le naturalnÄ&#x2026;

. (

" # $ % . '

% &' !( )!&* # % % &+ !* )!&*

!

i efektywnÄ&#x2026; interakcjÄ&#x2122; z systemem wizualizacji danych przestrzennych. System akceptowaĹ&#x201A; polecenia typu â&#x20AC;&#x17E;utwĂłrz tutaj zielony kwadratâ&#x20AC;?, â&#x20AC;&#x17E;zmniejsz toâ&#x20AC;? lub â&#x20AC;&#x17E;umieĹ&#x203A;Ä&#x2021; to tamâ&#x20AC;?. Ĺťadne z tych poleceĹ&#x201E; nie moĹźe byÄ&#x2021; poprawnie zinterpretowane, gdy gĹ&#x201A;os i gesty bÄ&#x2122;dÄ&#x2026; rozwaĹźane niezaleĹźnie, dopiero ich poprawnie zinterpretowana wielomodalna kombinacja tworzy proste i ekspresywne polecenie, ktĂłre jest naturalne dla uĹźytkownika.

W latach 80. i 90. ubiegĹ&#x201A;ego wieku powstaĹ&#x201A;o wiele prototypowych systemĂłw z wielomodalnymi interfejsami wykorzystujÄ&#x2026;cych zarĂłwno wejĹ&#x203A;cia audio (rozpoznawanie mowy), jak i wizyjne (rozpoznawanie gestĂłw rÄ&#x2026;k, gĹ&#x201A;owy, ciaĹ&#x201A;a, ruchu warg, wyrazu twarzy) [10, 17, 36, 49].

Obecnie rozwijane sÄ&#x2026; nowe rodzaje wielomodalnych interfejsĂłw czĹ&#x201A;owiek-komputer, ktĂłre sÄ&#x2026; okreĹ&#x203A;lane jako â&#x20AC;&#x17E;Cognitive Immersive Roomsâ&#x20AC;? [9, 57]. SÄ&#x2026; to pomieszczenia, ktĂłre â&#x20AC;&#x17E;sĹ&#x201A;yszÄ&#x2026;â&#x20AC;?, â&#x20AC;&#x17E;widzÄ&#x2026;â&#x20AC;?, interpretujÄ&#x2026; polecenia i ruchy uĹźytkownika lub grupy uĹźytkownikĂłw i odpowiednio na nie reagujÄ&#x2026;.

WielomodalnoĹ&#x203A;Ä&#x2021; interfejsu zapewnia dogodniejszy dla czĹ&#x201A;owieka sposĂłb komunikacji z maszynÄ&#x2026; i powinna teĹź zwiÄ&#x2122;kszaÄ&#x2021; skutecznoĹ&#x203A;Ä&#x2021; i poprawnoĹ&#x203A;Ä&#x2021; takiej komunikacji. PosĹ&#x201A;ugiwanie siÄ&#x2122; takimi formami przekazu jak gesty i mowa jest naturalnym dla czĹ&#x201A;owieka sposobem przekazywania swoich zamiarĂłw i poleceĹ&#x201E;. Druga zaleta wielomodalnoĹ&#x203A;ci wynika z faktu, Ĺźe Ĺźadna automatyczna analiza danych pochodzÄ&#x2026;cych z czujnikĂłw nie zapewnia poprawnoĹ&#x203A;ci rozpoznania przekazu czĹ&#x201A;owieka w 100%. Poprawnie wykonana kombinacja danych pocho-

5

&

% % L 1% # 0 0 !2P UB ciu cech tekstury kolorowej. Do rozpoznawania znakĂłw jÄ&#x2122;zyka migowego moĹźna wykorzystaÄ&#x2021; rĂłwnieĹź DeepHand [24] â&#x20AC;&#x201C; rozwiÄ&#x2026;zanie oparte na sieciach splotowych, wytrenowanych w oparciu o okoĹ&#x201A;o milion obrazĂłw kolorowych z róşnymi gestami.

Prototyp interaktywnego narzÄ&#x2122;dzia InterSec [34] do trĂłjwymiarowej wizualizacji zawiera â&#x20AC;&#x17E;naturalnyâ&#x20AC;? interfejs uĹźytkownika, umoĹźliwiajÄ&#x2026;cy sterowanie wizualizacjÄ&#x2026; za pomocÄ&#x2026; gestĂłw. Danymi wejĹ&#x203A;ciowymi dla systemu rozpoznawania gestĂłw sÄ&#x2026; odczyty z czujnikĂłw Kinect i LEAP Motion oraz ekranu wielodotykowego. DziÄ&#x2122;ki temu moĹźliwe jest jednoczesne wykonanie kilku gestĂłw za pomocÄ&#x2026; dĹ&#x201A;oni i ciaĹ&#x201A;a w celu realizacji róşnych zadaĹ&#x201E;.

dzÄ&#x2026;cych z róşnych modalnoĹ&#x203A;ci interfejsu powinna zwiÄ&#x2122;kszyÄ&#x2021; poprawnoĹ&#x203A;Ä&#x2021; rozpoznania poleceĹ&#x201E; w porĂłwnaniu do kaĹźdej pojedynczej modalnoĹ&#x203A;ci.

W proponowanym rozwiÄ&#x2026;zaniu realizujemy trzy modalnoĹ&#x203A;ci: rozpoznawanie gestĂłw, rozpoznawanie mowy i rozpoznawanie mĂłwcy.

1.2. Rozpoznawanie gestĂłw Na potrzeby interakcji z komputerem czĹ&#x201A;owiek moĹźe wykonywaÄ&#x2021; gesty róşnymi czÄ&#x2122;Ĺ&#x203A;ciami ciaĹ&#x201A;a â&#x20AC;&#x201C; dajÄ&#x2026;c znaki rÄ&#x2122;kÄ&#x2026; [22], ruchem gĹ&#x201A;owy lub caĹ&#x201A;ym ciaĹ&#x201A;em [35] lub mimikÄ&#x2026; twarzy [56].

Zasadniczo przez gest rozumie siÄ&#x2122; akcjÄ&#x2122; wykonywanÄ&#x2026; przez czĹ&#x201A;owieka charakteryzujÄ&#x2026;cÄ&#x2026; siÄ&#x2122; ruchem. W niniejszej pracy nazwiemy to gestem dynamicznym [39]. Do rozpoznawania gestu potrzebna jest analiza sekwencji czasowej obrazĂłw.

W odróşnieniu, przez gest statyczny rozumieÄ&#x2021; bÄ&#x2122;dziemy okreĹ&#x203A;lony ukĹ&#x201A;ad elementu ciaĹ&#x201A;a czĹ&#x201A;owieka, pozostajÄ&#x2026;cy w niezmienionym stanie podczas procesu akwizycji obrazu. Zasadniczo do rozpoznania takiej pozy wystarczy pojedynczy obraz.

Procedura rozpoznawania gestu obejmuje akwizycjÄ&#x2122; danych (obraz lub sekwencja obrazĂłw), detekcjÄ&#x2122; istotnych cech w obrazie/obrazach i zastosowanie technik uczenia maszynowego do wytrenowania klasyfikatora do rozpoznawania zadanych gestĂłw [53]. Klasyczne rozwiÄ&#x2026;zania w zakresie detekcji cech w pojedynczych obrazach polegajÄ&#x2026; na wykrywaniu lokalnych charakterystyk takich, jak: cechy Haara, cechy HoG i deskryptory punktĂłw kluczowych [27]. Typowo stosowane klasyfikatory cech numerycznych to LDA (liniowa analiza dyskryminacyjna), klasyfikator kaskadowy, SVM (maszyna wektorĂłw noĹ&#x203A;nych) i MLP (wielowarstwowy perceptron) [20]. W analizie sekwencji obrazĂłw stosuje siÄ&#x2122; dodatkowo informacjÄ&#x2122; o ruchu (wyznaczajÄ&#x2026;c tzw. optyczny potok lub wektory ruchu dyskretnych elementĂłw obrazu), a typowym klasyfikatorem sekwencji obserwacji w czasie sÄ&#x2026; modele HMM (Ukryte Modele Markowa) [19].

W ostatnich latach na popularnoĹ&#x203A;ci zyskaĹ&#x201A;y rozwiÄ&#x2026;zania oparte na technice gĹ&#x201A;Ä&#x2122;bokich sieci neuronowych. SieÄ&#x2021; splotowa CNN wyznacza nieliniowe przeksztaĹ&#x201A;cenie zadanego obszaru obrazu do wektora cech a warstwy wyjĹ&#x203A;ciowe realizujÄ&#x2026; klasyfikacjÄ&#x2122; [15, 25]. Na potrzeby rozpoznawania gestĂłw dynamicznych, typowy dotÄ&#x2026;d model HMM moĹźe byÄ&#x2021; zastÄ&#x2026;piony sieciÄ&#x2026; rekurencyjnÄ&#x2026; LSTM (ang. long short-term memory), specjalnie zaprojektowanÄ&#x2026; do rozpoznawania sekwencji obserwacji w czasie [50]. PrzeglÄ&#x2026;d metod rozpoznawania gestĂłw w obrazach RGB moĹźna znaleĹşÄ&#x2021; w szeregu pracach, np. [4, 15, 39], natomiast przeglÄ&#x2026;d metod rozpoznawania gestĂłw w obrazach RGB-D zawarty jest m.in. w pracach [6, 40].

Praktycznie wszystkie z przedstawionych metod zostaĹ&#x201A;y juĹź w mniejszym lub wiÄ&#x2122;kszym stopniu zaimplementowane w róşnych bibliotekach bÄ&#x2026;dĹş pakietach programistycznych. ZaleĹźnie od tego, ktĂłry fragment systemu ma zostaÄ&#x2021; zaimplementowany, wykorzystaÄ&#x2021; moĹźna róşne ich zestawienia. Przy pomocy biblioteki OpenPose [5] moĹźliwe jest wykrycie sylwetki czĹ&#x201A;owieka w obrazie oraz dopasowanie do niej charakterystycznych punktĂłw wÄ&#x2122;zĹ&#x201A;owych (stawĂłw), takich jak nadgarstki, Ĺ&#x201A;okcie, ramiona itp., uzyskujÄ&#x2026;c w ten sposĂłb szkieletowÄ&#x2026; reprezentacjÄ&#x2122; operatora. MajÄ&#x2026;c dane o poĹ&#x201A;oĹźeniu poszczegĂłlnych punktĂłw w czasie (ich trajektorie), moĹźna wykorzystaÄ&#x2021; metody dostÄ&#x2122;pne w bibliotece Gesture Recognition Toolkit [11] do klasyfikacji sekwencji gestĂłw. Biblioteka ta zawiera implementacje metod klasyfikacji gestĂłw opisanych wczeĹ&#x203A;niej, wymaga jednak podania wyznaczonych zestawĂłw cech. OprĂłcz poĹ&#x201A;oĹźeĹ&#x201E; punktĂłw charakterystycznych sylwetki moĹźna wykorzystaÄ&#x2021; dokĹ&#x201A;adny model samej dĹ&#x201A;oni, o ile dostÄ&#x2122;pny jest dla niej obraz z gĹ&#x201A;Ä&#x2122;biÄ&#x2026; w wysokiej rozdzielczoĹ&#x203A;ci [48].

XKin [38] uĹźywa ukrytych modeli Markowa (HMM) oraz obrazu gĹ&#x201A;Ä&#x2122;bi w celu wyznaczenia pozycji operatora oraz klasyfikacji 16 gestĂłw dynamicznych, natomiast gesty statyczne (znaki amerykaĹ&#x201E;skiego jÄ&#x2122;zyka migowego) rozpoznawane sÄ&#x2026; przy uĹźy-

6

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

1.3. Rozpoznawanie mowy Automatyczne rozpoznawanie mowy (ang. Automatic Speech Recognition) jest przedmiotem badan od okoĹ&#x201A;o 60 lat. Na obecny stan rozwoju metod rozpoznawania mowy zasadniczy wpĹ&#x201A;yw miaĹ&#x201A;o wprowadzenie modeli stochastycznych HMM (ang.

Hidden Markov Models) pod koniec lat 80. XX wieku [2, 42] i zastosowanie gĹ&#x201A;Ä&#x2122;bokich sieci neuronowych DNN, poczÄ&#x2026;wszy od okoĹ&#x201A;o 2005 r. [41]. PoczÄ&#x2026;tkowo sieci te stosowano do klasyfikacji pojedynczych ramek sygnaĹ&#x201A;u w terminach podfonemĂłw, pozostawiajÄ&#x2026;c modelom HMM zadanie rozpoznawania sekwencji obserwacji, co przyjmowaĹ&#x201A;o postaÄ&#x2021; hybrydowego rozwiÄ&#x2026;zania DNN-HMM. Jednak wraz z rozwojem specjalizowanych gĹ&#x201A;Ä&#x2122;bokich sieci rekurencyjnych zapewniajÄ&#x2026;cych modelowanie opóźnieĹ&#x201E; czasowych, w ostatnich kilku latach sieci neuronowe stopniowo przejmujÄ&#x2026; takĹźe rolÄ&#x2122; peĹ&#x201A;nionÄ&#x2026; dotÄ&#x2026;d przez HMM. Skutkuje to tzw. systemami â&#x20AC;&#x17E;end-to-endâ&#x20AC;? bezpoĹ&#x203A;rednio odwzorowujÄ&#x2026;cymi akustycznÄ&#x2026; sekwencjÄ&#x2122; wejĹ&#x203A;ciowÄ&#x2026; w symbolicznÄ&#x2026; sekwencjÄ&#x2122; wyjĹ&#x203A;ciowÄ&#x2026; [13, 7].

MoĹźna wymieniÄ&#x2021; kilka implementacji systemu rozpoznawania mowy publicznie dostÄ&#x2122;pnych o otwartym kodzie ĹşrĂłdĹ&#x201A;owym [31]. W poczÄ&#x2026;tkach XXI wieku powstaĹ&#x201A; moduĹ&#x201A;owy system Sphinx-4 (Sun Microsystems, 2004) [52]. Wyznacza on pewien standard implementacji podstawowych algorytmĂłw do analizy mowy i jednoczeĹ&#x203A;nie zapewnia strukturÄ&#x2122; szkieletowÄ&#x2026; (â&#x20AC;&#x17E;frameworkâ&#x20AC;?) do tworzenia systemĂłw analizy mowy w jÄ&#x2122;zyku Java.

DostÄ&#x2122;pne teĹź byĹ&#x201A;o popularne narzÄ&#x2122;dzie HTK do symbolicznej analizy sygnaĹ&#x201A;u mowy z wykorzystaniem modelu HMM [54].

Nowszym projektem z tej dziedziny jest KALDI [18], biblioteka o charakterze badawczym w jÄ&#x2122;zyku C++ obejmujÄ&#x2026;ca nowo proponowane rozwiÄ&#x2026;zania.

ByĹ&#x201A;y lub sÄ&#x2026; dostÄ&#x2122;pne â&#x20AC;&#x17E;mniejszeâ&#x20AC;? rozwiÄ&#x2026;zania obejmujÄ&#x2026;ce wybrane zakresy funkcji analizy mowy. MARF (ang. Modular Audio Recognition Framework) [30] to biblioteka w jÄ&#x2122;zyku Java, doĹ&#x203A;Ä&#x2021; dobrze udokumentowana. Ostatnia stabilna wersja pochodzi z 2007 r. â&#x20AC;&#x201C; nie jest juĹź rozwijana. Do wyznaczania cech LPC lub MFCC dla ramek sygnaĹ&#x201A;u mowy istnieje szereg bibliotek. Biblioteka Loudia7 [26] ma otwarty i dobrze udokumentowany kod (licencja GPLv3). Biblioteka FFTW8 [8] (licencja GPL) przeznaczona jest do obliczeĹ&#x201E; szybkiej transformaty Fouriera. DostÄ&#x2122;pna jest implementacja funkcji marszczenia czasu FastDTW [46] (w jÄ&#x2122;zyku Java), sĹ&#x201A;uĹźÄ&#x2026;ca do dopasowania dwĂłch sekwencji wektorĂłw cech o róşnej dĹ&#x201A;ugoĹ&#x203A;ci. Autorzy niniejszej pracy zrealizowali teĹź w przeszĹ&#x201A;oĹ&#x203A;ci wĹ&#x201A;asne implementacje wybranych funkcji w jÄ&#x2122;zyku C++ lub Java: VAD, wyznaczanie cech MFCC, klasyfikator DTW, klasteryzacja cech, rozpoznawania z uĹźyciem modeli HMM [20, 21]. W zakresie analizy akustycznej warto teĹź siÄ&#x2122;gnÄ&#x2026;Ä&#x2021; do rozwiÄ&#x2026;zaĹ&#x201E; sprawdzonych w obu zagadnieniach analizy mowy â&#x20AC;&#x201C; rozpoznawania komend, jak i mĂłwcĂłw. Takim rozwiÄ&#x2026;zaniem jest biblioteka SPro (Speech Signal Processing Toolkit) [14] z licencjÄ&#x2026; â&#x20AC;&#x17E;MIT Licenseâ&#x20AC;?.

1.4. Rozpoznawanie mĂłwcy Przez rozpoznawanie mĂłwcy rozumie siÄ&#x2122; zazwyczaj dwa sposoby analizy sygnaĹ&#x201A;u mowy [29]: A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

B

B B B B B !

B #B $ % â&#x2C6;&#x2019; Identyfikacja mĂłwcy â&#x20AC;&#x201C; uĹźytkownik nie musi udowadniaÄ&#x2021; toĹźsamoĹ&#x203A;ci; system decyduje, ktĂłry model mĂłwcy jest najbardziej zbliĹźony do mowy wejĹ&#x203A;ciowej â&#x2020;&#x2019; wymaga N porĂłwnaĹ&#x201E; aktualnej obserwacji z modelem; â&#x2C6;&#x2019; Weryfikacja mĂłwcy â&#x20AC;&#x201C; uĹźytkownik musi najpierw podaÄ&#x2021; swojÄ&#x2026; toĹźsamoĹ&#x203A;Ä&#x2021;, a nastÄ&#x2122;pnie system sprawdza, czy jest ona prawidĹ&#x201A;owo rozpoznana â&#x2020;&#x2019; wymagane jest jedno porĂłwnanie obserwacji z modelem.

Systemy rozpoznawania mĂłwcy obejmujÄ&#x2026; nastÄ&#x2122;pujÄ&#x2026;ce rozwiÄ&#x2026;zania: â&#x2C6;&#x2019; Podstawowy sposĂłb nazywany jest UBM-GMM [44, 45].

Polega on na utworzeniu stochastycznych modeli dla kaĹźdego rejestrowanego mĂłwcy i dla mĂłwcy â&#x20AC;&#x17E;Ĺ&#x203A;redniegoâ&#x20AC;?, majÄ&#x2026;cych postaÄ&#x2021; mieszanin rozkĹ&#x201A;adĂłw Gaussa. Rozpoznawanie polega na okreĹ&#x203A;leniu odstÄ&#x2122;pu miar wiarygodnoĹ&#x203A;ci dopasowania obserwacji do modelu mĂłwcy i modelu Ĺ&#x203A;redniego. â&#x2C6;&#x2019; RozwiÄ&#x2026;zanie nazywane GMM-SVM polega na utworzeniu modelu mĂłwcy w postaci superwektorĂłw cech przez zĹ&#x201A;oĹźenie reprezentantĂłw wszystkich klastrĂłw Gaussa danego mĂłwcy.

Superwektory sÄ&#x2026; nastÄ&#x2122;pnie rzutowane na podprzestrzeĹ&#x201E; w celu redukcji wymiaru, a do rozpoznawania stosowane sÄ&#x2026; klasyfikatory SVM. â&#x2C6;&#x2019; RozwiÄ&#x2026;zanie o nazwie â&#x20AC;&#x17E;Joint Factor Analysisâ&#x20AC;? polega na zastosowaniu analizy czynnikowej w przestrzeni superwektorĂłw cech [29]. Wyznaczane sÄ&#x2026; jednoczeĹ&#x203A;nie czynniki i podprzestrzenie zaleĹźne od mĂłwcĂłw oraz czynniki zakĹ&#x201A;ĂłceĹ&#x201E; â&#x20AC;&#x201C; zaleĹźne od kanaĹ&#x201A;u wejĹ&#x203A;ciowego i szumu Ĺ&#x203A;rodowiska. W praktyce proces uczenia przebiega sekwencyjnie â&#x20AC;&#x201C; najpierw wyznacza siÄ&#x2122; dominujÄ&#x2026;ce kierunki zmiennoĹ&#x203A;ci odpowiadajÄ&#x2026;ce czynnikom zaleĹźnym od mĂłwcĂłw, nastÄ&#x2122;pnie po â&#x20AC;&#x17E;zamroĹźeniuâ&#x20AC;? tych czynnikĂłw znajduje siÄ&#x2122; czynniki modelujÄ&#x2026;ce zmiennoĹ&#x203A;Ä&#x2021; kanaĹ&#x201A;u nagrywajÄ&#x2026;cego, a na koniec znajduje czynniki modelujÄ&#x2026;ce szum Ĺ&#x203A;rodowiska. â&#x2C6;&#x2019; PodejĹ&#x203A;cia oparte na wyznaczaniu tzw. I-wektorĂłw polegajÄ&#x2026; na zastosowaniu liniowej analizy dyskryminacyjnej (LDA) lub tzw. â&#x20AC;&#x17E;probabilistycznego LDAâ&#x20AC;? (PLDA) jako klasyfikatorĂłw [33]. I-wektory sÄ&#x2026; wyznaczane w wyniku analizy czynnikowej wykonywanej w przestrzeni superwektorĂłw. W pierwszym rozwiÄ&#x2026;zaniu nastÄ&#x2122;puje potem redukcja wymiaru nowej przestrzeni i klasyfikacja za pomocÄ&#x2026; LDA. W drugiej metodzie prowadzona jest najpierw kolejna dekompozycja na czynniki, tym razem przestrzeni i-wektorĂłw, modelujÄ&#x2026;ca zakĹ&#x201A;Ăłcenia i klasyfikacja stosujÄ&#x2026;ca zaawansowane stochastyczne miary odlegĹ&#x201A;oĹ&#x203A;ci. â&#x2C6;&#x2019; GĹ&#x201A;Ä&#x2122;bokie sieci neuronowe znalazĹ&#x201A;y rĂłwnieĹź zastosowanie do rozpoznawania mĂłwcĂłw [8, 41]. Prace badawcze dotyczÄ&#x2026; wykorzystania tych sieci do modelowania mĂłwcy â&#x20AC;&#x201C; znajdywania w procesie uczenia nieliniowego przeksztaĹ&#x201A;cenia cech zastÄ&#x2122;pujÄ&#x2026;cego model mieszanin Gaussa â&#x20AC;&#x201C; a takĹźe na etapie dopasowania obserwacji z modelem [28].

W zakresie technik modelowania i rozpoznawania mĂłwcy dostÄ&#x2122;pna jest biblioteka â&#x20AC;&#x17E;open sourceâ&#x20AC;? projektu ALIZE [1] (Uniwersytet w Avignon) na licencji GNU Lesser General Public License (LGPL). Korzysta ona z wyĹźej wymienionej biblioteki SPro [14] do analizy akustycznej sygnaĹ&#x201A;u mowy i implementuje podstawowe rozwiÄ&#x2026;zanie UBM-GMM. Jej rozszerzeniem jest platforma biometryczna Mistral [32], ktĂłra oprĂłcz ALIZE zawiera teĹź szereg nowszych technik stosowanych w rozpoznawaniu mĂłwcĂłw (np. metodÄ&#x2122; GMMSVM i analizÄ&#x2122; czynnikowa przestrzeni superwektorĂłw).

.%!

' Zasadniczo jedynym agentem zajmujÄ&#x2026;cym siÄ&#x2122; przetwarzaniem sygnaĹ&#x201A;Ăłw mowy jest aaudio, w ktĂłrego skĹ&#x201A;ad wchodzÄ&#x2026;: podsystem sterowania caudio, wirtualny receptor raudio,mic, wirtualny efektor eaudio,ui, receptor rzeczywisty Raudio,mic oraz efektor rzeczywisty

Eaudio,ui. Wirtualny receptor jest odpowiedzialny za przetworzenie sygnaĹ&#x201A;u gĹ&#x201A;osowego w celu rozpoznania zarĂłwno mĂłwcy, jak i wydanej komendy. SposĂłb przetwarzania sygnaĹ&#x201A;u gĹ&#x201A;osowego przez receptor wirtualny raudio,mic opisano w podsekcjach 2.1, 2.2, 2.3 i 2.4.

h <

Pierwsze kroki przetwarzania komendy gĹ&#x201A;osowej wykonywane sÄ&#x2026; w dziedzinie czasu i obejmujÄ&#x2026; (rys. 1): detekcjÄ&#x2122; gĹ&#x201A;osu VAD (ang. Voice Activity Detection), a konkretnie odróşnienie chwil, w ktĂłrych uĹźytkownik mĂłwi od tych, kiedy wykrywany jest jedynie szum, filtracjÄ&#x2122; prowadzÄ&#x2026;cÄ&#x2026; do wzmocnienia wysokich czÄ&#x2122;stotliwoĹ&#x203A;ci sygnaĹ&#x201A;u (filtr preemfazy) w celu redukcji stosunku szumu do sygnaĹ&#x201A;u uĹźytecznego, normalizacjÄ&#x2122; jego amplitudy, segmentacjÄ&#x2122; sygnaĹ&#x201A;u na ramki, a nastÄ&#x2122;pnie pomnoĹźenie zawartoĹ&#x203A;ci tych ramek przez okna Hamminga w celu zredukowania wpĹ&#x201A;ywu skoĹ&#x201E;czonego czasu trwania sygnaĹ&#x201A;u w ramce na jego spektrogram [43].

Sygna audio

VR_przetwarzanie_wst pne VAD

Filtr preemfazy

Normalizacja

Wirtualny receptor

Ramki i okno Hamminga

Analiza spektralna VR_parametryzacja_mowy

Log

DCT

Filtry Mel

FFT

Postproc.

MFCC

Cechy

Wektor cech i

Wyznaczanie cech Rys. 1. Funkcje wirtualnego receptora raudio, mic agenta audio aaudio: przetwarzanie wstÄ&#x2122;pne i parametryzacja pojedynczych (krĂłtkookresowych) ramek sygnaĹ&#x201A;u mowy Fig. 1. Audio agent virtual receptor functions: preprocessing and parametrization of single (short-time) speech frames

2.2. Parametryzacja mowy Kolejny etap przetwarzania odbywa siÄ&#x2122; w dziedzinie czÄ&#x2122;stotliwoĹ&#x203A;ci. Rozpoczyna siÄ&#x2122; od wykonania szybkiej transformaty Fouriera (FFT) sygnaĹ&#x201A;u w ramce, a nastÄ&#x2122;pnie stosuje siÄ&#x2122; szereg filtrĂłw pasmowych. Pierwsza czynnoĹ&#x203A;Ä&#x2021; okreĹ&#x203A;la spektrum sygnaĹ&#x201A;u w kaĹźdej ramce, na podstawie ktĂłrego wyznaczane sÄ&#x2026; wspĂłĹ&#x201A;czynniki Fouriera, a druga wyznacza cechy melspektralne dla ramki sygnaĹ&#x201A;u mowy MFC (ang. Mel-Frequency Coefficients) i polega na przeksztaĹ&#x201A;ceniu amplitudy wspĂłĹ&#x201A;czynnikĂłw Fouriera za pomocÄ&#x2026; trĂłjkÄ&#x2026;tnych filtrĂłw pasmowych rozmieszczonych rĂłwnomiernie na skali mel, z koĹ&#x201E;cowym zlogarytmowaniem wynikĂłw takich filtracji [47]. Skala mel okreĹ&#x203A;la zaleĹźnoĹ&#x203A;Ä&#x2021; subiektywnie odbieranej wysokoĹ&#x203A;ci dĹşwiÄ&#x2122;ku od rzeczywistej czÄ&#x2122;stotliwoĹ&#x203A;ci tego dĹşwiÄ&#x2122;ku.

Wykonanie przeksztaĹ&#x201A;cenia kosinusowego powoduje transformacjÄ&#x2122; wspĂłĹ&#x201A;czynnikĂłw do dziedziny cepstralnej. Cepstrum to odwrotna transformata Fouriera widma sygnaĹ&#x201A;u wyraĹźonego w skali logarytmicznej. PrzeksztaĹ&#x201A;cenia w tej dziedzinie polegajÄ&#x2026; na odjÄ&#x2122;ciu wektora wartoĹ&#x203A;ci Ĺ&#x203A;rednich i na filtracji w dziedzinie cepstralnej (ang. liftering), w ten sposĂłb tworzÄ&#x2026;c znormalizowane wspĂłĹ&#x201A;czynniki melcepstralne MFCC (ang. ). Wektor cech uzupeĹ&#x201A;niony zostaje o gradienty tych wspĂłĹ&#x201A;czynnikĂłw wzglÄ&#x2122;dem czasu i wartoĹ&#x203A;Ä&#x2021; energii sygnaĹ&#x201A;u w ramce [47].

7

&

% % L 1% # 0 0 !2P UB

| / %

modele dla indywidualnych mĂłwcĂłw, gdy rozpatruje siÄ&#x2122; jedynie prĂłbki wypowiedzi kaĹźdego mĂłwcy z osobna. Na koniec modelowania dodatkowo przesuwa siÄ&#x2122; klastry modeli mĂłwcĂłw w kierunku odpowiadajÄ&#x2026;cych im klastrom modelu UBM w sytuacji, gdy zbiĂłr prĂłbek dla mĂłwcy jest maĹ&#x201A;o liczny. Niech Xt(s) oznacza wektor cech dla ramki t sygnaĹ&#x201A;u mowy danego mĂłwcy s. Niech mhubm oznacza Ĺ&#x203A;rodek klastra cech o indeksie h w modelu UBM, a mh(s) = eh{Xt(s)} jest Ĺ&#x203A;rodkiem najbliĹźszym mu klastra cech dla nagraĹ&#x201E; mĂłwcy s. Dla wyznaczenia nowego Ĺ&#x203A;rodka klastra w modelu mĂłwcy mh(s) stosujemy wspĂłĹ&#x201A;czynnik ah, ktĂłry jest bliski 1 wtedy, gdy zawiera duĹźo danych, albo zdÄ&#x2026;Ĺźa do zera wtedy, gdy liczba danych dla mĂłwcy jest maĹ&#x201A;a:

ModuĹ&#x201A; audio umoĹźliwia tworzenie modeli akustycznych dwĂłch typĂłw: â&#x2C6;&#x2019; modeli poszczegĂłlnych komend gĹ&#x201A;osowych; â&#x2C6;&#x2019; modeli gĹ&#x201A;osu poszczegĂłlnych mĂłwcĂłw.

WspĂłĹ&#x201A;wystÄ&#x2122;powanie obu typĂłw modeli w jednym systemie rozpoznawania komend i identyfikacji mĂłwcĂłw pozwala na specyficzne rozwiÄ&#x2026;zanie problemu modelowania i rozpoznawania komend gĹ&#x201A;osowych. Istnieje bowiem moĹźliwoĹ&#x203A;Ä&#x2021; korzystania z tej samej bazy prĂłbek mowy dla utworzenia modeli obu typĂłw. DodatkowÄ&#x2026; okolicznoĹ&#x203A;ciÄ&#x2026; jest ograniczona liczba komend gĹ&#x201A;osowych, ktĂłre mogÄ&#x2026; byÄ&#x2021; reprezentowane w pojedynczej instalacji interfejsu. W takiej sytuacji przyjÄ&#x2122;to zaĹ&#x201A;oĹźenie upraszczajÄ&#x2026;ce polegajÄ&#x2026;ce na tym, Ĺźe sĹ&#x201A;ownik komend ma charakter â&#x20AC;&#x17E;zamkniÄ&#x2122;tyâ&#x20AC;? â&#x20AC;&#x201C; rozpoznawane sÄ&#x2026; jedynie te komendy, dla ktĂłrych istniejÄ&#x2026; prĂłbki gĹ&#x201A;osowe, pobrane od zarejestrowanych mĂłwcĂłw. Oczywistym faktem jest, Ĺźe dla zbudowania modeli mĂłwcĂłw potrzebne sÄ&#x2026; ich rzeczywiste prĂłbki gĹ&#x201A;osowe.

PrzyjÄ&#x2122;to, Ĺźe bÄ&#x2122;dÄ&#x2026; nimi wypowiedzi zawierajÄ&#x2026;ce reprezentowane w systemie komendy gĹ&#x201A;osowe. To zaĹ&#x201A;oĹźenie motywowane jest obserwacjÄ&#x2026;, Ĺźe identyfikacja mĂłwcy jest skuteczniejsza, gdy rozpoznawanie jego gĹ&#x201A;osu odbywa siÄ&#x2122; w oparciu o te same komendy, co uzyskane uprzednio w procesie tworzenia modeli mĂłwcĂłw. PowyĹźsze zaĹ&#x201A;oĹźenie odnoĹ&#x203A;nie modeli mĂłwcĂłw pozwala z kolei na przyjÄ&#x2122;cie zaĹ&#x201A;oĹźenia o zamkniÄ&#x2122;tym sĹ&#x201A;owniku dla procesu uczenia modeli komend gĹ&#x201A;osowych.

Model kaĹźdej komendy ma postaÄ&#x2021; macierzy cech (sekwencji wektorĂłw cech dla kolejnych ramek sygnaĹ&#x201A;u w czasie) â&#x20AC;&#x201C; kaĹźda kolumna takiej macierzy jest jednym wektorem cech. Liczba wektorĂłw cech jest zmienna i zaleĹźy od dĹ&#x201A;ugoĹ&#x203A;ci wypowiedzianej komendy. Model jednej komendy powstaje w wyniku dopasowania do siebie i uĹ&#x203A;rednienia indywidualnych macierzy cech tworzonych dla prĂłbek uczÄ&#x2026;cych zawierajÄ&#x2026;cych danÄ&#x2026; komendÄ&#x2122; (rys. 2). Rozpoznawanie komendy polega na porĂłwnaniu macierzy cech pozyskanej z aktualnie analizowanego fragmentu sygnaĹ&#x201A;u z modelami komend. Kluczowym algorytmem w procesie dopasowania w obu fazach pracy â&#x20AC;&#x201C; modelowania i rozpoznawania â&#x20AC;&#x201C; jest wĹ&#x201A;asna wersja algorytmu â&#x20AC;&#x17E;dynamicznego marszczenia czasuâ&#x20AC;? (ang. Dynamic Time Warping) [55].

PowyĹźsza modyfikacja dotyczy jedynie Ĺ&#x203A;rodkĂłw klastrĂłw.

Macierze kowariancji dla klastrĂłw wyznaczonych dla prĂłbek danego mĂłwcy pozostajÄ&#x2026; bez zmian. W powyĹźszym wzorze macierze kowariancji nie wystÄ&#x2122;pujÄ&#x2026; w sposĂłb bezpoĹ&#x203A;redni, gdyĹź sÄ&#x2026; niezmienne, a wzĂłr ten podaje jedynie modyfikacjÄ&#x2122; wektora Ĺ&#x203A;rednich. Ocena dopasowania modelu danego mĂłwcy ze zbiorem cech dla ramek aktualnego sygnaĹ&#x201A;u ma charakter wzglÄ&#x2122;dny, gdyĹź porĂłwnuje siÄ&#x2122; ze sobÄ&#x2026; dwa wyniki dopasowania aktualnej prĂłbki mowy â&#x20AC;&#x201C; raz, z modelem mĂłwcy, a dwa â&#x20AC;&#x201C; z modelem uniwersalnym UBM. Dopiero róşnicÄ&#x2122; tych ocen, wyraĹźonych w skali logarytmicznej, porĂłwnuje siÄ&#x2122; z zadanym progiem. Niech Xt bÄ&#x2122;dzie zbiorem wektorĂłw cech pozyskanych z aktualnej wypowiedzi, s â&#x20AC;&#x201C; identyfikatorem mĂłwcy, Î&#x203A;s â&#x20AC;&#x201C; modelem mĂłwcy s, Î&#x203A;ubm â&#x20AC;&#x201C; uniwersalnym modelem wszystkich mĂłwcĂłw. Identyfikacja opiera siÄ&#x2122; na mierze dopasowania obserwacji z modelem mĂłwcy (ang. score), bÄ&#x2122;dÄ&#x2026;cej róşnicÄ&#x2026; dwĂłch wartoĹ&#x203A;ci (logarytmĂłw) wiarygodnoĹ&#x203A;ci: S(Xt | Î&#x203A;s, Î&#x203A;ubm) = log p(Xt | Î&#x203A;s) â&#x2C6;&#x2019; log p(Xt | Î&#x203A;ubm)

| .%!

' Za przetwarzanie obrazĂłw odpowiedzialny jest agent avision.

Wirtualny receptor rvision agreguje obrazy uzyskane ze stereopary kamer oraz przetwarza je w opisany w podsekcjach 3.1, 3.2, 3.3 i 3.4 sposĂłb. NastÄ&#x2122;pnie wirtualny receptor rvision przekazuje podsystemowi sterowania cvision pozycje dĹ&#x201A;oni, aby ten po przeksztaĹ&#x201A;ceniu opisanym w podsekcjach 3.5 i 3.6 PrzesĹ&#x201A;aĹ&#x201A; wyniki analizy moduĹ&#x201A;owi prezentacji, by ten w koĹ&#x201E;cu odwzorowaĹ&#x201A; je na pozycje kursorĂłw na ekranie. W tym celu rozpoznawane sÄ&#x2026; zarĂłwno gesty statyczne jak i dynamiczne.

2.4. Modelowanie i rozpoznawanie mĂłwcĂłw Funkcje modelowania i rozpoznawania mĂłwcy sÄ&#x2026; odmianÄ&#x2026; typowego rozwiÄ&#x2026;zania zwanego UBM-GMM (ang. Universal Background Model â&#x20AC;&#x201C; Gaussian Mixture Model). Wektory cech Xt wyznaczone dla kolejnych ramek t sygnaĹ&#x201A;u mowy tworzÄ&#x2026; punkty w wielowymiarowej przestrzeni. W wyniku klasteryzacji (grupowania) wektorĂłw cech uzyskanych dla wszystkich mĂłwcĂłw powstaje uniwersalny model UBM Î&#x203A;ubm o postaci N mieszanin funkcji Gaussa. Zasadniczo podobnie tworzone sÄ&#x2026;

| h > ,

Wirtualny receptor rvision wykorzystujÄ&#x2026;c parametry kalibracyjne ukĹ&#x201A;adu kamer (zarĂłwno dotyczÄ&#x2026;ce pojedynczych kamer jak i relacji miÄ&#x2122;dzy nimi) poddaje obrazy przeksztaĹ&#x201A;ceniu prostujÄ&#x2026;cemu. Parametry pozyskiwane sÄ&#x2026; z podsystemu sterowania, ktĂłry z kolei pobiera je z agenta avisionâ&#x2C6;&#x2019;database. W wyniku z obrazu usuwane sÄ&#x2026; znieksztaĹ&#x201A;cenia wprowadzane przez ukĹ&#x201A;ad optyczny, a pozycja obu obrazĂłw normalizowana jest w taki sposĂłb, Ĺźe poszczegĂłlne linie poziome na obu obrazach odpowiadajÄ&#x2026; sobie. Tak przygotowana para obrazĂłw jest wykorzystana do wyznaczenia mapy gĹ&#x201A;Ä&#x2122;bi.

| ? !'

Oba obrazy uzyskane ze stereopary poddawane sÄ&#x2026; operacji wyznaczenia mapy niezgodnoĹ&#x203A;ci (ang. disparity map), na ktĂłrej okreĹ&#x203A;lane jest wzglÄ&#x2122;dne przesuniÄ&#x2122;cie miÄ&#x2122;dzy widokiem lewym a prawym tego samego obiektu w przestrzeni. Wykorzystywany jest w tym celu algorytm SGBM (ang. Semi-Global Block

Rys. 2. Funkcje wirtualnego receptora agenta audio: modelowanie i rozpoznawanie komend gĹ&#x201A;osowych Fig. 2. Audio agent virtual receptor functions: modelling and recognition of spoken commands

8

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

B

B B B B B !

B #B $ %

Matching) [16]. Uzyskane róşnice poĹ&#x201A;oĹźeĹ&#x201E; (wyraĹźone w pikselach obrazu) mogÄ&#x2026; byÄ&#x2021; nastÄ&#x2122;pnie bezpoĹ&#x203A;rednio przeliczone na odlegĹ&#x201A;oĹ&#x203A;Ä&#x2021; danego punktu od kamery (wyraĹźonÄ&#x2026; w metrach), a z niej wyznaczyÄ&#x2021; moĹźna juĹź pozostaĹ&#x201A;e dwie wspĂłĹ&#x201A;rzÄ&#x2122;dne kartezjaĹ&#x201E;skie.

| | 0

" ' Obliczanie mapy niezgodnoĹ&#x203A;ci jest w ogĂłlnoĹ&#x203A;ci zadaniem doĹ&#x203A;Ä&#x2021; czasochĹ&#x201A;onnym, a jego zĹ&#x201A;oĹźonoĹ&#x203A;Ä&#x2021; zaleĹźna jest od rozmiaru obrazu wejĹ&#x203A;ciowego. W celu minimalizacji czasu przetwarzania do wyznaczania gĹ&#x201A;Ä&#x2122;bi przekazywane sÄ&#x2026; jedynie obszary zainteresowania. Dla interfejsu NPC sÄ&#x2026; nimi dĹ&#x201A;onie oraz twarz operatora. Ich wykrycie w obrazie RGB jest realizowane przez operacje segmentacji danych.

Pierwszym krokiem jest wykrycie w obrazie twarzy operatora. Stosowany do tego jest klasyczny detektor kaskadowy wykorzystujÄ&#x2026;cy cechy Haara [51]. JeĹ&#x203A;li twarz byĹ&#x201A;a poprawnie wykryta w poprzednich obrazach, w kolejnych jej pozycja jest jedynie Ĺ&#x203A;ledzona. W wykrytym obszarze wykonywane jest dopasowanie cech twarzy: oczu, nosa, ust oraz linii podbrĂłdka [23]. Na ich podstawie wyznaczany jest jej owal, a z niego okreĹ&#x203A;lana jest barwa skĂłry operatora.

W kolejnym kroku, znajÄ&#x2026;c rozkĹ&#x201A;ad barwy skĂłry operatora, dokonywana jest segmentacja obrazu w celu znalezienia dĹ&#x201A;oni.

Podobnie jak w przypadku twarzy, po ich wstÄ&#x2122;pnym wykryciu w nastÄ&#x2122;pnych obrazach sÄ&#x2026; one jedynie Ĺ&#x203A;ledzone w celu przyspieszenia obliczeĹ&#x201E;.

| } ; % ' ' odniesienia MajÄ&#x2026;c wyznaczone obszary zainteresowania, tj. twarz i obie dĹ&#x201A;onie, sÄ&#x2026; one przekazywane do algorytmĂłw wyznaczania gĹ&#x201A;Ä&#x2122;bi, ktĂłre w tym przypadku dziaĹ&#x201A;ajÄ&#x2026; znaczÄ&#x2026;co szybciej. Ostatecznie wirtualny receptor rvision przekazuje do podsystemu sterowania cvision pozycje punktĂłw charakterystycznych dĹ&#x201A;oni wyznaczonych wzglÄ&#x2122;dem ukĹ&#x201A;adu odniesienia zwiÄ&#x2026;zanego ze stereoparÄ&#x2026;.

3.5. Gesty statyczne Gesty statyczne to takie, ktĂłrych znaczenie zwiÄ&#x2026;zane jest z pozycjÄ&#x2026; nieruchomych dĹ&#x201A;oni operatora. SÄ&#x2026; one przeksztaĹ&#x201A;cane przez podsystem sterowania cvision na kody zwyczajowo generowane przez urzÄ&#x2026;dzenia wejĹ&#x203A;ciowe, takie jak np. mysz komputowa. PrzykĹ&#x201A;adowo, wykrywane sÄ&#x2026; nastÄ&#x2122;pujÄ&#x2026;ce gesty: dĹ&#x201A;oĹ&#x201E; otwarta to gest neutralny, zaciĹ&#x203A;niÄ&#x2122;ta piÄ&#x2122;Ĺ&#x203A;Ä&#x2021; oznacza klikniÄ&#x2122;cie, natomiast palec wyciÄ&#x2026;gniÄ&#x2122;ty do gĂłry lub w dĂłĹ&#x201A; powoduje przewijanie ekranu. Wynik rozpoznawania gestu statycznego jest przesyĹ&#x201A;any do moduĹ&#x201A;u prezentacji wraz z pozycjÄ&#x2026; dĹ&#x201A;oni.

Do rozpoznawania gestĂłw statycznych pierwotnie wykorzystany zostaĹ&#x201A; detektor kaskadowy uĹźywajÄ&#x2026;cy cech Haara. ZostaĹ&#x201A; on wytrenowany na szeĹ&#x203A;ciu gestach (dĹ&#x201A;oĹ&#x201E; otwarta, piÄ&#x2122;Ĺ&#x203A;Ä&#x2021;, wskazywanie, kciuk w gĂłrÄ&#x2122;, kciuk w dĂłĹ&#x201A; oraz palce uĹ&#x201A;oĹźone w literÄ&#x2122; â&#x20AC;&#x17E;Vâ&#x20AC;?). Do uczenia wykorzystano zbiĂłr zawierajÄ&#x2026;cy w sumie 3331 obrazĂłw. Wyniki tego klasyfikatora nie byĹ&#x201A;y jednak na odpowiednio wysokim poziomie, dlatego przygotowany zostaĹ&#x201A; klasyfikator wykorzystujÄ&#x2026;cy splotowe sieci neuronowe (CNN).

Architektura sieci skĹ&#x201A;ada siÄ&#x2122; z siedmiu warstw splotowych, zgrupowanych w trzy bloki, miÄ&#x2122;dzy ktĂłrymi wykonywana jest operacja redukcji za pomocÄ&#x2026; funkcji maksimum (ang. max pooling). SieÄ&#x2021; redukuje kolejno obraz wejĹ&#x203A;ciowy o wielkoĹ&#x203A;ci 32 px Ă&#x2014; 32 px aĹź do uzyskania szeĹ&#x203A;ciu macierzy wyjĹ&#x203A;ciowych w ostatniej warstwie splotowej. Na wyjĹ&#x203A;ciu znajduje siÄ&#x2122; szeĹ&#x203A;Ä&#x2021; neuronĂłw odpowiadajÄ&#x2026;cych szeĹ&#x203A;ciu nauczonym gestom, z ktĂłrych wartoĹ&#x203A;Ä&#x2021; kaĹźdego z nich wyznaczana jest przez operacjÄ&#x2122; uĹ&#x203A;rednienia odpowiedniej pĹ&#x201A;aszczyzny z ostatniej warstwy splotowej. Ostatnim elementem sieci jest softmax, normalizujÄ&#x2026;cy

wyjĹ&#x203A;cia do prawidĹ&#x201A;owego rozkĹ&#x201A;adu prawdopodobieĹ&#x201E;stwa (rys.

3). Klasyfikator ten daje zdecydowanie lepsze wyniki, wiÄ&#x2122;c zdecydowano siÄ&#x2122; ostatecznie na jego wykorzystanie.

3.6. Gesty dynamiczne Gesty dynamiczne to takie, dla ktĂłrych istotna jest trajektoria ruchu dĹ&#x201A;oni, a wiÄ&#x2122;c takie jak machniÄ&#x2122;cia w lewo bÄ&#x2026;dĹş prawo.

W tym celu podsystem sterowania cvision wykorzystuje algorytm dynamicznego marszczenia czasu [12]. Uczenie gestĂłw wymaga zebrania odpowiedniej liczby danych wzorcowych. Ze wzglÄ&#x2122;du na znacznie mniejszÄ&#x2026; wymiarowoĹ&#x203A;Ä&#x2021; problemu dopasowania trajektorii (w porĂłwnaniu do zadania rozpoznawania obrazĂłw), wystarcza niewielka liczba (poniĹźej 10) pomiarĂłw referencyjnych. Rozpoznane gesty dynamiczne przekazywane sÄ&#x2026; do moduĹ&#x201A;u prezentacji, jako identyfikator gestu. Identyfikatory nastÄ&#x2122;pnie tĹ&#x201A;umaczone sÄ&#x2026; na skrĂłty klawiaturowe przez moduĹ&#x201A; prezentacji.

Gesty dynamiczne interpretowane sÄ&#x2026; tylko wtedy, kiedy uĹźytkownik uĹźywa lewej rÄ&#x2122;ki, tj. prawa dĹ&#x201A;oĹ&#x201E; znajduje siÄ&#x2122; poza obszarem roboczym. Od tego momentu kolejne pozycje lewej dĹ&#x201A;oni sÄ&#x2026; zapisywane w pamiÄ&#x2122;ci wewnÄ&#x2122;trznej do bufora o pojemnoĹ&#x203A;ci 50 pozycji. Po kaĹźdej zapisanej pozycji caĹ&#x201A;y bufor jest interpretowany jako trajektoria i dopasowywany do niego jest jeden z nauczonych gestĂłw dynamicznych. Po rozpoznaniu gestu o odpowiednio wysokim wspĂłĹ&#x201A;czynniki podobieĹ&#x201E;stwa jego identyfikator przesyĹ&#x201A;any jest do agenta odpowiedzialnego za sterowanie wizualizacjÄ&#x2026;, czyli do aprez. W celu unikniÄ&#x2122;cia wielokrotnego wywoĹ&#x201A;ania tego samego gestu w krĂłtkim okresie (w kilku nastÄ&#x2122;pujÄ&#x2026;cych po sobie obrazach) po poprawnym rozpoznaniu gestu dynamicznego przez kolejnÄ&#x2026; sekundÄ&#x2122; rozpoznawanie jest zawieszone â&#x20AC;&#x201C; nastÄ&#x2122;puje akwizycja pozycji dĹ&#x201A;oni, ale gesty nie sÄ&#x2026; interpretowane.

4. Testy rozpoznawania mowy i mĂłwcĂłw } h " Wykonano dwie sesje nagraĹ&#x201E;, w dwĂłch róşnych miejscach, w duĹźym odstÄ&#x2122;pie czasu.

Do nagraĹ&#x201E; w pierwszej sesji wykorzystano nastÄ&#x2122;pujÄ&#x2026;ce trzy mikrofony stacjonarne: Sennheiser MKE 600 (zamontowany na statywie), the t.bone EM 9600 (trzymany w rÄ&#x2122;ku) i Shure SM58 LE (zamontowany na statywie) oraz moduĹ&#x201A; bezprzewodowy AKG WMS 40 Mini Sport ISM3 z mikrofonem nagĹ&#x201A;ownym Samson DE10.

Do nagraĹ&#x201E; w czasie drugiej sesji korzystano z czterech mikrofonĂłw: Sennheiser MKE 600, Shure SM58, mikrofonu konferencyjnego AKG CGN321 STS (nowy, niewystÄ&#x2122;pujÄ&#x2026;cy w pierwszej sesji) i nagĹ&#x201A;ownego AKG Samson DE10.

W pierwszej sesji zebrano nagrania prĂłbek mowy dla 11 mĂłwcĂłw â&#x20AC;&#x201C; dla kaĹźdego mĂłwcy zebrano minimum po dziewiÄ&#x2122;Ä&#x2021; prĂłbek stacjonarnymi mikrofonami i po szeĹ&#x203A;Ä&#x2021; prĂłbek mikrofonem nagĹ&#x201A;ownym, dla kaĹźdej z 10 komend gĹ&#x201A;osowych. Komendy nagrywano po kolei, do pojedynczego pliku, a nastÄ&#x2122;pnie dokonano podziaĹ&#x201A;u na poszczegĂłlne komendy. KaĹźdÄ&#x2026; komendÄ&#x2122; nagrano przynajmniej trzykrotnie, kaĹźdym z trzech mikrofonĂłw stacjonarnych. Dla mikrofonu nagĹ&#x201A;ownego komendy nagrano co najmniej szeĹ&#x203A;ciokrotnie dla kaĹźdego mĂłwcy. W grupie 11 mĂłwcĂłw byĹ&#x201A;o oĹ&#x203A;miu mÄ&#x2122;Ĺźczyzn i trzy kobiety.

W drugiej sesji nagraĹ&#x201E; zebrano prĂłbki nagraĹ&#x201E; tych samych 10 komend gĹ&#x201A;osowych od siedmiu mĂłwcĂłw (sami mÄ&#x2122;ĹźczyĹşni), z ktĂłrych dwĂłch juĹź wystÄ&#x2122;powaĹ&#x201A;o w pierwszej sesji, a pozostaĹ&#x201A;ych piÄ&#x2122;ciu â&#x20AC;&#x201C; nie. Dla kaĹźdego mĂłwcy nagrano przynajmniej szeĹ&#x203A;Ä&#x2021; prĂłbek kaĹźdej komendy trzema mikrofonami stacjonarnymi i szeĹ&#x203A;Ä&#x2021; prĂłbek mikrofonem nagĹ&#x201A;ownym.

Lista komend gĹ&#x201A;osowych, dla ktĂłrych zostaĹ&#x201A;y zebrane prĂłbki mowy, to: obraz ogĂłlny,

-

9

&

% % L 1% # 0 0 !2P UB

Rys. 3. Struktura sieci neuronowej odpowiedzialnej za klasyfikacjÄ&#x2122; gestĂłw statycznych Fig. 3. Structure of the neural network for static gesture classification

gĹ&#x201A;osowy mĂłwcy ani teĹź jej specjalizowany model komend.

Dlatego testy rozpoznawania w tym trybie wykonano jedynie z wykorzystaniem ogĂłlnego modelu komend. Podczas rozpoznawania tego mĂłwcy wĹ&#x201A;aĹ&#x203A;ciwym wynikiem powinien byÄ&#x2021; zawsze identyfikator â&#x20AC;&#x17E;0â&#x20AC;?, co oznacza â&#x20AC;&#x17E;brak identyfikacjiâ&#x20AC;? zarejestrowanego mĂłwcy.

Testy on-line polegaĹ&#x201A;y na wypowiedzeniu przez uĹźytkownika wszystkich 10 poleceĹ&#x201E;. KaĹźde polecenie wypowiadane byĹ&#x201A;o po 10 razy. Testy zostaĹ&#x201A;y powtĂłrzone dla kaĹźdego z czterech mikrofonĂłw wybranych do testĂłw (podanych wyĹźej). MĂłwca znajdowaĹ&#x201A; siÄ&#x2122; w odlegĹ&#x201A;oĹ&#x203A;ci od kilku do 20 cm od mikrofonĂłw.

,

, ,

,

, ,

, i .

Tym samym utworzono cztery bazy prĂłbek: Baza 1A â&#x20AC;&#x201C; pierwsza sesja, mikrofony stacjonarne zawiera prĂłbki pochodzÄ&#x2026;ce z trzech mikrofonĂłw stacjonarnych â&#x20AC;&#x201C; przynajmniej po szeĹ&#x203A;Ä&#x2021; prĂłbek na komendÄ&#x2122; i mĂłwcÄ&#x2122;, w tym po dwie z kaĹźdego mikrofonu. Wybrano do testĂłw prĂłbki dla 11 mĂłwcĂłw Ă&#x2014; 10 komend Ă&#x2014; 6 prĂłbek, czyli 660 prĂłbek; Baza 1B â&#x20AC;&#x201C; druga sesja, mikrofony stacjonarne prĂłbki mowy siedmiu mĂłwcĂłw â&#x20AC;&#x201C; po szeĹ&#x203A;Ä&#x2021; prĂłbek dla kaĹźdej z 10 komend; Baza 2A â&#x20AC;&#x201C; pierwsza sesja, mikrofon nagĹ&#x201A;owny zawiera prĂłbki pochodzÄ&#x2026;ce z mikrofonu nagĹ&#x201A;ownego â&#x20AC;&#x201C; 11 mĂłwcĂłw Ă&#x2014; 10 komend Ă&#x2014; 6 prĂłbek. W sumie takĹźe zebrano 660 prĂłbek; Baza 2B â&#x20AC;&#x201C; druga sesja, mikrofon nagĹ&#x201A;owny prĂłbki mowy siedmiu mĂłwcĂłw â&#x20AC;&#x201C; po szeĹ&#x203A;Ä&#x2021; prĂłbek dla kaĹźdej z 10 komend nagranych mikrofonem nagĹ&#x201A;ownym.

Procesem nagraĹ&#x201E; kierowaĹ&#x201A; serwisant dziaĹ&#x201A;ajÄ&#x2026;cy w roli administratora systemu, a uczestniczyli w nim kolejno rejestrowani bezpoĹ&#x203A;redni uĹźytkownicy. Do zebrania prĂłbek korzystano jedynie z moduĹ&#x201A;u audio.

} | ? ,,$% Procesem tworzenia modeli komend i rozpoznawania komend kierowaĹ&#x201A; serwisant, dziaĹ&#x201A;ajÄ&#x2026;c w roli administratora, a realizowaĹ&#x201A; go agent audio aaudio.

W bazie 1A dla kaĹźdego z 11 mĂłwcĂłw i kaĹźdej z 10 komend zebrano przynajmniej 9 prĂłbek wypowiedzi. KaĹźdy zbiĂłr 9 prĂłbek tej samej wypowiedzi, tego samego mĂłwcy, zostaĹ&#x201A; podzielony na czÄ&#x2122;Ĺ&#x203A;Ä&#x2021; treningowÄ&#x2026; (prĂłbki 1â&#x20AC;&#x201C;3) i czÄ&#x2122;Ĺ&#x203A;Ä&#x2021; testowÄ&#x2026; (prĂłbki 4â&#x20AC;&#x201C;9).

Stworzono model komend i modele mĂłwcĂłw w oparciu o zbiĂłr prĂłbek treningowych. Przetestowano skutecznoĹ&#x203A;Ä&#x2021; rozpoznawania komend i mĂłwcĂłw w oparciu o zbiĂłr testowych prĂłbek.

KaĹźda prĂłbka byĹ&#x201A;a rozpoznawana niezaleĹźnie od pozostaĹ&#x201A;ych.

BezwzglÄ&#x2122;dna skutecznoĹ&#x203A;Ä&#x2021; rozpoznawania komend (tzn. przy braku warunku speĹ&#x201A;niania okreĹ&#x203A;lonego progu jakoĹ&#x203A;ci) przy jednym zbiorczym modelu dla wszystkich mĂłwcĂłw wyniosĹ&#x201A;a, zaleĹźnie od podziaĹ&#x201A;u zbioru na prĂłbki uczÄ&#x2026;ce i testowe, 92,4% â&#x20AC;&#x201C; 93,9% (dla prĂłbek z bazy 1A) i 89,4% â&#x20AC;&#x201C; 90,1% (dla prĂłbek z bazy 1B).

Kolejny test polegaĹ&#x201A; na doĹ&#x201A;Ä&#x2026;czeniu prĂłbek testowych z bazy 1B do 1A. W wiÄ&#x2122;kszoĹ&#x203A;ci (piÄ&#x2122;ciu z siedmiu) byli to inni mĂłwcy niĹź rejestrowani w pierwszej sesji, dla ktĂłrych utworzono modele komend i mĂłwcĂłw. Wyniki zbiorcze rozpoznawania komend nieznacznie pogorszyĹ&#x201A;y siÄ&#x2122;. Dla poĹ&#x201A;Ä&#x2026;czonych baz 1A i 1B odnotowano bezwzglÄ&#x2122;dnÄ&#x2026; skutecznoĹ&#x203A;Ä&#x2021; 90,1% â&#x20AC;&#x201C; 90,4%.

Charakterystyka systemu za pomocÄ&#x2026; kryteriĂłw biometrycznych podana jest na rysunku 4 (dla bazy 1A) i na rysunku 5 (dla poĹ&#x201A;Ä&#x2026;czonych baz 1A i 1B). Punkt EER â&#x20AC;&#x201C; punkt rĂłwnowagi czÄ&#x2122;stoĹ&#x203A;ci bĹ&#x201A;Ä&#x2122;dnej akceptacji FAR (ang. false acceptance rate) i czÄ&#x2122;stoĹ&#x203A;ci bĹ&#x201A;Ä&#x2122;dnego odrzucenia FRR (ang. false rejection rate) â&#x20AC;&#x201C; wyniĂłsĹ&#x201A; odpowiednio 0,108 (dla bazy 1A) i 0,159 (dla poĹ&#x201A;Ä&#x2026;czonych baz 1A i 1B).

Podobnie zrealizowano testy dla baz prĂłbek 2A i 2B pochodzÄ&#x2026;cych z mikrofonu nagĹ&#x201A;ownego, z tym Ĺźe tu czÄ&#x2122;Ĺ&#x203A;Ä&#x2021; treningowa i czÄ&#x2122;Ĺ&#x203A;Ä&#x2021; testowa zawieraĹ&#x201A;y obie po trzy prĂłbki dla kaĹźdej komendy kaĹźdego mĂłwcy. Wyniki rozpoznawania komend byĹ&#x201A;y o okoĹ&#x201A;o 5% gorsze niĹź dla baz 1A i 1B. Dla obu baz 2A i 2B odnotowano podobnÄ&#x2026; bezwzglÄ&#x2122;dnÄ&#x2026; skutecznoĹ&#x203A;Ä&#x2021; rozpoznawania komend wynoszÄ&#x2026;cÄ&#x2026; okoĹ&#x201A;o 87%, a punkt EER wyniĂłsĹ&#x201A; 0,154 (dla bazy 2A) i 0,216 (dla poĹ&#x201A;Ä&#x2026;czonych baz 2A i 2B) (rys. 6, rys. 7).

JeĹźeli zaĹ&#x201A;oĹźymy teraz, Ĺźe mĂłwca kaĹźdej prĂłbki testowej zostaĹ&#x201A; prawidĹ&#x201A;owo zidentyfikowany, moĹźna wtedy stosowaÄ&#x2021;

} & " " System rozpoznawania komend wykorzystuje nauczony wczeĹ&#x203A;niej model. Danymi sĹ&#x201A;uĹźÄ&#x2026;cymi uczeniu modelu byĹ&#x201A;y prĂłbki gĹ&#x201A;osu grupy 11 osĂłb, nagranych w pierwszej sesji. ModuĹ&#x201A; audio wyposaĹźono w kilkanaĹ&#x203A;cie modeli komend â&#x20AC;&#x201C; po jednym specjalizowanym dla indywidualnego mĂłwcy, po jednym modelu dla kobiet i jednym dla mÄ&#x2122;Ĺźczyzn oraz jednym ogĂłlnym. Model ogĂłlny powstaje na podstawie prĂłbek nagraĹ&#x201E; gĹ&#x201A;osu wszystkich osĂłb z uczestniczÄ&#x2026;cych w nagraniach. Modele specjalizowane oparte sÄ&#x2026; na prĂłbkach nagraĹ&#x201E; kolejnych pojedynczych mĂłwcĂłw. Testy moduĹ&#x201A;u audio przeprowadzone byĹ&#x201A;y na ogĂłlnym modelu mĂłwcy i na modelach pojedynczych mĂłwcĂłw.

4.2.1. Testy off-line Wyróşniamy dwa rodzaje testĂłw â&#x20AC;&#x201C; wykonane w warunkach off-line i on-line. Pierwsze z nich wykonano na zbiorze wczeĹ&#x203A;niej nagranych prĂłbek uczÄ&#x2026;cych i testowych skĹ&#x201A;adajÄ&#x2026;cych siÄ&#x2122; na cztery bazy nagraĹ&#x201E;, okreĹ&#x203A;lonych powyĹźej jako â&#x20AC;&#x17E;1A, 2Aâ&#x20AC;? i â&#x20AC;&#x17E;1B, 2Bâ&#x20AC;?. â&#x2C6;&#x2019; Dla baz 1A i 2A przyjÄ&#x2122;to podziaĹ&#x201A; kaĹźdego zbioru prĂłbek na dwa podzbiory â&#x20AC;&#x201C; trzy prĂłbki komendy kaĹźdego mĂłwcy braĹ&#x201A;y udziaĹ&#x201A; w procesie uczenia (tworzenia) modeli, a pozostaĹ&#x201A;e szeĹ&#x203A;Ä&#x2021; wchodziĹ&#x201A;o w skĹ&#x201A;ad podzbioru testowego. PrĂłbki baz 1B i 2B przeznaczono jedynie do testowania z modelami utworzonymi dla 1A i 2A.

4.2.2. Testy on-line Drugi typ testĂłw (on-line) prowadziĹ&#x201A;a osoba, ktĂłra nie byĹ&#x201A;a zarejestrowana w pierwszej sesji, tzn. nie istniaĹ&#x201A; dla niej model

10

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

B

B B B B B !

B #B $ %

1

Komendy: FAR, FRR, EER=0.108 (test 1A)

1 FAR FRR

0.9

0.8

0.7

0.7

0.6

0.6

0.5

0.5

0.4

0.4

0.3

0.3

0.2

0.2

0.1

0.1 0.12

0.14

0.16

0.18

0.2

0.22

Rys. 4. Wykres krzywych FAR i FRR dla procesu rozpoznawania komend dla prĂłbek w bazie 1A Fig. 4. FAR and FRR plots for spoken command recognition for samples from database 1A

1

0 0.08

1 FAR FRR

0.8

0.7

0.7

0.6

0.6

0.5

0.5

0.4

0.4

0.3

0.3

0.2

0.2

0.1

0.1 0.1

0.12

0.14

0.16

0.18

0.2

0.12

0.14

0.16

0.18

0.2

0.22

Komendy: FAR, FRR, EER=0.2159 (test 2A+2B) FAR FRR

0.9

0.8

0 0.08

0.1

Rys. 6. Wykres krzywych FAR i FRR dla procesu rozpoznawania komend dla prĂłbek w bazie 2A Fig. 6. FAR and FRR plots for spoken command recognition for samples from database 2A

Komendy: FAR, FRR, EER=0.159 (test 1A+1B)

0.9

FAR FRR

0.9

0.8

0 0.1

Komendy: FAR, FRR, EER=0.1534 (test 2A)

0.22

0 0.06

0.08

0.1

0.12

0.14

0.16

0.18

0.2

0.22

Rys. 5. Wykres krzywych FAR i FRR dla procesu rozpoznawania komend Ĺ&#x201A;Ä&#x2026;cznie dla prĂłbek w bazach 1A i 1B Fig. 5. FAR and FRR plots for spoken command recognition for samples from joined databases 1A and 1B

Rys. 7. Wykres krzywych FAR i FRR dla procesu rozpoznawania komend Ĺ&#x201A;Ä&#x2026;cznie dla prĂłbek w bazach 2A i 2B Fig. 7. FAR and FRR plots for spoken command recognition for samples from joined databases 2A and 2B

wĹ&#x201A;asny model komend danego mĂłwcy. Przy takim postepowaniu skutecznoĹ&#x203A;Ä&#x2021; rozpoznawania zwiÄ&#x2122;kszyĹ&#x201A;a siÄ&#x2122; Ĺ&#x203A;rednio do 91,2% (dla poĹ&#x201A;Ä&#x2026;czonych baz 1A i 1B) i 87,8% (dla poĹ&#x201A;Ä&#x2026;czonych baz 2A i 2B).

Przy ocenie skutecznoĹ&#x203A;ci rozpoznawania komend naleĹźy uwzglÄ&#x2122;dniÄ&#x2021;, Ĺźe zbiĂłr uczÄ&#x2026;cy byĹ&#x201A; stosunkowo nieliczny, a jakoĹ&#x203A;Ä&#x2021; prĂłbek nagrywanych róşnymi kanaĹ&#x201A;ami akwizycji (o zmiennych ustawieniach czuĹ&#x201A;oĹ&#x203A;ci) byĹ&#x201A;a bardzo zróşnicowana.

Ĺźe nie kaĹźda prĂłba wydania komendy koĹ&#x201E;czyĹ&#x201A;a siÄ&#x2122; rozpoznaniem jednej z 10 komend. Nie przyjÄ&#x2122;to jednak Ĺźadnych dalszych ograniczeĹ&#x201E; dla samego nagrania, np. speĹ&#x201A;niania przez nagranie wymogu minimalnej i maksymalnej Ĺ&#x203A;redniej energii.

Tym samym zbyt ciche lub zbyt gĹ&#x201A;oĹ&#x203A;ne nagrania w praktyce zdarzaĹ&#x201A;y siÄ&#x2122;, co wpĹ&#x201A;ywaĹ&#x201A;o negatywnie na proces ich rozpoznawania. MoĹźna uznaÄ&#x2021;, Ĺźe testowano dziaĹ&#x201A;anie systemu w wersji on-line, pracujÄ&#x2026;cego w symulowanych warunkach rzeczywistych.

Wykresy (a)â&#x20AC;&#x201C;(c) na rys. 8 obrazujÄ&#x2026; prawidĹ&#x201A;owoĹ&#x203A;Ä&#x2021; rozpoznania poszczegĂłlnych komend przy stosowaniu kaĹźdego z trzech dostÄ&#x2122;pnych mikrofonĂłw. NajwiÄ&#x2122;cej poprawnych rozpoznaĹ&#x201E; uzyskano dla mikrofonĂłw Sennheiser MKE 600 i Shure SM58. Najmniej rozpoznaĹ&#x201E; stwierdzono dla mikrofonu nagĹ&#x201A;ownego AKG Samson. Stwierdzono nastÄ&#x2122;pujÄ&#x2026;ce czÄ&#x2122;stoĹ&#x203A;ci prawidĹ&#x201A;owej akceptacji GAR (ang. genuine acceptance rate): 82% (Sennheiser MKE 600), 82% (Shure SM58) i 73% (nagĹ&#x201A;owny AKG Samson). Dla porĂłwnania, przy progu 0,12 w testach on-line uzyskano dla

} } ? $% Do testĂłw on-line dysponowano dwoma mikrofonami stacjonarnymi â&#x20AC;&#x201C; Sennheiser MKE 600 i Shure SM58 â&#x20AC;&#x201C; oraz mikrofonem nagĹ&#x201A;ownym AKG LE Samson DE10. KaĹźda z 10 komend byĹ&#x201A;a powtarzana 10-krotnie dla kaĹźdego z mikrofonĂłw. PrĂłg decyzyjny ustawiony byĹ&#x201A; na wartoĹ&#x203A;Ä&#x2021; miary jakoĹ&#x203A;ci wynoszÄ&#x2026;ca 0,12, czyli w okolicy punktu EER (odczytanego z wykresĂłw skutecznoĹ&#x203A;ci biometrycznej w testach off-line). To oznacza,

11

&

% % L 1% # 0 0 !2P UB obu poĹ&#x201A;Ä&#x2026;czonych baz 1A i 1B (mikrofony stacjonarne) Ĺ&#x203A;redniÄ&#x2026; skutecznoĹ&#x203A;Ä&#x2021; 84,1% a dla poĹ&#x201A;Ä&#x2026;czonych baz 2A i 2B (mikrofony nagĹ&#x201A;owne) â&#x20AC;&#x201C; okoĹ&#x201A;o 78%. Róşnica skutecznoĹ&#x203A;ci rozpoznania w spodziewanym punkcie EER miÄ&#x2122;dzy testem off-line a on-line wyniosĹ&#x201A;a okoĹ&#x201A;o 3â&#x20AC;&#x201C;5% na korzyĹ&#x203A;Ä&#x2021; testu off-line.

Wykresy (a)â&#x20AC;&#x201C;(b) na rys. 9 sÄ&#x2026; macierzami pomyĹ&#x201A;ek (ang. confusion matrix). Jako â&#x20AC;&#x17E;daneâ&#x20AC;? oznaczono komendy, ktĂłre byĹ&#x201A;y wypowiadane przez mĂłwcÄ&#x2122;, zaĹ&#x203A; jako â&#x20AC;&#x17E;rozpoznanieâ&#x20AC;? oznaczono komendy, ktĂłre byĹ&#x201A;y rozpoznane przez moduĹ&#x201A; audio. Jak moĹźna byĹ&#x201A;o oczekiwaÄ&#x2021;, wiÄ&#x2122;kszoĹ&#x203A;Ä&#x2021; pomyĹ&#x201A;ek dotyczy komendy nr 7, ktĂłra jest zbliĹźona do komend nr 8â&#x20AC;&#x201C;10.

(a) Sennheiser MKE 600

(a) Sennheiser MKE 600 â&#x20AC;&#x201C; 82 rozpoznaĹ&#x201E; na 100 prĂłb

(b) Shure SM58

(b) Shure SM58 â&#x20AC;&#x201C; 82 rozpoznaĹ&#x201E; na 100 prĂłb

Rys. 9. Macierze pomyĹ&#x201A;ek dla testu rozpoznawania 10 komend Fig. 9. Confusion matrices from the recognition test of 10 commands

} ? " " ,,$% Identyfikacja mĂłwcy na podstawie pojedynczych sĹ&#x201A;Ăłw zasadniczo nie jest nigdy wystarczajÄ&#x2026;co skuteczna. Dlatego zastosowano procedurÄ&#x2122; identyfikacji mĂłwcy wykonywanÄ&#x2026; wtedy, gdy znane sÄ&#x2026; wypowiedzi co najmniej trzech mĂłwcĂłw. DecyzjÄ&#x2122; podejmowano po akumulacji wyniku rozpoznania dla minimum trzech kolejnych prĂłbek, ale maksymalnie dziesiÄ&#x2122;ciu kolejnych prĂłbek. Proces testowania byĹ&#x201A; podzielony na niezaleĹźnie od siebie wykonywane rozpoznawanie prĂłbek kaĹźdego mĂłwcy z osobna. Dla jednego mĂłwcy dysponowano 30 prĂłbkami (komendami). Wyniki rozpoznania dwĂłch pierwszych prĂłbek nie prowadzÄ&#x2026; do decyzji o identyfikacji, lecz sÄ&#x2026; wewnÄ&#x2122;trznie akumulowane. Po dodaniu wyniku rozpoznania trzeciej prĂłbki nastÄ&#x2122;puje pierwsza decyzja o identyfikacji mĂłwcy. Teraz dodanie wyniku kaĹźdej kolejnej prĂłbki prowadzi do kolejnych decyzji, a liczba akumulowanych wynikĂłw roĹ&#x203A;nie aĹź osiÄ&#x2026;gnie liczbÄ&#x2122; dziesiÄ&#x2122;ciu prĂłbek, czyli do wyczerpania maksymalnej pojemnoĹ&#x203A;ci pamiÄ&#x2122;ci pojedynczych wynikĂłw. Wtedy najnowszy wynik zastÄ&#x2122;puje w tej pamiÄ&#x2122;ci wynik najstarszy â&#x20AC;&#x201C; innymi sĹ&#x201A;owy stworzono bufor cykliczny. KaĹźda kolejna decyzja podejmowana jest na podstawie akumulacji wynikĂłw rozpoznania 10 pojedynczych prĂłbek. PodsumowujÄ&#x2026;c, liczba prĂłbek jednego mĂłwcy, wynoszÄ&#x2026;ca 30, prowadzi do 28 decyzji o identyfikacji mĂłwcy.

(c) AKG (nagĹ&#x201A;owny) â&#x20AC;&#x201C; 73 rozpoznaĹ&#x201E; na 100 prĂłb

Rys. 8. Suma rozpoznaĹ&#x201E; prawidĹ&#x201A;owych i nieprawidĹ&#x201A;owych (kaĹźda komenda wypowiedziana zostaĹ&#x201A;a 10 razy) Fig. 8. Sum of proper and improper recognitions (each command repeated 10 times)

12

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

B

B B B B B !

B #B $ % Jako sukces uznano sytuacjÄ&#x2122;, gdy prĂłbka danego mĂłwcy zostaĹ&#x201A;a przypisana poprawnie do mĂłwcy nazwanego genuine (autentyczny), czyli nie zostaĹ&#x201A;a przypisana do Ĺźadnego z pozostaĹ&#x201A;ych znanych mĂłwcĂłw peĹ&#x201A;niÄ&#x2026;cych wtedy rolÄ&#x2122; imposter (podszywajÄ&#x2026;cego siÄ&#x2122;). Jednak warunkiem poprawnej identyfikacji jest takĹźe, aby odstÄ&#x2122;p prĂłbki od modelu mĂłwcy genuine byĹ&#x201A; niĹźszy (o zadanÄ&#x2026; wzglÄ&#x2122;dnÄ&#x2026; odlegĹ&#x201A;oĹ&#x203A;Ä&#x2021; 2%, czyli zastosowano prĂłg odlegĹ&#x201A;oĹ&#x203A;ci 0,98) od odlegĹ&#x201A;oĹ&#x203A;ci do modelu UBM, reprezentujÄ&#x2026;cego â&#x20AC;&#x17E;wszystkich mĂłwcĂłwâ&#x20AC;?. Jako â&#x20AC;&#x17E;brak decyzjiâ&#x20AC;? zaznaczono sytuacjÄ&#x2122;, gdy wynik dla mĂłwcy genuine jest najlepszy spoĹ&#x203A;rĂłd zarejestrowanych mĂłwcĂłw, ale pozostaje zbyt bliski wynikowi dla modelu UBM, lub teĹź, gdy â&#x20AC;&#x17E;wygrywaâ&#x20AC;? model UBM. Charakterystyka systemu za pomocÄ&#x2026; kryteriĂłw biometrycznych podana jest na rys. 10 i 11. W podanych warunkach (dla progu wzglÄ&#x2122;dnego odstÄ&#x2122;pu 0,98) stopa poprawnej identyfikacji mĂłwcy wynosiĹ&#x201A;a okoĹ&#x201A;o 97% dla bazy 1A i okoĹ&#x201A;o 89% dla bazy 2A, w obu przypadkach przy zerowej stopie bĹ&#x201A;Ä&#x2122;dnej

akceptacji. NaleĹźy zauwaĹźyÄ&#x2021;, Ĺźe uzyskano wysokÄ&#x2026; skutecznoĹ&#x203A;Ä&#x2021; identyfikacji, mimo iĹź typowe wyniki odlegĹ&#x201A;oĹ&#x203A;ci dla mĂłwcĂłw genuine byĹ&#x201A;y jedynie o kilka procent lepsze (Ĺ&#x203A;rednio 5,9â&#x20AC;&#x201C;6,4%) od wynikĂłw odlegĹ&#x201A;oĹ&#x203A;ci dla modelu uniwersalnego mĂłwcy UBM. OdstÄ&#x2122;p wynikĂłw dla mĂłwcĂłw imposter od mĂłwcĂłw genuine byĹ&#x201A; zawsze wiÄ&#x2122;kszy o kilka procent od odstÄ&#x2122;pu dla modelu UBM, a to oznacza, Ĺźe moĹźliwe byĹ&#x201A;o nawet zastosowanie progu 1,0, co zwiÄ&#x2122;kszyĹ&#x201A;oby stopÄ&#x2122; poprawnej identyfikacji do niemal 100%.

Po doĹ&#x201A;Ä&#x2026;czeniu baz prĂłbek 1B (do 1A) i 2B (do 2A) obserwujemy (spodziewane) pogorszenie siÄ&#x2122; wynikĂłw rozpoznawania mĂłwcĂłw wyraĹźajÄ&#x2026;ce siÄ&#x2122; wzrostem wartoĹ&#x203A;ci EER i przesuniÄ&#x2122;ciem siÄ&#x2122; centrĂłw klastrĂłw (gĹ&#x201A;Ăłwnie dotyczy to prĂłbek z bazy 2B wzglÄ&#x2122;dem prĂłbek z bazy 2A). Charakterystyka systemu testowanego Ĺ&#x201A;Ä&#x2026;cznie na bazach 1A i 1B za pomocÄ&#x2026; kryteriĂłw biometrycznych podana jest na rys. 12, a testowanego na bazach 2A i 2B â&#x20AC;&#x201C; na rys. 13.

MĂłwcy: FAR, FRR, EER=0.0027 (test 1A)

1

1

FAR FRR

0.9

0.9

0.8

0.8

0.7

0.7

0.6

0.6

0.5

0.5

0.4

0.4

0.3

0.3

0.2

0.2

FAR FRR

0.1

0.1 0 0.8

0.85

0.9

0.95

1

0 0.85

1.05

Rys. 10. Wykres krzywych FAR i FRR dla procesu rozpoznawania mĂłwcy dla prĂłbek w bazie 1A Fig. 10. FAR and FRR plots for speaker recognition for samples from database 1A

1 FAR FRR

0.9

0.8

0.7

0.7

0.6

0.6

0.5

0.5

0.4

0.4

0.3

0.3

0.2

0.2

0.1

0.1 0.94

0.96

0.98

1

1.02

1.04

Rys. 11. Wykres krzywych FAR i FRR dla procesu rozpoznawania mĂłwcy dla prĂłbek w bazie 2A Fig. 11. FAR and FRR plots for speaker recognition for samples from database 2A

0.95

1

1.05

1.1

MĂłwcy: FAR, FRR, EER=0.0184 (test 2A+2B)

0.9

0.8

0.92

0.9

Rys. 12. Wykres krzywych FAR i FRR dla procesu rozpoznawania mĂłwcy Ĺ&#x201A;Ä&#x2026;cznie dla prĂłbek w bazach 1A i 1B Fig. 12. FAR and FRR plots for speaker recognition for samples from joined databases 1A and 1B

MĂłwcy: FAR, FRR, EER=0.0059 (test 2A)

1

0 0.9

MĂłwcy: FAR, FRR, EER=0.0253 (test 1A+1B)

1.06

0 0.85

FAR FRR

0.9

0.95

1

1.05

1.1

Rys. 13. Wykres krzywych FAR i FRR dla procesu rozpoznawania mĂłwcy Ĺ&#x201A;Ä&#x2026;cznie dla prĂłbek w bazach 2A i 2B Fig. 13. FAR and FRR plots for speaker recognition for samples from joined databases 2A and 2B

13

&

% % L 1% # 0 0 !2P UB

CzeĹ&#x203A;Ä&#x2021; systemu odpowiedzialna za rozpoznawanie gestĂłw dynamicznych wykorzystuje bezpoĹ&#x203A;rednio dobrze przetestowane moduĹ&#x201A;y z biblioteki GRT [12]. Z tego wzglÄ&#x2122;du w tej sekcji przedstawione zostanÄ&#x2026; jedynie testy czÄ&#x2122;Ĺ&#x203A;ci odpowiedzialnej za rozpoznawanie statycznych gestĂłw dĹ&#x201A;oni (ich przykĹ&#x201A;ady przedstawiono na rys. 14).

? ! "

Rys. 15. Proces trenowania sieci CNN do rozpoznawania gestĂłw statycznych Fig. 15. Training of the static gesture classifier CNN

Rys. 14. PrzykĹ&#x201A;ady gestĂłw statycznych Fig. 14. Sample static gestures

5.1. Uczenie gestĂłw statycznych

SieÄ&#x2021; neuronowa, przygotowana do rozpoznawania gestĂłw statycznych, zostaĹ&#x201A;a wytrenowana na zbiorze ponad 3 tysiÄ&#x2122;cy zdjÄ&#x2122;Ä&#x2021;. Do testowania przygotowano zbiĂłr dodatkowych 2 tysiÄ&#x2122;cy obrazĂłw, ktĂłrych sieÄ&#x2021; nie widziaĹ&#x201A;a w trakcie uczenia.

Obrazy zbierano w dwóch sesjach czasowych od 3 róşnych operatorów.

? ] ' Proces uczenia sieci zostaĹ&#x201A; przedstawiony na rys. 15. Po 15 epokach sieÄ&#x2021; osiÄ&#x2026;gnÄ&#x2122;Ĺ&#x201A;a skutecznoĹ&#x203A;Ä&#x2021; powyĹźej 95% (na zbiorze testowym), dalsze uczenie prowadziĹ&#x201A;o do przeuczenia i spadku jakoĹ&#x203A;ci rozpoznawania.

Analiza macierzy pomyĹ&#x201A;ek (rys. 16) pokazuje, Ĺźe wystÄ&#x2122;pujÄ&#x2026; pewne niedoskonaĹ&#x201A;oĹ&#x203A;ci, natomiast ogĂłlna jakoĹ&#x203A;Ä&#x2021; rozpoznawania jest na akceptowalnym poziomie. Dodatkowa poprawa jakoĹ&#x203A;ci rozpoznawania jest moĹźliwa do osiÄ&#x2026;gniecia w przyszĹ&#x201A;oĹ&#x203A;ci przez analizÄ&#x2122; czasowÄ&#x2026; gestĂłw i akceptacjÄ&#x2122; ich dopiero wtedy, gdy wystÄ&#x2026;piÄ&#x2026; przez kilka klatek pod rzÄ&#x2026;d.

Rys. 16. Macierz pomyĹ&#x201A;ek dla zbioru testowego gestĂłw statycznych Fig. 16. Confusion matrix for the static gesture classifier

| 1 ^ '

Â&#x20AC; <

OprĂłcz iloĹ&#x203A;ciowych testĂłw jakoĹ&#x203A;ci rozpoznawania przeprowadzono takĹźe testy jakoĹ&#x203A;ciowe pracy z systemem. Podczas testĂłw uĹźytkownik zostaĹ&#x201A; poproszony o wykonanie róşnych operacji, pokrywajÄ&#x2026;cych moĹźliwoĹ&#x203A;ci moduĹ&#x201A;u rozpoznawania gestĂłw oraz podobnych do tych wykonywanych podczas codziennej pracy przy uĹźyciu myszy. Operacje te zawieraĹ&#x201A;y m.in. nawigowanie na mapie (gesty dwurÄ&#x2122;czne), przeglÄ&#x2026;danie stron internetowych na wielu kartach (generujÄ&#x2026;ce kody skrĂłtĂłw klawiaturowych), nawigowanie w systemie (gesty jednorÄ&#x2122;czne) itp.

Wszystkie zaimplementowane funkcje dziaĹ&#x201A;aĹ&#x201A;y poprawnie i pozwalaĹ&#x201A;y na skuteczne wykonanie zadaĹ&#x201E;. UĹźytkownicy jednak zauwaĹźyli, Ĺźe interakcja z systemem byĹ&#x201A;a meczÄ&#x2026;ca. Po pierwsze, zaobserwowano trudnoĹ&#x203A;ci z precyzyjnym trafieniem w obiekty. W zwiÄ&#x2026;zku z tym wprowadzono osobny gest do aktywnego wskazywania obiektu, ktĂłry rozwiÄ&#x2026;zaĹ&#x201A; ten problem. Po drugie, uĹźytkownik odczuwaĹ&#x201A; dyskomfort przy dĹ&#x201A;ugotrwaĹ&#x201A;ym trzymaniu rÄ&#x2026;k w gĂłrze. W celu rozwiÄ&#x2026;zania tego problemu zaproponowano dwa usprawnienia. Pierwsze z nich wprowadziĹ&#x201A;o strefÄ&#x2122; aktywnÄ&#x2026; sterowania. JeĹ&#x203A;li operator przeniesie rÄ&#x2122;ce poza niÄ&#x2026;, moĹźe je swobodnie opuĹ&#x203A;ciÄ&#x2021;, bez ryzyka wykonania niechcianej akcji na ekranie. Drugim usprawnieniem jest moĹźliwoĹ&#x203A;Ä&#x2021; zdefiniowania przestrzeni roboczej w taki sposĂłb, aby podnoszenie rÄ&#x2026;k nie byĹ&#x201A;o konieczne. To jednak moĹźe skutkowaÄ&#x2021; zmniejszeniem efektywnej rozdzielczoĹ&#x203A;ci przy sterowaniu kursorami.

Zaprezentowano wielomodalny interfejs do sterowania prezentacjÄ&#x2026; wynikĂłw pracy Narodowej Platformy CyberbezpieczeĹ&#x201E;stwa. Do jego specyfikacji wykorzystano metodykÄ&#x2122; opartÄ&#x2026; na agentach upostaciowionych, jednoczeĹ&#x203A;nie wykazujÄ&#x2026;c, Ĺźe jest ona przydatna nie tylko do realizacji systemĂłw robotycznych.

DziÄ&#x2122;ki zastosowaniu sieci wspĂłĹ&#x201A;pracujÄ&#x2026;cych agentĂłw struktura powstaĹ&#x201A;ego interfejsu ma naturÄ&#x2122; otwartÄ&#x2026;. To umoĹźliwia wzglÄ&#x2122;dnie proste rozszerzenie struktury, a przez to zwiÄ&#x2122;kszenie jej moĹźliwoĹ&#x203A;ci â&#x20AC;&#x201C; nowych trybĂłw porozumiewania siÄ&#x2122; z interfejsem. Ponadto obecne tryby mogÄ&#x2026; byÄ&#x2021; rozszerzane przez dodawanie nowych komend gĹ&#x201A;osowych oraz gestĂłw sterujÄ&#x2026;cych, w tym wykonywanych gĹ&#x201A;owÄ&#x2026; oraz sterowanie wyrazem twarzy.

Podstawowymi sposobami komunikacji uĹźytkownika z interfejsem sÄ&#x2026; polecenia wydawane albo gĹ&#x201A;osem albo gestem. Wprowadzono teĹź bezpieczny tryb dostÄ&#x2122;pu do platformy wykorzystujÄ&#x2026;cy identyfikacjÄ&#x2122; mĂłwcy. Obecnie interfejs przechodzi fazÄ&#x2122; testowania. WstÄ&#x2122;pne testy wykazaĹ&#x201A;y wysokÄ&#x2026; skutecznoĹ&#x203A;Ä&#x2021; rozpoznawania gestĂłw.

Nowatorskim elementem moduĹ&#x201A;u audio jest poĹ&#x201A;Ä&#x2026;czenie rozpoznawania komend z identyfikacjÄ&#x2026; mĂłwcy w jednym module.

Pozwala to najpierw zidentyfikowaÄ&#x2021; mĂłwcÄ&#x2122;, lub nawet tylko okreĹ&#x203A;liÄ&#x2021;, czy mĂłwca jest kobietÄ&#x2026; czy mÄ&#x2122;ĹźczyznÄ&#x2026;, aby nastÄ&#x2122;pnie w procesie rozpoznawania komend korzystaÄ&#x2021; z dedykowanego modelu komend dla danego mĂłwcy lub odrÄ&#x2122;bnego modelu

14

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

B

B B B B B !

B #B $ %

Rys. 17. UĹźytkownik wykonujÄ&#x2026;cy testy funkcjonalne Fig. 17. User performing functional tests

dla kobiet/mÄ&#x2122;Ĺźczyzn. Wyniki testĂłw jednoznacznie wskazujÄ&#x2026;, Ĺźe skutecznoĹ&#x203A;Ä&#x2021; rozpoznania komend roĹ&#x203A;nie przy stosowaniu dedykowanego modelu mĂłwcy lub modelu przypisanego pĹ&#x201A;ci.

PoniewaĹź trudno jest spodziewaÄ&#x2021; siÄ&#x2122;, Ĺźe bÄ&#x2122;dziemy dysponowali duĹźymi zbiorami prĂłbek pozyskanymi od mĂłwcĂłw, aby polepszyÄ&#x2021; skutecznoĹ&#x203A;Ä&#x2021; rozpoznawania komend gĹ&#x201A;osowych oraz mĂłwcĂłw, wartoĹ&#x203A;ci i liczba parametrĂłw dobierane sÄ&#x2026; eksperymentalnie.

Rozpoznawanie gestĂłw statycznych zostaĹ&#x201A;o zrealizowane za pomocÄ&#x2026; stosunkowo niewielkiej sieci neuronowej. Eksperymenty z uczeniem zostaĹ&#x201A;y przeprowadzone na wielu sieciach róşniÄ&#x2026;cych siÄ&#x2122; miÄ&#x2122;dzy sobÄ&#x2026; m.in. strukturÄ&#x2026;. SpoĹ&#x203A;rĂłd nauczonych sieci wybrano te o najwyĹźszej skutecznoĹ&#x203A;ci, jednakĹźe uzyskane wyniki nieznacznie róşniĹ&#x201A;y siÄ&#x2122; miÄ&#x2122;dzy poszczegĂłlnymi sieciami. Istotny wpĹ&#x201A;yw na rezultaty uczenia miaĹ&#x201A; zbiĂłr trenujÄ&#x2026;cy, dlatego dalsze prace skoncentrujÄ&#x2026; siÄ&#x2122; na przygotowaniu wiÄ&#x2122;kszego i bardziej róşnorodnego zbioru trenujÄ&#x2026;cego. NaleĹźy podkreĹ&#x203A;liÄ&#x2021;, Ĺźe przedstawiono wyniki rozpoznawania gestĂłw statycznych bez ich analizy czasowej. Oznacza to, Ĺźe gesty sÄ&#x2026; rozpoznawane w pojedynczych obrazach w sekwencji, niezaleĹźnie od innych. Dodanie zaleĹźnoĹ&#x203A;ci czasowej miÄ&#x2122;dzy obrazami w sekwencji powinno podnieĹ&#x203A;Ä&#x2021; skutecznoĹ&#x203A;Ä&#x2021; rozpoznawania gestĂłw statycznych. W ramach przeprowadzonych badaĹ&#x201E; nad dwoma metodami uczenia, uzyskaliĹ&#x203A;my lepsze rezultaty dla wspĂłĹ&#x201A;czesnych splotowych sieci neuronowych niĹź dla detektora kaskadowego. Z punktu widzenia inĹźyniera, przygotowanie danych trenujÄ&#x2026;cych oraz przeprowadzenie procedury uczenia wymaga podobnego wysiĹ&#x201A;ku dla obu metod, stÄ&#x2026;d zalecamy uĹźywanie sieci neuronowych do zadaĹ&#x201E; podobnych do opisanych w niniejszej pracy.

< Praca wykonana w ramach projektu CYBERSECIDENT/369195/I/NCBR/2017, wspĂłĹ&#x201A;finansowanego przez Narodowe Centrum BadaĹ&#x201E; i Rozwoju w ramach programu CyberSecIdent.

% ! , 1. AlizĂŠ, opensource speaker recognition. [http://alize. univ-avignon.fr].

2. Benzeghiba M., De Mori R., Deroo O., Dupont S., Erbes T., Jouvet D., Fissore L., Laface P., Mertins A., Ris C., Rose R., Tyagi V., Wellekens C., Automatic speech recognition and speech variability: A review. â&#x20AC;&#x153;Speech Communicationâ&#x20AC;?, Vol. 49, No. 10â&#x20AC;&#x201C;11, 763â&#x20AC;&#x201C;786, 2007, DOI: 10.1016/j. specom.2007.02.006.

3. Bolt R.A., â&#x20AC;&#x153;Put-that-thereâ&#x20AC;?: Voice and gesture at the graphics interface. ACM SIGGRAPH Computer Graphics, Vol. 14, No. 3, 1980, 262â&#x20AC;&#x201C;270, DOI: 10.1145/800250.807503.

4. Borges P.V.K., Conci N., Cavallaro A., Video-based human behavior understanding: A survey. â&#x20AC;&#x153;IEEE Transactions on Circuits and Systems for Video Technologyâ&#x20AC;?, Vol. 23, No. 11, 1993â&#x20AC;&#x201C;2008, 2013, DOI: 10.1109/TCSVT.2013.2270402.

5. Cao Z., Simon T., Wei S., Sheikh Y., Realtime Multi-Persson 2D Pose Estimation using Part Affinity Fields , IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 1302â&#x20AC;&#x201C;1310, 2017.

6. Chen L., Wei H., Ferryman J., A survey of human motion analysis using depth imagery. â&#x20AC;&#x153;Pattern Recognition Lettersâ&#x20AC;?, Vol. 34, No. 15, 1995â&#x20AC;&#x201C;2006, 2013, DOI: 10.1016/j. patrec.2013.02.006.

7. Chiu C., Sainath T.N., Wu Y., Prabhavalkar R., Nguyen P., Chen Z., Kannan A., Weiss R.J., Rao K., Gonina E., Jaitly N., Li B., Chorowski J., Bacchiani M., State-ofthe-art speech recognition with sequence-to-sequence models. IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 4774â&#x20AC;&#x201C;4778, 2018, DOI: 10.1109/ICASSP.2018.8462105.

8. Chung J., Nagrani A., Zisserman A., Voxceleb2: Deep speaker recognition. INTERSPEECH 2018.

9. Divekar R.R., et al. CIRA: An architecture for building configurable immersive smart-rooms. K. Arai, S. Kapoor,

15

&

% % L 1% # 0 0 !2P UB R. Bhatia (eds.), Intelligent Systems and Applications.

IntelliSys 2018, Vol. 869 serii Advances in Intelligent Systems and Computing, 76â&#x20AC;&#x201C;95, Springer, 2019.

10. Dumas B., Lalanne D., Oviatt S.. Human Machine Interaction, Vol. 5440 serii Lecture Notes in Computer Science, rozdz. Multimodal Interfaces: A Survey of Principles, Models and Frameworks, 3â&#x20AC;&#x201C;26. Springer, 2009.

11. Gillian N., Paradiso J.A., The gesture recognition toolkit. â&#x20AC;&#x153;Journal of Machine Learning Researchâ&#x20AC;?, Vol. 15, No. 1, 3483â&#x20AC;&#x201C;3487, 2014.

12. Gillian N.E., Knapp R.B., Oâ&#x20AC;&#x2122;Modhrain M.S., Recognition of multivariate temporal musical gestures using n-dimensional dynamic time warping. NIME, 2011.

13. Graves A., Jaitly N.. Towards end-to-end speech recognition with recurrent neural networks. ICMLâ&#x20AC;&#x2122;14 Proceedings of the 31st International Conference on International Conference on Machine Learning, Vol. 32, II-1764â&#x20AC;&#x201C;II-1772.

14. Gravier G., SPro: Speech Signal Processing Toolkit, 2010.

15. Herath S., Harandi M., Porikli F., Going deeper into action recognition: A survey. â&#x20AC;&#x153;Image and Vision Computingâ&#x20AC;?, Vol. 60, 4â&#x20AC;&#x201C;21, 2017, DOI: 10.1016/j.imavis.2017.01.010.

16. Hirschmuller H., Stereo processing by semiglobal matching and mutual information. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 30, No. 2, 328â&#x20AC;&#x201C;341, 2008, DOI: 10.1109/TPAMI.2007.1166.

17. Jaimes A., Sebe N.. Multimodal humanâ&#x20AC;&#x201C;computer interaction: A survey. â&#x20AC;&#x153;Computer Vision and Image Understandingâ&#x20AC;?, Vol. 108, No. 1, 116â&#x20AC;&#x201C;134, 2007, DOI: 10.1016/j. cviu.2006.10.019.

18. Kaldi. The kaldi project. [http://kaldi.sourceforge.net/ index.html].

19. Kapuscinski T., Oszust M., Wysocki M., Warchol D., Recognition of hand gestures observed by depth cameras. â&#x20AC;&#x153;International Journal of Advanced Robotic Systemsâ&#x20AC;?, Vol. 12, No. 4, 2015, DOI: 10.5772/60091.

20. Kasprzak W., Rozpoznawanie obrazĂłw i sygnaĹ&#x201A;Ăłw mowy.

Oficyna Wydawnicza Politechniki Warszawskiej, 2009.

21. Kasprzak W., Przybysz P., Stochastic modelling of sentence semantics in speech recognition. Computer Recognition Systems 4, Vol. 95 serii Advances in Intelligent and Soft Computing, 737â&#x20AC;&#x201C;746, Berlin, Heidelberg, 2011, Springer-Verlag, DOI: 10.1007/978-3-642-20320-6_75.

22. Kasprzak W., Wilkowski A., Czapnik K., Hand gesture recognition based on free-form contours and probabilistic inference. â&#x20AC;&#x153;International Journal of Applied Mathematics and Computer Scienceâ&#x20AC;?, Vol. 22, No. 2, 437â&#x20AC;&#x201C;448, 2012, DOI: 10.2478/v10006-012-0033-6.

23. Kazemi V., Sullivan J., One millisecond face alignment with an ensemble of regression trees. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 1867â&#x20AC;&#x201C;1874, 2014, DOI: 10.1109/CVPR.2014.241.

24. Koller O., Ney H., Bowden R., Deep Hand: How to Train a CNN on 1 Million Hand Images When Your Data is Continuous and Weakly Labelled. IEEE Conference on Computer Vision and Pattern Recognition, 3793â&#x20AC;&#x201C;3802, 2016, DOI: 10.1109/CVPR.2016.412.

25. Krizhevsky A., Sutskever I., Hinton G.E., ImageNet classification with deep convolutional neural networks. NIPSâ&#x20AC;&#x2122;12 Proceedings of the 25th International Conference on Neural Information Processing Systems, Vol. 1, 1097â&#x20AC;&#x201C;1105, 2012.

26. Loudia. The loudia library. [https://github.com/rikrd/ loudia].

27. Lowe D.G., Distinctive image features from scale-invariant keypoints. â&#x20AC;&#x153;International Journal of Computer Vision, Vol. 60, No. 2, 91â&#x20AC;&#x201C;110, 2004, DOI: 10.1023/B:V ISI.0000029664.99615.94.

28. Lukic Y., Vogt C., DĂźrr O., Stadelmann T., Speaker identification and clustering using convolutional neural networks.

16

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

IEEE 26th InternationalWorkshop on Machine Learning for Signal Processing (MLSP), 2016, DOI: 10.1109/ MLSP.2016.7738816.

29. Mak M.-W., Chien J.-T., Machine learning for speaker recognition. INTERSPEECH 2016 Tutorial, [www.eie.polyu. edu.hk/mwmak/papers/IS2016-tutorial.pdf], 2016.

30. MARF, [marf.sourceforge.net].

31. Matarneh R., Maksymova S., Lyashenko V., Belova N.V., Speech recognition systems: A comparative review. â&#x20AC;&#x153;Journal of Computer Engineeringâ&#x20AC;?, Vol. 19, No. 5, 71â&#x20AC;&#x201C;79, 2017.

32. Mistral. The mistral biometric platform. [http://mistral. univ-avignon.fr].

33. Nayana P., Mathew D., Thomas A., Comparison of Text Independent Speaker Identification Systems using GMM and i-Vector Methods. â&#x20AC;&#x153;Procedia Computer Scienceâ&#x20AC;?, Vol. 115, 47â&#x20AC;&#x201C;54, 2017, DOI: 10.1016/j.procs.2017.09.075.

34. Nunnally T., Uluagac A.S., Beyah R., InterSec: An interaction system for network security applications. IEEE International Conference on Communications (ICC), 7132â&#x20AC;&#x201C;7138, 2015, DOI: 10.1109/ICC.2015.7249464.

35. Oikonomopoulos A., Patras I., Pantic M., Spatiotemporal localization and categorization of human actions in unsegmented image sequences, â&#x20AC;&#x153;IEEE Transactions on Image Processingâ&#x20AC;?, Vol. 20, No. 4, 1126â&#x20AC;&#x201C;1140, 2010, DOI: 10.1109/ TIP.2010.2076821.

36. Oviatt S., Ten myths of multimodal interaction. Communications of the ACM, Vol. 42, No. 11, 74â&#x20AC;&#x201C;81, 1999, DOI: 10.1145/319382.319398.

37. Oviatt S., Schuller B., Cohen P., Sonntag D., Potamianos G., Kruger A. (eds.), The Handbook of Multimodal-Multisensor Interfaces, Vol. 1: Foundations, User Modeling, and Common Modality Combinations. ACM Books Series. Association for Computing Machinery (ACM), 2017.

38. Pedersoli F., Benini S., Adami N., Leonardi R., XKin: an open source framework for hand pose and gesture recognition using kinect. â&#x20AC;&#x153;The Visual Computerâ&#x20AC;?, Vol. 30, No. 10, 1107â&#x20AC;&#x201C;1122, 2014, DOI: 10.1007/s00371-014-0921-x.

39. Poppe R., A survey on vision-based human action recognition. â&#x20AC;&#x153;Image and Vision Computingâ&#x20AC;?, Vol. 28, No. 6, 976â&#x20AC;&#x201C; 990, 2010, DOI: 10.1016/j.imavis.2009.11.014.

40. Presti L.L., La Cascia M., 3D skeleton-based human action classification: A survey. â&#x20AC;&#x153;Pattern Recognitionâ&#x20AC;?, Vol. 53, 130â&#x20AC;&#x201C;147, 2016, DOI: 10.1016/j.patcog.2015.11.019.

41. Purwins H., Li B., Virtanen T., SchlĂźter J., Chang S., Sainath T., Deep learning for audio signal processing. â&#x20AC;&#x153;IEEE Journal of Selected Topics in Signal Processingâ&#x20AC;?, Vol. 13, No. 2, 206â&#x20AC;&#x201C;219, 2019, DOI: 10.1109/JSTSP.2019.2908700.

42. Rabiner L.R., Juang B.-H., Historical Perspective of the Field of ASR/NLU, 521â&#x20AC;&#x201C;538. Springer, Berlin, Heidelberg, 2008.

43. Rabiner L.R., Schafer R.W., Introduction to digital speech processing. Foundations and Trends in Signal Processing, 1(1):1â&#x20AC;&#x201C;194, 2007.

44. Reynolds D., Quatieri T.F., Dunn R.B., Speaker verification using adapted Gaussian mixture models. â&#x20AC;&#x153;Digital Signal Processingâ&#x20AC;?, Vol. 10, No. 1â&#x20AC;&#x201C;3, 19â&#x20AC;&#x201C;41, 2000, DOI: 10.1006/ dspr.1999.0361.

45. Reynolds D., Rose R.C., Dunn R.B., Robust text-independent speaker identification using Gaussian mixture speaker models. â&#x20AC;&#x153;IEEE Transactions on Speech and Audio Processingâ&#x20AC;?, Vol. 3, No. 1, 72â&#x20AC;&#x201C;83, 1995, DOI: 10.1109/89.365379.

46. Salvador S., Chan P., FastDTW: Toward accurate dynamic time warping in linear time and space.

47. Schafer R.W., Homomorphic Systems and Cepstrum Analysis of Speech, 161â&#x20AC;&#x201C;180. Springer, Berlin, Heidelberg, 2008.

48. Sinha A., Choi C., Ramani K., DeepHand: Robust hand pose estimation by completing a matrix imputed with deep features. Proceedings of the IEEE Conference on Computer A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

B

B B B B B !

B #B $ %

49.

50.

51.

52.

Vision and Pattern Recognition, 4150â&#x20AC;&#x201C;4158, 2016, DOI: 10.1109/CVPR.2016.450.

Turk M., Multimodal interaction: A review. â&#x20AC;&#x153;Pattern Recognition Lettersâ&#x20AC;?, Vol. 36, 189â&#x20AC;&#x201C;195, 2014, DOI: 10.1016/j. patrec.2013.07.003.

Ullah A., Ahmad J., Muhammad K., Sajjad M., Baik S.W., Action recognition in video sequences using deep bi-directional LSTM with CNN features. â&#x20AC;&#x153;IEEE Accessâ&#x20AC;?, Vol. 6, 1155â&#x20AC;&#x201C;1166, 2017, DOI: 10.1109/ACCESS.2017.2778011.

Viola P., Jones M., Rapid object detection using boosted cascade of simple features. IEEE Conference on Computer Vision and Pattern Recognition, 2001, DOI: 10.1109/ CVPR.2001.990517.

Walker W., Lamere P., Kwok P., Raj B., Singh R., Gouvea E., Wolf P., Woelfel J., Sphinx-4: A flexible open source framework for speech recognition. SMLI TR2004-0811, SUN Microsystems Inc., 2004, [http://cmusphinx.sourceforge. net/sphinx4].

53. Weinland D., Ronfard R., Boyer E., A survey of vision-based methods for action representation, segmentation and recognition. â&#x20AC;&#x153;Computer Vision and Image Understandingâ&#x20AC;?, Vol. 115, No. 2, 224â&#x20AC;&#x201C;241, 2011, DOI: 10.1016/j.cviu.2010.10.002.

54. Woodland P., Evermann G., Gales M., HTK book. Cambridge University Engineering Department (CUED). 2000â&#x20AC;&#x201C; 2006.

55. Young S., HMMs and Related Speech Recognition Technologies, 539â&#x20AC;&#x201C;558. Springer, Berlin, Heidelberg, 2008.

56. Yu Z., Zhang C., Image based static facial expression recognition with multiple deep network learning. Proceedings of the 2015 ACM on International Conference on Multimodal Interaction, 435â&#x20AC;&#x201C;442, ACM, 2015, DOI: 10.1145/2818346.2830595.

57. Zhao R., Wang K., Divekar R., Rouhani R., Su H., Ji Q., An immersive system with multi-modal human-computer interaction. 13th IEEE International Conference on Automatic Face Gesture Recognition (FG 2018), 517â&#x20AC;&#x201C;524, 2018, DOI: 10.1109/FG.2018.00083.

-. / B % > / 0 7 6 / E 6 ) 5 This two part paper presents an interface to the National Cybersecurity Platform utilising gestures and voice commands as the means of interaction between the operator and the platform.

Cyberspace and its underlying infrastructure are vulnerable to a broad range of risk stemming from diverse cyber-threats. The main role of this interface is to support security analysts and operators controlling visualisation of cyberspace events like incidents or cyber-attacks especially when manipulating graphical information. Main visualization control modalities are gesture- and voice-based commands. Thus the design of gesture recognition and speech-recognition modules is provided.

The speech module is also responsible for speaker identification in order to limit the access to trusted users only, registered with the visualisation control system. This part of the paper focuses on the structure and the activities of the interface, while the second part concentrates on the algorithms employed for the recognition of: gestures, voice commands and speakers.

Keywords 0 7 6 / # . . # . . # . # .

. () ' *

( ,

; F $ % ORCID: 0000-0002-4840-8860

; $ % ORCID: 0000-0001-6348-1129

G / ; % < = > / H;< =>I 6 @ ; H6;I ; 6; % &**( J7

6 B >- > G . @ 7 % 7 K .

7 A . % @ A . G ? A % &+! 7 ><<<# ><<< > # ><<< B # =6J H>-6LI# M-NB

-% > - > / @ ; % < @ = > / 6 ; . % . 7 A # . # % " 7 7 " 7 A - A % *! 7 7 7 %

17

&

% % L 1% # 0 0 !2P UB

'1 - , .

'1 ( /

/ $ % ORCID: 0000-0001-9948-6319

% % $ % ORCID: 0000-0001-5326-1034

-7 ; % < = > / 6 ; ; )!&! R # )!&& . R # 7 AR @ ; )!&& K % % @ % K 7 % 7 A J% )!&) 6 ; @ # K % A # 7 N A 7 K / A 7 #

G % 6 ; > - > / 6 % % . @ 7 % # L-66 H(6L F < I >0 -L< H- % - % O . G6 F < I G . @ 7 K . 7 7 @ # # . @ % "

'1 - ' 0 1

'1 - (21

T/ . $ % ORCID: 0000-0002-1898-0540

. $.

ORCID: 0000-0003-0779-255X

-7 ; % B 0 > / ; )!&) R @ # )!& . H AR@ I U6 A -M? -BV G % ; % < = > / @ 6 ; H6;I ; 6; % )!&X 7 % % % # % )!&Q 7 % @% % @ . G . 7 % K . % K % % # / A 7 @ # . % A 7 A % / /

G % 6 ; @ > - > / @ 6 % @ % . 7 % >0 -L< H- % - % O . G6 F < @ I G .

7 K P . "# @ % % A 7 A

'1 / ,

. 3 4

% % % $ % ORCID: 0000-0003-2528-6335

$ % ORCID: 0000-0001-7604-8834

G % ; % < = > / H;< =>I 6 ; H6;I ; 6; % )!& 7 % @ % % # % )!&Q @% % . G .

7 % 7 K . %@ K R % " 7 .

G / ; % < = > / H;< =>I 6 ; H6;I ; 6; % &*Q' # % )!!Q A R 6 > - 6 A 6>-6 ; 6; / S % % A % @ % ;< => H)!!)E)!!'I# % % > - @ > / H>- > I H)!!'E)!!QI# % >-> H)!!QE)!&+I % % .A ;< => H)!&+EI J% &**+ L 7 >- > J% )!!( F - L 7 6 - % 0 G . @ 7 % K . % K . @ 7 A

18

P

O

M

I

A

R

Y

â&#x20AC;¢

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;¢

R

O

B

O

T

Y

K

A

N R 4 /201 9

Pomiary Automatyka Robotyka, ISSN 1427-9126, R. 23, Nr 4/2019, 19â&#x20AC;&#x201C;24, DOI: 10.14313/PAR_234/19

= % - M .S M . / M E < . \ / + ! 6 + - - 7 8 + 9 : 8 + ; 1 - 7< <=9 8 < Y N % = # G Z )Q# Y # O

Abstract: Majority of modern cars are equipped with standard suspension systems with hydraulic shock absorbers. They are reliable elements, but came to the limit of their possibilities to ensure reasonable level of vibration accelerations, when cars became lighter and diameters of the wheel rim and tires has big diameter. This paper provides possible solution for the modern car suspension systems with controlled damping and self-powering service and data transmission. Such dampers implements smart liquid and electrically realized damping force control. This paper focused on electrical properties of this type of shock absorbers. Provided experimental research use shock absorber â&#x20AC;&#x201C; energy harvester of new design. All experiments performed on shock machine using produced by authors prototype of original design. Energy gaining performed using three similar prototypes with ferro-nanomagnetic liquid, permanent magnet core and ferromagnetic steel core.

Obtained results provided in the graphical form as electric gain with open circuit and loaded by electric load.

9 % .# 7 # . .#

1. Introduction Recent development process of the automotive vehicles covers all areas of the technology â&#x20AC;&#x201C; from powertrain to materials and body design. Decreasing weight of the car and increasing diameters of tires and wheel rims contradicts to requirement of vibration level diminishing in the car body due to worsening coefficient of weighted mass. Solution of these problems lays in increasing quality of suspension of the vehicle, which is related to the vibration damping process. Classical design of shock absorbers faces modernization, which includes all kind of damping force correction from vibration velocity and acceleration values. Usually such modernization leads to the increase of components, which makes these solutions expensive and increase failure probability. Mostly known modernization methods uses electrically or mechanically driven pass valves in the hydraulic system of shock absorber [1]. Number, position and design of these valves in hydraulic systems affects damping law and therefore continues to implement [2, 3]. Alternative

. (

Y Z [ # 7 $ . . '

% &X &! )!&* # % % )+ && )!&*

!

efficient solutions in high comfort car are active damping systems [4], which ensures high comfort, but consumes external energy and causes frequent technological faults [5].

Development of suspension systems leaded by high number of scientific researches focused on improvements of damping characteristics, selection of used materials, creation of dampers with controllable damping characteristics [6] in real time and design of dampers with mechanical energy convert to electrical [7â&#x20AC;&#x201C;10]. These entire improvements suit well for traditional cars but not sufficient for autonomous driving. In case of autonomous driving, not only to desire level of driving comfort has to be ensured but it also requires evaluation of some safety features, for example, vibration level when car moves on road surfaces with various roughness. Road surface roughness could be evaluated by implementing cameras or force/acceleration sensors in the vehicle suspension. The weakness of this approach covert by need of huge data processing power and remains dependent on road/weather conditions due to pollution of optical system of the cameras [11].

Another approach to solve this technical issue is to develop dampers, which can perform two functions simultaneously: a damper with controllable characteristics and road surface roughness sensor.

All roads can be characterized according ISO 8608 (Mechanical vibration â&#x20AC;&#x201C; Road surface profiles â&#x20AC;&#x201C; reporting of measured data), that categorize road roughness to classes from A to H. Road roughness define driving speed as well as comfort level inside vehicle, which requires to react suspension dampers by changing damping characteristics.

19

Towards autonomous driving: design of smart damper â&#x20AC;&#x201C; energy harvester This idea can be implemented using mechatronic damping system with ability to recognize road category and set required damping characteristics and to inform driving computer or human driver about velocity regime [12, 13]. Proposed damper â&#x20AC;&#x201C; energy harvester with ferro-nanomagnetic fluid will have possibility to control its damping characteristics and at same time it will work as a sensor, which provides information about roughness off road surface. Moreover, this approach will allow to harvest electrical energy from vibrations and convert it to electrical energy. Mathematical evaluation of this approach and evaluation of mechanical energy which be harvested from suspension system is provided in our previous report [14].

This paper intended to present results of experimental research of our damper prototype focused on its energy harvesting.

therefore, we build three prototypes of such shock absorber with different inner piston materials as core of generator. There were used as test core: i) permanent magnets with known magnetic flux value; ii) magnetically soft steel core with negative pattern of metal/gaps, in order to model used liquid configuration; iii) liquid core with ferro-nanomagnetic fluid. In all cases piston was designed as cylinder from parallel plastic cylinders with different material inserts between them. In case when permanent magnets were used, fluctuations of magnetic field were caused by oscillations of permanent magnets in respect of stationary coils. In case when magnetic steel, only two permanent magnets were used, they were placed on the top and bottom of piston and inserts of steel were used to transmit electromagnetic flux. Piston with ferromagnetic fluid had same configuration but instead of steel, fluid was used as media to transmit magnetic flux. These different designs allow us to create different distributions and concentrations of magnetic flux in respect of stationary mounted coils.

These three prototypes let us decide about efficiency of our prototypes for energy harvesting and determine liquid magnetic properties in the range of implemented frequencies. These results further will be used for magnetic chain optimization of the damper â&#x20AC;&#x201C; energy harvester.

3Â&#x192; %

+ h 0 ! , ] ! + 4

New designed smart damper â&#x20AC;&#x201C; energy harvester realizes three main functions: (a) controlling of damping ratio; (b) measuring of road surface roughness; (c) harvesting vibration energy.

The structure of the smart damper presented in the Figure 1.

This prototype is designed to operate in environment, where vibrations are relative and there are two bodies with relative displacements. It consists from frame 1, which is made of magnetic-neutral material and can be attached to the moving body by a fixing eye 6. Frame 1 is a tube which acts as cylinder and contains ferromagnetic liquid 5. Piston stem 3 is attached to the piston 4. Piston stem 3 can move along its axis and therefore can be attached to car body similar as traditional shock absorber. In order to keep proper liquid position within piston, in the other end of cylinder there are installed piston 8 and compensating spring 7. Two magnetic sources attached to the top and bottom of piston 4 could be realized as permanent magnets or electromagnets. These magnets create magnetic field media, which shaped by magnetic liquid placed in the gaps of the piston 4. When force applied to the piston stem 3, piston 4 moves along frame 1 and thus alternate magnetic field passes through the solenoid coils 2, where electric current generated.

Behavior of ferro-nanomagnetic fluid as magnetic core in the linear generator, by our best knowledge, not researched widely;

3Â&#x192; %

Experimental research built in the laboratory of Department of Mechatronics, robotics and digital manufacturing and tested in the laboratory of Automotive transport, using our produced test rig, which is shown in Fig. 2.

Fig. 2. Experiment stand: 1 â&#x20AC;&#x201C; frame; 2 â&#x20AC;&#x201C; damper; 3 â&#x20AC;&#x201C; solenoid coil; 4 â&#x20AC;&#x201C; down transverse beam; 5 â&#x20AC;&#x201C; top transverse beam; 6 and 7 â&#x20AC;&#x201C; accelerometers; 8 â&#x20AC;&#x201C; oscilloscope; 9 â&#x20AC;&#x201C; shaker of automotive suspension; 10 â&#x20AC;&#x201C; data storage device; 11 â&#x20AC;&#x201C; computer Rys. 2. Stanowisko eksperymentalne: 1 â&#x20AC;&#x201C; ramka; 2 â&#x20AC;&#x201C; przepustnica; 3 â&#x20AC;&#x201C; cewka elektromagnesu; 4 â&#x20AC;&#x201C; belka poprzeczna skierowana w dĂłĹ&#x201A;; 5 â&#x20AC;&#x201C; gĂłrna belka poprzeczna; 6 i 7 â&#x20AC;&#x201C; akcelerometry; 8 â&#x20AC;&#x201C; oscyloskop; 9 â&#x20AC;&#x201C; wytrzÄ&#x2026;sarka zawieszenia samochodowego; 10 â&#x20AC;&#x201C; urzÄ&#x2026;dzenie do przechowywania danych; 11 â&#x20AC;&#x201C; komputer

Test rig consist of the frame (1) which was tightly attached to the firm ground. Prototype of the damper â&#x20AC;&#x201C; energy harvester (2) was fixed to the upper (4) and lower (5) traverse beams.

Upper beam (5) tightly attached to the frame (1), lower beam (4) installed on the shaker of automotive suspension (9). When shaker is activated, lower transverse beam to which damper is attached performs reciprocating movement. Same movement is transmitted to the piston which together with ferro-nanomagnetic fluid passes through the coils (3) where electric power is generated. Output terminals of the coils are connected to the oscilloscope (8), which provides measurements of generated voltage. A hydraulic shaker was used as generator of oscillations, which can generate oscillations with stroke up to 6 mm under the frequency 24Â Hz and payload up to 800 kg. Vibration level

Fig. 1. Structure of shock absorber: a) 3D model cross-section view, b) view of produced prototype: 1 â&#x20AC;&#x201C; frame; 2 â&#x20AC;&#x201C; solenoid coil; 3 â&#x20AC;&#x201C; piston stem for force application; 4 â&#x20AC;&#x201C; piston; 5 â&#x20AC;&#x201C; Ferro-nanomagnetic fluid; 6 â&#x20AC;&#x201C; fixing eye; 7 â&#x20AC;&#x201C; compensating spring; 8 â&#x20AC;&#x201C; air piston Rys. 1. Struktura amortyzatora: a) widok przekroju modelu 3D, b) widok wyprodukowanego prototypu: 1 â&#x20AC;&#x201C; rama; 2 â&#x20AC;&#x201C; cewka elektromagnesu; 3 â&#x20AC;&#x201C; trzon tĹ&#x201A;oka do przyĹ&#x201A;oĹźenia siĹ&#x201A;y; 4 â&#x20AC;&#x201C; tĹ&#x201A;ok; 5 â&#x20AC;&#x201C; pĹ&#x201A;yn ferro-nanomagnetyczny; 6 â&#x20AC;&#x201C; mocowanie oka; 7 â&#x20AC;&#x201C; sprÄ&#x2122;Ĺźyna kompensacyjna; 8 â&#x20AC;&#x201C; tĹ&#x201A;ok pneumatyczny

20

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

& ' ( % ) , * + , - )Â&#x2019; Â&#x2019;/* % , Â&#x2019; of lower and upper transverse beams measured by two accelerometers (6, 7) Ini 603C01 (PCB Piezotronics, Depew, USA).

Signals from accelerometers registered using data acquisition system USB-4432 (10) (National instruments, Austin, USA) and personal computer (11). All data analysis performed using NI software LabVIEW. Using described setup, the possibilities of energy harvesting and road roughness sensing were evaluated, using all three prototypes of smart dampers.

| >

+ + % !

Experimental research performed measuring voltage generated by the prototype then lower transverse beam (Fig. 2) oscillates with 6 mm stroke on the frequency of 24 Hz simulating harmonic kinematic excitation from the road roughness.

Firstly, the efficiency of separate coils of all three prototypes were evaluated. For this purpose, induced voltage on open circuit conditions in each coil was measured using multimeter DT30B. Secondly, on the same excitation conditions time â&#x20AC;&#x201C; voltage dependencies were registered when 100 Ί electrical load is applied to the circuit. These dependencies allowed to evaluate amount of harvested energy and at the same time shows possibilities to use damper â&#x20AC;&#x201C; energy harvester as a road roughness sensor.

Final experiments were performed using prototype with ferro-nanomagnetic fluid. In this case were performed voltage measurements on the open circuit and on the circuit with 10 Ί electrical load. Simultaneously vibration level was measured on the input (piston stem Fig. 1) and output (fixing eye Fig. 1) of the damper. All obtained and processed results presented in the following part of the report.

} > %

In the beginning, induced voltage on the coil measured on open circuit conditions. This measure shows RMS of the voltage on the separate coils (Fig. 3).

Fig. 4. Induced voltage on the coil with different material in the piston under electric load Rys. 4. NapiÄ&#x2122;cie indukowane na cewce z róşnym materiaĹ&#x201A;em w tĹ&#x201A;oku pod obciÄ&#x2026;Ĺźeniem elektrycznym

Fig. 5. Characteristics of prototype of smart damper â&#x20AC;&#x201C; energy harvester: a) Amplitude-frequency characteristics measured on damper holderâ&#x20AC;&#x2122;s (Fig. 2) at open electrical circuit. 1) vibrations on down transverse beam; 2) vibrations on top transverse beam, b) The voltage generated by the damper at an open electrical circuit in adjacent coils (Fig. 3), 1) second coil 2) third coil Rys. 5. Charakterystyka prototypu inteligentnego tĹ&#x201A;umika: a) Charakterystyka amplituda-czÄ&#x2122;stotliwoĹ&#x203A;Ä&#x2021; zmierzona na uchwycie amortyzatora (rys. 2) przy otwartym obwodzie elektrycznym. 1) drgania dolnej belki poprzecznej; 2) drgania gĂłrnej belki poprzecznej. b) NapiÄ&#x2122;cie wytwarzane przez przepustnicÄ&#x2122; w otwartym obwodzie elektrycznym w sÄ&#x2026;siednich cewkach (rys. 3), 1) druga cewka 2) trzecia cewka

The results of measuring vibration level and induced voltage in adjacent coils then electric circuit is loaded by 10 Ί electrical load is provided in Fig. 6.

Fig. 3. Generated voltage on the coil (open circuit) with three prototypes Rys. 3. Generowane napiÄ&#x2122;cie na cewce (obwĂłd otwarty) z trzema prototypami

From (Fig. 3) it is seen that on open circuit conditions highest voltage is generated using permanent magnets, but damper with ferro-nanomagnetic fluid also shows sufficient results to use damper as road roughness sensor.

Time vs. induced voltage dependence on one coil using all prototypes provided in the Fig. 4. From time vs. voltage curves, it is seen that highest amount of energy is generated using piston with permanent magnets; prototype with ferro-nanomagnetic fluid generates approximately 30% less power.

Further the results of vibration level and induced voltage measured in adjacent coils at open circuit conditions is provided (Fig 5).

Fig. 6.Characteristics of prototype of smart damper â&#x20AC;&#x201C; energy harvester when electric circuit loaded by 10 Ί electric load: a) Amplitude-frequency characteristics measured on damper holderâ&#x20AC;&#x2122;s (Fig. 2) at open electrical circuit. 1) vibrations on down transverse beam; 2) vibrations on top transverse beam. b) The voltage generated by the damper at an open electrical circuit in adjacent coils (Fig. 3).

1) second coil 2); third coil Rys. 6. Charakterystyka prototypu inteligentnego amortyzatora przy obciÄ&#x2026;Ĺźeniu elektrycznym 10 Ί: a) Charakterystyka amplituda-czÄ&#x2122;stotliwoĹ&#x203A;Ä&#x2021; zmierzona na uchwycie przepustnicy (rys. 2) przy otwartym obwodzie elektrycznym: 1) drgania dolnej belki poprzecznej; 2) drgania gĂłrnej belki poprzecznej; b) NapiÄ&#x2122;cie generowane przez przepustnicÄ&#x2122; w otwartym obwodzie elektrycznym w sÄ&#x2026;siednich cewkach (rys. 3). 1) druga cewka 2); trzecia cewka

21

Towards autonomous driving: design of smart damper â&#x20AC;&#x201C; energy harvester

7. Siczek K., Kuchar M. The Concept of a New Car Shock Absorber with Energy Recuperation. Journal the archives of automotive engineering, Vol. 56, pp. 49â&#x20AC;&#x201C;61. (2012).

8. Li, Z., Zuo, L., Luhrs, G., Lin, L., & Qin, Y. X. Electromagnetic energy-harvesting shock absorbers: design, modeling, and road tests. IEEE Transactions on vehicular technology, 62(3), 1065-1074. (2012).

9. Lam, A. H. F., & Liao, W. H. Semi-active control of automotive suspension systems with magneto-rheological dampers. International Journal of Vehicle Design, 33(1-3), 50-75.

(2003).

10. Aldair, A. A., & Wang, W. J. The energy regeneration of Electromagnetic energy saving active Suspension in full vehicle with Neurofuzzy controller. International Journal of Artificial Intelligence & Applications, 2(2), 32-43. (2011).

11. Kertesz, I., Lovas, T., & Barsi, A. Measurement of road roughness by low-cost photogrammetric system. International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 36(5/C55), 4. (2007).

12. GonzĂĄlez, A., Oâ&#x20AC;&#x2122;brien, E. J., Li, Y. Y., & Cashell, K. The use of vehicle acceleration measurements to estimate road roughness. Vehicle System Dynamics, 46(6), 483-499. (2008).

13. Ngwangwa, H. M., Heyns, P. S., Labuschagne, F. J. J., & Kululanga, G. K. Reconstruction of road defects and road roughness classification using vehicle responses with artificial neural networks simulation. Journal of Terramechanics, 47(2), 97-111. (2010).

14. Bucinskas, V., Mitrouchev, P., Sutinys, E., Sesok, N., Iljin, I., & Morkvenaite-Vilkonciene, I. Evaluation of comfort level and harvested energy in the vehicle using controlled damping. Energies, 10(11), 1742 (2017).

15. Bucinskas, V. U.S. Patent Application No. 13/560,985 (2014).

Comparing Fig. 5 and Fig 6 it is noticeable that damping characteristics depends on the load of electric circuit. In case then circuit was loaded (Fig. 6.a), damping force was increased and more power of vibrations were transmitted from lower transverse beam to the upper one (Fig. 2). Also, from figures 5 and 6 it is seen that curve shape of measured voltage corresponds to the parameters of the harmonic excitation. Even taking into account that in this case generated voltages were quite low (1V on open circuit, 0.15 V on 10 Ί loaded circuit) obtained results confirms the initial idea that damper with ferro-nanomagnetic fluid can operate as damper-energy harvester and road roughness sensor simultaneously.

| %

Performed experimental research of prototypes evidently showed possibility to use ferro-nanomagnetic fluid as magnetic core of the shock absorber â&#x20AC;&#x201C; energy harvester with lower efficiency than permanent magnets, but higher than magnetically soft steel. Loss of efficiency of fluid system due to material change using 6 mm stroke and 24 Hz frequency was about 20% comparing to the case with permanent magnets. Even if testing program is ongoing, optimization of magnetic circuit is possible.

Damping force for this prototype is far not enough for real damping due to not sufficient electric efficiency, but force is noticeable even now and decrease of 0.1 mm/s2 is recorded at 20 Hz mode. This design of prototype [15] is suitable to use in hydraulic damping, it means that it is possible to use this prototype inside shock absorber in the low frequency ranges even with inefficient electric power generation and therefore low damping efficiency from power harvesting.

. % !

The research was supported by ECSEL Joint Undertaking under the project No T0709T627 Autodrive (Advancing fail-aware, fail-safe, and fail-operational electronic components, systems, and architectures for fully automated driving to make future mobility safer, affordable, and end-user acceptable).

% ! + 1. Ahmed, M. R., Yusoff, A. R., & Romlay, F. R. M. Adjustable Valve Semi-Active Suspension System for Passenger Car. International Journal of Automotive and Mechanical Engineering, 16(2), 6470-6481. (2019).

2. ChacĂłn, J. L., Boada, B. L., Boada, M. J. L., & DĂ­az, V. Experimental study and analytical model of bleed valve orifice influence of a high-performance shock absorber on vehicle dynamics. Advances in Mechanical Engineering, 9(9), (2017).

3. Bhuyan, D., & Kumar, K. 3D CAD modelling and computational fluid analysis of piston valve of twin tube shock absorbers. Materials Today: Proceedings, 4(8), 7420-7425. (2017).

4. Collette, C., & Preumont, A. High frequency energy transfer in semi-active suspension. Journal of Sound and Vibration, 329(22), 4604-4616. (2010) 5. Fischer, D., & Isermann, R. Mechatronic semi-active and active vehicle suspensions. Control engineering practice, 12(11), 1353-1367. (2004).

6. Lajqi, Sh., Pehan, S. Designs and Optimizations of Active and Semi-Active Non-linear Suspension Systems for a Terrain Vehicle. Journal of Mechanical Engineering, 12(58), 732â&#x20AC;&#x201C;743 (2012).

22

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

& ' ( % ) , * + , - )Â&#x2019; Â&#x2019;/* % , Â&#x2019;

; % S . .

Streszczenie: WiÄ&#x2122;kszoĹ&#x203A;Ä&#x2021; nowoczesnych samochodĂłw jest wyposaĹźona w standardowe ukĹ&#x201A;ady zawieszenia z hydraulicznymi amortyzatorami. Aktualnie stosowane amortyzatory sÄ&#x2026; niezawodne, jednak nie umoĹźliwiajÄ&#x2026; dalszego rozwoju w odniesieniu do znacznych wartoĹ&#x203A;ci przyĹ&#x203A;pieszeĹ&#x201E; drgaĹ&#x201E; w lekkich samochodach o duĹźych Ĺ&#x203A;rednicach felg i opon. ArtykuĹ&#x201A; przedstawia nowe moĹźliwoĹ&#x203A;ci rozwiÄ&#x2026;zaĹ&#x201E; w nowoczesnych ukĹ&#x201A;adach zawieszenia z kontrolowanym tĹ&#x201A;umieniem, autonomicznym zasilaniem oraz monitoringiem. Zaproponowane tĹ&#x201A;umiki zapewniajÄ&#x2026; inteligentne, elektrycznie sterowanÄ&#x2026; siĹ&#x201A;Ä&#x2122; tĹ&#x201A;umienia. W pracy skupiono siÄ&#x2122; na wĹ&#x201A;aĹ&#x203A;ciwoĹ&#x203A;ciach elektrycznych zaproponowanych amortyzatorĂłw cieczowych. Do badaĹ&#x201E; eksperymentalnych wykorzystano opracowany przez autorĂłw prototyp amortyzatora, a eksperymenty przeprowadzono na maszynie uderzeniowej.

Pozyskiwanie energii z amortyzatora zrealizowano przy uĹźyciu trzech podobnych prototypĂłw z cieczÄ&#x2026; z nanoczÄ&#x2026;stkami magnetycznymi na bazie Ĺźelaza, rdzeniem z magnesem trwaĹ&#x201A;ym i rdzeniem ze stali ferromagnetycznej. Uzyskane wyniki przedstawiono jako uzyskanÄ&#x2026; energiÄ&#x2122; elektrycznÄ&#x2026; zarĂłwno w ukĹ&#x201A;adzie z otwartym obwodem, jak i obciÄ&#x2026;Ĺźeniem elektrycznym. " $ " # 7 # . # #

Andrius Dzedzickis, PhD student

Tadas Lenkutis, PhD student

% % % $ .

ORCID: 0000-0002-2665-8829

% $ .

ORCID: 0000-0001-8642-4039

\ 7 ._# O &*Q* \ % Z % . . . / B @ / / Y N % @ )!&X > )!&* % 6 M % . @ . . / Y N % @ @ 0 % / % / Y N % = # M / B @ # 7 % % . / . \ % % / % # 7 # % % % / 7 % # % . / .

\ 7 - ][ # O &**! \ % B % .

B / B / / Y N % @ )!&' > )!&&E)!&Q . % . / @ @ ^ )!&Q % % . 6 M B . @ . 0 Y N % @ = # M @ / B # 7 % % . / . \ % / % # . . / 7 % / .

- - 7 8 + :, $ .

ORCID: 0000-0003-0970-1762 \ 7 - &**+ \ 7 @ % Z B Y N % = HYN= I \ @ % . B B @ \ 7 . YN= M / B # 7 % % . / @ . )!&Q# . 7 @ / M . % % . / @ . \ / @ 7 # . . @ # % . / %

23

Towards autonomous driving: design of smart damper â&#x20AC;&#x201C; energy harvester

. 9 : 8 + /

; 1 - 7< <=9 8 <+ /

7 $ .

ORCID: 0000-0002-2458-7243

. @ $ .

ORCID: 0000-0001-5936-9900

\ 7 b # O H/ LI# &*+) \ % < . % . . . / Y @ < . . > # > % # &*Q' > &*Q' % < . / / Y> ># O % &*Q( = % 6 M % / > &*Q* > / 7 % )!!! ^ / B # % / B < . . > )!!) % % / % % 6 M / % / = / B % 7 % / M / B < . .# Y = M 7 )!!)# % / )!&)# . 6 / 6 @ M > )!& M / B % 7 7 % % . -/ . . / M @ # % M / B # 7 % % . / @ . \ @ % % . / # % / # . . / 7 @ 6 / % Z [ ^ / O - / < . @ . >0 % HO>06L-I# O / L 7 > @ . / % # % O # < @ # % G 0 . . % \)!)! <f G g V % g- % V# 7 % 7 / 7 - @ 7 . . % / / % %

7 6 # O # &*(* % Z < % . @ . . / F @ / = . # 6 _` # O @ # )!!*# % B % . . . / F @ / = . # 6 _` # O @ # )!&& % 6 M % . / Y # Y @ # O # )!&+ / )!!Q# % . - ^ B # % B<B 7 % % ^ )!&) % 7 . % / % / # % . # .

- ^ B % . < B > )!& # % M / < < . .# / - % # O / 7 )!&+# - 6 / M / B % L 7 # Y @ N % = @ \ % % // % @ . a 7 7 % / # % % // % / / % . / % / % 7 7 . % . . /

24

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

Pomiary Automatyka Robotyka, ISSN 1427-9126, R. 23, Nr 4/2019, 25â&#x20AC;&#x201C;30, DOI: 10.14313/PAR_234/25

B 7 L 7 ^ Maciej Ciurej -N\ - % NA @\ # ; % < # - # > / > R Z % # - - B !# !@!'* F A

Abstract: This paper presents a programming framework for simulation of the mobile robot. Model of Khepera III robot with IR proximity sensors was considered as a base model for tests of proposed system. Architecture of designed software was presented with the use of UML class diagram.

9 7 7 # # # . 7 %# . . /

1. Introduction Simulation of the mobile robot trajectory can be performed with the use of several specialized and dedicated robot simulation platforms. Among a vast of possibilities, one of the most known is Visual Robot Experimentation Platform (V-REP) [13]. It includes significant number of useful modules, as well as its own simulation framework. Process of modelling and further simulation with the use of V-REP environment was presented in [8]. Same software bundle, but used to propose conditioned anxiety mechanism in mobile robotics, can be found in [7].

Overview of path planning using V-REP was presented in [10].

Another example is ARGoS environment, which allows user to perform robot simulation, however it lacks several features which can be found in V-REP package. It was designed to cover the area of large-scale heterogeneous robot swarms simulation which was not provided by already existed simulators [2]. ARGoS simulation of 10 marXbot robots performing a dispersion behavior can be found in [12].

Gazebo is yet another simulation framework used e.g. in mobile robotics. It is still actively developed since 2002. Among large set of features, Gazebo introduces components such as Dynamics Simulation, Advanced 3D Graphics and Cloud Simulation â&#x20AC;&#x201C; which allows user to run simulation on Amazon AWS and GzWeb. Example of simulation system based on ROS and Gazebo for RoboCup Middle Size League is described in [3].

More insight on differences between V-REP and Gazebo, can be found in [6].

To contrast an approach of great and powerful simulations packages (and its variety of possible usage), this paper is intended to propose minimalistic version of simulation framework.

Author took an effort to create a proposal of the software framework architecture, which can be easily implemented.

Main motivation of this paper is to present flexible structure of the simulation framework, which can be implemented inde-

. (

B # $ . % . '

% &* !+ )!&* # % % )+ && )!&*

!

pendently with the use of open source components, by anyone interested in such an area of study.

Architecture of proposed solution was introduced with the use of UML notation, which has numerous examples of usage across several fields of study. Proposal of robot behavior modelling with the use of UML notation was presented in [1]. Use of UML in modelling of multi-agent system (MAS) was presented in [9]. Additionally to the UML usage, proposed solution is based on agent, state-space model of mobile robot. Agent approach presented in [11], which incorporated elements from systematic way of designing control systems for fields robot [4] was used. Simulations presented in this paper employed Braitenberg algorithm to control the robot during movement to the target. Additionally, discrete model of kinematics presented in [11] was used.

< %

h & $

! % Adjusted agent model for Khepera III robot proposed in [11] is presented below: A = {pn, em, c, f}, (1) where p and e are sets of virtual receptors and effectors, c is a control system and f is a nonlinear transition function.

In a simulation of robot movement, virtual receptors and virtual effectors can be treated as equal to its real equivalents.

In real, physical systems it is needed to make clear distinction between real and virtual pairs of effectors and receptors. It is essential to organize data transfer and responsibilities between abstraction layers: real and virtual one. More insight on this approach can be found in universal model of robotic system [4]. During software simulation this case is not valid. Lack of additional system physical layer of the system concludes no distinction between virtual and real receptors and effectors (issue of e.g. data transfer and its pre and post-processing is not applicable).

Accordingly, three basic transition functions needs to be defined. For the considered model of the robot, goal of the simulation is to reach final destination (defined as two-dimensional restricted area). In each step on its way to the target, one of the three function is executed: transition function (f), arrival to target function (f Ď&#x201E;) or error function (f err). Possible transitions between those functions are presented in figure 1.

25

Mobile Robot Simulation Framework

(OOP) [5]. Beside relations inside of an agent, simulations object needs to be defined in order to constraint all elements and actions required during single trial.

| h , + % UML class diagram is presented in figure 2. Class Model provides a concept of the robot representation. Class Robot extends base class with robot dependent variables declarations.

Definitions of Receptor and Effector were separated from Model in order to provide atomization of each component.

This approach allows the user to enhance code with the new solutions, e.g. definition of a class extends Receptor or Effector. Model is composed with the use of Effector and Receptor instances. Key functions aforementioned in 2.1 were defined as methods of Model class and can be extended with the use of Robot methods definition.

Object of class Simulation itself is setting up preliminary values for desired simulation, such as: start position of the mobile robot, position of the target, maximum number of iterations (steps) to be performed. It is composed with the use of Robot class instance and Obstacle class instance. According to figure 2, Obstacle object instance is not mandatory to perform the simulation.

Fig. 1. Transitions between simulation functions Rys. 1. Diagram tranzycji pomiÄ&#x2122;dzy funkcjami symulacji

| Â&#x201E;

Internal structure of an embodied agent presented in [4] can be taken as an aggregation of control subsystem, virtual/real receptors and effectors. Selection of current behavior of the agent, implies data exchange between each of the internal modules.

Simulation of a mobile robot based on such an approach required architecture based on object oriented programming

Fig. 2. UML class diagram of proposed framework Rys. 2. Diagram klas proponowanego szkieletu w notacji UML

26

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

Maciej Ciurej

| & % %! + In order to perform a single simulation, there is a need to create an instance of class Simulation with desired parameters. Starting and target points coordinates as well as maximum number of iterations (allowed number of steps) must be defined. Schema of the simulation algorithm is presented in figure 3.

} & %

Implementation of the simulation framework, beside the source code which incorporate hierarchy from figure 2, requires additional components. What can be observe in figure 3, application executes framework logic and stores all of the results values such as current state or placement of the obstacles presented across the simulation environment.

Graphical User Interface (GUI) should be in place as it takes part in evaluation of the results correctness. Example of components types and relations is shown in figure 4.

Fig. 3. Proposed algorithm of a simulation Rys. 3. Proponowany algorytm symulacji

Fig. 4. General components diagram Rys. 4. Diagram komponentĂłw wchodzÄ&#x2026;cych w skĹ&#x201A;ad rozwiÄ&#x2026;zania

27

Mobile Robot Simulation Framework

Fig. 5. Trajectory simulation with obstacle as oblong shape Rys. 5. Symulacja trajektorii z przeszkodą o podłużnym kształcie

Fig. 8. Trajectory simulation with obstacle as oblong shape with defect of frontal sensors Rys. 8. Symulacja trajektorii z przeszkodą o podłużnym kształcie oraz defektem przednich sensorów

Fig. 6. Trajectory simulation with obstacle as circle Rys. 6. Symulacja trajektorii z przeszkodą o okrągłym kształcie

Fig. 9. Trajectory simulation with obstacle as circle with defect of rightside sensors Rys. 9. Symulacja trajektorii z przeszkodą o okrągłym kształcie oraz defektem prawostronnych sensorów

Fig. 7. Trajectory simulation with obstacle as oblong shape with defect of right-side sensors Rys. 7. Symulacja trajektorii z przeszkodą o podłużnym kształcie oraz defektem prawostronnych sensorów

Fig. 10. Trajectory simulation with obstacle as circle with defect of frontal sensors Rys. 10. Symulacja trajektorii z przeszkodą o okrągłym kształcie oraz defektem przednich sensorów

28

P

O

M

I

A

R

Y

•

A

U

T

O

M

A

T

Y

K

A

•

R

O

B

O

T

Y

K

A

N R 4 /201 9

Maciej Ciurej

To verify correctness of the proposed solution, several tests (related to those presented in [11]) has been performed. Khepera mobile robot model was used. In figure 5 simulation with single obstacle defined as oblong shape has been presented.

In figure 6 simulation with single obstacle defined as circle has been presented. For the test purposes, number of receptors and its weights were defined same way as in [11]. Additionally, two more test scenarios for each of those two types of obstacle shapes (oblong and circle) were defined: first one with the defect of left-side sensors, second one with the defect of frontal set of sensors.

What can be observed in each of the proposed test schemas, robot behaved as it was expected, especially in scenarios, when particular group of sensors were not used by the simulations.

While right-side sensors were deactivated, left side sensors provided data, which was enough to conduct robot trajectory in the right side of the obstacle. Figure 10 presents the vulnerability of simulation algorithm. Error function (ferr) implementation and enhancement of the mechanism responsible for the recovery from the error state needs an improvement in order to avoid such cases in the future simulations.

The goal of described simulations was to verify correctness of simple behaviors of framework as a whole. Feasibility of applying changes inside of its definition was crucial to achieve.

Framework can be easily modified across all of the modules defined in entire solution. Separation of receptors and effectors modules from control module, allows user to introduce specific changes only in the scope of particular single responsibility of each module.

Â&#x201E; %

%

In this paper, simulation framework for mobile robot based on agent approach was presented. Simulation tests with Khepera III model applied were successfully conducted with the use of Braitenberg algorithm. Architecture of proposed solution can be generalized onto several classes of mobile robots â&#x20AC;&#x201C; availability to specify core modules of described framework is required.

It can be enhanced with custom, specialized elements (objects) of simulation in order to provide more detailed scenarios of use.

Modules separation is the very first step on the way to customize simulation in order to fulfil all of the usersâ&#x20AC;&#x2122; requirements.

Built solution will help the author in research of several mobile robots movements in bounded environment. It can also help in investigation of e.g. conditioned anxiety of mobile robots.

Further improvements of proposed system can be performed by implementing all of the steps of systematic method of designing control systems presented in [4]. For example extraction of behavior selection automaton into separate class can be performed in order to provide more flexibility inside framework architecture.

League. 2015 IEEE International Conference on Robotics and Biomimetics (ROBIO), 2015, DOI: 10.1109/ROBIO.2015.7414623.

4. ZieliĹ&#x201E;ski C., Kornuta T., Winiarski T., A systematic method of designing control systems for service and field robots.

19th International Conference on Methods and Models in Automation and Robotics (MMAR), 2014, DOI: 10.1109/MMAR.2014.6957317.

5. Mitchell J., Concepts in programming languages. Cambridge, UK New York: Cambridge University Press, 2003.

6. Nogueira L., Comparative Analysis between Gazebo and V-REP Robotic Simulators. Unpublished, 2014.

7. Bielecki A., Bielecka M., Bielecki P., Conditioned Anxiety Mechanism as a Basis for a Procedure of Control Module of an Autonomous Robot. Artificial Intelligence and Soft Computing, Springer International Publishing. 2017, 390â&#x20AC;&#x201C;398, DOI: 10.1007/978-3-319-59060-8_35.

8. Ciszewski M., Mitka Ĺ ., Buratowski T., Giergiel M., Modeling and Simulation of a Tracked Mobile Inspection Robot in Matlab and V-Rep Software, â&#x20AC;&#x153;Journal of Automation, Mobile Robotics and Intelligent Systemsâ&#x20AC;?, Vol. 11, No. 2, 2017, 5â&#x20AC;&#x201C;11, DOI: 10.14313/JAMRIS_2-2017/11.

9. Xiong L., Wei C., Zhenkun Z., Zekai H., Jing G., Modeling for Robotic Soccer Simulation Team Based on UML. 2008 International Conference on Computer Science and Software Engineering. IEEE, DOI: 10.1109/CSSE.2008.1462.

10. Reddy K.K., Praveen K., Path Planning Using VREP, â&#x20AC;&#x153;International Journal of Research in Engineering and Technologyâ&#x20AC;?, Vol. 2, No. 9, 2013, 94â&#x20AC;&#x201C;97.

11. OprzÄ&#x2122;dkiewicz K., Ciurej M., Garbacz M. The agent, state-space model of the mobile robot. â&#x20AC;&#x17E;Pomiary Automatyka Robotykaâ&#x20AC;?, Vol. 22, No. 3, 2018, 41â&#x20AC;&#x201C;50, DOI: 10.14313/PAR_229/41.

12. Oâ&#x20AC;&#x2122;Keeffe J., Tarapore D., Millard A.G., Timmis J., Towards Fault Diagnosis in Robot Swarms: An Online Behaviour Characterisation Approach. Towards Autonomous Robotic Systems, 2017, 393â&#x20AC;&#x201C;407, Springer International, DOI: 10.1007/978-3-319-64107-2_31.

13. Rohmer E., Singh S.P.N., Freese M., V-REP: A versatile and scalable robot simulation framework. 2013 IEEE/RSJ International Conference on Intelligent Robots and Systems, DOI: 10.1109/IROS.2013.6696520.

References 1. Gogolla M., Vallecillo A., (An Example for) Formally Modeling Robot Behavior with UML and OCL. Software Technologies: Applications and Foundations 2018, 232â&#x20AC;&#x201C;246.

Springer International Publishing.

2. Pinciroli C., Trianni V., Oâ&#x20AC;&#x2122;Grady R., Pini G., Brutschy A., Brambilla M., Dorigo M., ARGoS: A modular, multi-engine simulator for heterogeneous swarm robotics. IEEE/ RSJ International Conference on Intelligent Robots and Systems. IEEE, 2011, DOI: 10.1109/IROS.2011.6094829.

3. Yao W., Dai W., Xiao J., Lu H., Zheng Z., A simulation system based on ROS and Gazebo for RoboCup Middle Size

29

Mobile Robot Simulation Framework

. % 7 7 .

Streszczenie: W artykule zaprezentowano szkielet oprogramowania do symulacji koĹ&#x201A;owego robota mobilnego. Jako przykĹ&#x201A;ad rzeczywistego robota przedstawiono robot Khepera III z czujnikami IR do wykrywania i omijania przeszkĂłd. Zaprezentowany szkielet jest niezaleĹźny od fizycznej reprezentacji robota mobilnego. " $ " 7 7 # # .

Maciej Ciurej, MSc Eng. $ . % ORCID: 0000-0001-8714-3255 N % % H)!&'I / -N\ / % = . \ 6 M % ^ / < < . .# - @ # % Z % < . @ . / -N\ = \ % S 7 7 # / . % .

30

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

Pomiary Automatyka Robotyka, ISSN 1427-9126, R. 23, Nr 4/2019, 31â&#x20AC;&#x201C;40, DOI: 10.14313/PAR_234/31

Z % S .

7 A h@ E B-=O-Z - 1 - + / , + B 6 L >. . j # F % B L 7 # 6 " A ; &)# '@*'* L A

, 5 ProjektujÄ&#x2026;c i budujÄ&#x2026;c fabryki zgodnie z ideÄ&#x2026; PrzemysĹ&#x201A;u 4.0 powszechne jest stosowanie systemĂłw zrobotyzowanych. WĂłwczas istotne jest monitorowanie oraz analiza parametrĂłw pracy tych systemĂłw, co umoĹźliwia zwiÄ&#x2122;kszenie wydajnoĹ&#x203A;ci, bezpieczeĹ&#x201E;stwa pracy, wydajniejsze zarzÄ&#x2026;dzanie produkcjÄ&#x2026;. W systemach zrobotyzowanych wymiana danych miÄ&#x2122;dzy urzÄ&#x2026;dzeniami odbywa siÄ&#x2122; za pomocÄ&#x2026; standardĂłw komunikacyjnych, np.: Profibus, DeviceNet, RS-485, OPC. W ramach pracy zaprezentowano wĹ&#x201A;asne rozwiÄ&#x2026;zanie na bazie standardu OPC do wymiany danych miÄ&#x2122;dzy systemem zrobotyzowanym a Ĺ&#x203A;rodowiskiem MATLAB. Zaprezentowano aplikacjÄ&#x2122; wykorzystujÄ&#x2026;cÄ&#x2026; GUI, gromadzÄ&#x2026;cÄ&#x2026; i przetwarzajÄ&#x2026;cÄ&#x2026; dane procesowe ze zrobotyzowanego stanowiska wyposaĹźonego w manipulatory firmy ABB. &' % J6 # B-=O-Z? # 7

1. Wprowadzenie Firmy zajmujÄ&#x2026;ce siÄ&#x2122; produkcjÄ&#x2026; robotĂłw przemysĹ&#x201A;owych oferujÄ&#x2026; narzÄ&#x2122;dzia do projektowania i planowania w peĹ&#x201A;ni spersonalizowanych zrobotyzowanych stacji. PrzykĹ&#x201A;adem Ĺ&#x203A;rodowiska do projektowania, programowania oraz symulowania stacji jest RobotStudio firmy ABB. Pozwala ono na peĹ&#x201A;nÄ&#x2026; personalizacjÄ&#x2122; stanowisk, kompatybilnoĹ&#x203A;Ä&#x2021; z systemami CAD, analizÄ&#x2122; procesĂłw oraz sygnaĹ&#x201A;Ăłw podczas dziaĹ&#x201A;ania symulacji.

Wraz z rozwojem idei Czwartej Rewolucji PrzemysĹ&#x201A;owej (in.

PrzemysĹ&#x201A; 4.0) [1, 6, 7] wdraĹźa siÄ&#x2122; rozwiÄ&#x2026;zania pozwalajÄ&#x2026;ce na swobodny przepĹ&#x201A;yw informacji miÄ&#x2122;dzy systemami w przedsiÄ&#x2122;biorstwie przemysĹ&#x201A;owym. Coraz czÄ&#x2122;Ĺ&#x203A;ciej wprowadza siÄ&#x2122; automatyzacjÄ&#x2122; procesĂłw produkcyjnych, majÄ&#x2026;cÄ&#x2026; na celu zwiÄ&#x2122;kszenie wydajnoĹ&#x203A;ci wytwarzania i moĹźliwoĹ&#x203A;Ä&#x2021; wprowadzania zmian asortymentu [8, 9, 2].

Dla Ĺ&#x201A;atwiejszego dostÄ&#x2122;pu do danych, np. dla operatorĂłw maszyn, stosujÄ&#x2122; siÄ&#x2122; panele operatorskie HMI (ang. Human Machine Interface). SÄ&#x2026; to urzÄ&#x2026;dzenia sĹ&#x201A;uĹźÄ&#x2026;ce do kontrolowania i wymiany danych z innymi urzÄ&#x2026;dzeniami, stanowiskami zrobotyzowanymi, realizujÄ&#x2026;cymi procesy technologiczne i produkcyjne.

W celu pozyskiwania i przetwarzania danych ze zrobotyzowanych stanowisk moĹźna wykorzystaÄ&#x2021; oprogramowanie zewnÄ&#x2122;trzne â&#x20AC;&#x201C; pakiet MATLAB/Simulink. Jest to platforma do programowania, ktĂłra umoĹźliwia analizowanie danych, opracowywanie algo-

. (

6 6 # $ % . '

% &X &! )!&* # % % )+ && )!&*

!

rytmĂłw oraz budowanie aplikacji. Najnowsze wersje programu MATLAB gwarantujÄ&#x2026; komunikacjÄ&#x2122; z systemami za pomocÄ&#x2026; serwerĂłw OPC. Dane pozyskane z serwera moĹźna dziÄ&#x2122;ki prostemu modelowi w Simulinku przenieĹ&#x203A;Ä&#x2021; na panel kontrolny zaprojektowany w GUI pakietu MATLAB. Rozszerzenie Real-time pozwala rĂłwnieĹź na monitorowanie systemĂłw w czasie rzeczywistym [10].

. % (

+ ( Identyfikacja parametrĂłw jest jednym z waĹźniejszych etapĂłw podczas projektowania sterowania manipulatorem. PodÄ&#x2026;Ĺźanie za zaĹ&#x201A;oĹźonÄ&#x2026; Ĺ&#x203A;cieĹźkÄ&#x2026; przez narzÄ&#x2122;dzie robocze jest Ĺ&#x203A;ciĹ&#x203A;le powiÄ&#x2026;zane z jakoĹ&#x203A;ciÄ&#x2026; i dokĹ&#x201A;adnoĹ&#x203A;ciÄ&#x2026; dynamicznego modelu uĹźytego w kontrolerze czasu rzeczywistego robota. W pracy [5] przedstawiono metodÄ&#x2122; identyfikacji parametrĂłw szeĹ&#x203A;cioosiowego manipulatora ABB IRB 6400, stosujÄ&#x2026;cÄ&#x2026; aplikacjÄ&#x2122; graficznÄ&#x2026; napisanÄ&#x2026; w pakiecie MATLAB. Aplikacja do automatycznej identyfikacji moĹźe rozpoznaÄ&#x2021; parametry opisujÄ&#x2026;ce bezwĹ&#x201A;adnoĹ&#x203A;Ä&#x2021;, siĹ&#x201A;Ä&#x2122; ciÄ&#x2122;ĹźkoĹ&#x203A;ci czy tĹ&#x201A;umienie w napÄ&#x2122;dach manipulatora. Komponentami systemu uĹźytego do badaĹ&#x201E; symulacyjnych jest robot ABB, kontroler S4C oraz komputer ze Ĺ&#x203A;rodowiskiem MATLAB. Komunikacja miÄ&#x2122;dzy kontrolerem a aplikacjÄ&#x2026; odbywa siÄ&#x2122; przez Ethernet. Sterowanie aplikacjÄ&#x2026; zostaĹ&#x201A;o oparte na graficznym interfejsie uĹźytkownika. Dane z symulacji sÄ&#x2026; przedstawiane na wykresach, mogÄ&#x2026; zostaÄ&#x2021; poddane analizie. Po zakoĹ&#x201E;czeniu dziaĹ&#x201A;ania programu, otrzymane wyniki sÄ&#x2026; zapisywane [5]. Na rys. 1 zaprezentowano wykres przedstawiajÄ&#x2026;cy identyfikacjÄ&#x2122; sprÄ&#x2122;ĹźystoĹ&#x203A;ci, bezwĹ&#x201A;adnoĹ&#x203A;ci napÄ&#x2122;du i ramienia oraz parametrĂłw zwiÄ&#x2026;zanych z bryĹ&#x201A;Ä&#x2026; sztywnÄ&#x2026; robota [5].

Kolejnym przykĹ&#x201A;adem jest wykorzystanie pakietu MATLAB/ Simulink do sterowania pracÄ&#x2026; manipulatora. W pracy [3] przedstawiono aplikacjÄ&#x2122; wykonanÄ&#x2026; przy uĹźyciu pakietu MATLAB â&#x20AC;&#x201C; GUIDE, ktĂłry umoĹźliwia tworzenie graficznych interfejsĂłw

31

+

3

0 T f/% F &'(&+

| 9 (

( OPC (ang. OLE for Proces Control) jest to otwarty standard komunikacyjny rozwijany przez OPC Foundation, umoĹźliwiajÄ&#x2026;cy przepĹ&#x201A;yw danych miÄ&#x2122;dzy urzÄ&#x2026;dzeniami przemysĹ&#x201A;owymi a stacjami operatorskimi wchodzÄ&#x2026;cymi w skĹ&#x201A;ad systemĂłw informatycznych zarzÄ&#x2026;dzania przedsiÄ&#x2122;biorstwem. Standard OPC definiuje sposoby komunikacji miÄ&#x2122;dzy urzÄ&#x2026;dzeniami przemysĹ&#x201A;owymi, przez co pozwala uniezaleĹźniÄ&#x2021; oprogramowanie monitorujÄ&#x2026;ce i sterujÄ&#x2026;ce od producentĂłw sprzÄ&#x2122;tu. Standard ten wykorzystuje strukturÄ&#x2122; klient-serwer (rys. 4) [11].

NajczÄ&#x2122;Ĺ&#x203A;ciej serwerem OPC jest komputer PC z odpowiednim oprogramowaniem zgodnym ze standardem. RolÄ&#x2026; serwera jest pobieranie danych procesowych z urzÄ&#x2026;dzeĹ&#x201E;, ktĂłre nastÄ&#x2122;pnie sÄ&#x2026; przetwarzane i udostÄ&#x2122;pniane poszczegĂłlnym zewnÄ&#x2122;trznym systemom, czyli klientom OPC. Odebrane dane serwer OPC zapisuje w postaci kolejnych rekordĂłw bazy danych, ktĂłra staje siÄ&#x2122; ĹşrĂłdĹ&#x201A;em informacji dla klientĂłw i moĹźe zostaÄ&#x2021; przetworzona przez ich oprogramowanie. UrzÄ&#x2026;dzenie komunikuje siÄ&#x2122; z serwerem za pomocÄ&#x2026; dedykowanego typu protokoĹ&#x201A;u komunikacyjnego, ktĂłrym moĹźe byÄ&#x2021; Modbus, Profibus, Profinet lub Ethernet. Serwer moĹźe nie tylko odbieraÄ&#x2021; dane, ale rĂłwnieĹź przesyĹ&#x201A;aÄ&#x2021; je do poĹ&#x201A;Ä&#x2026;czonych z nim urzÄ&#x2026;dzeĹ&#x201E;, sterujÄ&#x2026;c ich pracÄ&#x2026;.

Rys. 1. Wykresy przedstawiajÄ&#x2026;ce przykĹ&#x201A;ady identyfikacji parametrĂłw manipulatora [5] Fig. 1. Graphs showing examples of keypad parameter identification [5]

Rys. 2. Widok stanowiska spawalniczego Fig. 2. View of the welding station

Rys. 4. Struktura komunikacji klient-serwer OPC [12] Fig. 4. OPC client-server communication structure [12]

RolÄ&#x2122; klienta OPC peĹ&#x201A;ni oprogramowanie â&#x20AC;&#x201C; aplikacja odpowiedzialna za odbieranie danych z serwera lub przesyĹ&#x201A;anie ich do kolejnych systemĂłw. PrzykĹ&#x201A;adami takiego oprogramowania sÄ&#x2026; systemy SCADA, HMI oraz autorskie aplikacje wykonane z wykorzystaniem pakietu MATLAB/Simulnik. W artykule zdecydowano siÄ&#x2122; zastosowaÄ&#x2021; specyfikacjÄ&#x2122; OPC DA ze wzglÄ&#x2122;du na to, iĹź zarĂłwno ABB, jak i MathWorks oferujÄ&#x2026; narzÄ&#x2122;dzia do obsĹ&#x201A;ugi i konfiguracji tego typu serwera.

Rys. 3. Widok aplikacji GUI [3] Fig. 3. GUI application view [3]

| h 9 , ! . 7< 8> & 0.

Kontroler IRC5 jest jednostkÄ&#x2026; odpowiedzialnÄ&#x2026; za sterowanie, komunikacjÄ&#x2122; oraz zarzÄ&#x2026;dzanie pracÄ&#x2026; zrobotyzowanego stanowiska. ABB OPC IRC5 Server DA jest to oprogramowanie, ktĂłre zostaĹ&#x201A;o uĹźyte w zaprezentowanym rozwiÄ&#x2026;zaniu w roli serwera OPC. UmoĹźliwia ono komunikacjÄ&#x2122; kontrolera IRC5 z zewnÄ&#x2122;trznym oprogramowaniem.

Komunikacja miÄ&#x2122;dzy kontrolerem a serwerem nastÄ&#x2122;puje przy uĹźyciu standardu TCP/IP. Rodzina protokoĹ&#x201A;Ăłw TCP zapewnia prawidĹ&#x201A;owe przesyĹ&#x201A;anie danych w odpowiedniej kolejnoĹ&#x203A;ci, stosujÄ&#x2026;c wĹ&#x201A;aĹ&#x203A;ciwoĹ&#x203A;ci IP do nadawania i odbioru. KaĹźdy segment, czyli jednostka czasu, ktĂłrÄ&#x2026; wykorzystujÄ&#x2026; przy komunikacji moduĹ&#x201A;y TCP, ma sumÄ&#x2122; kontrolnÄ&#x2026;, ktĂłra po stronie odbiorcy podlega weryfikacji. Pozwala to na sprawdzenie poprawnoĹ&#x203A;ci odebranych danych. TCI/IP umoĹźliwia komunikacjÄ&#x2122; wielu aplikacji w tym samym czasie, kierowanie przekazywaniem danych, rozpoznawanie jednostki komputerowej po indywidualnych adresach IP oraz portach TCP [4].

uĹźytkownika. WeryfikacjÄ&#x2122; zbudowanej aplikacji przeprowadzono dla stanowiska spawalniczego. StacjÄ&#x2122; wyposaĹźono w manipulator IRB 1600, narzÄ&#x2122;dzie spawalnicze, spawarki, pozycjoner, kontroler IRC 5 oraz komputer (rys. 2).

Komunikacja miÄ&#x2122;dzy kontrolerem ICR5 a aplikacjÄ&#x2026; zostaĹ&#x201A;a nawiÄ&#x2026;zana za pomocÄ&#x2026; protokoĹ&#x201A;u TCP/IP. W zaprezentowanym przykĹ&#x201A;adzie program Hercules speĹ&#x201A;nia funkcjÄ&#x2122; serwera, z ktĂłrego pobierane sÄ&#x2026; dane procesowe wykorzystywane przez aplikacjÄ&#x2122; graficznÄ&#x2026;. Na rys. 3 przedstawiono gĹ&#x201A;Ăłwne okno aplikacji GUI. Po wpisaniu adresu IP oraz numeru portu wystarczy wcisnÄ&#x2026;Ä&#x2021; przycisk PoĹ&#x201A;Ä&#x2026;cz w celu nawiÄ&#x2026;zania poĹ&#x201A;Ä&#x2026;czenia ze stacjÄ&#x2026;. Przycisk Pobierz pozycjÄ&#x2122; odpowiada za pobieranie danych dotyczÄ&#x2026;cych aktualizacji wartoĹ&#x203A;ci kÄ&#x2026;towych oraz pozycji TCP (ang. Tool Center Point) manipulatora. Dane sÄ&#x2026; odĹ&#x203A;wieĹźane co 0,1 sekundy.

W zaprezentowanym rozwiÄ&#x2026;zaniu moĹźliwe jest zadanie wartoĹ&#x203A;ci kÄ&#x2026;towych, ktĂłre manipulator ma osiÄ&#x2026;gnÄ&#x2026;Ä&#x2021;.

32

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

% 0 1 % 1 2

Konfiguracja sposobu komunikacji kontrolera sprowadza siÄ&#x2122; do wybrania interfejsu, z ktĂłrego bÄ&#x2122;dzie korzystaĹ&#x201A;, nadania mu adresu IP oraz maski podsieci. W celu skonfigurowania serwera naleĹźy uruchomiÄ&#x2021; aplikacjÄ&#x2122; ABB OPC IRC5 Configuration (rys. 5).

Definiowanie nowego aliasu odbywa siÄ&#x2122; przez wybĂłr polecenia Add (rys. 6) New Alias, a nastÄ&#x2122;pnie okreĹ&#x203A;lenie poĹ&#x201A;Ä&#x2026;czenia.

Utworzenie nowego poĹ&#x201A;Ä&#x2026;czenia wymaga wprowadzenia okreĹ&#x203A;lonych danych: Alias Name, Controller Name, Address, System ID, System Name. Wszystkie dane mogÄ&#x2026; zostaÄ&#x2021; automatycznie uzupeĹ&#x201A;nione po wybraniu polecenia Scan. W tym przypadku wyĹ&#x203A;wietla siÄ&#x2122; lista dostÄ&#x2122;pnych kontrolerĂłw. Wybranie jednego skutkuje automatycznym uzupeĹ&#x201A;nieniem wszystkich pĂłl. Po utworzeniu aliasu dane dotyczÄ&#x2026;ce IO Subscriptions i RAPID Subscriptions zostanÄ&#x2026; przypisane na podstawie wybranego kontrolera. IO Subcriptions informuje o liczbie wykorzystanych, jak i dostÄ&#x2122;pnych maksymalnie sygnaĹ&#x201A;Ăłw wejĹ&#x203A;cia/wyjĹ&#x203A;cia, ktĂłre zostaĹ&#x201A;y utworzone w kontrolerze, natomiast RAPID Subscription odpowiada za liczbÄ&#x2122; zadeklarowanych zmiennych.

Po skonfigurowaniu oraz utworzeniu nowego aliasu naleĹźy w polu Set IP Address dodaÄ&#x2021; adres IP kontrolera (rys. 6), z ktĂłrym bÄ&#x2122;dzie nastÄ&#x2122;powaĹ&#x201A;a komunikacja, przez standard TCP/IP. Ostatnim etapem jest restart serwera, polega on na wciĹ&#x203A;niÄ&#x2122;ciu po sobie przyciskĂłw Stop oraz Start oraz zapisaniu stanu. Tak przeprowadzona konfiguracja gwarantuje komunikacjÄ&#x2122; z wybranym, w tym przypadku wirtualnym kontrolerem IRC5.

| 9

7<

( /.1;. 7< 1 % Â&#x192; Nowsze wersje pakietu MATLAB/Simulink majÄ&#x2026; dodatek OPC Toolbox, ktĂłry umoĹźliwia komunikacjÄ&#x2122; z wykorzystaniem standardu OPC. MoĹźna teĹź korzystaÄ&#x2021; zarĂłwno ze standardu DA, jak i HDA. Pozwala na odczytywanie, zapisywanie informacji od serwera i wysyĹ&#x201A;anie danych do serwera z róşnych urzÄ&#x2026;dzeĹ&#x201E;, systemĂłw kontrolnych/nadzorczych, zbierajÄ&#x2026;cych dane czy programowalnych kontrolerĂłw. OPC Toolbox zawiera aplikacjÄ&#x2122; OPC Data Access Explorer, dziÄ&#x2122;ki ktĂłrej moĹźemy poĹ&#x201A;Ä&#x2026;czyÄ&#x2021; siÄ&#x2122; z serwerem OPC. W artykule zdecydowano siÄ&#x2122; zastosowaÄ&#x2021; bibliotekÄ&#x2122; Simulink â&#x20AC;&#x201C; OPC Toolbox, ktĂłra umoĹźliwia obsĹ&#x201A;ugÄ&#x2122; OPC Data Access (rys.

7). Podstawowymi blokami tej biblioteki sÄ&#x2026;: OPC Configuration, OPC Read, OPC Write. W pierwszym bloku konfiguruje siÄ&#x2122; poĹ&#x201A;Ä&#x2026;czenie z serwerem, kontrolÄ&#x2122; bĹ&#x201A;Ä&#x2122;dĂłw oraz ustawienia zwiÄ&#x2026;zane z dziaĹ&#x201A;aniem symulacji w czasie rzeczywistym. NastÄ&#x2122;pnie wybiera siÄ&#x2122; lub tworzy OPC Client (rys. 8).

Kolejny blok OPC Write umoĹźliwia konfiguracjÄ&#x2122; serwera/ klienta oraz danych, jakie bÄ&#x2122;dÄ&#x2026; do niego przesyĹ&#x201A;ane. W tym bloku moĹźna wybraÄ&#x2021; sposĂłb wysyĹ&#x201A;ania danych â&#x20AC;&#x201C; synchroniczny, asynchroniczny oraz czas prĂłbkowania. DziÄ&#x2122;ki temu, iĹź Simulink pozwala na zapis danych w trakcie dziaĹ&#x201A;ania symulacji, wykorzystujÄ&#x2026;c specjalne komendy oraz obiekty typu RunTime Object, jest moĹźliwe zbudowanie modelu, ktĂłry umoĹźliwi dziaĹ&#x201A;anie aplikacji w czasie rzeczywistym.

Rys. 5. Okno startowe narzÄ&#x2122;dzi konfiguracyjnych serwera Fig. 5. Start window of server configuration tools

Rys. 6. Definiowanie aliasu Fig. 6. Defining an alias

Rys. 7. Biblioteka OPC Toolbox w Simulinku Fig. 7. OPC Toolbox library in Simulink

} <

WeryfikacjÄ&#x2122; opracowanej aplikacji zrealizowano na specjalnie zaprojektowanym oraz zbudowanym w Ĺ&#x203A;rodowisku RobotStudio zrobotyzowanym stanowisku. Ma ona postaÄ&#x2021; stacji przeznaczonej do obrĂłbki wstÄ&#x2122;pnej odlewanych ze stali korpusĂłw reduktorĂłw (rys. 9).

Stanowisko zostaĹ&#x201A;o wyposaĹźone w manipulatory ABB IRB 2600, kontrolery IRC5, podajniki taĹ&#x203A;mowe, skaner 3D, stojak na narzÄ&#x2122;dzia, elektromagnes, frezy, maty bezpieczeĹ&#x201E;stwa oraz barierÄ&#x2122; z tworzywa sztucznego wyposaĹźonÄ&#x2026; w czujniki nacisku (rys. 10). Za sterowanie stacjÄ&#x2026; odpowiada wirtualny

Rys. 8. Ustawienia bloku OPC Configuration Fig. 8. OPC Configuration block settings

33

+

3

0 T f/% F &'(&+

Rys. 10. Bariera laserowa (1), mata bezpieczeĹ&#x201E;stwa (2), bariera z czujnikami nacisku (3) Fig. 10. Laser barrier (1), safety mat (2), barrier with pressure sensors (3)

Rys. 9. Widok zrobotyzowanego stanowiska w Ĺ&#x203A;rodowisku RobotStudio Fig. 9. View of the robotic station in the RobotStudio environment

kontroler IRC5, ktĂłry dziÄ&#x2122;ki moĹźliwoĹ&#x203A;ci generowania sygnaĹ&#x201A;Ăłw cyfrowych i analogowych bÄ&#x2122;dzie ĹşrĂłdĹ&#x201A;em danych dla aplikacji napisanej w Ĺ&#x203A;rodowisku MATLAB.

} h

Do poprawnego dziaĹ&#x201A;ania stanowiska, wymagany jest odpowiednio skonfigurowany system robotĂłw. W przypadku rozpatrywanej stacji, w ktĂłrej wystÄ&#x2122;puje wspĂłĹ&#x201A;praca dwĂłch manipulatorĂłw, zaimplementowany musi zostaÄ&#x2021; moduĹ&#x201A; MultiMove. W trakcie tworzenia systemu kreator automatycznie dodaje danÄ&#x2026; funkcjÄ&#x2122;. Warunkiem, ktĂłry musi zostaÄ&#x2021; speĹ&#x201A;niony, aby zrobotyzowana stacja mogĹ&#x201A;a komunikowaÄ&#x2021; siÄ&#x2122; z systemami zewnÄ&#x2122;trznymi, jest dodanie opcji PC Interface w trakcie tworzenia systemu robota (rys. 11). ModuĹ&#x201A; PC Interface pozwala na komunikacjÄ&#x2122; za pomocÄ&#x2026; standardu TCP/IP z panelami Flex Pendant czy serwer OPC. W projekcie zrobotyzowanego stanowiska zostaĹ&#x201A;y uĹźyte obiekty typu Smart Component. UĹ&#x201A;atwiajÄ&#x2026; one tworzenie logiki i algorytmĂłw odpowiadajÄ&#x2026;cych m.in. za pracÄ&#x2122; chwytakĂłw oraz podajnikĂłw.

UmoĹźliwiajÄ&#x2026; generowanie oraz usuwanie obiektĂłw w czasie symulacji. Do sterowania nimi wystarczÄ&#x2026; proste sygnaĹ&#x201A;y cyfrowe DI/DO. Aby utworzyÄ&#x2021; tego typu obiekty naleĹźy z gĹ&#x201A;Ăłwnego paska wybraÄ&#x2021;

34

P

O

M

Rys. 11. Dodanie opcji PC Interface Fig. 11. Adding the PC Interface option

Rys. 12. GĹ&#x201A;Ăłwne okno konfiguracji komponentĂłw w Ĺ&#x203A;rodowisku RobotStudio Fig. 12. The main component configuration window in the RobotStudio environment

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

% 0 1 % 1 2

Rys. 13. Schemat dziaĹ&#x201A;ania zbudowanego SmartComponentu w Ĺ&#x203A;rodowisku RobotStudio Fig. 13. The main component configuration window in the RobotStudio environment

zakĹ&#x201A;adkÄ&#x2122; Modelling â&#x2020;&#x2019; Smart Component. Otworzy siÄ&#x2122; wĂłwczas okno odpowiedzialne za dodawanie oraz modyfikacjÄ&#x2122; komponentĂłw. W zakĹ&#x201A;adce Compose (rys. 12) moĹźna dodawaÄ&#x2021; obiekty typu Attacher, Detacher, LineSensor, Plane Sensor, Logic Gate, JointMover oraz wiele innych.

Po wybraniu dodanego elementu wyĹ&#x203A;wietli siÄ&#x2122; okno konfiguracji (rys. 13), gdzie moĹźna sprecyzowaÄ&#x2021; jego pozycjÄ&#x2122; oraz dziaĹ&#x201A;anie. PrzechodzÄ&#x2026;c do zakĹ&#x201A;adki Design, naleĹźy rozstawiÄ&#x2021; wstawione elementy oraz utworzyÄ&#x2021; logikÄ&#x2122;, ktĂłra bÄ&#x2122;dzie odpowiedzialna za sterowanie.

Przedstawiony przykĹ&#x201A;ad (rys. 13) prezentuje komponent odpowiedzialny za sterowanie pracÄ&#x2026; elektromagnesu. Gdy sygnaĹ&#x201A; wejĹ&#x203A;ciowy zmieni wartoĹ&#x203A;Ä&#x2021; na 1, uruchomiony zostanie sensor odpowiedzialny za wykrycie przedmiotu. Po udanym wykryciu sygnaĹ&#x201A; od sensora zostaje przesĹ&#x201A;any do elementu Attacher, ktĂłry odpowiada za podĹ&#x201A;Ä&#x2026;czenie wykrytego przez sensor przedmiotu dla wybranego narzÄ&#x2122;dzia. PodĹ&#x201A;Ä&#x2026;czenie przedmiotu generujÄ&#x2122; zmianÄ&#x2122; sygnaĹ&#x201A;u wyjĹ&#x203A;ciowego komponentu na 1. Po zresetowaniu sygnaĹ&#x201A;u wejĹ&#x203A;ciowego sensor zostaje wyĹ&#x201A;Ä&#x2026;czony, uruchomiony zostaje element Detacher, ktĂłry odĹ&#x201A;Ä&#x2026;cza przenoszony przez elektromagnes przedmiot i ustawia sygnaĹ&#x201A; wyjĹ&#x203A;ciowy na 0.

nej stacji do kontrolowania obiektĂłw typu Smart Component, ktĂłre odpowiadajÄ&#x2026; za elektromagnes, zmiany narzÄ&#x2122;dzia oraz podajniki taĹ&#x203A;mowe, wykorzystane zostaĹ&#x201A;y sygnaĹ&#x201A;y cyfrowe.

Do monitorowania pozycji oraz prÄ&#x2122;dkoĹ&#x203A;ci TCP manipulatorĂłw uĹźyto sygnaĹ&#x201A;Ăłw analogowych. Na potrzeby pracy zostaĹ&#x201A;o utworzone urzÄ&#x2026;dzenie do komunikacji z wykorzystaniem sieci Profinet, o nazwie bord. Nowemu sygnaĹ&#x201A;owi naleĹźaĹ&#x201A;o przypisaÄ&#x2021; bity oraz zmieniÄ&#x2021; jego poziom dostÄ&#x2122;pu na All â&#x20AC;&#x201C; umoĹźliwiajÄ&#x2026;cy odczyt oraz zapis informacji (rys. 14). W przypadku sygnaĹ&#x201A;Ăłw analogowych naleĹźy okreĹ&#x203A;liÄ&#x2021; ich dopuszczalne wartoĹ&#x203A;ci. Po poprawnym skonfigurowaniu sygnaĹ&#x201A;u naleĹźy zapisaÄ&#x2021; zmiany i zrestartowaÄ&#x2021; kontroler. Utworzenie sygnaĹ&#x201A;Ăłw cyfrowych oraz analogowych umoĹźliwiĹ&#x201A;o napisanie programu sterujÄ&#x2026;cego.

Program sterujÄ&#x2026;cy zrobotyzowanÄ&#x2026; stacjÄ&#x2026; zostaĹ&#x201A; utworzony w jÄ&#x2122;zyku programowania RAPID wykorzystujÄ&#x2026;c metody programowania w widoku graficznym, jak i programowania tekstowego w edytorze jÄ&#x2122;zyka RAPID. Do sterowania stacjÄ&#x2026; zostaĹ&#x201A;y wykorzystane podstawowe komendy ruchu, oczekiwania czy zmiany wartoĹ&#x203A;ci sygnaĹ&#x201A;u. UĹźyto rĂłwnieĹź poleceĹ&#x201E; zwiÄ&#x2026;zanych z wykonywaniem operacji MultiMove. Utworzono dwa dodatkowe zadania (ang. task) przeznaczone do wykonywania obliczeĹ&#x201E;. PoniĹźej przedstawiono kod jednego z nich: MODULE modul1 VAR pos elek; VAR num elekx; VAR num eleky; VAR num elekz; PROC main() WHILE startcc0=1 DO WaitTime 0.05; elek:=CPos(\Tool:=elektromagnes\ WObj:=Workobject_1); elekx := elek.x; eleky := elek.y;

} < ! (

Ĺ&#x161;rodowisko RobotStudio umoĹźliwia dodawanie, symulacjÄ&#x2122; oraz monitorowanie sygnaĹ&#x201A;Ăłw wejĹ&#x203A;Ä&#x2021;/wyjĹ&#x203A;Ä&#x2021;, ktĂłre sÄ&#x2026; obsĹ&#x201A;ugiwane przez ukĹ&#x201A;ad wejĹ&#x203A;Ä&#x2021;/wyjĹ&#x203A;Ä&#x2021; kontrolera. W zaprojektowa-

elekz := elek.z; SetAO rob1tx,elekx; SetAO rob1ty,eleky; SetAO rob1tz,elekz; ENDWHILE ENDPROC ENDMODULE

Rys. 14. Okno dodawania nowego sygnaĹ&#x201A;u do kontrolera Fig. 14. Window for adding a new signal to the controller

Procedura zawarta w modul1 sĹ&#x201A;uĹźy do iteracyjnego odczytywania co 0,05 sekundy pozycji TCP manipulatora wyposaĹźonego w elektromagnes. DziÄ&#x2122;ki zastosowaniu komendy WaitTime program nadal pozostaje responsywny w trakcie jego dziaĹ&#x201A;ania. Do zmiennej typu pos w pÄ&#x2122;tli przypisywana jest pozycja narzÄ&#x2122;dzia elektromagnes dla wybranego elementu WObj, w tym przypadku Workobject_1. NastÄ&#x2122;pnie do zmiennych zostajÄ&#x2026; przypisane poszczegĂłlne wspĂłĹ&#x201A;rzÄ&#x2122;dne X, Y, Z, ktĂłre w kolejnym kroku sÄ&#x2026; przypisywane sygnaĹ&#x201A;om analogowym. W sposĂłb analogiczny odczytywane sÄ&#x2026; dane dotyczÄ&#x2026;ce pozycji TCP drugiego manipulatora w osobnym tasku, poniewaĹź kaĹźdy task przypisany jest do okreĹ&#x203A;lonej jednostki mechanicznej. Wykonywanie obliczeĹ&#x201E; w jednym tasku skutkowaĹ&#x201A;oby poprawnoĹ&#x203A;ciÄ&#x2026; tylko dla tego manipulatora, do ktĂłrego jest przypisany dany task.

35

+

3

0 T f/% F &'(&+

< % 2Â&#x2020;8

/.1;. Â&#x2021;& %

â&#x2C6;&#x2019; przeĹ&#x201A;Ä&#x2026;cznik Stan Symulacji odpowiada za wĹ&#x201A;Ä&#x2026;czanie i wyĹ&#x201A;Ä&#x2026;czanie symulacji w Simulinku, ktĂłra sĹ&#x201A;uĹźy do komunikowania siÄ&#x2122; z serwerem OPC; â&#x2C6;&#x2019; przeĹ&#x201A;Ä&#x2026;cznik Stan Stacji wĹ&#x201A;Ä&#x2026;cza lub wyĹ&#x201A;Ä&#x2026;cza pracÄ&#x2122; zrobotyzowanej stacji w Ĺ&#x203A;rodowisku RobotStudio, zmieniajÄ&#x2026;c stan sygnaĹ&#x201A;u sterujÄ&#x2026;cego; â&#x2C6;&#x2019; kontrolka Emergency Stop monitoruje sygnaĹ&#x201A; awaryjnego postoju w systemie RobotWare zaprojektowanej stacji; â&#x2C6;&#x2019; przycisk Reset Emergency Stop odpowiada za przywracanie stacji do normlanego trybu po wystÄ&#x2026;pieniu awaryjnego postoju; â&#x2C6;&#x2019; kontrolki Motors OFF state/Motors ON state pokazujÄ&#x2026; stan napÄ&#x2122;dĂłw manipulatorĂłw stanowiska â&#x20AC;&#x201C; gdy sÄ&#x2026; nieaktywne, podĹ&#x203A;wietlenie jest koloru czarnego, natomiast przy uaktywnieniu zmienia siÄ&#x2122; na kolor zielony; â&#x2C6;&#x2019; przeĹ&#x201A;Ä&#x2026;cznik Pobieranie danych procesu ma trzy stany: Start, Pobieranie Danych, Reset Danych. Opcja Pobieranie Danych uruchamia timer, ktĂłry odĹ&#x203A;wieĹźa komendy zwiÄ&#x2026;zane z pobieraniem danych procesĂłw obrĂłbki z serwera OPC. Stop zatrzymuje timer natomiast Reset Danych zeruje wskazania kontrolek oraz pĂłl powiÄ&#x2026;zanych z timerem; â&#x2C6;&#x2019; przeĹ&#x201A;Ä&#x2026;cznik Pobieranie pozycji TCP speĹ&#x201A;nia tÄ&#x2122; samÄ&#x2026; funkcjÄ&#x2122;, co przeĹ&#x201A;Ä&#x2026;cznik Pobieranie danych procesu z tÄ&#x2026; róşnicÄ&#x2026;, iĹź operuje timerem oraz polami zwiÄ&#x2026;zanymi z wyĹ&#x203A;wietlaniem pozycji TCP manipulatorĂłw. Do przeĹ&#x201A;Ä&#x2026;cznikĂłw zostaĹ&#x201A;y dodane kontrolki w celu lepszej sygnalizacji zmiany stanĂłw.

Panel Stan Procesu (rys. 18) zawiera cztery kontrolki odpowiedzialne za monitorowanie procesu obrĂłbki wstÄ&#x2122;pnej odlewanych korpusĂłw: â&#x2C6;&#x2019; Frezowanie powierzchni Ĺ&#x201A;Ä&#x2026;czenia korpusu, â&#x2C6;&#x2019; Frezowanie powierzchni koĹ&#x201A;nierza pod Ĺ&#x201A;oĹźyska, â&#x2C6;&#x2019; Frezowanie bocznych krawÄ&#x2122;dzi koĹ&#x201A;nierza, â&#x2C6;&#x2019; Skanowanie 3D powierzchni obrobionych korpusu.

W panelach Manipulator 1 (rys. 19) oraz Manipulator 2 (rys. 20) znajdujÄ&#x2026; siÄ&#x2122; pola, w ktĂłrych wyĹ&#x203A;wietlane bÄ&#x2122;dÄ&#x2026; w czasie rzeczywistym wspĂłĹ&#x201A;rzÄ&#x2122;dne X, Y, Z pozycji TCP manipulato-

Pakiet MATLAB w wersji R2016a umoĹźliwia zastosowanie nowego narzÄ&#x2122;dzia App Designer do budowy graficznego interfejsu uĹźytkownika GUI. App Designer ma wiÄ&#x2122;cej funkcji oraz obiektĂłw, ktĂłre moĹźna wykorzystaÄ&#x2021; podczas budowy aplikacji. Na rys. 15 porĂłwnano budowÄ&#x2122; gĹ&#x201A;Ăłwnego okna aplikacji GUIDE oraz App Designer. Interfejs GUI zawiera nastÄ&#x2122;pujÄ&#x2026;ce elementy â&#x20AC;&#x201C; menu, paski narzÄ&#x2122;dzi, przyciski oraz suwaki. Dodatek GUI w Ĺ&#x203A;rodowisku MATLAB umoĹźliwia budowÄ&#x2122; niestandardowych aplikacji.

Rys. 15. PorĂłwnanie budowania aplikacji w GUIDE oraz w App Desinger [13] Fig. 15. Comparison of building applications in GUIDE and in App Designer

h 7 %

W ramach prac zbudowano aplikacjÄ&#x2122; GUI z wykorzystaniem narzÄ&#x2122;dzia App Designer. Zadaniem aplikacji jest monitorowanie procesĂłw oraz odczyt okreĹ&#x203A;lonych parametrĂłw pracy zbudowanej stacji. Graficzny interfejs uĹźytkownika zaprojektowanej aplikacji przedstawiono na rys. 16.

GĹ&#x201A;Ăłwny ekran zostaĹ&#x201A; podzielony na cztery panele. Pierwszy panel â&#x20AC;&#x201C; (GĹ&#x201A;Ăłwny panel) jest zĹ&#x201A;oĹźony z nastÄ&#x2122;pujÄ&#x2026;cych elementĂłw (rys. 17):

Rys. 18. Widok panelu Stan procesu aplikacji GUI Fig. 18. View of the GUI Application Process Status panel

Rys. 16. GĹ&#x201A;Ăłwne okno zbudowanego graficznego interfejsu uĹźytkownika Fig. 16. The main window of the built-in graphical user interface [13]

Rys. 17. GĹ&#x201A;Ăłwny panel aplikacji GUI Fig. 17. The main GUI application panel

36

P

O

M

I

Rys. 19. Panel Manipulator 1 IRB2600 Fig. 19. Panel IRB2600 Manipulator 1

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

% 0 1 % 1 2

Rys. 20. Panel Manipulator 2 IRB2600 Fig. 20. Panel IRB2600 Manipulator 2

W modelu dla kaĹźdego sygnaĹ&#x201A;u przypisano osobny blok odpowiedzialny za odbieranie danych z serwera. Jest to zwiÄ&#x2026;zane ze sposobem odczytywania danych w trakcie dziaĹ&#x201A;ania symulacji, a mianowicie zastosowaniem obiektĂłw typu Runtime. Obiekt tego typu przechowuje tylko aktualne dane i zapisuje je w formie wektora. Zmienne, do ktĂłrych zapisujÄ&#x2026; wartoĹ&#x203A;ci sygnaĹ&#x201A;Ăłw sÄ&#x2026; jednoelementowymi tablicami. DziÄ&#x2122;ki temu moĹźna zmniejszyÄ&#x2021; opóźnienia zwiÄ&#x2026;zane z aktualizowaniem danych. W celu wyĹ&#x203A;wietlania wykresĂłw w aplikacji dane zostajÄ&#x2026; zapisane za pomocÄ&#x2026; blokĂłw typu Scope do gĹ&#x201A;Ăłwnego obszaru roboczego w postaci tablic (rys. 22). W zakĹ&#x201A;adce Logging zastaĹ&#x201A;a wybrana opcja Log data to workspace, by zapisywaÄ&#x2021; dane do obszaru roboczego, gdzie ich liczba zostaĹ&#x201A;a ograniczona do 500 a po upĹ&#x201A;ywie 5 sekund symulacji wykresy bÄ&#x2122;dÄ&#x2026; siÄ&#x2122; resetowaĹ&#x201A;y. Celem jest poprawienie czytelnoĹ&#x203A;ci wykresĂłw ze wzglÄ&#x2122;du na to, iĹź stacja dziaĹ&#x201A;a w pÄ&#x2122;tli, wiÄ&#x2122;c dane bÄ&#x2122;dÄ&#x2026; aktualizowane po kaĹźdym cyklu.

& % , ! oprogramowania

Rys. 21. Model komunikacji w Simulinku Fig. 21. Model of communication in Simulink

Weryfikacja uzyskanych wynikĂłw oraz testowanie napisanego oprogramowania jest jednym z istotnych etapĂłw projektowania zrobotyzowanego stanowiska. Symulacja komputerowa w sposĂłb przybliĹźony pozwala odtworzyÄ&#x2021; zachowanie zaprojektowanego modelu oraz umoĹźliwia wykrycie bĹ&#x201A;Ä&#x2122;dĂłw na etapie projektowym. Ĺ&#x161;rodowisko RobotStudio umoĹźliwia weryfikacjÄ&#x2122; napisanego oprogramowania dla zaprojektowanej stacji zrobotyzowanej. SygnaĹ&#x201A;y generowane podczas symulacji sÄ&#x2026; przesyĹ&#x201A;ane za poĹ&#x203A;rednictwem serwera OPC do aplikacji napisanej w pakiecie MATLAB/Simulink, ktĂłra odpowiada za monitorowanie parametrĂłw, procesĂłw.

Przed przystÄ&#x2026;pieniem do weryfikacji zaprojektowanego oprogramowania naleĹźy sprawdziÄ&#x2021;, czy wirtualny kontroler w RobotStudio oraz serwer OPC majÄ&#x2026; ten sam numer IP. Aby komunikacja zostaĹ&#x201A;a nawiÄ&#x2026;zana naleĹźy otworzyÄ&#x2021; model w Simulinku, ktĂłry bÄ&#x2122;dzie wymieniaĹ&#x201A; dane z serwerem OPC. Stacja jest tak skonfigurowana, iĹź czeka na sygnaĹ&#x201A; wejĹ&#x203A;ciowy z aplikacji, aby rozpoczÄ&#x2026;Ä&#x2021; pracÄ&#x2122;. Po uruchomieniu aplikacji wykonanej w App Designer pojawia siÄ&#x2122; gĹ&#x201A;Ăłwne okno programu. Symulacja modelu w Simulink zostanie uruchomiona po wybraniu pozycji On przy poleceniu Stan Symulacji (rys. 23).

Rys. 22. Okno konfiguracyjne bloku Scope w Simulink Fig. 22. Scope block configuration window in Simulink

rĂłw z pewnym opóźnieniem. W celu wizualizacji trasy pokonanej przez koĹ&#x201E;cĂłwkÄ&#x2122; roboczÄ&#x2026; uĹźyto wykresu 3D z moĹźliwoĹ&#x203A;ciÄ&#x2026; obracania â&#x20AC;&#x201C; Pozycja TCP. W panelach manipulatorĂłw zawarto wykresy odpowiedzialne za przedstawianie zmian prÄ&#x2122;dkoĹ&#x203A;ci TCP. Czas, ktĂłry jest zaprezentowany na wykresach, nie odpowiada czasowi symulacji ze Ĺ&#x203A;rodowiska RobotStudio. ZwiÄ&#x2026;zane jest to z czÄ&#x2122;stym odĹ&#x203A;wieĹźaniem symulacji w Simulink celem odczytu jak najwiÄ&#x2122;kszej liczby zmian sygnaĹ&#x201A;Ăłw. W obydwu panelach pod wykresami znajdujÄ&#x2026; siÄ&#x2122; przyciski Aktualizuj Wykres, ktĂłrych celem jest dodawanie danych do wykresĂłw, gdyĹź samoczynna aktualizacja tych wykresĂłw znaczÄ&#x2026;co ogranicza czÄ&#x2122;stotliwoĹ&#x203A;Ä&#x2021; odĹ&#x203A;wieĹźania okna aplikacji. W panelu Manipulator 1 (rys. 19) znajduje siÄ&#x2122; pole wyĹ&#x203A;wietlajÄ&#x2026;ce stan narzÄ&#x2122;dzia manipulatora. Panel Manipulator 2 (rys. 20) zawiera trzy kontrolki Frez 1, Frez 2 oraz Zmiana narzÄ&#x2122;dzia, ktĂłre wskazujÄ&#x2026; aktualnie uĹźywane narzÄ&#x2122;dzie oraz proces wymiany koĹ&#x201E;cĂłwki roboczej.

Za komunikacjÄ&#x2122; z serwerem IRC5 OPC odpowiada model komunikacji zbudowany w Simulinku (rys. 21). Do jego budowy zastosowano bibliotekÄ&#x2122; OPC Toolbox.

Rys. 23. Weryfikacja poĹ&#x201A;Ä&#x2026;czenia aplikacji ze stacjÄ&#x2026; Fig. 23. Verification of the application connection to the station

Kolejnym krokiem jest wybĂłr polecenia On przy poleceniu Start Stacji w celu sprawdzenia, czy dane sÄ&#x2026; przesyĹ&#x201A;ane od aplikacji do stanowiska (rys. 23). Zmiana koloru kontrolki na kolor zielony przy poleceniu Start Stacji oznacza, Ĺźe w RobotStudio zarejestrowano zmianÄ&#x2122; sygnaĹ&#x201A;u startcc0 (rys. 23) na 1, co Ĺ&#x203A;wiadczy o poprawnym nawiÄ&#x2026;zaniu komunikacji. WybĂłr polecenia PobĂłr danych procesu uruchamia timer. Opóźnienie zwiÄ&#x2026;zane z odĹ&#x203A;wieĹźaniem prezentowanych danych waha siÄ&#x2122; w granicach 0,2â&#x20AC;&#x201C;0,3 sekundy, co pozwala na dokĹ&#x201A;adne Ĺ&#x203A;ledzenie procesu. Po rozpoczÄ&#x2122;ciu pobierania danych kontrolki Motor ON state, Frezowanie powierzchni Ĺ&#x201A;Ä&#x2026;czenia korpusu i Frez1 zmieniĹ&#x201A;y kolor na zielony. W oknie RobotStudio moĹźna obserwowaÄ&#x2021; pracÄ&#x2122; stanowiska, jest wykonywany pierwszy etap obrĂłbki za pomocÄ&#x2026; frezu oznaczonego Frez1. Obrabiany przedmiot jest pobrany

37

+

3

0 T f/% F &'(&+ a)

Rys. 25. Pozycje TCP narzÄ&#x2122;dzia w przestrzeni dla manipulatorĂłw 1 oraz 2 Fig 25. TCP tool positions in the space for manipulators 1 and 2

b)

Rys. 26. Wykres pozycji i prÄ&#x2122;dkoĹ&#x203A;ci koĹ&#x201E;cĂłwki roboczej manipulatora 1 oraz 2 Fig 26. Graph of position and speed of the working tip of manipulators 1 and 2

c)

Rys. 27. Test awaryjnego zatrzymania Fig. 27. Emergency stop test

przez pierwszy manipulator (rys. 24a) za pomocÄ&#x2026; elektromagnesu, co jest zgodne ze wskazaniem w etykiecie Stan narzÄ&#x2122;dzia w aplikacji. Dalej nastÄ&#x2122;pujÄ&#x2026; kolejne etapy obrĂłbki oraz zmiany narzÄ&#x2122;dzia (rys. 24).

Kolejnym etapem jest wybĂłr polecenia Pobieranie pozycji TCP, ktĂłry przedstawia wspĂłĹ&#x201A;rzÄ&#x2122;dne TCP narzÄ&#x2122;dzia (rys. 25) oraz wykresy odpowiadajÄ&#x2026;ce za Ĺ&#x203A;cieĹźkÄ&#x2122; pokonanÄ&#x2026; przez koĹ&#x201E;cĂłwkÄ&#x2122; roboczÄ&#x2026; oraz zmiany prÄ&#x2122;dkoĹ&#x203A;ci w czasie symulacji w Simulink (rys. 26).

Na koĹ&#x201E;cu przedstawiono weryfikacjÄ&#x2122; funkcji alarmowania dla opracowanej aplikacji. Po wybraniu polecenia Emergency Stop symulacja w RobotStudio zatrzymuje siÄ&#x2122;, na panelu gĹ&#x201A;Ăłwnym aplikacji kontrolki, ktĂłre sÄ&#x2026; odpowiedzialne za monitorowanie sygnaĹ&#x201A;u zatrzymania, zmieniajÄ&#x2026; kolor na czerwony (rys. 27).

d)

Rys. 24. a) obrĂłbka korpusu, b) zmiana frezĂłw, c) kolejny etap obrĂłbki korpusu, d) skanowanie 3D obrobionego korpusu Fig. 24. a) machining the body, b) changing the cutters, c) the next stage of machining the body, d) 3D scanning of the machined body

38

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

% 0 1 % 1 2 Po wyĹ&#x201A;Ä&#x2026;czeniu polecenia Emergency Stop na kontrolerze oraz wybraniu polecenia Reset Emergency Stop napÄ&#x2122;dy przechodzÄ&#x2026; w stan Motors OFF state (rys. 27). Podczas weryfikacji zauwaĹźono, iĹź w trakcie wĹ&#x201A;Ä&#x2026;czania kolejnych timerĂłw pojawiaĹ&#x201A;o siÄ&#x2122; opóźnienie. Timer monitorujÄ&#x2026;cy przebieg procesĂłw odczytywaĹ&#x201A; dane z opóźnieniem okoĹ&#x201A;o 0,2â&#x20AC;&#x201C;0,3 sekundy. PodobnÄ&#x2026; tendencjÄ&#x2122; wykazywaĹ&#x201A; timer odpowiedzialny za pobieranie pozycji TCP narzÄ&#x2122;dzia przy samodzielnym dziaĹ&#x201A;aniu. Przy jednoczesnym wĹ&#x201A;Ä&#x2026;czeniu dwĂłch timerĂłw opóźnienie zwiÄ&#x2122;kszaĹ&#x201A;o siÄ&#x2122; do okoĹ&#x201A;o 0,5â&#x20AC;&#x201C;0,8 sekundy. Ma to zwiÄ&#x2026;zek z tym, Ĺźe do timerĂłw odpowiadajÄ&#x2026;cych za pobĂłr danych przypisywane sÄ&#x2026; zĹ&#x201A;oĹźone funkcje, ktĂłre w krĂłtkim czasie sÄ&#x2026; odĹ&#x203A;wieĹźane. W zwiÄ&#x2026;zku z tym prĂłba generowania nowych wykresĂłw oraz wĹ&#x201A;Ä&#x2026;czenie kolejnego timera powoduje zatrzymanie prezentacji danych na gĹ&#x201A;Ăłwnym ekranie aplikacji. DuĹźe opóźnienie wystÄ&#x2122;powaĹ&#x201A;o w chwili przeĹ&#x201A;Ä&#x2026;czania pokrÄ&#x2122;teĹ&#x201A; oraz wyboru przyciskĂłw odpowiedzialnych za aktualizacjÄ&#x2122; wykresĂłw. KolejnoĹ&#x203A;Ä&#x2021; wĹ&#x201A;Ä&#x2026;czania obiektĂłw miaĹ&#x201A;a wpĹ&#x201A;yw na odĹ&#x203A;wieĹźanie okna aplikacji oraz aktualizacjÄ&#x2122; etykiet czy kontrolek. Mimo wystÄ&#x2122;pujÄ&#x2026;cych opóźnieĹ&#x201E;, aplikacja umoĹźliwia sprawne monitorowanie zachowaĹ&#x201E; zrobotyzowanego stanowiska.

Â&#x20AC; <

W artykule przedstawiono analizÄ&#x2122; istniejÄ&#x2026;cych rozwiÄ&#x2026;zaĹ&#x201E;.

Zaprezentowano aplikacje zbudowane w Ĺ&#x203A;rodowisku MATLAB, ktĂłrych zadaniem jest monitorowanie i sterowanie stacjami oraz identyfikacja parametrĂłw manipulatora. Zaprezentowano wĹ&#x201A;asne rozwiÄ&#x2026;zanie zĹ&#x201A;oĹźone z aplikacji GUI gromadzÄ&#x2026;cej i przetwarzajÄ&#x2026;cej dane procesowe ze zrobotyzowanego Ĺ&#x203A;rodowiska wyposaĹźonego w manipulatory ABB. Przedstawiono sposĂłb komunikacji zrobotyzowanej stacji z aplikacjÄ&#x2026; zbudowanÄ&#x2026; w Ĺ&#x203A;rodowisku MATLAB. Zaprojektowano oraz zbudowano zrobotyzowanÄ&#x2026; stacjÄ&#x2122; w Ĺ&#x203A;rodowisku RobotStudio przeznaczonÄ&#x2026; do obrĂłbki stalowych korpusĂłw po odlewie. Stanowisko skĹ&#x201A;ada siÄ&#x2122; z dwĂłch manipulatorĂłw firmy ABB, skanera 3D, stojaka na narzÄ&#x2122;dzia, taĹ&#x203A;mociÄ&#x2026;gĂłw, systemĂłw zabezpieczeĹ&#x201E;, dedykowanego kontrolera i komputera.

Stacja zostaĹ&#x201A;a zaprogramowana przy uĹźyciu jÄ&#x2122;zyka wysokiego poziomu â&#x20AC;&#x201C; RAPID. W artykule zaprezentowano rĂłwnieĹź projekt aplikacji GUI, ktĂłra umoĹźliwia monitorowanie stanĂłw obrĂłbki elementĂłw na stanowisku zrobotyzowanym. Zbudowana aplikacja moĹźe zostaÄ&#x2021; rozbudowana i udoskonalona. W zaleĹźnoĹ&#x203A;ci od zĹ&#x201A;oĹźonoĹ&#x203A;ci kontrolowanego przez aplikacjÄ&#x2122; stanowiska, moĹźliwe jest Ĺ&#x201A;atwe dodawanie nowych paneli z kolejnymi funkcjami. W prosty sposĂłb moĹźna teĹź rozszerzyÄ&#x2021; moĹźliwoĹ&#x203A;ci modelu odpowiadajÄ&#x2026;cego za komunikacjÄ&#x2122; z serwerem OPC, do ktĂłrego podĹ&#x201A;Ä&#x2026;czona jest monitorowana stacja. Ze wzglÄ&#x2122;du na wystÄ&#x2026;pienie opóźnieĹ&#x201E; w wersji testowej aplikacji, naleĹźy dokonaÄ&#x2021; optymalizacji kodu sterujÄ&#x2026;cego aplikacjÄ&#x2026;.

Wykonana aplikacja oraz jej weryfikacja na stanowisku zbudowanym w Ĺ&#x203A;rodowisku RobotStudio wykazaĹ&#x201A;y celowoĹ&#x203A;Ä&#x2021; prowadzenia prac w tym zakresie.

4. Giergiel J., Giergiel M., Kurc K., Sieci komputerowe i bazy danych â&#x20AC;&#x201C; WykĹ&#x201A;ady i laboratoria, Oficyna Wydawnicza Politechniki Rzeszowskiej, RzeszĂłw 2010.

5. Iori M., Martello S., Monaci M., Metaheuristic algorithms for the strip packing problem. [in:] Optimization and industry: new frontiers. Springer US, 2003. 159â&#x20AC;&#x201C;179, DOI: 10.1007/978-1-4613-0233-9_7.

6. Szulewski P., Koncepcje automatyki przemysĹ&#x201A;owej w Ĺ&#x203A;rodowisku Industry 4.0. â&#x20AC;&#x17E;Mechanikâ&#x20AC;?, Nr 7, 2016, 574â&#x20AC;&#x201C;578, DOI: 10.17814/mechanik.2016.7.221.

7. Wittbrodt P., Ĺ apuĹ&#x201E;ka I., PrzemysĹ&#x201A; 4.0 â&#x20AC;&#x201C; Wyzwanie dla wspĂłĹ&#x201A;czesnych przedsiÄ&#x2122;biorstw produkcyjnych. â&#x20AC;&#x17E;Innowacje w ZarzÄ&#x2026;dzaniu i InĹźynierii Produkcjiâ&#x20AC;?, 2017, 793â&#x20AC;&#x201C;799.

8. Szulewski P., UrzÄ&#x2026;dzenia automatyki przemysĹ&#x201A;owej w Ĺ&#x203A;rodowisku Industry 4.0. â&#x20AC;&#x17E;Mechanikâ&#x20AC;?, R. 89, Nr 8â&#x20AC;&#x201C;9, 2016, 926â&#x20AC;&#x201C;933, DOI: 10.17814/mechanik.2016.8-9.329.

9. Tjahjono B., Esplugues C., Ares E., Pelaez G., What does Industry 4.0 mean to Supply Chain? â&#x20AC;&#x153;Procedia Manufacturingâ&#x20AC;?, Vol. 13, 2017, 1175â&#x20AC;&#x201C;1182, DOI: 10.1016/j.promfg.2017.09.191.

10. PĹ&#x201A;atek R., MATLAB i Simulink w automatyce przemysĹ&#x201A;owej. â&#x20AC;&#x17E;Automatykaâ&#x20AC;?, R. 1, Nr 3, 2015, 126â&#x20AC;&#x201C;128.

11. Schwarz M.H.; Boercsoek J., Advances of OPC Client Server Architectures for Maintenance Strategies: a Research and Development Area not only for Industries. WSEAS Transactions on Systems and Control, Vol. 3, No. 3, 2008, 195â&#x20AC;&#x201C;207.

12. Pendli P.K., Gorbatchev V., Schwarz M.H., BĂśrcsĂśk J., OPC and its Strategies for Redundancy. International Control Conference (ICC 2006-Control 2006).

13. Aguado J.V., Borzacchiello D., Ghnatios C., Lebel F., Upadhyay R., Binetruy C., Chinesta F., A Simulation App based on reduced order modeling for manufacturing optimization of composite outlet guide vanes. Advanced Modeling and Simulation in Engineering Sciences, 4(1), 2017, DOI: 10.1186/s40323-017-0087-y.

% ! , 1. Badurek J., System ERP dla wytwĂłrczoĹ&#x203A;ci nowej generacji. â&#x20AC;&#x17E;PrzedsiÄ&#x2122;biorstwo we wspĂłĹ&#x201A;czesnej gospodarce â&#x20AC;&#x201C; teoria i praktykaâ&#x20AC;?, Nr 2, 2014, 79â&#x20AC;&#x201C;90.

2. Burghardt A., Kurc K., Szybicki D., Robotic automation of the turbo-propeller engine blade grinding process. â&#x20AC;&#x153;Applied Mechanics & Materialsâ&#x20AC;?, Vol. 817, 2016, 206â&#x20AC;&#x201C;213, DOI: 10.4028/www.scientific.net/AMM.817.206.

3. Burghardt A., Szybicki D., PietruĹ&#x203A; P., Zastosowanie architektury klientâ&#x20AC;&#x201C;serwer oraz protokoĹ&#x201A;Ăłw TCP/IP do sterowania i monitorowania pracy manipulatorĂłw przemysĹ&#x201A;owych. â&#x20AC;&#x17E;Modelowanie InĹźynierskieâ&#x20AC;?, Vol. 36, Nr 67, 2018, 16â&#x20AC;&#x201C;22.

39

+

3

0 T f/% F &'(&+

/ S 6 . . k / Jh@ L 7 E B-=O-Z 5 When designing and building factories in accordance with the idea of Industry 4.0, it is common to use robotic systems. Using such systems, it is important to monitor and analyze the operating parameters of these systems. In that it is possible to increase the efficiency, work safety, more efficient production management. For this type of systems, data exchange between devices are done using communication standards, e.g.: Profibus, DeviceNet, RS-485, OPC. Within the work, we presented our own solution using the OPC standard to exchange data between a robotic system and the MATLAB environment. An application using the GUI was presented, collecting and processing process data from a robotic station equipped with ABB manipulators.

Keywords J6 # B-=O-Z? . # 7

- 1 -

/ ,

.% $ % ORCID: 0000-0002-0113-6159

% 7 $ % ORCID: 0000-0003-3648-9808

" % 6 L >. . j )!!' ; % )!!'?)!!+ % % % ; % Z % B O 6 @ L J% . R F % B @ L 7 # .% 7 % " % )!&) G % K . % " 7 . % % % @ . G A 7 @ % %

% 6 % R " 6 L >. . j ; )!!*E)!& 7 % A % B ; % Z % B O 6 L ; )!&X 7 % K % B J% )!&X % % F % B L 7 G . % K ; A 7 % 7 . 7 A

'1 B $ % ORCID: 0000-0002-6428-0959 % L % R " 6 L >. . j ; @ % )!&+?)!&( % % % ; % Z % B O 6 L @ ; @ F % B @ L 7 # .% 7 G E # . 7 A

40

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

Pomiary Automatyka Robotyka, ISSN 1427-9126, R. 23, Nr 4/2019, 41â&#x20AC;&#x201C;46, DOI: 10.14313/PAR_234/41

7 " % A K .

7 . 7 . 7 / - ) 1+ - ) 3 1, 2 &

> # )' # Q!@('Q N% " 6 N% " # ; % < # = > / # N 7 0 &&?&)# Q!@*Q! N% "

)

, 5 W artykule zarysowano problematykÄ&#x2122; robotyzacji maĹ&#x201A;ych przedsiÄ&#x2122;biorstw, w szczegĂłlnoĹ&#x203A;ci aspekt robotyzacji z uwzglÄ&#x2122;dnieniem robotĂłw wspĂłĹ&#x201A;pracujÄ&#x2026;cych. Szeroko omĂłwiono zagadnienie robotĂłw wspĂłĹ&#x201A;pracujÄ&#x2026;cych oraz bezpieczeĹ&#x201E;stwa czĹ&#x201A;owieka podczas takiej wspĂłĹ&#x201A;pracy. Przedstawiono rĂłwnieĹź najbardziej popularne systemy bezpieczeĹ&#x201E;stwa w odniesieniu do obowiÄ&#x2026;zujÄ&#x2026;cych norm. W gĹ&#x201A;Ăłwnej czÄ&#x2122;Ĺ&#x203A;ci artykuĹ&#x201A;u przedstawiono Cooperating Automaton System with Stereovision Invigilating the Environment (CASSIE), system dedykowany do monitorowania bezpieczeĹ&#x201E;stwa robotĂłw kooperacyjnych za pomocÄ&#x2026; multimodalnych sensorĂłw gĹ&#x201A;Ä&#x2122;bi. Ukazano rĂłwnieĹź efekt dziaĹ&#x201A;ania takiego systemu. &' % # 7 % # 7 " # # \ >

1. Wprowadzenie Ĺťyjemy w dobie szybko starzejÄ&#x2026;cego siÄ&#x2122; spoĹ&#x201A;eczeĹ&#x201E;stwa, w chwili obecnej na rynku pracy panuje wrÄ&#x2122;cz olbrzymi niedobĂłr pracownikĂłw. Cywilizacja europejska upatruje rozwiÄ&#x2026;zanie tego problemu w imigracji zarobkowej z krajĂłw mniej uprzemysĹ&#x201A;owionych. Mimo postÄ&#x2122;pujÄ&#x2026;cej imigracji (w 2016 r. do UE imigrowaĹ&#x201A;o okoĹ&#x201A;o 2 mln obywateli, zaĹ&#x203A; w 2017 r. â&#x20AC;&#x201C; 2,4 mln) tendencja niedoboru pracownikĂłw ma siÄ&#x2122; pogĹ&#x201A;Ä&#x2122;biaÄ&#x2021; â&#x20AC;&#x201C; wskaĹşnik wakatĂłw (ang. job vacancy rate) wzrĂłsĹ&#x201A; z 1,3% w 2013 r. do 2,3% w 2019 r. [1]. WedĹ&#x201A;ug raportu Boston Consulting Group, w 2030 r. w Polsce bÄ&#x2122;dzie brakowaÄ&#x2021; 5 mln pracownikĂłw. Na stanowiskach pracy odznaczajÄ&#x2026;cych siÄ&#x2122; duĹźa monotoniÄ&#x2026; robot wspĂłĹ&#x201A;pracujÄ&#x2026;cy moĹźe idealnie zastÄ&#x2026;piÄ&#x2021; czĹ&#x201A;owieka. Aktualnie w wiÄ&#x2122;kszoĹ&#x203A;ci przedsiÄ&#x2122;biorstw moĹźna zaobserwowaÄ&#x2021; postÄ&#x2122;pujÄ&#x2026;cÄ&#x2026; robotyzacjÄ&#x2122;. W Europie w 2017 r. na 10 000 pracownikĂłw przypadaĹ&#x201A;o 106 robotĂłw, w Ĺ&#x203A;cisĹ&#x201A;ej czoĹ&#x201A;Ăłwce Ĺ&#x203A;wiatowej znajdujÄ&#x2026; siÄ&#x2122; Niemcy (309 â&#x20AC;&#x201C; trzecie miejsce), Szwecja (223 â&#x20AC;&#x201C; piÄ&#x2026;te) i Dania (211 â&#x20AC;&#x201C; szĂłste) [2]. Polska zajmuje dopiero trzydzieste miejsce (32 roboty na 10 000 pracownikĂłw), mimo budowy jednego z bardziej przyjaznych robotĂłw humanoidalnych [3]. Oznacza to, Ĺźe istnieje olbrzymie zapotrzebowanie na robotyzacjÄ&#x2122; przedsiÄ&#x2122;biorstw.

W wiÄ&#x2122;kszoĹ&#x203A;ci przypadkĂłw stanowiska zrobotyzowane eliminujÄ&#x2026; czĹ&#x201A;owieka z procesu produkcyjnego. Roboty ogro-

. (

B 7 # 7 $ . '

% ! &! )!&* # % % )+ && )!&*

!

dzone sÄ&#x2026; róşnego rodzaju barierami, ogrodzeniami czy wrÄ&#x2122;cz sÄ&#x2026; zamkniÄ&#x2122;te w klatkach. Historycznie manipulatory miaĹ&#x201A;y za zadanie przenoszenie i ukĹ&#x201A;adanie ciÄ&#x2122;Ĺźkich elementĂłw, uĹźywaĹ&#x201A;y do tego duĹźej siĹ&#x201A;y i prÄ&#x2122;dkoĹ&#x203A;ci, przez co stawaĹ&#x201A;y siÄ&#x2122; niebezpieczne dla czĹ&#x201A;owieka. Aktualnie odchodzi siÄ&#x2122; od tego trendu. Coraz czÄ&#x2122;Ĺ&#x203A;ciej pojawiajÄ&#x2026; siÄ&#x2122; roboty wspĂłĹ&#x201A;pracujÄ&#x2026;ce z czĹ&#x201A;owiekiem, charakteryzujÄ&#x2026;ce siÄ&#x2122; mniejszym udĹşwigiem i zredukowanÄ&#x2026; prÄ&#x2122;dkoĹ&#x203A;ciÄ&#x2026;. DziÄ&#x2122;ki temu sÄ&#x2026; bezpieczniejsze dla czĹ&#x201A;owieka [4]. Coraz czÄ&#x2122;Ĺ&#x203A;ciej rĂłwnieĹź pojawiajÄ&#x2026; siÄ&#x2122; przyjazne, w aspekcie HSI (ang. Human System Interaction) roboty produkcyjne, czasem nawet sÄ&#x2026; wyposaĹźone w dedykowany system emocjonalny, potrafiÄ&#x2026; siÄ&#x2122; uĹ&#x203A;miechaÄ&#x2021;, a nawet parzyÄ&#x2021; kawÄ&#x2122; [5].

> "' (

Robot wspĂłĹ&#x201A;pracujÄ&#x2026;cy, inaczej zwany cobotem (ang. Cooperative robot) zostaĹ&#x201A; zdefiniowany jako â&#x20AC;&#x17E;aparat i metoda umoĹźliwiajÄ&#x2026;ca bezpoĹ&#x203A;redniÄ&#x2026; fizycznÄ&#x2026; interakcjÄ&#x2122; miÄ&#x2122;dzy czĹ&#x201A;owiekiem a manipulatoram (ogĂłlnego przeznaczenia) sterowanym przez komputerâ&#x20AC;? [6]. Jednak mimo zdefiniowania cobota w 1999 r., pierwsze modele weszĹ&#x201A;y na rynek dopiero w 2003 r.

OgĂłlnie moĹźna zdefiniowaÄ&#x2021; cztery tryby wspĂłĹ&#x201A;pracy czĹ&#x201A;owieka i robota [7]: â&#x2C6;&#x2019; koegzystencja, â&#x2C6;&#x2019; sekwencyjna kooperacja (praca sekwencyjna nad obiektem), â&#x2C6;&#x2019; kooperacja (praca nad jednym obiektem, jednoczesny ruch robota i czĹ&#x201A;owieka), â&#x2C6;&#x2019; kooperacja responsywna (praca nad jednym obiektem, reakcja bezpoĹ&#x203A;rednio na ruch).

Aktualnie wiÄ&#x2122;kszoĹ&#x203A;Ä&#x2021; robotĂłw pracuje w trybie sekwencyjnej kooperacji â&#x20AC;&#x201C; nie ma Ĺ&#x203A;cisĹ&#x201A;ej kooperacji miÄ&#x2122;dzy czĹ&#x201A;owiekiem a robotem. Aczkolwiek postÄ&#x2122;pujÄ&#x2026;ca robotyzacja sugeruje, Ĺźe

41

0 % T ` 0 0 !0 w niedalekiej przyszĹ&#x201A;oĹ&#x203A;ci bÄ&#x2122;dzie moĹźna spotkaÄ&#x2021; roboty kooperujÄ&#x2026;ce responsywnie z czĹ&#x201A;owiekiem.

Aby roboty mogĹ&#x201A;y swobodnie wspĂłĹ&#x201A;pracowaÄ&#x2021; z czĹ&#x201A;owiekiem muszÄ&#x2026; speĹ&#x201A;niaÄ&#x2021; szereg norm zwiÄ&#x2026;zanych z bezpieczeĹ&#x201E;stwem, w szczegĂłlnoĹ&#x203A;ci ISO 10218-1, 10218-2 oraz specyfikacjÄ&#x2122; technicznÄ&#x2026; ISO/TS 15066. W dokumentach tych moĹźna znaleĹşÄ&#x2021; nastÄ&#x2122;pujÄ&#x2026;ce strategie zachowania bezpieczeĹ&#x201E;stwa [8]: â&#x2C6;&#x2019; ograniczenie strefy ruchu robota â&#x20AC;&#x201C; statyczne (zdefiniowanie strefy pracy) lub dynamiczne (np. przez zastosowanie kurtyn Ĺ&#x203A;wietlnych), â&#x2C6;&#x2019; wykrywanie odlegĹ&#x201A;oĹ&#x203A;ci do potencjalnych obiektĂłw mogÄ&#x2026;cych spowodowaÄ&#x2021; kolizjÄ&#x2122;, â&#x2C6;&#x2019; wykrywanie i unikanie kolizji â&#x20AC;&#x201C; pre-collision â&#x20AC;&#x201C; dynamiczna zmiana trajektorii manipulatora lub prÄ&#x2122;dkoĹ&#x203A;ci narzÄ&#x2122;dzia, â&#x2C6;&#x2019; wymagania ergonomiczne â&#x20AC;&#x201C; unikanie ostrych krawÄ&#x2122;dzi, okĹ&#x201A;adziny itp., â&#x2C6;&#x2019; systemy zatrzymania robota â&#x20AC;&#x201C; post-collision â&#x20AC;&#x201C; odpowiednio umieszczone wyĹ&#x201A;Ä&#x2026;czniki awaryjne, â&#x2C6;&#x2019; wydajnoĹ&#x203A;Ä&#x2021; systemu sterowania zwiÄ&#x2026;zana z bezpieczeĹ&#x201E;stwem, tolerancja pojedynczych usterek nie moĹźe naraĹźaÄ&#x2021; czĹ&#x201A;owieka, â&#x2C6;&#x2019; kontrola prÄ&#x2122;dkoĹ&#x203A;ci â&#x20AC;&#x201C; prÄ&#x2122;dkoĹ&#x203A;Ä&#x2021; narzÄ&#x2122;dzia nie powinna przekroczyÄ&#x2021; 250 mm/s (przy wspĂłĹ&#x201A;pracy).

UszczegĂłĹ&#x201A;awiajÄ&#x2026;c przypadek tylko do wspĂłĹ&#x201A;pracy z czĹ&#x201A;owiekiem, raport techniczny ISO/TS 15066 wyróşnia cztery tryby zwiÄ&#x2026;zane z tym zagadnieniem: â&#x2C6;&#x2019; monitoring otoczenia robota (safety-related monitored stop â&#x20AC;&#x201C; SMS), â&#x2C6;&#x2019; monitoring prÄ&#x2122;dkoĹ&#x203A;ci i odlegĹ&#x201A;oĹ&#x203A;ci (speed and separation monitoring â&#x20AC;&#x201C; SSM), â&#x2C6;&#x2019; praca przy ograniczonej sile (power and force limiting â&#x20AC;&#x201C; PFL), â&#x2C6;&#x2019; praca z prowadzeniem rÄ&#x2122;cznym (hand guiding â&#x20AC;&#x201C; HG).

Praca z prowadzeniem rÄ&#x2122;cznym jest z reguĹ&#x201A;y trybem opcjonalnym, zaĹ&#x203A; ograniczenie siĹ&#x201A;y robota jest z reguĹ&#x201A;y predefiniowane podczas okreĹ&#x203A;lania ryzyka i instalacji. PozostaĹ&#x201A;e tryby wiÄ&#x2026;ĹźÄ&#x2026; siÄ&#x2122; Ĺ&#x203A;cisĹ&#x201A;e ze strategiami bezpieczeĹ&#x201E;stwa: pre-collision i post-collision [9]. Strategia pre-collision powinna opisywaÄ&#x2021;, co siÄ&#x2122; dzieje w przypadku dostania siÄ&#x2122; przeszkody w przestrzeĹ&#x201E; robota (SSM), z kolei strategia post-collision mĂłwi, jak siÄ&#x2122; powinien zachowaÄ&#x2021; manipulator w przypadku kolizji (SMS).

NaleĹźy zauwaĹźyÄ&#x2021;, Ĺźe aspekt pre-collision jest Ĺ&#x203A;cisĹ&#x201A;e zwiÄ&#x2026;zany z zagadnieniem percepcji otoczenia, a stÄ&#x2026;d juĹź krok do inteligentnych cobotĂłw [10].

StrategiÄ&#x2122; pre-collision moĹźna rĂłwnieĹź powiÄ&#x2026;zaÄ&#x2021; z wykrywaniem przeszkody/czĹ&#x201A;owieka w odpowiednich strefach. Klasycznie wyróşnia siÄ&#x2122; piÄ&#x2122;Ä&#x2021; róşnych stref robota: â&#x2C6;&#x2019; przestrzeĹ&#x201E; maksymalna â&#x20AC;&#x201C; zbiĂłr punktĂłw, w ktĂłrych moĹźe siÄ&#x2122; znaleĹşÄ&#x2021; jakakolwiek czÄ&#x2122;Ĺ&#x203A;Ä&#x2021; robota, â&#x2C6;&#x2019; przestrzeĹ&#x201E; ograniczona â&#x20AC;&#x201C; przestrzeĹ&#x201E; maksymalna ograniczona przez elementy staĹ&#x201A;e (np. szafÄ&#x2122; sterowniczÄ&#x2026;), â&#x2C6;&#x2019; przestrzeĹ&#x201E; robocza â&#x20AC;&#x201C; zbiĂłr punktĂłw, w ktĂłrych moĹźe siÄ&#x2122; znaleĹşÄ&#x2021; narzÄ&#x2122;dzie robota, â&#x2C6;&#x2019; przestrzeĹ&#x201E; chroniona â&#x20AC;&#x201C; przestrzeĹ&#x201E;, ktĂłra powinna zostaÄ&#x2021; ograniczona przez odgrodzenie wg normy ISO 13857 (z reguĹ&#x201A;y wiÄ&#x2122;ksza niĹź przestrzeĹ&#x201E; maksymalna), â&#x2C6;&#x2019; przestrzeĹ&#x201E; kooperacji â&#x20AC;&#x201C; wycinek przestrzeni roboczej, w ktĂłrej moĹźe siÄ&#x2122; pojawiÄ&#x2021; czĹ&#x201A;owiek w celu wspĂłĹ&#x201A;pracy.

W celach bezpoĹ&#x203A;rednio zwiÄ&#x2026;zanych z systemem bezpieczeĹ&#x201E;stwa wykorzystuje siÄ&#x2122; trzy ostatnie przestrzenie.

warunkĂłw pracy systemu bezpieczeĹ&#x201E;stwa, przez co koszt takiego cobota moĹźe znaczÄ&#x2026;co wzrosnÄ&#x2026;Ä&#x2021;. WĹ&#x203A;rĂłd powszechnie stosowanych rozwiÄ&#x2026;zaĹ&#x201E; sĹ&#x201A;uĹźÄ&#x2026;cych do monitorowania bezpieczeĹ&#x201E;stwa strefy chronionej robota naleĹźy wyróşniÄ&#x2021;: â&#x2C6;&#x2019; sygnalizacyjne i ostrzegawcze barwy elementĂłw stanowiska i samych robotĂłw, â&#x2C6;&#x2019; fizyczne wygrodzenia i osĹ&#x201A;ony (czÄ&#x2122;Ĺ&#x203A;ciowe) ograniczajÄ&#x2026;ce strefÄ&#x2122; kooperacji, â&#x2C6;&#x2019; optyczne bariery strefowe, â&#x2C6;&#x2019; naciskowe maty i listwy, â&#x2C6;&#x2019; klucze bezpieczeĹ&#x201E;stwa, â&#x2C6;&#x2019; sensory ruchu i odlegĹ&#x201A;oĹ&#x203A;ci, â&#x2C6;&#x2019; systemy wykrywania kolizji.

PrzykĹ&#x201A;adowo Fanuc ma w swojej ofercie seriÄ&#x2122; robotĂłw CR (ang. Cooperative Robots) wyposaĹźonych domyĹ&#x203A;lnie w system detekcji kolizji przy wykryciu siĹ&#x201A;y rzÄ&#x2122;du 150 N (z moĹźliwoĹ&#x203A;ciÄ&#x2026; przeprogramowania progu), oparty na sensorach momentu siĹ&#x201A;y [12]. UmoĹźliwia wyposaĹźenie manipulatora w maty ochronne oraz system wodzenia manipulatorem. Pozwala takĹźe na uĹźycie systemu DCS (ang. Dual Check Safety), ktĂłry pozwala na monitorowanie stref robota pod kÄ&#x2026;tem obecnoĹ&#x203A;ci czĹ&#x201A;owieka (zarĂłwno przez kurtyny Ĺ&#x203A;wietlne, skaner 3D czy maty naciskowe) oraz redukcjÄ&#x2122; prÄ&#x2122;dkoĹ&#x203A;ci i siĹ&#x201A;. Aby chroniÄ&#x2021; narzÄ&#x2122;dzie manipulator moĹźe byÄ&#x2021; wyposaĹźony w czujnik momentĂłw siĹ&#x201A; oraz kamery pozwalajÄ&#x2026;ce na monitorowanie otoczenia robota.

System ten jest rĂłwnieĹź odpowiednio redundantny.

Podobne zastosowanie ma osprzÄ&#x2122;t firmy Bosch â&#x20AC;&#x201C; APAS assistant. System ten umoĹźliwia okrycie manipulatora sztucznÄ&#x2026; matÄ&#x2026; dotykowÄ&#x2026; o gruboĹ&#x203A;ci rzÄ&#x2122;du 50 mm, dziÄ&#x2122;ki czemu wykrywa on kolizje wczeĹ&#x203A;niej niĹź robot uderzy w czĹ&#x201A;owieka. APAS pozwala rĂłwnieĹź na monitorowanie otoczenia robota przez uĹźycie dodatkowych sensorĂłw, takich jak skanery laserowe, bariery Ĺ&#x203A;wietlne, maty dotykowe czy skaner 3D. RĂłwnieĹź robot iiwa LBR firmy KUKA zostaĹ&#x201A; wyposaĹźony w system detekcji kolizji za pomocÄ&#x2026; czujnika momentĂłw siĹ&#x201A;.

NaleĹźy zaznaczyÄ&#x2021;, Ĺźe pod tym pojÄ&#x2122;ciem kryjÄ&#x2026; siÄ&#x2122; z reguĹ&#x201A;y osobne sensory dla kaĹźdego stopnia swobody [13]. Tym, co wyróşnia tego cobota, jest elastyczne narzÄ&#x2122;dzie, ktĂłre umoĹźliwia dopasowanie skĹ&#x201A;adanych elementĂłw (a takĹźe umiejÄ&#x2122;tnoĹ&#x203A;Ä&#x2021; obsĹ&#x201A;ugi ekspresu do kawy â&#x20AC;&#x201C; wedĹ&#x201A;ug filmu promujÄ&#x2026;cego). MoĹźe byÄ&#x2021; rĂłwnieĹź wyposaĹźony w sensory strefowe, ktĂłre definiujÄ&#x2026; okreĹ&#x203A;lone prÄ&#x2122;dkoĹ&#x203A;ci cobota, a takĹźe siĹ&#x201A;y, bÄ&#x2026;dĹş sam sposĂłb dziaĹ&#x201A;ania algorytmĂłw bezpieczeĹ&#x201E;stwa (inny do wspĂłĹ&#x201A;pracy z czĹ&#x201A;owiekiem, inny do samodzielnej manipulacji).

WĹ&#x203A;rĂłd ciekawych koncepcji naleĹźy wyróşniÄ&#x2021; wirtualny sensor siĹ&#x201A;y â&#x20AC;&#x201C; opracowany na podstawie peĹ&#x201A;nego modelu dynamiki robota. Pozwala on na wyliczenie momentu obrotowego dla kaĹźdego silnika (w kaĹźdym stopniu swobody), co jest proporcjonalne do poboru prÄ&#x2026;du pomierzonego na silnikach. W przypadku kolizji róşnica miÄ&#x2122;dzy wyznaczonym poborem prÄ&#x2026;du a pomierzonym jest znaczÄ&#x2026;ca, dziÄ&#x2122;ki temu wirtualny czujnik moĹźe wykryÄ&#x2021; kolizjÄ&#x2122; [12, 14]. Sensor taki jest stosowany w cobotach Universal Robots.

W podejĹ&#x203A;ciu badawczym stosowane sÄ&#x2026; bardziej wyrafinowane rozwiÄ&#x2026;zania, jednak aktualnie sÄ&#x2026; one jeszcze zbyt maĹ&#x201A;o odporne na warunki przemysĹ&#x201A;owe. Coraz czÄ&#x2122;Ĺ&#x203A;ciej stosuje siÄ&#x2122; wizyjne systemy zabezpieczajÄ&#x2026;ce przed kolizjÄ&#x2026; â&#x20AC;&#x201C; monitorowanie przestrzeni chronionej robota. WiodÄ&#x2026;cym rozwiÄ&#x2026;zaniem w tej dziedzinie sÄ&#x2026; róşnego rodzaju skanery 3D, ktĂłre z reguĹ&#x201A;y naleĹźÄ&#x2026; do rozwiÄ&#x2026;zaĹ&#x201E; z wyĹźszej pĂłĹ&#x201A;ki cenowej. Z tego tytuĹ&#x201A;u coraz czÄ&#x2122;Ĺ&#x203A;ciej stosowane sÄ&#x2026; kamery gĹ&#x201A;Ä&#x2122;bi, czy to bazujÄ&#x2026;ce na ToF (ang. Time of Flight), czy na emiterach podczerwieni [15].

WĹ&#x203A;rĂłd dominujÄ&#x2026;cych rozwiÄ&#x2026;zaĹ&#x201E; badawczych moĹźna wymieniÄ&#x2021; nastÄ&#x2122;pujÄ&#x2026;ce gĹ&#x201A;Ăłwne aspekty: â&#x2C6;&#x2019; wyznaczenie zajÄ&#x2122;toĹ&#x203A;ci strefy (odlegĹ&#x201A;oĹ&#x203A;ci czĹ&#x201A;owieka/obiektu od robota) za pomocÄ&#x2026; podejĹ&#x203A;cia: â&#x2C6;&#x2019; klasycznego â&#x20AC;&#x201C; z uĹźyciem kamer RGB i algorytmĂłw przetwarzania obrazu [16],

| &

" Istnieje stosunkowo niewiele producentĂłw majÄ&#x2026;cych w swojej ofercie coboty, do najwaĹźniejszych z nich naleĹźÄ&#x2026; firmy: General Motors, Corobotics, KUKA, Universal Robots, Fanuc i ABB [11]. Jednak zakup samego cobota to nie wszystko.

Producenci oferujÄ&#x2026; moĹźliwoĹ&#x203A;Ä&#x2021; instalacji dostosowanego do

42

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

# 0 â&#x2C6;&#x2019; 3D â&#x20AC;&#x201C; z uĹźyciem LIDARĂłw, skanerĂłw 3D i tym podobnych [17], â&#x2C6;&#x2019; hybrydowego, opartego na fuzji danych z wielu miltimodalnych ĹşrĂłdeĹ&#x201A; [18]; â&#x2C6;&#x2019; predykcja trajektorii ruchu czĹ&#x201A;owieka.

Najnowsze podejĹ&#x203A;cia oparte sÄ&#x2026; na fuzji danych z wielu kamer RGB i sensorĂłw gĹ&#x201A;Ä&#x2122;bi. PrzykĹ&#x201A;adowo, system z kamerÄ&#x2026; RGBD [19] pozwala na dynamicznÄ&#x2026; zmianÄ&#x2122; trajektorii robota KUKA przy ruchomych przeszkodach. Z kolei system z kamerÄ&#x2026; ToF [20] skutecznie wykrywa zajÄ&#x2122;toĹ&#x203A;Ä&#x2021; strefy wspĂłĹ&#x201A;pracy miÄ&#x2122;dzy czĹ&#x201A;owiekiem i robotem.

4. CASSIE Cooperating Automaton System with Stereovision Invigilating the Environment, czyli CASSIE, jest systemem opracowanym w firmie Intema. UmoĹźliwia detekcjÄ&#x2122; obiektĂłw wkraczajÄ&#x2026;cych do przestrzeni chronionej robota. CASSIE skĹ&#x201A;ada siÄ&#x2122; z szeĹ&#x203A;ciu moduĹ&#x201A;Ăłw o polu widzenia | 60°, co pozwala na skuteczne monitorowanie przestrzeni wokĂłĹ&#x201A; robota. Pojedynczy moduĹ&#x201A; oparty jest na multiomodalnym sensorze Intel RealSense D435, w skĹ&#x201A;ad ktĂłrego wchodzi procesor wizyjny Intel Vision D4, emiter podczerwieni, stereo-para kamer podczerwieni oraz kamera RGB. Warto wspomnieÄ&#x2021;, Ĺźe prace dotyczÄ&#x2026;ce bezpieczeĹ&#x201E;stwa czĹ&#x201A;owieka podczas wspĂłĹ&#x201A;pracy z robotem z wykorzystaniem sensora RealSense toczÄ&#x2026; siÄ&#x2122; praktycznie od debiutu tego czujnika [21]. CASSIE (rys. 1) jest systemem hybrydowym, ktĂłrego poĹ&#x203A;rednim zadaniem jest fuzja danych z wielu ĹşrĂłdeĹ&#x201A;.

Schemat dziaĹ&#x201A;ania systemu CASSIE przedstawiony jest na rys. 2. SzczegĂłĹ&#x201A;y teoretyczne akwizycji oraz algorytmĂłw przetwarzania obrazu z kamery RGBD sÄ&#x2026; opisane w publikacjach [22â&#x20AC;&#x201C;26]. Procesor wizyjny kamery Intel RealSense pozwala na bezpoĹ&#x203A;rednie pobranie danych o gĹ&#x201A;Ä&#x2122;bi wyznaczonych na podstawie zrektyfikowanych obrazĂłw z kamer podczerwieni wraz z korektÄ&#x2026; o dane z aktywnej stereowizji (za pomocÄ&#x2026; emitera IR). NaleĹźy zaznaczyÄ&#x2021;, Ĺźe proces rektyfikacji polega na usuniÄ&#x2122;ciu znieksztaĹ&#x201A;ceĹ&#x201E; wprowadzonych przez parametry sensora/sensorĂłw i przeksztaĹ&#x201A;ceniu do ukĹ&#x201A;adu kanonicznego kamer. WĹ&#x203A;rĂłd algorytmĂłw do uzyskania danych o gĹ&#x201A;Ä&#x2122;bi moĹźna wymieniÄ&#x2021; m.in. stereo block matching lub stereo semi-global block matching, ktĂłre polegajÄ&#x2026; na dopasowaniu blokĂłw punktĂłw na obrazach. Biblioteka librealsense2 dostarczana przez firmÄ&#x2122; Intel umoĹźliwia mapowanie danych z pĹ&#x201A;askiego obrazu do przestrzeni trĂłjwymiarowej oraz wyrĂłwnanie obrazĂłw pobranych z kamery RGB i obrazu gĹ&#x201A;Ä&#x2122;bi (kanaĹ&#x201A; D). WyrĂłwnanie obrazĂłw polega na znalezieniu zaleĹźnoĹ&#x203A;ci opisujÄ&#x2026;cej relacje miÄ&#x2122;dzy odpowiednimi pikselami (wskazujÄ&#x2026;cymi na ten sam punkt w przestrzeni) na obrazach.

DziÄ&#x2122;ki temu, nakĹ&#x201A;adajÄ&#x2026;c obrazy na siebie moĹźna mieÄ&#x2021; pewnoĹ&#x203A;Ä&#x2021;,

Rys. 1. Wizualizacja systemu CASSIE Fig. 1. Visualization of CASSIE system

Rys. 2. Schemat dziaĹ&#x201A;ania CASSIE Fig. 2. CASSIE flow chart

!

Ĺźe punkt w przestrzeni bÄ&#x2122;dzie poprawnie scharakteryzowany zarĂłwno przez dane o odlegĹ&#x201A;oĹ&#x203A;ci od kamery, jaki i kolor.

WyrĂłwnane obrazy z pojedynczych kamer (RGB i D) przetwarza siÄ&#x2122; do postaci chmury punktĂłw 3D (ang. point cloud), co pozwala na szybkie okreĹ&#x203A;lenie odlegĹ&#x201A;oĹ&#x203A;ci od poszczegĂłlnych obiektĂłw. NastÄ&#x2122;pnie chmura przetwarzana jest na widok z gĂłry, odpowiednio przesuniÄ&#x2122;ty (kÄ&#x2026;towo) dla kaĹźdej z kamer. Do opracowania tego widoku nie sÄ&#x2026; uwzglÄ&#x2122;dniane punkty leĹźÄ&#x2026;ce poniĹźej pewnego poziomu (np. skĹ&#x201A;adowej y Ĺ&#x203A;rodka obrazu). Punkty te mogÄ&#x2026; przynaleĹźeÄ&#x2021; do podĹ&#x201A;oĹźa platformy robota lub posadzki.

Z kolei pozyskane obrazy RGB z kaĹźdego moduĹ&#x201A;u sÄ&#x2026; odpowiednio skĹ&#x201A;adane, aby uzyskaÄ&#x2021; kolorowy widok panoramiczny. NaleĹźy zaznaczyÄ&#x2021;, Ĺźe poprawna rektyfikacja obrazu, bardzo trudna do wykonania w systemie wielokamerowym, nie jest wymagana do wykrycia obiektĂłw w otoczeniu robota.

Widok z gĂłry jest podczas kalibracji zapamiÄ&#x2122;tywany (gdy w Ĺźadnej z kamer nie znajdujÄ&#x2026; siÄ&#x2122; ruchome obiekty). DziÄ&#x2122;ki temu system jest w stanie okreĹ&#x203A;liÄ&#x2021; granice pomieszczenia (Ĺ&#x203A;ciany), w ktĂłrym znajduje siÄ&#x2122; robot. Docelowo umoĹźliwia to rozróşnienie miÄ&#x2122;dzy nowymi obiektami, poruszajÄ&#x2026;cymi siÄ&#x2122; w otoczeniu, a obiektami staĹ&#x201A;ymi (jak np. klatka robota). DziÄ&#x2122;ki temu staje siÄ&#x2122; moĹźliwe wykrycie (arbitralnie) wiÄ&#x2122;kszych obiektĂłw wkraczajÄ&#x2026;cych lub zbliĹźajÄ&#x2026;cych siÄ&#x2122; do przestrzeni chronionej robota.

Widok panoramiczny (zĹ&#x201A;oĹźenie obrazĂłw RGB) pozwala na detekcjÄ&#x2122; i identyfikacjÄ&#x2122; semantycznÄ&#x2026; obiektĂłw (wĹ&#x203A;rĂłd ktĂłrych naleĹźy wyróşniÄ&#x2021; czĹ&#x201A;owieka). Obiekty te sÄ&#x2026; wykrywane i rozpoznawane za pomocÄ&#x2026; gĹ&#x201A;Ä&#x2122;bokiej sieci neuronowej YOLO [27].

Takie rozwiÄ&#x2026;zanie pozwala np. na rozpoznanie wĂłzka widĹ&#x201A;owego, palety lub czĹ&#x201A;owieka wkraczajÄ&#x2026;cego w przestrzeĹ&#x201E; chronionÄ&#x2026; robota. NaleĹźy zauwaĹźyÄ&#x2021;, Ĺźe identyfikacja zbliĹźajÄ&#x2026;cego

43

0 % T ` 0 0 !0 siÄ&#x2122; czĹ&#x201A;owieka za pomocÄ&#x2026; sieci YOLO nie jest w peĹ&#x201A;ni dokĹ&#x201A;adna.

DziaĹ&#x201A;a ona skutecznie, gdy caĹ&#x201A;y korpus czĹ&#x201A;owieka jest dokĹ&#x201A;adnie widoczny i nie zlewa siÄ&#x2122; z innymi obiektami. Dlatego teĹź jako element uzupeĹ&#x201A;niajÄ&#x2026;cy sieÄ&#x2021; YOLO wykorzystano bibliotekÄ&#x2122; OpenPose, pozwalajÄ&#x2026;cÄ&#x2026; na okreĹ&#x203A;lanie poseleta czyli szkieletu czĹ&#x201A;owieka [28]. Poselet pozwala na skuteczne wykrycie nawet fragmentu korpusu czĹ&#x201A;owieka, jednoczeĹ&#x203A;nie umoĹźliwiajÄ&#x2026;c okreĹ&#x203A;lenie pikseli przynaleĹźnych do niego (na co sieÄ&#x2021; YOLO juĹź nie pozwala).

PrzetwarzajÄ&#x2026;c informacje z obu detektorĂłw system CASSIE okreĹ&#x203A;la listÄ&#x2122; wykrytych obiektĂłw w otoczeniu robota. PrzykĹ&#x201A;adowÄ&#x2026; panoramÄ&#x2122; wraz z wykrytym czĹ&#x201A;owiekiem za pomocÄ&#x2026; sieci YOLO (ang. bounding box) oraz OpenPose (poselet) przedstawiono na rys. 3.

ZnajÄ&#x2026;c poĹ&#x201A;oĹźenie obiektĂłw na obrazie panoramicznym oraz przynaleĹźnoĹ&#x203A;Ä&#x2021; pikseli do obiektĂłw, moĹźna okreĹ&#x203A;liÄ&#x2021; ich odlegĹ&#x201A;oĹ&#x203A;Ä&#x2021; od robota (w oparciu o widok z gĂłry). DziÄ&#x2122;ki temu moĹźliwe jest wykrycie wtargniÄ&#x2122;cia czĹ&#x201A;owieka, bÄ&#x2026;dĹş duĹźego obiektu w odpowiedniÄ&#x2026; strefÄ&#x2122; robota. JednoczeĹ&#x203A;nie widok z gĂłry umoĹźliwia bezpoĹ&#x203A;rednie wykrycie wtargniÄ&#x2122;cia za pomocÄ&#x2026; prostego algorytmu rozpoznajÄ&#x2026;cego ruch w obrÄ&#x2122;bie zapamiÄ&#x2122;tanego pomieszczenia. TĹ&#x201A;umaczÄ&#x2026;c koordynaty z obrazu z gĂłry na obraz panoramiczny, moĹźliwe jest jednoznaczne rozpoznanie wkraczajÄ&#x2026;cych w danÄ&#x2026; sferÄ&#x2122; obiektĂłw.

PrzykĹ&#x201A;adowy zrzut ekranu prezentujÄ&#x2026;cy dziaĹ&#x201A;anie systemu bezpieczeĹ&#x201E;stwa przedstawiono na rys. 4. Obraz panoramiczny (gĂłrny) przedstawia zĹ&#x201A;oĹźenie widoku z trzech kamer RGB patrzÄ&#x2026;cych na wprost od manipulatora, w odlegĹ&#x201A;oĹ&#x203A;ci okoĹ&#x201A;o 200 mm od Ĺ&#x203A;rodka ramienia, przesuniÄ&#x2122;tych wzglÄ&#x2122;dem siebie o okoĹ&#x201A;o 60°. KaĹźdy kolorowy obraz pobrany z sensora, jest odpowiednio wyrĂłwnany do obrazu gĹ&#x201A;Ä&#x2122;bi, moĹźna wiÄ&#x2122;c zaobserwowaÄ&#x2021; niewielkie przestrzenie wypeĹ&#x201A;nione nieznanÄ&#x2026; informacjÄ&#x2026; (kolor czarny). Na widoku panoramicznym moĹźna znaleĹşÄ&#x2021; bounding box z wykrytym obiektem â&#x20AC;&#x201C; czĹ&#x201A;owiekiem â&#x20AC;&#x201C; z pewnym prawdopodobieĹ&#x201E;stwem (| 89%) ukazujÄ&#x2026;cym stopieĹ&#x201E; trafnoĹ&#x203A;ci identyfikacji obiektu [27]. JednoczeĹ&#x203A;nie zaobserwowaÄ&#x2021; moĹźna poselet â&#x20AC;&#x201C; szkielet wykryty za pomocÄ&#x2026; algorytmĂłw analizy obrazu oraz sieci neuronowych z biblioteki OpenPose [28]. Na widoku z gĂłry (dolna czeĹ&#x203A;Ä&#x2021; rys. 4) moĹźna zaobserwowaÄ&#x2021; mapÄ&#x2122; otoczenia robota (duĹźa czerwona kropka w pobliĹźu centrum) wraz ze strefami bezpieczeĹ&#x201E;stwa (okrÄ&#x2122;gi: czerwony, pomaraĹ&#x201E;czowy, şóĹ&#x201A;ty i zielony, odlegĹ&#x201A;e od siebie o 500 mm) oraz zakresem widoku z kamer (czerwone, zewnÄ&#x2122;trzne linie wychodzÄ&#x2026;ce z punktu, w ktĂłrym znajduje siÄ&#x2122; kamera pokazujÄ&#x2026; zasiÄ&#x2122;g gĹ&#x201A;Ä&#x2122;bi, zaĹ&#x203A; zielone, wewnÄ&#x2122;trzne linie â&#x20AC;&#x201C; zasiÄ&#x2122;g RGB). Na obu ilustracjach moĹźna znaleĹşÄ&#x2021; punkt róşowy (z literÄ&#x2026; H) â&#x20AC;&#x201C; oznaczajÄ&#x2026;cy wykrytego czĹ&#x201A;owieka (umieszczony w punkcie przynaleĹźnym do szkieletu i jed-

Rys. 3. Widok panoramiczny z 3 kamer bez wyrĂłwnania Fig. 3. Panorama view without align

Rys. 4. Widok panoramiczny z trzech kamer wyrĂłwnany do kamer gĹ&#x201A;Ä&#x2122;bi (gĂłra) oraz widok otoczenia z gĂłry Fig. 4. Aligned panorama view (top image) and map of robot environment

44

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

# 0 noczeĹ&#x203A;nie znajdujÄ&#x2026;cym siÄ&#x2122; najbliĹźej robota) oraz pomaraĹ&#x201E;czowe (z literÄ&#x2026; O) â&#x20AC;&#x201C; oznaczajÄ&#x2026;ce wykryte duĹźe obiekty. NaleĹźy zwrĂłciÄ&#x2021; uwagÄ&#x2122;, Ĺźe czĹ&#x201A;owiek jest wykryty zarĂłwno przez YOLO, OpenPose oraz jako duĹźy obiekt (wrÄ&#x2122;cz w trzech róşnych miejscach) â&#x20AC;&#x201C; system jest celowo redundantny. Dodatkowo obiekt znajdujÄ&#x2026;cy siÄ&#x2122; w odlegĹ&#x201A;oĹ&#x203A;ci okoĹ&#x201A;o 1 m od robota, oznaczony, jako O1, rĂłwnieĹź zostaĹ&#x201A; wykryty (lecz nie rozpoznany).

Aplikacja systemu bezpieczeĹ&#x201E;stwa zostaĹ&#x201A;a zintegrowana z systemem sterowania manipulatorem za pomocÄ&#x2026; systemu ROS. W momencie poĹ&#x201A;Ä&#x2026;czenia ze sterownikiem robota widok z kamer jest uaktualniany na bieĹźÄ&#x2026;co, w zaleĹźnoĹ&#x203A;ci od pozycji manipulatora. Przeszukiwanie w czasie quasi-rzeczywistym caĹ&#x201A;ej przestrzeni chronionej robota jest zagadnieniem bardzo zĹ&#x201A;oĹźonym obliczeniowo. Dlatego na bieĹźÄ&#x2026;co obserwowane jest zawsze 180° w kierunku, w ktĂłrym jest skierowane ramiÄ&#x2122; manipulatora (maksymalnie obraz z 4 kamer). DziÄ&#x2122;ki takiemu rozwiÄ&#x2026;zaniu projekt autonomicznego robota wspĂłĹ&#x201A;pracujÄ&#x2026;cego speĹ&#x201A;nia wymogi bezpieczeĹ&#x201E;stwa opisane w ISO/TS 15066, w szczegĂłlnoĹ&#x203A;ci pozwala na speĹ&#x201A;nienie standardĂłw pracy z zapewnieniem monitorowanej prÄ&#x2122;dkoĹ&#x203A;ci i odlegĹ&#x201A;oĹ&#x203A;ci czĹ&#x201A;owieka i robota SSM (ang. Speed and Separation Monitoring).

<

W artykule przedstawiono koncepcjÄ&#x2122; systemu bezpieczeĹ&#x201E;stwa (CASSIE) opartÄ&#x2026; na kamerach RGBD pozwalajÄ&#x2026;cych na analizÄ&#x2122; otoczenia robota w czasie quasi-rzeczywistym. Kamery RGBD majÄ&#x2026;ce zasiÄ&#x2122;g w zakresie 0,15â&#x20AC;&#x201C;4,5 m pozwalajÄ&#x2026; jednoznacznie wyznaczyÄ&#x2021; mapÄ&#x2122; otoczenia robota, zarĂłwno w 2D (widok z gĂłry) jak i finalnie w trĂłjwymiarze. DziÄ&#x2122;ki zastosowanym algorytmom widzenia maszynowego moĹźliwe jest monitorowanie stref bezpieczeĹ&#x201E;stwa robota (zewnÄ&#x2122;trznej â&#x20AC;&#x201C; bezpiecznej; Ĺ&#x203A;rodkowej â&#x20AC;&#x201C; wspĂłĹ&#x201A;pracy; wewnÄ&#x2122;trznej â&#x20AC;&#x201C; niebezpiecznej) oraz sprawdzanie, jakie obiekty lub postacie siÄ&#x2122; w nich znajdujÄ&#x2026;. NaleĹźy zwrĂłciÄ&#x2021; szczegĂłlnÄ&#x2026; uwagÄ&#x2122;, Ĺźe kaĹźdy element wkraczajÄ&#x2026;cy w strefÄ&#x2122; wspĂłĹ&#x201A;pracy zmniejsza prÄ&#x2122;dkoĹ&#x203A;Ä&#x2021; robota, zaĹ&#x203A; kaĹźdy w strefie wewnÄ&#x2122;trznej wywoĹ&#x201A;uje alarm i finalnie zatrzymuje manipulator. System CASSIE dedykowany jest cobotom mogÄ&#x2026;cym wspĂłĹ&#x201A;pracowaÄ&#x2021; z czĹ&#x201A;owiekiem, dlatego w dalszych pracach planowana jest predykcja zachowania czĹ&#x201A;owieka. Przedstawiony system naleĹźy dodatkowo wyposaĹźyÄ&#x2021; w system pozwalajÄ&#x2026;cy na detekcjÄ&#x2122; kolizji, oparty np. na sensorach momentu siĹ&#x201A;y. DziÄ&#x2122;ki temu zabiegowi, zarĂłwno strategia pre-collision jak i post-collision zostanie wdroĹźona.

< Projekt wspĂłĹ&#x201A;finansowany przez UniÄ&#x2122; EuropejskÄ&#x2026; ze Ĺ&#x203A;rodkĂłw Europejskiego Funduszu Rozwoju Regionalnego w ramach Programu Operacyjnego Inteligentny RozwĂłj. Projekt realizowany w ramach konkursu Narodowego Centrum BadaĹ&#x201E; i Rozwoju: Szybka Ĺ&#x161;cieĹźka, DziaĹ&#x201A;ania: Projekty B+R przedsiÄ&#x2122;biorstw, PoddziaĹ&#x201A;anie: Badania przemysĹ&#x201A;owe i prace rozwojowe realizowane przez przedsiÄ&#x2122;biorstwa; PO IR.01.01.01-00-0074/17.

% ! , 1. Eurostat (2019): Job vacancies between 2017 and 2019.

2. Dhiraj A.B., Countries with the Most Industrial Robots per 10,000 Employees, â&#x20AC;?Ceoworld Magazineâ&#x20AC;?, 14. 03. 2018.

3. Kowalczuk Z., Czubenko M., PrzeglÄ&#x2026;d robotĂłw humanoidalnych, â&#x20AC;?Pomiary Automatyka Robotykaâ&#x20AC;?, R. 19, Nr 4, 2015, 33-42, DOI: 10.14313/PAR_218/33.

4. Kulik J., Wojtczak Ĺ ., Bezpieczna interakcja czĹ&#x201A;owieka z robotem â&#x20AC;&#x201C; realna potrzeba czy chwilowy trend wĹ&#x203A;rĂłd krajowych MSP, â&#x20AC;?Pomiary Automatyka Robotykaâ&#x20AC;?, R. 22, Nr 1, 2018, 67â&#x20AC;&#x201C;74, DOI: 10.14313/PAR_227/67.

5. Kowalczuk Z., Czubenko M., Computational approaches to modeling artificial emotionâ&#x20AC;&#x201C;an overview of the proposed solutions, â&#x20AC;?Frontiers in Robotics and AI, 21, 2016, DOI: 10.3389/frobt.2016.00021.

6. Colgate JE., Peshkin M.A., Cobots, US Patent 5,952,796, 1999.

7. IFR International Federation of Robotics, Demystifying Collaborative Industrial Robots, 2018.

8. Michalos G., Makris S., Tsarouchi P., Guasch T., Kontovrakis D., Chryssolouris G., Design Considerations for Safe Human-robot Collaborative Workplaces, â&#x20AC;?Procedia CIRPâ&#x20AC;?, Vol. 37, 2015, 248â&#x20AC;&#x201C;253, DOI: 10.1016/j.procir.2015.08.014.

9. Long P., Chevallereau C., Chablat D., Girin A., An industrial security system for human-robot coexistence, â&#x20AC;?Industrial Robot: An International Journalâ&#x20AC;?, Vol. 45, No. 2, 2018, 220â&#x20AC;&#x201C;226, DOI: 10.1108/IR-09-2017-0165.

10. Kowalczuk Z., Czubenko M., Intelligent decision-making system for autonomous robots, â&#x20AC;?International Journal of Applied Mathematics and Computer Scienceâ&#x20AC;?, Vol. 21, No. 4, 2011, 671â&#x20AC;&#x201C;684, DOI: 10.2478/v10006-011-0053-7.

11. Cobotsguide, Cobot Comparison Chart, 2019.

12. Yen S.-H., Tang P.-C., Lin Y.-C., Lin C.-Y., Development of a Virtual Force Sensor for a Low-Cost Collaborative Robot and Applications to Safety Control, â&#x20AC;?Sensorsâ&#x20AC;?, Vol. 19, No. 11, 2019, DOI: 10.3390/s19112603.

13. Albu-Schäffer A., Haddadin S., Ott C., Stemmer A., WimbĂśck T., Hirzinger G., The DLR lightweight robot: design and control concepts for robots in human environments, â&#x20AC;?Industrial Robot: An International Journalâ&#x20AC;?, Vol. 5, 2007, 376â&#x20AC;&#x201C;385, DOI: 10.1108/01439910710774386.

14. Popov D., Klimchik A., Mavridis N., Collision detection, localization & classification for industrial robots with joint torque sensors, [in:] 26th IEEE International Symposium on Robot and Human Interactive Communication (RO-MAN), IEEE, 2017, 838â&#x20AC;&#x201C;843, DOI: 10.1109/ROMAN.2017.8172400.

15. Halme R.-J., Lanz M., Kämäräinen J., Pieters R., Latokartano J., Hietanen A., Review of vision-based safety systems for human-robot collaboration, â&#x20AC;?Procedia CIRPâ&#x20AC;?, Vol. 72, 2018, 111â&#x20AC;&#x201C;116, DOI: 10.1016/j.procir.2018.03.043.

16. Winkler A., SuchĂ˝ J., Vision based collision avoidance of industrial robots, â&#x20AC;?IFAC Proceedings Volumesâ&#x20AC;?, Vol. 44, No. 1, 2011, 9452â&#x20AC;&#x201C;9457, DOI: 10.3182/20110828-6-IT-1002.00472.

17. Kaldestad K.B., Haddadin S., Belder R., Hovland G., Anisi D.A., Collision avoidance with potential fields based on parallel processing of 3D-point cloud data on the GPU, [in:] International Conference on Robotics and Automation (ICRA), IEEE, 2014, 3250â&#x20AC;&#x201C;3257, DOI: 10.1109/ICRA.2014.6907326.

18. Yang S., Xu W., Liu Z., Zhou Z., Pham D.T., Multi-source vision perception for human-robot collaboration in manufacturing, [in:] 15th International Conference on Networking, Sensing and Control (ICNSC), IEEE, 2018, 1â&#x20AC;&#x201C;6, DOI: 10.1109/ICNSC.2018.8361333.

19. Saveriano M., Lee D., Distance based dynamical system modulation for reactive avoidance of moving obstacles, [in:] International Conference on Robotics and Automation (ICRA), IEEE, 2014, 5618â&#x20AC;&#x201C;5623, DOI: 10.1109/ICRA.2014.6907685.

20. Ahmad R., Plapper P., Human-Robot Collaboration: Twofold strategy algorithm to avoid collisions using ToF sensor,

45

0 % T ` 0 0 !0

21.

22.

23.

24.

25. Kowalczuk Z., Merta T., Three-dimensional mapping for data collected using variable stereo baseline, [in:] 21st International Conference on Methods and Models in Automation and Robotics (MMAR), IEEE, 2016, 1082â&#x20AC;&#x201C;1087, DOI: 10.1109/MMAR.2016.7575288.

26. Merta T., Odwzorowanie obiektĂłw ograniczonego Ĺ&#x203A;rodowiska na trĂłjwymiarowej mapie cyfrowej z wykorzystaniem robotĂłw mobilnych zaopatrzonych w stereowizje, Praca doktorska, Politechnika GdaĹ&#x201E;ska, GdaĹ&#x201E;sk 2019.

27. Redmon J., Farhadi A., YOLOv3: An incremental improvement, â&#x20AC;?arXiv preprint arXiv:1804.02767â&#x20AC;?, 2018.

28. Cao Z., Hidalgo G., Simon T., Wei S.-E., Sheikh Y., OpenPose: realtime multi-person 2D pose estimation using Part Affinity Fields, â&#x20AC;&#x153;arXiv preprint arXiv:1812.08008â&#x20AC;?, 2018.

â&#x20AC;?International Journal of Materials, Mechanics and Manufacturingâ&#x20AC;?, Vol. 4, No. 2, 2015, 144â&#x20AC;&#x201C;147, DOI: 10.7763/IJMMM.2016.V4.243.

Varhegyi T., Melik-Merkumians M., Steinegger M., Halmetschlager-Funek G., Schitter G., A Visual Servoing Approach for a Six Degrees-of-Freedom Industrial Robot by RGB-D Sensing, â&#x20AC;?Automation and Roboticsâ&#x20AC;?, 2017, DOI: 10.3217/978-3-85125-524-9-14.

Grunnet-Jepsen A., Winer P., Takagi A., Sweetser J., Zhao K., Khuong T., Nie D., Woodfill J., Using the Intel RealSense Depth cameras D4xx in Multi-Camera Configurations. Intel.

StefaĹ&#x201E;czyk M., Kornuta T., Akwizycja obrazĂłw RGBD: metody, â&#x20AC;?Pomiary Automatyka Robotykaâ&#x20AC;?, R. 18, Nr 1, 2014, 82-90, DOI: 10.14313/PAR_203/82.

Kowalczuk Z., Merta T., Wizualizacja obrazu stereowizyjnego w systemie VISROBOT, â&#x20AC;?Pomiary Automatyka Kontrolaâ&#x20AC;?, R. 60, Nr 10, 2014, 803â&#x20AC;&#x201C;808.

/ / > % . L 7 Z % M

5 This article outlines the problems of robotization in small production enterprises, in particular the aspect of their robotization with colaborating robots. The issue of cobots, especially the human security aspect in such a cooperation has been presented. The most popular safety systems in relation to applicable standards has been also presented. The main part of the article shows the Cooperating Automaton System with Stereovision Invigilating the Environment (CASSIE), a system dedicated for safety monitoring of cobot environment using multimodal depth sensors. The effect of such a system has also been shown.

Keywords # % 7 # # .# \ >

'1 / - )

- ) 3

$ ORCID: 0000-0003-3877-0070

7 $ ORCID: 0000-0002-9483-4983

R P > K 7 % K J% . R 7 A # A % A # A R P @

% &'! @ ; A A @ % R @ . .

- - % % 7 % % P 0 Z LS 7 A K . 7 A7 ; A% . " R AR 8 . # # K%

-7 ; % < # = @ > / 6 N% "@ % 7 E )!!* J7 % % # K F % K @ A M L 7 G %

P > ; )!&) %7 @ R F . O % Z % K F J . @ . &) B % % F / UM . 6 A A V )!&' ; )!&( 7 AR % K U- % B % > . . M . % G % - V - % % A J7 . " . # 7 . ; A% . A 7 R AR 8 % G L 8 % ; 7 / ; p " N .

&'! G . 7 K # . . # . R .

46

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

Pomiary Automatyka Robotyka, ISSN 1427-9126, R. 23, Nr 4/2019, 47â&#x20AC;&#x201C;54, DOI: 10.14313/PAR_234/47

= - / -% 7 % OsL / > % 6 % H J 1 -N\ - % NA @\ # ; % < # - # > / > R Z % # -% B !# !@!'* F A

Abstract: The inverted pendulum is an unstable system with nonlinear dynamics. The task of controlling the inverted pendulum is complex. Therefore, the inverted pendulum over the years has become one of the most important systems on which every controller is tested. Here the objective is to control the system in such a way that the inverted pendulum stabilizes in the upright position. This analysis proposes a non-linear Lyapunov-based controller. The controller at hand, only provides the pendulumâ&#x20AC;&#x2122;s stabilization, therefore an additional module is needed â&#x20AC;&#x201C; in this case the LQR controller.

Both modules are combined with each other by using a two-loop parallel design. The newly designed controller has been experimentally tested and compared to the single LQR controller.

9 % % # % # OsL

1. Introduction In control systems many controllers are implemented for managing various types of processes. The most popular are: the PID (proportional-integral-derivative) and the LQR (linear-quadratic regulator). Over many years computers gained much more computing power which allowed for more calculations to be done in a shorter period of time. As a result, scientists and engineers began to introduce more advanced variants of controllers. Examples include control algorithms based on the mathematical model of the Model-Based-Design [19], adaptive controllers using the Lyapunov theorem [8, 20] or neural networks [4, 5].

The inverted pendulum is an unstable system with nonlinear dynamics. It is an example of the under actuated system â&#x20AC;&#x201C; there are less inputs than numbers of degrees of freedom [17]. This is the reason why the task of controlling the inverted pendulum is difficult. Therefore, the inverted pendulum over the years has become one of the most important systems on which every controller is tested. The extension of the inverted pendulum system is a double inverted pendulum system [16]. That system is even more unstable and more difficult to control.

There are many articles presenting various implementations of controllers for the inverted pendulum. The most popular are the PID [11â&#x20AC;&#x201C;13] and the LQR [13, 14, 23] controllers. There are also more articles with advanced functions like the Lyapunov the-

. (

G 7 q . "# . 7$. . '

% ! !( )!&* # % % )) && )!&*

!

Fig. 1. Block diagram of the system with two parallel controllers Rys. 1. Schemat blokowy systemu z dwoma rĂłwnolegĹ&#x201A;ymi regulatorami

orem based controller [1, 2, 15, 26] and the fuzzy neural network controller [6, 14, 24, 25].

This paper proposes to combine the LQR controller with the more advanced adaptive controller based on Lyapunov theorem.

This effect can be achieved by using a two-loop parallel design (fig. 1). One loop uses the standard LQR controller and the second one uses the adaptive controller. There is a need to construct a control function of Lyapunov to guarantee stability [3].

This article is organized in five chapters. Chapter 2 shows the equations used to describe the inverted pendulum system.

Chapter 3 describes designing specific controller â&#x20AC;&#x201C; combination of LQR and the adaptive controller. Chapter 4 presents experimental results of the proposed controller with quality indicators.

Chapter 5 is a summary with conclusions.

1+ + % % , + 4 % Consider an inverted pendulum on a cart that can move only in one direction on rails with two rods attached to it. A typical inverted pendulum system is shown in figure 2 together with

47

The Application of an Adaptive Controller Combined with the LQR Controller for the Inverted Pendulum By calculating the derivative of time, the following equation can be obtained:

the forces and system variables (described at the end of the chapter). This system has infinite equilibrium points, but the two most important ones are: − the stable one – the pendulum is directed vertically downwards, − the unstable one – the pendulum is directed vertically upwards.

d ⎛ ∂L ⎞ 2 ⎜ ⎟ = mlx cos θ − mlx θ sin θ + ml θ dt ⎝ ∂θ ⎠

(

)

(10)

Therefore the Lagrangian equation of motion is:

(

)

ml x cos θ + lθ − g sin θ = 0

(11)

Finally, the general equations of the inverted pendulum system are [3]:

(M + m ) x + mlθ cos θ − mlθ

2

sin θ = F

(12)

x cos θ + lθ − g sin θ = 0 Fig. 2. Diagram of the inverted pendulum [17] Rys. 2. Schemat układu wahadła odwróconego [17]

(13)

The next step is to determine the F force in the system

( g cos θ − u ) + (M + m sin θ ) F = mg sin θ cos θ +

The goal is to stabilize the system in its unstable position, where pendulum is directed vertically upwards. The equations of motion can be derived using Lagrangian equation as follows [22]: L=K−U

2

cos θ

(1)

Additionally, the state vector is described as below: T x = ⎡⎣θ θ x x ⎤⎦

where: K – kinetic energy, U – potential energy.

(15)

This x can be extended to:

The x position of the pendulum is x + lsin and the y position is lcos , so the kinetic energy is:

x 1 = x 2 2

⎤ ⎤ 1 1 ⎡d 1 ⎡d Mx 2 + m ⎢ x + l sin θ ⎥ + m ⎢ l cos θ ⎥ 2 2 ⎣dt 2 ⎣dt ⎦ ⎦

(

K =

)

(

)

(

(16)

2

(2)

x 2 = ϕ4 +

By simplifying the above equation, the following formula for kinetic energy can be obtained:

K =

)

1 1 M + m x 2 + mlx θ cos θ + ml 2θ 2 2 2

u l

(17)

x 3 = x 4

(3)

x 4 = ϕ2 −

The potential energy is as follows:

(18)

u cos x1

where: U = mgl(1 − cos )

(4)

ϕ2 = g tan ( x1 ) +

Combining both equations, the Lagrangian equation of the system is:

L=

(

)

(

1 1 M + m x 2 + mlx θ cos θ + ml 2θ 2 − mgl 1 − cos θ 2 2

Clearly

)

ϕ4 = −

(5)

∂L = M + m x + mlθ cos θ ∂x

)

(6)

d ⎛ ∂L ⎞ 2 ⎜ ⎟ = M + m x + mlθ cos θ − mlθ sin θ = F dt ⎝ ∂x ⎠

(7)

F– x– m– M– – g– l– u–

so

(

)

∂L = −mlx θ sin θ + mglθ sin θ ∂θ

(8)

∂L = mlx cos θ + ml 2θ ∂θ

(9)

O

M

I

A

R

Y

•

A

U

T

( )

M + m sin 2 x1

( ) ( ) M + m sin ( x )

m sin x1 cos x1 x 22 2

(20)

(21)

O

force applied to the cart, cart position, mass of the pendulum, mass of the cart, pendulum angle, standard gravity, half the length of the pendulum, control signal.

The goal of the controller is to stabilize the rod of an inverted pendulum in vertically upwards position with the cart in the starting position. One of the easiest ways to accomplish that is to use the LQR algorithm. Since this controller is very basic, it can be enhanced – combined with another controller. In this paper the LQR is combined with an adaptive controller based

and

P

( )

ml sin x1 x 22

| %% !

The next step is to consider the direction and velocity:

48

(19)

1

∂L = 0 and ∂x

(

(14)

M

A

T

Y

K

A

•

R

O

B

O

T

Y

K

A

N R 4 /201 9

D 0 l % The final form of Lyapunov function is shown below: on Lyapunov theorem. This effect can be achieved by using a two-loop parallel design.

Figure 3 shows the block diagram of the inverted pendulum control system. It can be seen that the PLC is connected to a power interface and a PC. The power interface provides the required power to a DC motor and adjusts the measuring signals from incremental encoders. The computer was used to monitor and acquire process variables and also to implement applications for the PLC.

(

)

( )

1 1 1 ˆ V ξ3 , ξ 4 , lˆ = ξ32 + ξ 42 + l −l 2 2 2ly

2

(30)

Everything above allows to introduce an adaptation: (31) where γ is an adaptive gain. Lyapunov function described above is negative, which means, that the whole system with the closed loop is globally asymptotically stable.

The second part of this controller is LQR. Consider the state-space equation [7]:

where:

x = Ax + Bu

(32)

T x = ⎡⎣θ θ x x ⎤⎦

(33)

The state feedback control is u = −Kx. Additionally cost function is given:

Fig. 3. Block diagram of the inverted pendulum system Rys. 3. Schemat blokowy układu regulacji wahadłem odwróconym

J = In order to prepare an adaptive controller, there is a need to develop a control law without taking into consideration the position or velocity [3]. This system assumes that the rod’s length is unknown. Lyapunov law will guarantee the stability of the inverted pendulum. The first step to implement the controller is to define the position error of the pendulum:

∫ ( x Qx + u T

T

)

Ru dt

where: Q t 0, R > 0 and Q is semi-definite and R is a definite symmetric constant matrices.

Vector K is computed from: K = R−1BTP

ξ3 = x3 − sp

( )

where P is a positive definite symmetric matrix that can be obtained from an algebraic Riccati equation:

1 2 ξ3 2

(23)

x 4d = −k3ξ3 + θ sp

The next step is to define the second error variable:

ξ4 = x 4 − x 4d = x 4 + k3ξ3 + θ sp

(25)

State variables (26) and (27) can be written in space (x3, x4) as: (26) ξ 3 = −k3ξ3 + ξ4

u l

)

1 2 1 2 ξ3 + ξ4 2 2

(

)

(

)

(37)

R = 56.25

(38)

Using the MATLAB, vector K was calculated as: K = [0.9428 5.0890 1.5597 1.0264]

(28)

But due to the fact that length l is not known, an estimate is needed. In that case, the control should be modified:

u = −lˆ ⎡ k3 + k4 ξ 4 + 1 − k32 ξ3 − θ sp + ϕ4 ⎤ ⎣ ⎦

⎡50 0 0 0⎤ ⎢ ⎥ ⎢ 0 100 0 0 ⎥ ⎥ Q=⎢ ⎢0 0 15 0 ⎥ ⎢ ⎥ ⎢0 ⎥ 0 0 10 ⎣ ⎦

(39)

(27)

In that case Lyapunov function is expressed as follows:

(

(36)

(24)

where: k3 > 0, sp – pendulum set angle.

ξ 4 = −k32ξ3 + k3ξ4 − θ sp + ϕ4 +

ATP + PA − PBR−1BTP + Q = 0

Matrices Q and R were selected in an experimental way.

The following values allowed for satisfying the inverted pendulum control:

The first virtual control can be received:

V ξ3 , ξ4 =

(35)

(22)

Then using Lyapunov function:

V ξ3 =

(34)

(29)

With formulas (16), (17), (18), (19) it was possible to obtain a plot of the poles of the inverted pendulum system (fig. 4). It can be seen that some of the poles are outside of the circle with a radius of 1 and a center at (0, 0), which confirms that the inverted pendulum is an unstable system.

Continuing the calculations in the MATLAB, the system with the inverted pendulum can be closed together with the appropriate controller. The figure 5 shows a plot of the poles of a closed system. This time, all poles are inside a circle with a radius of 1 and a center at (0, 0). This means that the inverted pendulum system has become stable.

49

The Application of an Adaptive Controller Combined with the LQR Controller for the Inverted Pendulum

} & % Â&#x192; % %

The parameters of the inverted pendulum used in the simulation and experiment were as follows: M = 0.548 kg â&#x20AC;&#x201C; mass of the cart, m = 0.11 kg â&#x20AC;&#x201C; mass of the pendulum, g = 9.80 m/s2 â&#x20AC;&#x201C; standard gravity, l = 0.1436 m â&#x20AC;&#x201C; half the length of the pendulum, b = 1.5 kg/s â&#x20AC;&#x201C; coefficient of friction, I0 = 0.0023 kg¡m2 â&#x20AC;&#x201C; moment of inertia of the pendulum.

Firstly, the simulation was performed in the MATLAB/ Simulink environment. The implementation of the simulation is shown in figure 6. Both controllers are located in the middle of the figure. Using the switch block it was possible to control the choice of the regulator used in the simulation.

The results of the simulations are shown on figures 7 (the LQR version) and 8 (the adaptive version). It can be seen that the pendulum was held vertically upwards in both simulations.

Fig. 4. The inverted pendulum open system poles Rys. 4. Bieguny systemu otwartego wahadĹ&#x201A;a odwrĂłconego

Fig. 5. The inverted pendulum closed system poles Rys. 5. Bieguny systemu zamkniÄ&#x2122;tego wahadĹ&#x201A;a odwrĂłconego

Fig. 7. Pendulum angle (LQR) during the simulation Rys. 7. KÄ&#x2026;t wychylenia wahadĹ&#x201A;a (LQR) â&#x20AC;&#x201C; symulacja

Fig. 6. Simulation of the inverted pendulum system Rys. 6. Symulacja ukĹ&#x201A;adu z wahadĹ&#x201A;em odwrĂłconym

50

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

D 0 l %

Fig. 8. Pendulum angle (adaptive) during the simulation Rys. 8. Kąt wychylenia wahadła (regulator adaptacyjny) – symulacja

The cost function was used to calculate the efficiency of both controllers. For this purpose, the most popular indicator was used – the Integral Square Error cost function: ∞

()

2

I = ∫ ⎡⎣E n t ⎤⎦ dt 0

(40)

The results of the Integral Square Error cost function for both controllers are shown in table 1.

Tab. 1. Integral indexes – steady states Tab. 1. Wskaźniki całkowe – stany ustalone

The final experiments were performed using the PLC controller – ILC 350 PN made by Phoenix Contact company [18]. In order to prepare the system, the PLC controller was connected to the power interface through digital input/output modules, which were connected to the central unit. The following modules were used: IB IL INC-IN-PAC (incremental encoder support – two pieces – one for the cart and one for the pendulum) [9] and IB IL PWM/2-PAC (PWM signal generation) [10]. The most important specifications about the PLC have been collected in the table 2.

In the first case the LQR controller was used on the inverted pendulum system. The implementation of this controller is shown in figure 9. The LQR controller is located on the left side of the diagram. This is a block called Gain that multiplies the input by a matrix K. All four states of the system are brought to it: the position of the pendulum, the speed of the pendulum, the position of the cart and the speed of the cart. The calculated control is fed to the block with saturation – it is designed to prevent engine damage. In addition, virtual limit sensors have been introduced to prevent the cart from colliding with the rail edges. The experiment was performed on the PLC controller. The algorithm operated in the 10 ms interval with the priority set to 0.

The results of the first experiment are shown in figure 10. The pendulum was initially at the upper balance point.

It does not fall down and maintains its vertical upright position.

In the second experiment, external disturbances were introduced – gentle prodding of the pendulum with a hand.

Results are shown in figure 11. It can be seen on the chart that the pendulum is initially in the set position. However, a disturbance has been introduced. The system returns to the set state very quickly.

Integral indexes LQR

0.0527

Tab. 2. ILC 350 PN – specifications [21] Tab. 2. ILC 350 PN – specyfikacja [21]

Adaptive with LQR

0.0507

Processor

400 MHz

Speed

0.5 ms for 1 K instructions

The first implementation of controllers was carried out in the MATLAB/Simulink, because this environment is more friendly when debugging. If everything works correctly then a second implementation can be carried out on the PLC. Due to the fact that the Simulink diagrams are more readable than the source code written for the PLC, in the further part of the article the implementation of individual controllers is illustrated using diagrams from Simulink.

Shortest cycle time

1 ms

Program memory

1 MB, 85 K instructions in IL

Data memory

2 MB

Memory for retentive data

64 KB NVRAM

Number of control tasks

16

Fig. 9. Implementation of the LQR controller for the inverted pendulum in Simulink Rys. 9. Implementacja regulatora LQR dla wahadła odwróconego w Simulinku

51

The Application of an Adaptive Controller Combined with the LQR Controller for the Inverted Pendulum

Fig. 10. Pendulum angle (LQR) during the first experiment Rys. 10. Kąt wychylenia wahadła (LQR) – pierwszy eksperyment

Fig. 13. Pendulum angle (adaptive) during the first experiment Rys. 13. Kąt wychylenia wahadła (regulator adaptacyjny) – pierwszy eksperyment

Fig. 11. Pendulum angle (LQR) during the second experiment Rys. 11. Kąt wychylenia wahadła (LQR) – drugi eksperyment

Fig. 14. Pendulum angle (adaptive) during the second experiment Rys. 14. Kąt wychylenia wahadła (regulator adaptacyjny) – drugi eksperyment

In the second case, the adaptive controller with an additional LQR module was used. The implementation of this controller is shown in figure 12. The adaptive controller is located in the top left corner of the diagram with the LQR part in the bottom left corner (in the same place as in fig. 9). The adaptive controller is in the block called adaptacja. Only two states of the system are brought to it: the position of the pendulum and the speed of the

pendulum. The calculated control is combined with the calculations from the LQR controller and then fed to the block with saturation. The saturation block is designed to prevent engine damage. In addition, virtual limit sensors have been introduced to prevent the cart from colliding with the rail edges. The experiment was also performed on the PLC controller. The algorithm operated in the 10 ms interval with the priority set to 0.

Fig. 12. Implementation of the adaptive controller with additional LQR module for the inverted pendulum in Simulink Rys. 12. Implementacja regulatora adaptacyjnego z dodatkowym modułem LQR dla wahadła odwróconego w Simulinku

52

P

O

M

I

A

R

Y

•

A

U

T

O

M

A

T

Y

K

A

•

R

O

B

O

T

Y

K

A

N R 4 /201 9

D 0 l %

The results of the first experiment are shown in figure 13.

The pendulum was initially at the upper balance point and it does not fall down and maintains its vertical upright position.

In the second experiment, external disturbances were introduced â&#x20AC;&#x201C; gentle prodding of the pendulum with a hand. The results are shown in figure 14. It can be seen on the chart that the pendulum is initially in the set position. However, a disturbance has been introduced. The system returns to the set state very quickly and more smoothly than in the system with the independent LQR regulator. The results of the Integral Square Error cost function for both controllers (40) are shown in tables 3 and 4.

Tab. 3. Integral indexes â&#x20AC;&#x201C; steady states Tab. 3. WskaĹşniki caĹ&#x201A;kowe â&#x20AC;&#x201C; stany ustalone

Integral indexes LQR

0.0001662

Adaptive with LQR

0.0001214

Tab. 4. Integral indexes â&#x20AC;&#x201C; external disturbances Tab. 4. WskaĹşniki caĹ&#x201A;kowe â&#x20AC;&#x201C; zewnÄ&#x2122;trzne zakĹ&#x201A;Ăłcenia

Integral indexes LQR

0.00443

Adaptive with LQR

0.004195

%

The adaptive controller was implemented for the purpose of this article. It is one of the advanced algorithms. It takes the position of the pendulum at the entrance. This means that the second one was needed to control the cart. It was decided that the LQR controller must be used for this purpose. The adaptive version only required knowledge of the pendulumâ&#x20AC;&#x2122;s position. The independent LQR controller was used as a reference point for comparison. That particular controller version is characterized by the presence of only one control block, but the position of both the cart and the pendulum must be identified. The knowledge of the speed of the pendulum and the cart is also necessary. Therefore it was necessary to recreate the unknown variables.

After completing the experiments, the Integral Square Error cost function was used to compare the performance of the controllers. It turned out that the adaptive version works a little bit better than the independent LQR. In connection with the results, it can be concluded that it is better to use an adaptive controller. However, it should be remembered that its computational complexity is higher. Therefore, one should consider what is more important â&#x20AC;&#x201C; the simplicity of the algorithm or the better quality of the controller.

% ! + 1. Aguilar IbĂĄnez C., GutiĂŠrrez Frias O., SuĂĄrez CastanĂłn M., Lyapunov-Based Controller for the Inverted Pendulum Cart System, â&#x20AC;&#x153;Nonlinear Dynamicsâ&#x20AC;?, Vol. 40, No. 4, 2005, 367â&#x20AC;&#x201C; 374, DOI: 10.1007/s11071-005-7290-y.

2. Aguilar- IbĂĄnez C., SuĂĄrez-CastanĂłn M., Stabilization of the Inverted Pendulum via a Constructive Lyapunov Function, â&#x20AC;&#x153;Acta Applicandae Mathematicaeâ&#x20AC;?, Vol. 111, No. 1, 2010, 15â&#x20AC;&#x201C;26, DOI: 10.1007/s10440-009-9527-0.

3. Benaskeur A., Desbiens A., Application of adaptive backstepping to the stabilization of the inverted pendulum, Conference Proceedings of IEEE Canadian Conference on Electrical and Computer Engineering, 1998, DOI: 10.1109/CCECE.1998.682564.

4. Bertrand D.J.S.R., Collins D.J., Neural network controllers for the X29 aircraft, Proceedings of IJCNN International Joint Conference on Neural Networks, Baltimore, MD, USA, 1992, DOI: 10.1109/IJCNN.1992.287191.

5. Charney D.M., Josin G.M., Neural network servo control of a robot manipulator joint in real-time, Proceedings of IEEE International Joint Conference on Neural Networks, Singapore, 1991, DOI: 10.1109/IJCNN.1991.170673.

6. Elsayed B.A., Hassan M.A., Mekhilef S., Fuzzy swinging-up with sliding mode control for third order cart-inverted pendulum system, â&#x20AC;&#x153;International Journal of Control, Automation and Systemsâ&#x20AC;?, Vol. 13, No. 1, 2015, 238â&#x20AC;&#x201C;248, DOI: 10.1007/s12555-014-0033-4.

7. Gupta H.O., Prasad L.B., Tyagi B., Optimal Control of Nonlinear Inverted Pendulum System Using PID Controller and LQR: Performance Analysis Without and With Disturbance input, â&#x20AC;&#x153;International Journal of Automation and Computingâ&#x20AC;?, Vol. 11, Issue 6, 2014, 661â&#x20AC;&#x201C;670, DOI: 10.1007/s11633-014-0818-1.

8. Hassan H.A., El-Metwally M., Bendary A.F., Dead-zone robust adaptive controller for FACTS using Quadratic and Non-Quadratic Lyapunov Functions, International Conference on Power Electronics and Drive Systems (PEDS), Taipei, 2009, DOI: 10.1109/PEDS.2009.5385747.

9. Inline measurement terminal for position encoder â&#x20AC;&#x201C; IB IL INC-IN-PAC â&#x20AC;&#x201C; 2861755, https://www.phoenixcontact.com/ online/portal/us?uri=pxc-oc-itemdetail:pid=2861755&library=usen&tab=1 10. Inline, function terminal for pulse width modulation and frequency modulation â&#x20AC;&#x201C; IB IL PWM/2-PAC â&#x20AC;&#x201C; 2861632, https://www.phoenixcontact.com/online/portal/pl?uri=pxc-oc-itemdetail:pid=2861632\&library=plpl\&tab=1 11. Jia-Jun W., Position and speed tracking control of inverted pendulum based on double PID controllers, 34th Chinese Control Conference (CCC), Hangzhou, 2015, DOI: 10.1109/ChiCC.2015.7260286.

12. Jia-Jun W., Stabilization and tracking control of X-Z inverted pendulum based on PID controllers, 34th Chinese Control Conference (CCC), Hangzhou, 2015, DOI: 10.1109/ChiCC.2015.7260287.

13. Lal Bahadur P., Barjeev T., Hari Om G., Optimal Control of Nonlinear Inverted Pendulum System Using PID Controller and LQR: Performance Analysis Without and With Disturbance Input, â&#x20AC;&#x153;International Journal of Automation and Computingâ&#x20AC;?, Vol. 11, No. 6, 2014, 661â&#x20AC;&#x201C;670, DOI: 10.1007/s11633-014-0818-1.

14. Luhao W., Zhanshi S., LQR-Fuzzy Control for Double Inverted Pendulum, International Conference on Digital Manufacturing & Automation, Changsha, 2010, DOI: 10.1109/ICDMA.2010.170.

15. Maruki Y., Kawano K., Suemitsu H., Matsuo T., Adaptive backstepping control of wheeled inverted pendulum with velocity estimator, â&#x20AC;&#x153;International Journal of Control, Automation and Systemsâ&#x20AC;?, Vol. 12, No. 5, 2014, 1040â&#x20AC;&#x201C;1048, DOI: 10.1007/s12555-013-0402-4.

16. Moysis L., Balancing a double inverted pendulum using optimal control an Laguerre functions, Technical Reviews, 2016, http://ikee.lib.auth.gr/record/282764.

17. Paliwal S., Pathak V.K., Analysis & Control of Inverted Pendulum System Using PID Controller, â&#x20AC;&#x153;Journal of Engineering Research and Applicationâ&#x20AC;?, Vol. 7, No. 5, DOI: DOI: 10.9790/9622-0705040104.

53

The Application of an Adaptive Controller Combined with the LQR Controller for the Inverted Pendulum 18. PLC controller â&#x20AC;&#x201C; ILC 350 PN â&#x20AC;&#x201C; 2876928, https://www. phoenixcontact.com/online/portal/pl?uri=pxc-oc-itemdetail:pid=2876928\&library=plpl\&tab=1 19. Rusu C., Birou I., Szoke E., Model based design controller for the stepper motor, IEEE International Conference on Automation, Quality and Testing, Robotics, Cluj-Napoca, 2008, DOI: 10.1109/AQTR.2008.4588816.

20. Safaei A., Mahyuddin M.N., Lyapunov-based nonlinear controller for quadrotor position and attitude tracking with GA optimization, IEEE Industrial Electronics and Applications Conference (IEACon), Kota Kinabalu, 2016, DOI: 10.1109/IEACON.2016.8067402.

21. User manual â&#x20AC;&#x201C; UM EN ILC 330/350 â&#x20AC;&#x201C; 2699370, https:// www.phoenixcontact.com/online/portal/us?uri=pxc-oc-itemdetail:pid=2699370&library=usen&tab=1.

22. Using the Lagrangian to obtain Equations of Motion, http:// et.engr.iupui.edu//~skoskie/ECE680/ECE680_l3notes.pdf.

23. Wang H., Dong H., He L., Shi Y., Zhang Y., Design and Simulation of LQR Controller with the Linear Inverted Pendulum, International Conference on Electrical and Control Engineering, Wuhan, 2010, DOI: 10.1109/iCECE.2010.178.

24. Wu J., Wang Z., Research on Fuzzy Control of Inverted Pendulum, First International Conference on Instrumentation, Measurement, Computer, Communication and Control, Beijing, 2011, DOI: 10.1109/IMCCC.2011.219.

25. Yu L. H., Jian F., An Inverted Pendulum Fuzzy Controller Design and Simulation, International Symposium on Computer, Consumer and Control, Taichung, 2014, DOI: 10.1109/IS3C.2014.151.

26. Yu-Sheng L., Hua-Hsu C., Shu-Fen L., An improved backstepping design for the control of an underactuated inverted pendulum, â&#x20AC;&#x153;Journal of Mechanical Science and Technologyâ&#x20AC;?, Vol. 27, No. 3, 2013, 865-873, DOI: 10.1007/s12206-013-0203-y.

. % . K .

OsL % % % A . , 5 OdwrĂłcone wahadĹ&#x201A;o jest niestabilnym systemem o nieliniowej dynamice. Zadanie sterowania wahadĹ&#x201A;em odwrĂłconym jest trudne, dlatego teĹź ukĹ&#x201A;ad ten przez lata staĹ&#x201A; siÄ&#x2122; jednym z najwaĹźniejszych systemĂłw, na ktĂłrych testowane sÄ&#x2026; wszelkiego rodzaju regulatory. Celem sterowania systemem jest ustabilizowanie wahadĹ&#x201A;a odwrĂłconego w pozycji pionowo skierowanej ku gĂłrze. W artykule zaproponowano nowy algorytm adaptacyjny dla wahadĹ&#x201A;a, bÄ&#x2122;dÄ&#x2026;cy kombinacjÄ&#x2026; regulatora LQR oraz regulatora nieliniowego bazujÄ&#x2026;cego na twierdzeniu Lapunova. Oba moduĹ&#x201A;y sÄ&#x2026; poĹ&#x201A;Ä&#x2026;czone za pomocÄ&#x2026; dwupÄ&#x2122;tlowej konstrukcji rĂłwnolegĹ&#x201A;ej. Nowo zaprojektowany regulator zostaĹ&#x201A; przetestowany eksperymentalnie i porĂłwnany z niezaleĹźnym moduĹ&#x201A;em LQR. " $ " % % A # . % # OsL

'1 H J 1 . 7$.

ORCID: 0000-0003-1857-1461 G 7 q . " 7 L 7 @ % A &**X - 6 M % ^ / < < . .# - # @ % Z % < . @ . / -N\ / % = . F - . % / -N\ / % = @ . / % / % 7 @ / / \ . @ % % / ^ / B % G . > )!&X@)!&+ 7 / > . 7 . -N\ )!&+# . % @ / f 7 \ @ % 6O % %

54

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

Pomiary Automatyka Robotyka, ISSN 1427-9126, R. 23, Nr 4/2019, 55â&#x20AC;&#x201C;64, DOI: 10.14313/PAR_234/55

< % AR 7 % R A % 7 : * + ()O 6 J # > < . < . J% # 6 A (+# X'@('Q J

, 5 W artykule przedstawiono wybrane zaleĹźnoĹ&#x203A;ci stosowane w obliczeniach strat energii metodÄ&#x2026; statystycznÄ&#x2026; oraz metodÄ&#x2026; dokĹ&#x201A;adniejszÄ&#x2026;, wykorzystujÄ&#x2026;cÄ&#x2026; wyniki pomiarĂłw przepĹ&#x201A;ywĂłw energii z licznikĂłw AMI zainstalowanych u odbiorcĂłw oraz licznikĂłw bilansujÄ&#x2026;cych zainstalowanych w stacjach SN/nN. Przedstawiono zasady funkcjonowania systemu do analizy róşnicy bilansowej SARB i jego podstawowe funkcjonalnoĹ&#x203A;ci oparte na analizach statystycznych. Ze wzglÄ&#x2122;du na coraz szersze moĹźliwoĹ&#x203A;ci wykorzystania informacji pochodzÄ&#x2026;cych z innych systemĂłw informatycznych dziaĹ&#x201A;ajÄ&#x2026;cych w spĂłĹ&#x201A;ce dystrybucyjnej, przedstawiono modyfikacje rozwojowe w zakresie wspĂłĹ&#x201A;pracy z Systemem ZarzÄ&#x2026;dzania MajÄ&#x2026;tkiem Sieciowym NAM oraz w zakresie wspĂłĹ&#x201A;pracy z BazÄ&#x2026; PomiarowÄ&#x2026; MDM realizujÄ&#x2026;c bilansowanie w oparciu o dane pomiarowe z licznikĂłw zdalnie odczytywanych, funkcjonujÄ&#x2026;cymi w duĹźej spĂłĹ&#x201A;ce dystrybucyjnej. &' % 7 KR # % . # .

1. Wprowadzenie Obliczanie strat energii elektrycznej jest zadaniem bardzo istotnym z punktu widzenia oceny efektywnoĹ&#x203A;ci dziaĹ&#x201A;ania spĂłĹ&#x201A;ek dystrybucyjnych. Oszacowanie strat technicznych i handlowych, powstajÄ&#x2026;cych w sieciach rozdzielczych umoĹźliwia podjÄ&#x2122;cie wĹ&#x201A;aĹ&#x203A;ciwych dziaĹ&#x201A;aĹ&#x201E; w spĂłĹ&#x201A;kach dystrybucyjnych, majÄ&#x2026;cych na celu ich zmniejszenie.

W Instytucie Elektroenergetyki i Energii Odnawialnej Politechniki Opolskiej we wspĂłĹ&#x201A;pracy z duĹźÄ&#x2026; spĂłĹ&#x201A;kÄ&#x2026; dystrybucyjnÄ&#x2026; podjÄ&#x2122;te zostaĹ&#x201A;y dziaĹ&#x201A;ania, ktĂłrych efektem jest opracowanie i wdroĹźenie Systemu Analizy Róşnicy Bilansowej (SARB) do obliczeĹ&#x201E; strat energii (róşnicy bilansowej) w sieciach rozdzielczych, opartego na metodach statystycznych. System ten jest stale udoskonalany, a jego ewolucja zmierza w kierunku peĹ&#x201A;nej automatyzacji procesu obliczeniowego opartego na rzeczywistych obciÄ&#x2026;Ĺźeniach chwilowych i aktualnych modelach sieci. OsiÄ&#x2026;gniÄ&#x2122;cie tego celu jest moĹźliwe przy wykorzystaniu istniejÄ&#x2026;cych w spĂłĹ&#x201A;ce dystrybucyjnej systemĂłw informatycznych, takich jak System ZarzÄ&#x2026;dzania MajÄ&#x2026;tkiem Sieciowym oraz Centralna Baza Pomiarowa.

. (

Z 7 F # 7 $ % . '

% !Q && )!&* # % % &( &) )!&*

!

7 %

+

"'

! (

( h < ' ! !

+ %

+ Analiza róşnicy bilansowej (RB) na duĹźych obszarach wykonywana jest z wykorzystaniem danych statystycznych. W przykĹ&#x201A;adowej spĂłĹ&#x201A;ce dystrybucyjnej do analizy RB stosuje siÄ&#x2122; system SARB, ktĂłry wykorzystuje informacje o przepĹ&#x201A;ywach energii w sieciach dystrybucyjnych oraz informacje o majÄ&#x2026;tku sieciowym, zawarte w formularzach ARE: â&#x2C6;&#x2019; G10.4 â&#x20AC;&#x201C; wielkoĹ&#x203A;ci energii elektrycznej, sprzedane róşnego rodzaju odbiorcom z sieci o róşnych poziomach napiÄ&#x2122;cia, â&#x2C6;&#x2019; G10.7 â&#x20AC;&#x201C; wielkoĹ&#x203A;ci energii przepĹ&#x201A;ywajÄ&#x2026;ce miÄ&#x2122;dzy sieciami, â&#x2C6;&#x2019; G10.5 â&#x20AC;&#x201C; informacje o elementach majÄ&#x2026;tku sieciowego.

IdeÄ&#x2122; wykorzystania informacji o przepĹ&#x201A;ywach energii oraz wielkoĹ&#x203A;ci energii sprzedanych w sieciach SN i nN przedstawiono na rysunku 1.

Energia wprowadzona do sieci z transformatorĂłw 110 kV/SN ETr WN/SN oraz energia importowana z innych sieci Eimp sÄ&#x2026; dostarczone do sieci SN. Energia EBK GPZ jest dostarczona z baterii kondensatorĂłw zainstalowanych w stacjach 110 kV/SN. CzÄ&#x2122;Ĺ&#x203A;Ä&#x2021; z tej energii (Eodd1) jest sprzedawana odbiorcom bezpoĹ&#x203A;rednio ze stacji 110 kV/SN i nie obciÄ&#x2026;Ĺźa sieci SN. Z przedstawionego przepĹ&#x201A;ywu energii w sieci SN wynika, Ĺźe linie elektroenergetyczne SN sÄ&#x2026; obciÄ&#x2026;Ĺźone energiÄ&#x2026; Î&#x201D;ETr SN/nN przepĹ&#x201A;ywajÄ&#x2026;cÄ&#x2026; przez transformatory SN/nN, energiÄ&#x2026; Eodd2 oddawanÄ&#x2026; z sieci SN, stratami technicznymi Î&#x201D;ESN w liniach SN, stratami technicznymi Î&#x201D;ETr SN/SN w transformatorach SN/SN, stratami technicznymi Î&#x201D;ETr SN/nN w transformatorach SN/nN, energiÄ&#x2026; baterii kondensatorĂłw SN EBKSN, stratami dielektrycznymi w bateriach kondensatorĂłw przyĹ&#x201A;Ä&#x2026;czonych do sieci SN Î&#x201D;EBKSN

55

H % % TC 0 % C T 0

Rys. 1. PrzepĹ&#x201A;ywy energii w sieciach rozdzielczych SN i nN Fig. 1. Energy flow in MV and LV networks

oraz stratami handlowymi Î&#x201D;EHSN w sieci SN. StÄ&#x2026;d, energia przepĹ&#x201A;ywajÄ&#x2026;ca sieciÄ&#x2026; SN jest rĂłwna:

Do sieci nN energia Ewpr jest wprowadzana przez transformatory SN/nN. Energia bierna EBKnN dopĹ&#x201A;ywa do sieci nN z baterii kondensatorĂłw zainstalowanych w stacjach SN/nN. CzÄ&#x2122;Ĺ&#x203A;Ä&#x2021; z wprowadzonej energii (Eodd3) jest sprzedawana odbiorcom bezpoĹ&#x203A;rednio przyĹ&#x201A;Ä&#x2026;czonym do stacji SN/nN. Ta czÄ&#x2122;Ĺ&#x203A;Ä&#x2021; energii nie obciÄ&#x2026;Ĺźa sieci nN. Linie nN sÄ&#x2026; obciÄ&#x2026;Ĺźone energiÄ&#x2026; Eodd1 i Eodd2, oddawanÄ&#x2026; z sieci nN, stratami technicznymi Î&#x201D;ELnN powstajÄ&#x2026;cymi w liniach nN, energiÄ&#x2026; baterii kondensatorĂłw nN EBKnN, stratami dielektrycznymi Î&#x201D;EBKnN w bateriach kondensatorĂłw, przyĹ&#x201A;Ä&#x2026;czonych do sieci nN, stratami w przyĹ&#x201A;Ä&#x2026;czach Î&#x201D;Ep, stratami w licznikach Î&#x201D;EL oraz stratami handlowymi Î&#x201D;EHnN w sieci nN. Energia przepĹ&#x201A;ywajÄ&#x2026;ca sieciÄ&#x2026; nN jest wiÄ&#x2122;c rĂłwna:

ESN = ETrSN/nN + Eodd2 + Î&#x201D;ESN + Î&#x201D;ETrSN/SN + + Î&#x201D;ETrSN/nN + EBKSN + Î&#x201D;EBKSN + Î&#x201D;EHSN

(1)

Straty techniczne w liniach i transformatorach obejmujÄ&#x2026; straty napiÄ&#x2122;ciowe i obciÄ&#x2026;Ĺźeniowe. W metodzie obliczeniowej zaĹ&#x201A;oĹźono, Ĺźe tylko poĹ&#x201A;owa strat napiÄ&#x2122;ciowych w liniach, transformatorach SN/SN i bateriach kondensatorĂłw obciÄ&#x2026;Ĺźa linie SN. Obliczenie strat napiÄ&#x2122;ciowych w elementach sieci SN nie budzi wÄ&#x2026;tpliwoĹ&#x203A;ci. Natomiast obliczenie strat obciÄ&#x2026;Ĺźeniowych stanowi powaĹźny problem ze wzglÄ&#x2122;du na bardzo duĹźÄ&#x2026; liczbÄ&#x2122; elementĂłw tworzÄ&#x2026;cych sieÄ&#x2021; SN oraz brak dokĹ&#x201A;adnych informacji o przepĹ&#x201A;ywach energii w tej sieci.

Straty energii w sieciach SN sÄ&#x2026; rĂłwne:

EnN = Î&#x201D;ELnN + Eodd2 + Î&#x201D;EHnN + Î&#x201D;Ep + Î&#x201D;EL + Eodd1

CaĹ&#x201A;kowite straty energii czynnej DEnN w sieciach nN wynoszÄ&#x2026;:

Î&#x201D;ESN = Î&#x201D;ETrSN/nN + Î&#x201D;ELSN + Î&#x201D;ETrSN/SN + Î&#x201D;EBKGPZ

Î&#x201D;EnN = Î&#x201D;ECL + Î&#x201D;ECP + Î&#x201D;ELnN + Î&#x201D;EBKnN + Î&#x201D;EHnN =

+ Î&#x201D;EBKSN + Î&#x201D;EHSN

56

P

O

M

I

A

R

= Î&#x201D;EuCL + Î&#x201D;EoCP + Î&#x201D;EuLnN + Î&#x201D;EoLnN + Î&#x201D;EBKnN + Î&#x201D;EHnN (4)

(2)

Y

â&#x20AC;˘

A

U

T

(3)

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

+ 0

& T gdzie: Î&#x201D;ECL â&#x20AC;&#x201C; straty energii czynnej w licznikach, Î&#x201D;ECP â&#x20AC;&#x201C; straty energii czynnej w przyĹ&#x201A;Ä&#x2026;czach, Î&#x201D;ELnN â&#x20AC;&#x201C; energii czynnej w liniach nN, Î&#x201D;EuCL â&#x20AC;&#x201C; straty napiÄ&#x2122;ciowe energii czynnej w licznikach, Î&#x201D;EoCP â&#x20AC;&#x201C; straty obciÄ&#x2026;Ĺźeniowe energii w przyĹ&#x201A;Ä&#x2026;czach, Î&#x201D;EuLnN â&#x20AC;&#x201C; straty napiÄ&#x2122;ciowe energii czynnej w liniach nN, Î&#x201D;EoLnN â&#x20AC;&#x201C; straty obciÄ&#x2026;Ĺźeniowe energii czynnej w liniach nN, Î&#x201D;EBKnN â&#x20AC;&#x201C; straty dielektryczne w bateriach kondensatorĂłw przyĹ&#x201A;Ä&#x2026;czonych do sieci nN, Î&#x201D;EHnN â&#x20AC;&#x201C; straty handlowe w sieci nN.

7 %

! % + % !

+ (

( Straty energii czynnej w i-tym odcinku linii elektroenergetycznej opisane sÄ&#x2026; nastÄ&#x2122;pujÄ&#x2026;cÄ&#x2026;, znanÄ&#x2026; ogĂłlnie zaleĹźnoĹ&#x203A;ciÄ&#x2026;: Î&#x201D;Eoci = 3I2RiĎ&#x201E;i gdzie: Ri =

(5)

Ii â&#x20AC;&#x201C; rezystancja i-tego odcinka linii, ; i â&#x20AC;&#x201C; czas Îłsi

trwania maksymalnych strat, h; Ii â&#x20AC;&#x201C; wartoĹ&#x203A;Ä&#x2021; skuteczna prÄ&#x2026;du w i-tym odcinku linii, A. WartoĹ&#x203A;Ä&#x2021; czasu trwania strat maksymalnych i wyznacza siÄ&#x2122; z [3]:

1â&#x17D;&#x203A; T â&#x17D;&#x17E; T Ď&#x201E;i = â&#x17D;&#x153; 2 si + 1â&#x17D;&#x; Tsi obl 3 â&#x17D;? Tr â&#x17D; Tr

(6)

gdzie: Tsi â&#x20AC;&#x201C; roczny czas trwania obciÄ&#x2026;Ĺźenia szczytowego, h; Tr â&#x20AC;&#x201C; czas roku, h; Tobl â&#x20AC;&#x201C; okres, dla ktĂłrego wykonuje siÄ&#x2122; obliczenia, h.

W metodach statystycznych najczÄ&#x2122;Ĺ&#x203A;ciej wykorzystuje siÄ&#x2122; uproszczone wartoĹ&#x203A;ci wspĂłĹ&#x201A;czynnikĂłw. W przypadku czasu trwania obciÄ&#x2026;Ĺźenia szczytowego, chcÄ&#x2026;c bardzo dokĹ&#x201A;adnie wykonaÄ&#x2021; obliczenia naleĹźaĹ&#x201A;oby czas obliczeĹ&#x201E; skrĂłciÄ&#x2021; do jednej doby lub tygodnia z uwzglÄ&#x2122;dnieniem dni roboczych i wolnych od pracy.

Takie podejĹ&#x203A;cie jest bardzo wymagajÄ&#x2026;ce pomiarowo, moĹźe zostaÄ&#x2021; zrealizowane dopiero z wykorzystaniem krĂłtkookresowych pomiarĂłw z licznikĂłw elektronicznych wspĂłĹ&#x201A;pracujÄ&#x2026;cych z systemem akwizycji danych pomiarowych. Dla ujednolicenia, niezaleĹźnie od dĹ&#x201A;ugoĹ&#x203A;ci okresu obliczeniowego, zawsze stosuje siÄ&#x2122; wartoĹ&#x203A;Ä&#x2021; Tsi przeliczonÄ&#x2026; na okres 1 roku. DziÄ&#x2122;ki temu istnieje moĹźliwoĹ&#x203A;Ä&#x2021; bezpoĹ&#x203A;redniego zestawienia czasĂłw dotyczÄ&#x2026;cych róşnych elementĂłw (odcinkĂłw) w róşnych okresach obliczeniowych.

WartoĹ&#x203A;Ä&#x2021; prÄ&#x2026;du w punktach zasilania odbiorcĂłw okreĹ&#x203A;la siÄ&#x2122; na podstawie iloĹ&#x203A;ci energii pobranej:

I odb nN i =

Eodbi 3U i cos Ď&#x2022;iTsi

Tobl Tr

(7)

gdzie: Eodb i â&#x20AC;&#x201C; energia odbierana w i-tym punkcie zasilania odbiorcĂłw, MWh; cosĎ&#x2022;i â&#x20AC;&#x201C; wspĂłĹ&#x201A;czynnik mocy w i-tym punkcie zasilania odbiorcĂłw.

WartoĹ&#x203A;Ä&#x2021; skuteczna prÄ&#x2026;du w i-tym odcinku linii (Ii), wyznaczona moĹźe byÄ&#x2021; na podstawie rozpĹ&#x201A;ywu prÄ&#x2026;dĂłw w sieci.

WartoĹ&#x203A;Ä&#x2021; strat energii w caĹ&#x201A;ej sieci jest rĂłwna sumie strat w poszczegĂłlnych odcinkach linii.

Î&#x201D;Eoc = â&#x2C6;&#x2018; i Î&#x201D;Eoci

(8)

lanych z okreĹ&#x203A;lonego obszaru. w okresie obliczeniowym. Natomiast jest moĹźliwe wyznaczenie strat energii elektrycznej jako strat skupionych, tzn. strat energii powstajÄ&#x2026;cych przy zaĹ&#x201A;oĹźeniu wystÄ&#x2026;pienia odbioru na koĹ&#x201E;cu uĹ&#x203A;rednionego ciÄ&#x2026;gu sieciowego. Takie straty skupione mogÄ&#x2026; byÄ&#x2021; wyznaczone na podstawie zastÄ&#x2122;pczych wartoĹ&#x203A;ci prÄ&#x2026;du obciÄ&#x2026;Ĺźenia, rezystancji linii oraz Ĺ&#x203A;redniego czasu obciÄ&#x2026;Ĺźenia szczytowego i nie sÄ&#x2026; one rĂłwne stratom rzeczywistym. Straty skupione wyznaczane sÄ&#x2026; wg nastÄ&#x2122;pujÄ&#x2026;cej zaleĹźnoĹ&#x203A;ci:

Î&#x201D;Eoc skup

â&#x17D;&#x203A; â&#x17D;&#x153; Eobc =â&#x17D;&#x153; â&#x17D;&#x153; U cos Ď&#x2022;N csTs Tobl â&#x17D;&#x153; Tr â&#x17D;?

2

â&#x17D;&#x17E; â&#x17D;&#x; lcs 1 â&#x17D;&#x203A; Tsi â&#x17D;&#x17E; Tobl â&#x17D;&#x; â&#x17D;&#x153; 2 + 1â&#x17D;&#x; Tsi â&#x17D;&#x; ys 3 â&#x17D;? Tr â&#x17D; Tr â&#x17D;&#x; â&#x17D;

gdzie: Eobc â&#x20AC;&#x201C; energia obciÄ&#x2026;ĹźajÄ&#x2026;ca analizowanÄ&#x2026; sieÄ&#x2021; w czasie Tobl,MWh; U â&#x20AC;&#x201C; Ĺ&#x203A;rednie napiÄ&#x2122;cie w analizowanej sieci, kV; lcs â&#x20AC;&#x201C; dĹ&#x201A;ugoĹ&#x203A;Ä&#x2021; ciÄ&#x2026;gĂłw sieciowych, km; Ncs â&#x20AC;&#x201C; liczba ciÄ&#x2026;gĂłw sieciowych.

NiedokĹ&#x201A;adnoĹ&#x203A;Ä&#x2021; obliczenia strat energii jest pochodnÄ&#x2026; wielu czynnikĂłw, do ktĂłrych przede wszystkim zalicza siÄ&#x2122;: â&#x2C6;&#x2019; rozkĹ&#x201A;ad obciÄ&#x2026;Ĺźenia wzdĹ&#x201A;uĹź ciÄ&#x2026;gĂłw sieciowych, â&#x2C6;&#x2019; róşne wartoĹ&#x203A;ci Ĺ&#x203A;redniego przekroju linii i przekroju handlowego, â&#x2C6;&#x2019; róşne gÄ&#x2122;stoĹ&#x203A;ci prÄ&#x2026;dĂłw w poszczegĂłlnych ciÄ&#x2026;gach sieciowych, â&#x2C6;&#x2019; asymetriÄ&#x2122; obciÄ&#x2026;Ĺźenia, â&#x2C6;&#x2019; róşne czasy obciÄ&#x2026;Ĺźenia szczytowego.

| 7 %

! , + (

( Obliczenie strat dla znanych parametrĂłw eksploatacji sieci odbywa siÄ&#x2122; bezpoĹ&#x203A;rednio na podstawie sumy strat jaĹ&#x201A;owych wszystkich pracujÄ&#x2026;cych transformatorĂłw. Ze wzglÄ&#x2122;du na ograniczony dostÄ&#x2122;p do aktualnych informacji o pracujÄ&#x2026;cych jednostkach oraz koniecznoĹ&#x203A;ci uwzglÄ&#x2122;dnienia rzeczywistego napiÄ&#x2122;cia w sieci w stosunku do napiÄ&#x2122;cia znamionowego transformatorĂłw, straty jaĹ&#x201A;owe (napiÄ&#x2122;ciowe) Î&#x201D;EuC tr SN/nN transformatorĂłw energetycznych SN/nN okreĹ&#x203A;lone sÄ&#x2026; zaleĹźnoĹ&#x203A;ciÄ&#x2026; [1]

(10) gdzie: tuz tr SN/nN â&#x20AC;&#x201C; wzglÄ&#x2122;dny czas pracy transformatorĂłw SN/nN w analizowanym okresie, Ur SN â&#x20AC;&#x201C; Ĺ&#x203A;rednie napiÄ&#x2122;cie w sieci SN, Un tr SN/nN â&#x20AC;&#x201C; Ĺ&#x203A;rednie napiÄ&#x2122;cie znamionowe transformatorĂłw, Str SN/nN â&#x20AC;&#x201C; sumaryczna moc transformatorĂłw SN/nN, auSN/nN â&#x20AC;&#x201C; wspĂłĹ&#x201A;czynnik strat jaĹ&#x201A;owych transformatorĂłw SN/nN, GW/ MVA0,75, okreĹ&#x203A;lony wzorem:

auSN / nN =

Î&#x201D;PFe SN / nN â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 0,75 S nTSN / nN

Praktyczne wykonanie obliczeĹ&#x201E; wymagaĹ&#x201A;oby okreĹ&#x203A;lenia poziomu obciÄ&#x2026;Ĺźenia kaĹźdej linii, co praktycznie jest niemoĹźliwe na podstawie danych zagregowanych dla grupy odbiorcĂłw zasi-

(11)

gdzie: Î&#x201D;PFe SN / nN â&#x20AC;&#x201C; strata mocy w Ĺźelazie w Ĺ&#x203A;redniej jednostce, kW, obliczona wg wzoru:

Î&#x201D;PFe SN / nN =

â&#x2C6;&#x2018; (S â&#x2C6;&#x2018; (S

n TSN / nNi

i

i

gdzie: Î&#x201D;Eoc i â&#x20AC;&#x201C; straty energii czynnej w i-tym odcinku linii elektroenergetycznej, okreĹ&#x203A;lone wzorem (5).

(9)

â&#x2039;&#x2026; Î&#x201D;PFe SN / nNi )

n TSN / nNi

)

(12)

S n TSN / nN â&#x20AC;&#x201C; moc znamionowa Ĺ&#x203A;redniej jednostki, MVA, obliczona wg wzoru

S n TSN / nN =

â&#x2C6;&#x2018;N i

tr SN / nNi

â&#x2039;&#x2026; S n TSN / nNi

N tr SN / nN

(13)

57

H % % TC 0 % C T 0

Rys. 2. Modelowanie sieci rozdzielczej oraz strat energii elektrycznej Fig. 2. Modeling of distribution network in applications for computing electric power losses

SnTSN/nNi â&#x20AC;&#x201C; moc znamionowa i-tego transformatora, MVA; Î&#x201D;PFe SN/nNi â&#x20AC;&#x201C; straty mocy w Ĺźelazie i-tego transformatora, kW; Ntr SN/nN â&#x20AC;&#x201C; liczba transformatorĂłw, kr â&#x20AC;&#x201C; wspĂłĹ&#x201A;czynnik poprawkowy, wynikajÄ&#x2026;cy z rozkĹ&#x201A;adu mocy transformatorĂłw.

Do obliczeĹ&#x201E; strat obciÄ&#x2026;Ĺźeniowych [1] transformatorĂłw energetycznych Î&#x201D;EoC tr SN/nN wykorzystuje siÄ&#x2122; nastÄ&#x2122;pujÄ&#x2026;cy wzĂłr:

ObciÄ&#x2026;Ĺźeniowe straty energii elektrycznej oblicza siÄ&#x2122; dla róşnych obszarĂłw i ich podobszarĂłw oraz dla róşnych przedziaĹ&#x201A;Ăłw czasowych. W zaleĹźnoĹ&#x203A;ci od potrzeb, agreguje siÄ&#x2122; róşne wyniki obliczeĹ&#x201E;, uzyskujÄ&#x2026;c wartoĹ&#x203A;ci strat energii dla zadanego obszaru lub zadanego przedziaĹ&#x201A;u czasowego.

} / %

% !

WpĹ&#x201A;yw róşnych czynnikĂłw na wielkoĹ&#x203A;Ä&#x2021; obliczonych strat energii elektrycznej jest uwzglÄ&#x2122;dniony poprzez zastosowanie wĹ&#x201A;aĹ&#x203A;ciwego modelu sieci, czyli niezbÄ&#x2122;dne jest wyznaczenie rezystancji zastÄ&#x2122;pczej Rzast analizowanej sieci elektroenergetycznej (rys. 2). Ĺ&#x161;redni prÄ&#x2026;d ciÄ&#x2026;gu sieciowego jest rĂłwny:

(14) gdzie: βS tr SN/nN â&#x20AC;&#x201C; Ĺ&#x203A;rednie obciÄ&#x2026;Ĺźenie transformatorĂłw SN/nN, okreĹ&#x203A;lone wzorem EC trSN /nN

βStr SN /nN = Ts tr nN

I =

(15)

Tobl Str SN /nN cos Ď&#x2022;tr SN /nN Tr

Î&#x201D;PCu SN / nN â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 S nT0,75SN / nN

3U cos Ď&#x2022; N csTs

(18)

Tobl Tr

Ze wzglÄ&#x2122;du na zróşnicowanie parametrĂłw ciÄ&#x2026;gĂłw sieciowych i zmiennoĹ&#x203A;Ä&#x2021; ich obciÄ&#x2026;Ĺźenia wprowadza siÄ&#x2122; pojÄ&#x2122;cie prÄ&#x2026;du zastÄ&#x2122;pczego, uwzglÄ&#x2122;dniajÄ&#x2026;cego rozrzut obciÄ&#x2026;ĹźeĹ&#x201E; ciÄ&#x2026;gĂłw i rzeczywisty rozkĹ&#x201A;ad odbiorcĂłw wzdĹ&#x201A;uĹź ciÄ&#x2026;gĂłw, obliczanego ze wzoru:

kr SN/nN â&#x20AC;&#x201C; wspĂłĹ&#x201A;czynnik uwzglÄ&#x2122;dniajÄ&#x2026;cy rozrzut obciÄ&#x2026;ĹźeĹ&#x201E; szczytowych νβ transformatorĂłw SN/nN oraz czasĂłw obciÄ&#x2026;Ĺźenia szczytowego, ao SN/nN â&#x20AC;&#x201C; wspĂłĹ&#x201A;czynnik jednostkowych strat obciÄ&#x2026;Ĺźeniowych, okreĹ&#x203A;lony wzorem

ao SN / nN =

Eobc

I zast = ki kn I

(19)

gdzie: ki â&#x20AC;&#x201C; wskaĹşnik korygujÄ&#x2026;cy wartoĹ&#x203A;Ä&#x2021; prÄ&#x2026;du zastÄ&#x2122;pczego ze wzglÄ&#x2122;du na rozrzut obciÄ&#x2026;ĹźeĹ&#x201E; poszczegĂłlnych ciÄ&#x2026;gĂłw, kn â&#x20AC;&#x201C; wskaĹşnik korygujÄ&#x2026;cy wartoĹ&#x203A;Ä&#x2021; prÄ&#x2026;du zastÄ&#x2122;pczego, uwzglÄ&#x2122;dniajÄ&#x2026;cy rozkĹ&#x201A;ad obciÄ&#x2026;ĹźeĹ&#x201E; wzdĹ&#x201A;uĹź ciÄ&#x2026;gu sieciowego.

(16)

ZastÄ&#x2122;pcza rezystancja analizowanej sieci jest rĂłwna: Î&#x201D;PCu SN / nN â&#x20AC;&#x201C; strata mocy w uzwojeniach w Ĺ&#x203A;redniej jednostce, kW, obliczona wg wzoru

R=

Î&#x201D;PCu SN / nN =

â&#x2C6;&#x2018; (S â&#x2C6;&#x2018; (S

n TSN / nNi

i

i

â&#x2039;&#x2026; Î&#x201D;PCu SN / nNi )

n TSN / nNi

gdzie: l â&#x20AC;&#x201C; dĹ&#x201A;ugoĹ&#x203A;Ä&#x2021; linii rozwaĹźanej sieci, km; s â&#x20AC;&#x201C; Ĺ&#x203A;redni przekrĂłj linii w rozwaĹźanej sieci, mm2.

Dla potrzeb obliczeniowych naleĹźy wyznaczyÄ&#x2021; przekrĂłj zastÄ&#x2122;pczy, nazywany przekrojem handlowym: szast = k s s

ObliczajÄ&#x2026;c straty energii w transformatorach wg wzoru (14), najpierw okreĹ&#x203A;la siÄ&#x2122; wartoĹ&#x203A;ci wystÄ&#x2122;pujÄ&#x2026;cych w nim wspĂłĹ&#x201A;czynnikĂłw. NajwiÄ&#x2122;ksze problemy stwarza wyznaczenie wartoĹ&#x203A;ci wspĂłĹ&#x201A;czynnika kr SN/nN. WartoĹ&#x203A;Ä&#x2021; tego wspĂłĹ&#x201A;czynnika jest funkcjÄ&#x2026; Ĺ&#x203A;redniego obciÄ&#x2026;Ĺźenia βS tr SN/nN transformatorĂłw SN/nN oraz zmiennoĹ&#x203A;ci obciÄ&#x2026;ĹźeĹ&#x201E; szczytowych νβ i zmiennoĹ&#x203A;ci czasu obciÄ&#x2026;ĹźeĹ&#x201E; szczytowych.

P

O

M

I

A

R

Y

(20)

(17)

)

PR SN/nN â&#x20AC;&#x201C; wspĂłĹ&#x201A;czynnik uwzglÄ&#x2122;dniajÄ&#x2026;cy zmiany rezystancji pod wpĹ&#x201A;ywem temperatury, Ts tr nN â&#x20AC;&#x201C; czas trwania maksymalnych strat, h; Tobl â&#x20AC;&#x201C; czas obliczeniowy, h; Tr â&#x20AC;&#x201C; liczba godzin w roku, h; Ur SN â&#x20AC;&#x201C; Ĺ&#x203A;rednie napiÄ&#x2122;cie w szczycie w sieci SN, kV; Un SN â&#x20AC;&#x201C; znamionowe napiÄ&#x2122;cie w sieci SN, kV.

58

l Îłs

â&#x20AC;˘

A

U

T

O

M

(21)

gdzie: ks â&#x20AC;&#x201C; wspĂłĹ&#x201A;czynnik poprawkowy do przeliczenia przekroju Ĺ&#x203A;redniego na przekrĂłj handlowy.

Ostatecznie otrzymuje siÄ&#x2122; zaleĹźnoĹ&#x203A;Ä&#x2021; na wartoĹ&#x203A;Ä&#x2021; rezystancji zastÄ&#x2122;pczej sieci: Rzast = A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

l Îłk s s T

Y

(22) K

A

N R 4 /201 9

+ 0

& T Róşne wartoĹ&#x203A;ci czasĂłw obciÄ&#x2026;Ĺźenia szczytowego oraz wzajemne przesuniÄ&#x2122;cia w czasie obciÄ&#x2026;ĹźeĹ&#x201E; szczytowych sÄ&#x2026; uwzglÄ&#x2122;dnione przez wykorzystanie wspĂłĹ&#x201A;czynnika kTs. WartoĹ&#x203A;Ä&#x2021; tego wspĂłĹ&#x201A;czynnika jest trudna do okreĹ&#x203A;lenia bez znajomoĹ&#x203A;ci profili obciÄ&#x2026;ĹźeĹ&#x201E; wystÄ&#x2122;pujÄ&#x2026;cych w poszczegĂłlnych wÄ&#x2122;zĹ&#x201A;ach sieci rozdzielczej.

ZaleĹźnoĹ&#x203A;Ä&#x2021; miÄ&#x2122;dzy wykorzystywanymi wspĂłĹ&#x201A;czynnikami moĹźna wiÄ&#x2122;c zapisaÄ&#x2021; w postaci:

K=

( ki k n )

2

ks

kTs

(23)

W modelu liniowym zakĹ&#x201A;ada siÄ&#x2122;, Ĺźe jest moĹźliwe wyznaczenie wspĂłĹ&#x201A;czynnika K na podstawie obliczeĹ&#x201E; symulacyjnych rzeczywistych strat energii i strat skupionych czÄ&#x2122;Ĺ&#x203A;ci sieci wybranego obszaru. WspĂłĹ&#x201A;czynnik ten jest rĂłwny stosunkowi rzeczywistych strat energii do strat skupionych: K=

Î&#x201D;Eoc Î&#x201D;Eskup

(24)

ZnajomoĹ&#x203A;Ä&#x2021; tego wspĂłĹ&#x201A;czynnika umoĹźliwia wyznaczenie strat energii dla caĹ&#x201A;ej rozwaĹźanej sieci.

WspĂłĹ&#x201A;czynnik K powinien byĹ&#x203A; wyznaczony dla charakterystycznych obszarĂłw sieci. Rozszerzenie go do caĹ&#x201A;ego rejonu dystrybucji nie wpĹ&#x201A;ywa na powstanie bĹ&#x201A;Ä&#x2122;dĂłw.

& &.> "^

% ]

System SARB jest eksploatowany w spĂłĹ&#x201A;ce dystrybucyjnej od wielu lat, obecnie od 2014 r. na caĹ&#x201A;ym obszarze spĂłĹ&#x201A;ki. Istotnym elementem systemu sÄ&#x2026; wspĂłĹ&#x201A;czynniki parametryzujÄ&#x2026;ce sieÄ&#x2021;. Obecnie sÄ&#x2026; one okreĹ&#x203A;lane na podstawie szczegĂłĹ&#x201A;owych danych dotyczÄ&#x2026;cych sieci elektroenergetycznej, zawartych jak wyĹźej wspomniano, w sprawozdaniach G10.5 oraz dodatkowych danych, w tym dotyczÄ&#x2026;cych topologii sieci. Przygotowywanie ich przez sĹ&#x201A;uĹźby poszczegĂłlnych oddziaĹ&#x201A;Ăłw jest pracochĹ&#x201A;onne, dlatego parametryzowanie sieci wykonywane jest raz w roku.

Aktualne podstawowe funkcjonalnoĹ&#x203A;ci systemu SARB to: â&#x2C6;&#x2019; obliczenia strat energii czynnej i biernej dla sieci WN, SN i nN dla: â&#x2C6;&#x2019; róşnych obszarĂłw i przedziaĹ&#x201A;Ăłw czasowych, â&#x2C6;&#x2019; w podziale na róşne elementy wchodzÄ&#x2026;ce w skĹ&#x201A;ad sieci, â&#x2C6;&#x2019; wykonywane na podstawie zaleĹźnoĹ&#x203A;ci przedstawionych w poprzednich rozdziaĹ&#x201A;ach; â&#x2C6;&#x2019; wyznaczanie strat uzasadnionych, w stosunku do ktĂłrych sÄ&#x2026; porĂłwnywane obliczone wartoĹ&#x203A;ci rzeczywiste; â&#x2C6;&#x2019; na podstawie wynikĂłw obliczeĹ&#x201E; moĹźna wskazaÄ&#x2021;: â&#x2C6;&#x2019; obszary, w ktĂłrych wystÄ&#x2122;puje zwiÄ&#x2122;kszony poziom strat w stosunku do poziomu strat uzasadnionych, â&#x2C6;&#x2019; rodzaj tych strat (techniczne, handlowe), â&#x2C6;&#x2019; podziaĹ&#x201A; strat miÄ&#x2122;dzy sieci SN i nN, â&#x2C6;&#x2019; grupÄ&#x2122; elementĂłw sieci o zwiÄ&#x2122;kszonym poziomie strat w stosunku do strat uzasadnionych.

System dokonuje rĂłwnieĹź porĂłwnania poziomu róşnicy bilansowej w stosunku do majÄ&#x2026;tku zaangaĹźowanego do dystrybucji energii elektrycznej w wyznaczonych obszarach, np. oddziaĹ&#x201A;ach.

Prowadzone przez autorĂłw artykuĹ&#x201A;u oraz w spĂłĹ&#x201A;ce dystrybucyjnej analizy wynikĂłw obliczeĹ&#x201E; strat energii dla róşnych obszarĂłw i przedziaĹ&#x201A;Ăłw czasowych wskazujÄ&#x2026;, Ĺźe istotne znaczenie dla dokĹ&#x201A;adnoĹ&#x203A;ci obliczeĹ&#x201E; ma sposĂłb parametryzacji analizowanej sieci rozdzielczej oraz dĹ&#x201A;ugoĹ&#x203A;Ä&#x2021; przedziaĹ&#x201A;u czasu, dla ktĂłrego wykonuje siÄ&#x2122; obliczenia [2]. Agregacja wynikĂłw obliczeĹ&#x201E; strat energii po przeprowadzeniu parametryzacji dla mniejszych obszarĂłw sieci (dla RD) oraz dla krĂłtszych przedziaĹ&#x201A;Ăłw czasu (miesiÄ&#x2026;ce) daje wiÄ&#x2122;kszÄ&#x2026; dokĹ&#x201A;adnoĹ&#x203A;Ä&#x2021; wynikĂłw niĹź przy obliczeniach wykonywanych dla roku i caĹ&#x201A;ego oddziaĹ&#x201A;u lub caĹ&#x201A;ego obszaru spĂłĹ&#x201A;ki.

| ? "'

&.>

,

| h ? & * ( / ( &

ModuĹ&#x201A; obliczeniowy dedykowany do obliczeĹ&#x201E; strat energii elektrycznej w sieci dystrybucyjnej spĂłĹ&#x201A;ki w zakresie caĹ&#x201A;ego obszaru, jak i w podziale, np. na oddziaĹ&#x201A;y (obszary byĹ&#x201A;ych ZakĹ&#x201A;adĂłw Energetycznych), wykorzystuje dane i wspĂłĹ&#x201A;czynniki aktualizowane odpowiednio w cyklach miesiÄ&#x2122;cznych â&#x20AC;&#x201C; dane oraz cyklach rocznych â&#x20AC;&#x201C; wspĂłĹ&#x201A;czynniki. Pomimo zautomatyzowania procesu wprowadzania danych do bazy danych bezpoĹ&#x203A;rednio ze sprawozdaĹ&#x201E; G10.x proces jest czasochĹ&#x201A;onny.

W spĂłĹ&#x201A;ce dystrybucyjnej w ostatnich latach wdroĹźono System ZarzÄ&#x2026;dzania MajÄ&#x2026;tkiem Sieciowym (NAM), w ktĂłrym zgromadzono dane dotyczÄ&#x2026;ce majÄ&#x2026;tku obejmujÄ&#x2026;cego sieci elektroenergetyczne. System umoĹźliwia rĂłwnieĹź tworzenie schematĂłw topologicznych sieci i schematĂłw jednokreskowych.

Wykorzystanie tych informacji i zautomatyzowanie procesu pozyskiwania danych do systemu SARB umoĹźliwiĹ&#x201A;oby czÄ&#x2122;stsze aktualizacje wspĂłĹ&#x201A;czynnikĂłw parametryzujÄ&#x2026;cych sieÄ&#x2021;, jak rĂłwnieĹź tworzenie ich dla nowych obszarĂłw definiowanych na potrzeby analiz róşnicy bilansowej.

W zakresie przygotowania wspĂłĹ&#x201A;czynnikĂłw obliczeniowych zostanie wiÄ&#x2122;c wykorzystany System ZarzÄ&#x2026;dzania MajÄ&#x2026;tkiem Sieciowym NAM wymagajÄ&#x2026;cy implementacji dedykowanego interfejsu Ĺ&#x201A;Ä&#x2026;czÄ&#x2026;cego oba systemy. Istotny pozostaje fakt, Ĺźe ingerencja w tym zakresie nie wpĹ&#x201A;ywa na aktualny standard przechowania danych wejĹ&#x203A;ciowych, wspĂłĹ&#x201A;czynnikĂłw i algorytmĂłw obliczeniowych.

Bardzo atrakcyjne jest rĂłwnieĹź peĹ&#x201A;ne wykorzystanie danych MDM, pochodzÄ&#x2026;cych z licznikĂłw zainstalowanych u odbiorcĂłw oraz licznikĂłw bilansujÄ&#x2026;cych, polegajÄ&#x2026;ce na wykorzystaniu danych profilowych â&#x20AC;&#x201C; rejestracji zliczanej w okresach 15-minutowych energii przez elektroniczne liczniki energii wyposaĹźone w Ĺ&#x201A;Ä&#x2026;cza transmisji danych. Tym rodzajem licznikĂłw objÄ&#x2122;to obecnie sieÄ&#x2021; rozdzielczÄ&#x2026; WN oraz sieÄ&#x2021; rozdzielczÄ&#x2026; SN na podstawie pomiaru energii w stacjach transformatorowych SN/nN po stronie nN. Docelowo pomiarem zostanÄ&#x2026; objÄ&#x2122;te wszystkie stacje SN/nN oraz odbiorcy przyĹ&#x201A;Ä&#x2026;czeni do sieci SN. W obszarze sieci nN dostÄ&#x2122;pne sÄ&#x2026; obecnie rejestracje dokonywane przez liczniki grup taryfowych C2x oraz w wybranych obszarach przez liczniki AMI. PodjÄ&#x2122;to wiÄ&#x2122;c prĂłbÄ&#x2122; budowy interfejsĂłw umoĹźliwiajÄ&#x2026;cych automatyczne pozyskiwanie niezbÄ&#x2122;dnych danych z systemĂłw NAM oraz MDM. Blokowy schemat systemu do obliczeĹ&#x201E; strat energii przedstawia rysunek 3.

System NAM gromadzi informacje o wszystkich istotnych obiektach sieci elektroenergetycznej WN, SN i nN, tj.: â&#x2C6;&#x2019; stacjach transformatorowych, â&#x2C6;&#x2019; liniach napowietrznych, â&#x2C6;&#x2019; liniach kablowych, â&#x2C6;&#x2019; transformatorach, przekĹ&#x201A;adnikach WN, â&#x2C6;&#x2019; Ĺ&#x201A;Ä&#x2026;cznikach, bateriach kondensatorĂłw, rozdzielnicach, zĹ&#x201A;Ä&#x2026;czach kablowych.

Informacje majÄ&#x2026; postaÄ&#x2021; graficznÄ&#x2026;, opisowÄ&#x2026; oraz plikowÄ&#x2026; (np. skany dokumentĂłw, zdjÄ&#x2122;cia, katalogi, DTR).

NiezbÄ&#x2122;dne dane mogÄ&#x2026; byÄ&#x2021; pozyskane z NAM w dowolnym czasie. Informacje te powiÄ&#x2026;zane sÄ&#x2026; logicznie, co m.in. umoĹźliwia odwzorowanie sieci w postaci przebiegu linii na tle podkĹ&#x201A;adĂłw mapowych, jak ich późniejsze przeksztaĹ&#x201A;cenie do postaci schematĂłw jednokreskowych umoĹźliwiajÄ&#x2026;cych prowadzenie róşnorodnych obliczeĹ&#x201E;.

Wykorzystanie bieĹźÄ&#x2026;cych informacji o sieci i obciÄ&#x2026;Ĺźeniach w sposĂłb zautomatyzowany moĹźe skrĂłciÄ&#x2021; okresy pomiÄ&#x2122;dzy kolejnymi aktualizacjami zbiorĂłw wspĂłĹ&#x201A;czynnikĂłw zwiÄ&#x2122;kszajÄ&#x2026;c dokĹ&#x201A;adnoĹ&#x203A;Ä&#x2021; obliczeĹ&#x201E;. Dodatkowym atutem bieĹźÄ&#x2026;cej aktualiza-

59

H % % TC 0 % C T 0

Rys. 3. System obliczeĹ&#x201E; strat w sieci dystrybucji energii â&#x20AC;&#x201C; perspektywa rozwoju Fig. 3. System of calculations of energy losses â&#x20AC;&#x201C; possibilities of development

cji w oparciu o dane pomiarowe parametrĂłw sieci do obliczeĹ&#x201E; strat energii jest wyeliminowanie bĹ&#x201A;Ä&#x2122;dĂłw parametryzacji spowodowanych elementami odstajÄ&#x2026;cymi. Elementy takie mogÄ&#x2026; czÄ&#x2122;sto wystÄ&#x2122;powaÄ&#x2021; w przypadkach, gdy w parametryzowanej sieci wystÄ&#x2122;pujÄ&#x2026; duĹźe róşnice dĹ&#x201A;ugoĹ&#x203A;ci linii, bardzo zróşnicowane obciÄ&#x2026;Ĺźenia linii lub gÄ&#x2122;stoĹ&#x203A;ci przepĹ&#x201A;ywajÄ&#x2026;cych prÄ&#x2026;dĂłw.

PrzyjmujÄ&#x2026;c, Ĺźe wyznaczenie parametrĂłw sieci realizuje siÄ&#x2122; w oparciu o wyniki obliczeĹ&#x201E; rozpĹ&#x201A;ywowych, oczywistym staje siÄ&#x2122; fakt dostÄ&#x2122;pnoĹ&#x203A;ci informacji o bieĹźÄ&#x2026;cych stratach technicznych analizowanej sieci. Jedynym ograniczeniem do kompleksowego wyznaczenia wskaĹşnikĂłw strat sieciowych w peĹ&#x201A;nym wymiarze jest rĂłwnoczesny dostÄ&#x2122;p do danych technicznych i danych pomiarowych.

sprawdzonych algorytmach. Dalsze przetwarzanie sprowadza siÄ&#x2122; jedynie do obrĂłbki statystycznej wynikĂłw celem wyznaczenia wartoĹ&#x203A;ci wspĂłĹ&#x201A;czynnikĂłw charakteryzujÄ&#x2026;cych element sieciowy lub fragment sieci.

Bardziej wymagajÄ&#x2026;cym jest przypadek wyznaczania parametrĂłw charakteryzujÄ&#x2026;cych sieÄ&#x2021; na postawie struktury i danych technicznych zawartych w NAM oraz obciÄ&#x2026;ĹźeĹ&#x201E; pobieranych z bazy pomiarowej MDM. Tu pobrane dane o strukturze sieci powinny zostaÄ&#x2021; zweryfikowane juĹź na etapie kreowania modelu matematycznego sieci. Na tym etapie weryfikacja moĹźe odbyÄ&#x2021; siÄ&#x2122; bez koniecznoĹ&#x203A;ci pobierania danych o obciÄ&#x2026;Ĺźeniu sieci.

DecydujÄ&#x2026;cym elementem procedury obliczeniowej jest pobranie danych z MDM dla okreĹ&#x203A;lonych punktĂłw scharakteryzowanych w NAM. Wykonanie tego zadania wymaga przeprowadzenia asocjacji miejsc dostarczania energii lub miejsc pomiarowych okreĹ&#x203A;lonych w NAM z informacjami o punktach poboru energii lub punktach pomiarowych przechowywanych w zbiorach charakteryzujÄ&#x2026;cych strukturÄ&#x2122; ukĹ&#x201A;adu pomiaru energii elektrycznej.

Pozyskane z MDM dane naleĹźy przypisaÄ&#x2021; do wÄ&#x2122;zĹ&#x201A;Ăłw modelu matematycznego sieci. W zaleĹźnoĹ&#x203A;ci od rodzaju pozyskanych danych moĹźe byÄ&#x2021; konieczne wyznaczenie pochodnej energii pobieranej lub agregacja danych w przypadku, gdy do wÄ&#x2122;zĹ&#x201A;a sieci przypisana jest wiÄ&#x2122;ksza liczba punktĂłw pomiarowych.

| 8 , &.> ] =./ Na rysunku 4 przedstawiono schemat ideowy interfejsu powiÄ&#x2026;zania NAM z systemem obliczeĹ&#x201E; strat sieciowych SARB oraz moduĹ&#x201A;em bilansujÄ&#x2026;cym MB MDM, dedykowany do parametryzacji sieci do obliczeĹ&#x201E; strat energii metodami statystycznymi przy jednoczesnym wyznaczaniu rzeczywistych, technicznych strat sieciowych w zakresie urzÄ&#x2026;dzeĹ&#x201E; i obszarĂłw zawartych w bazach danych i uzupeĹ&#x201A;nieniu brakujÄ&#x2026;cych wynikĂłw metodami statystycznymi.

Wykorzystanie zawartoĹ&#x203A;ci NAM wymaga zastosowania interfejsu, ktĂłry umoĹźliwi bezbĹ&#x201A;Ä&#x2122;dne pobranie danych w zakresie parametrĂłw technicznych elementĂłw sieci rozdzielczej oraz struktury sieci.

Obliczenie rozpĹ&#x201A;ywu mocy w sieci moĹźe zostaÄ&#x2021; przeprowadzone bezpoĹ&#x203A;rednio w NAM lub po pobraniu informacji o strukturze sieci, korzystajÄ&#x2026;c z dowolnego narzÄ&#x2122;dzia. W kaĹźdym przypadku, w celu uzyskania wiarygodnych wynikĂłw obliczeĹ&#x201E; naleĹźy stosowaÄ&#x2021; dodatkowe procedury testujÄ&#x2026;ce, ktĂłre wyeliminujÄ&#x2026; moĹźliwoĹ&#x203A;Ä&#x2021; bĹ&#x201A;Ä&#x2122;dnego poĹ&#x201A;Ä&#x2026;czenia elementu w strukturze sieci oraz bĹ&#x201A;Ä&#x2122;dnego powiÄ&#x2026;zania z danymi charakteryzujÄ&#x2026;cymi obciÄ&#x2026;Ĺźenia.

W przypadku pobierania wynikĂłw obliczeĹ&#x201E; rozpĹ&#x201A;ywu mocy realizowanych w NAM konieczne staje siÄ&#x2122; wstÄ&#x2122;pne zdefiniowanie obszarĂłw modelowanej sieci. Zastosowane w module obliczeĹ&#x201E; inĹźynierskich NAM narzÄ&#x2122;dzia obliczeniowe bazujÄ&#x2026; na

60

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

| | <

" % ' + =./ ParametryzacjÄ&#x2122; rozpoczyna siÄ&#x2122; od importu danych z NAM (rys. 4, blok 1a) w zakresie parametrĂłw technicznych elementĂłw, struktury sieci, wynikĂłw obliczeĹ&#x201E; rozpĹ&#x201A;ywu mocy i ich wstÄ&#x2122;pnej weryfikacji (2a). DziaĹ&#x201A;ania kontynuuje siÄ&#x2122; wykonujÄ&#x2026;c obliczenia wspĂłĹ&#x201A;czynnikĂłw w dwĂłch odseparowanych torach: dla grupy niezaleĹźnej od obciÄ&#x2026;Ĺźenia sieci (5.1.a) â&#x20AC;&#x201C; straty jaĹ&#x201A;owe (poprzeczne, upĹ&#x201A;ywowe) i grupy uzaleĹźnionej od wielkoĹ&#x203A;ci obciÄ&#x2026;Ĺźenia (5.2.a) â&#x20AC;&#x201C; straty obciÄ&#x2026;Ĺźeniowe (podĹ&#x201A;uĹźne).

SzczegĂłlnie druga grupa wspĂłĹ&#x201A;czynnikĂłw powinna zostaÄ&#x2021; poddana ocenie (obrĂłbce) statystycznej (5.3.a), ktĂłrej efektem bÄ&#x2122;dÄ&#x2026; wskaĹşniki do obliczeĹ&#x201E; strat energii metodami statystycznymi.

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

+ 0

& T

Rys. 4. Schemat dziaĹ&#x201A;ania interfejsu NAM â&#x20AC;&#x201C; SARB â&#x20AC;&#x201C; MDM Fig. 4. Diagram of the interface NAM â&#x20AC;&#x201C; SARB â&#x20AC;&#x201C; MDM

KoĹ&#x201E;cowym etapem estymacji wspĂłĹ&#x201A;czynnikĂłw jest ich integracja przez scalenie i zaimplementowanie w modelu matematycznym sieci (5.4a). Tak wyznaczone wartoĹ&#x203A;ci wspĂłĹ&#x201A;czynnikĂłw zostajÄ&#x2026; poddane koĹ&#x201E;cowej kontroli jakoĹ&#x203A;ci (5.5.a) i zapisane w bazie SARB (6a).

| } <

%

+ &.> Na rysunku 4 przedstawiono schemat ideowy interfejsĂłw powiÄ&#x2026;zania NAM z systemem obliczeĹ&#x201E; strat sieciowych SARB oraz moduĹ&#x201A;em bilansujÄ&#x2026;cym MB MDM ParametryzacjÄ&#x2122; rozpoczyna siÄ&#x2122; od importu danych z NAM (rys. 4, blok 1a) obejmujÄ&#x2026;cych parametry techniczne elementĂłw sieci, strukturÄ&#x2122; sieci, charakterystykÄ&#x2122; punktĂłw pomiarowych.

Na tej podstawie tworzy siÄ&#x2122; strukturÄ&#x2122; sieci i dokonuje siÄ&#x2122; jej wstÄ&#x2122;pnej weryfikacji (2a).

Ze wzglÄ&#x2122;du na koniecznoĹ&#x203A;Ä&#x2021; uzupeĹ&#x201A;nienia modelu sieci o rzeczywisty poziom obciÄ&#x2026;Ĺźenia, konieczne jest powiÄ&#x2026;zanie punktĂłw struktury sieci rozdzielczej z punktami poboru energii zdefiniowanymi w MDM (3.a). Asocjacja jest zadaniem bardzo waĹźnym, gdyĹź systemy NAM i MDM sÄ&#x2026; niezaleĹźne, tzn. w NAM najwaĹźniejszym jest miejsce dostarczania energii MDE, natomiast w MDM punkt poboru energii (PPE).

Odpowiednio przygotowane zapytanie powoduje pobranie (1b) i zestawienie odpowiedniego zestawu informacji o przepĹ&#x201A;ywach energii zarejestrowanych w licznikach (2b).

Pozyskane dane pomiarowe poddaje siÄ&#x2122; agregacji (4a) odpowiednio do ustalonej struktury sieci (2a) a nastÄ&#x2122;pnie wykonuje obliczenia rozpĹ&#x201A;ywu mocy. Dalszy ciÄ&#x2026;g procesu obliczeniowego przebiega analogicznie jak w przypadku parametryzacji na podstawie wynikĂłw obliczeĹ&#x201E; NAM. Wykonuje siÄ&#x2122; obliczenia wspĂłĹ&#x201A;czynnikĂłw w dwĂłch odseparowanych torach: dla grupy niezaleĹźnej od obciÄ&#x2026;Ĺźenia sieci (5.1.a) â&#x20AC;&#x201C; straty jaĹ&#x201A;owe (poprzeczne, upĹ&#x201A;ywowe) i grupy uzaleĹźnionej od wielkoĹ&#x203A;ci obciÄ&#x2026;Ĺźenia (5.2.a) â&#x20AC;&#x201C; straty obciÄ&#x2026;Ĺźeniowe (podĹ&#x201A;uĹźne).

Grupa wspĂłĹ&#x201A;czynnikĂłw zaleĹźnych od obciÄ&#x2026;Ĺźenia zostaje poddana obrĂłbce statystycznej (5.3.a) celem wyznaczenia wskaĹşnikĂłw do obliczeĹ&#x201E; strat energii metodami statystycznymi.

KoĹ&#x201E;cowym etapem estymacji wspĂłĹ&#x201A;czynnikĂłw jest ich integracja i zaimplementowanie w modelu matematycznym sieci (5.4a). Wyznaczone wartoĹ&#x203A;ci wspĂłĹ&#x201A;czynnikĂłw zostajÄ&#x2026; poddane koĹ&#x201E;cowej kontroli jakoĹ&#x203A;ci (5.5.a) i zapisane w bazie SARB (6a).

Obliczenia strat energii czynnej realizuje siÄ&#x2122; w oparciu o dane rejestrowane periodycznie w odstÄ&#x2122;pach 15-minutowych. StÄ&#x2026;d straty mocy czynnej w transformatorze SN/nN sÄ&#x2026; rĂłwne [4]:

Î&#x201D;Ptr SN / nN = Î&#x201D;PCu

Î&#x201D;Ptr SN / nN 15 =

Î&#x201D;EoC tr SN / nN 15 =

S2 2 S nT

(25)

Î&#x201D;PCu E152 2 2 S nT â&#x17D;&#x203A;1 â&#x17D;&#x17E; â&#x17D;&#x153; hâ&#x17D;&#x; â&#x17D;?4 â&#x17D;

4 â&#x2039;&#x2026; Î&#x201D;PCu 2 S nT

R15 tr SN / nN , k =

â&#x2C6;&#x2018;

N i =1

4 â&#x2039;&#x2026; Î&#x201D;PCu , k 2 SnT ,k

2 E15, i

(26)

(27)

(28)

a straty energii wynoszÄ&#x2026;:

(29)

gdzie: S â&#x20AC;&#x201C; obciÄ&#x2026;Ĺźenie transformatora, N â&#x20AC;&#x201C; liczba pomiarĂłw, M â&#x20AC;&#x201C; liczba transformatorĂłw, k â&#x20AC;&#x201C; numer transformatora, i â&#x20AC;&#x201C; numer przedziaĹ&#x201A;u czasowego, Î&#x201D;Ptr SN/nN â&#x20AC;&#x201C; straty mocy czynnej wyznaczone na podstawie mocy pozornej obciÄ&#x2026;ĹźajÄ&#x2026;cej transformator, Î&#x201D;Ptr SN/nN 15 â&#x20AC;&#x201C; straty mocy czynnej obliczone na podstawie pomiaru energii w okresie 15 minut, Î&#x201D;PCu â&#x20AC;&#x201C; znamionowe straty

61

H % % TC 0 % C T 0

mocy w uzwojeniach transformatora, R15Â SN/nN,k â&#x20AC;&#x201C; rezystancja zastÄ&#x2122;pcza k-tego transformatora do obliczeĹ&#x201E; strat energii na podstawie pomiaru energii w okresie 15 minut, E15,i,k â&#x20AC;&#x201C; energia obciÄ&#x2026;ĹźajÄ&#x2026;ca k-ty transformator, w i-tym przedziale czasowym, rĂłwna:

Straty mocy czynnej w linii SN sÄ&#x2026; rĂłwne:

Î&#x201D;PLSN = 3I 2 RLSN =

E15,i ,k = EC2 ,15,i ,k + Eb2,15,i ,k .

P=

W powyĹźszych wzorach obliczeniowych pominiÄ&#x2122;to wpĹ&#x201A;yw napiÄ&#x2122;cia zasilajÄ&#x2026;cego oraz temperatury.

Straty energii w linii SN w najprostszym przypadku wyznacza siÄ&#x2122; na podstawie danych rejestrowanych periodycznie w odstÄ&#x2122;pach 15-minutowych w licznikach bilansujÄ&#x2026;cych AMI, zainstalowanych w stacjach SN/nN (rys. 5).

ECLSN 15 h/4

Î&#x201D;PLSN 15 =

P2 + Q2 RLSN U2

Q=

EBLSN 15 h/4

2 2 16 ECLSN 15 + 16 EBLSN 15 RLSN U2

(31)

(32)

(33)

StÄ&#x2026;d straty energii w przedziale 15-minutowym sÄ&#x2026; rĂłwne:

(34) Rys. 5. PrzepĹ&#x201A;yw energii w linii SN Fig. 5. Energy flow in MV line

natomiast przy uwzglÄ&#x2122;dnieniu M przedziaĹ&#x201A;Ăłw 15-minutowych: Energia czynna przepĹ&#x201A;ywajÄ&#x2026;ca liniÄ&#x2026; SN ECLSN15 w przedziale 15-minutowym w ukĹ&#x201A;adzie przedstawionym na rysunku 5 jest rĂłwna: ECLSN15 = ECLBnN15 + Î&#x201D;ECTrSN/nN15

Î&#x201D;EoC LSN = â&#x2C6;&#x2018; k =1 Î&#x201D;EoC LSN 15 k = â&#x2C6;&#x2018; k =1 M

(30)

M

2 2 4 ( ECLSN 15 + EBLSN 15 )

U2

RLSN (35)

W przypadku, gdy po stronie SN sÄ&#x2026; przyĹ&#x201A;Ä&#x2026;czeni odbiorcy koĹ&#x201E;cowi lub sÄ&#x2026; zainstalowane baterie kondensatorĂłw SN, we wzorze (30) naleĹźy uwzglÄ&#x2122;dniÄ&#x2021; dodatkowe rodzaje energii przepĹ&#x201A;ywajÄ&#x2026;cych liniÄ&#x2026; SN. PorĂłwnujÄ&#x2026;c wzory do obliczeĹ&#x201E; strat obciÄ&#x2026;Ĺźeniowych czynnych analizowanymi metodami (14) i (29) oraz (24) i (35) naleĹźy

gdzie: ECLBnN15 â&#x20AC;&#x201C; odczyt z licznika bilansujÄ&#x2026;cego przepĹ&#x201A;ywu energii czynnej w przedziale 15-minutowym, pozostaĹ&#x201A;e wielkoĹ&#x203A;ci â&#x20AC;&#x201C; jak w poprzednich wzorach.

MB MDM

NAM

MB MDM Bilansowanie, wizualizacja:

Import d anych MDM

Import d anych NA M

Â&#x192; rĂł nicy bilansowej, Â&#x192; strat technicznych, Â&#x192; strat handlowych Segmentacja i agregacja danych pomiarowych

Zapis obliczonych strat sieciowych w MDM

Asocjacja MDM - NAM

SARB

SARB

Wykonanie oblicze

Zapis wspĂł czynnikĂłw obliczeniowych

Â&#x192; strat sieciowych na pods tawie danych MDM Â&#x192; oblicze uzupe niaj ce strat (np. dla brakuj cych danych pomiarowych)

Rys. 6. Schemat dziaĹ&#x201A;ania interfejsu MDM â&#x20AC;&#x201C; SARB Fig. 6. Diagram of the functioning of interface MDM â&#x20AC;&#x201C; SARB

62

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

+ 0

& T

stwierdziÄ&#x2021;, Ĺźe wykorzystanie danych MDM bardzo pozytywnie wpĹ&#x201A;ynie na jakoĹ&#x203A;Ä&#x2021; wynikĂłw obliczeĹ&#x201E; strat energii.

| 8 , &.> ] /0/ Integracja systemĂłw MDM i SARB wymaga zastosowania rozwiÄ&#x2026;zaĹ&#x201E;, ktĂłre nie spowodujÄ&#x2026; zakĹ&#x201A;ĂłceĹ&#x201E; w dziaĹ&#x201A;aniu centralnej bazy pomiarowej.

Opracowany interfejs zostaĹ&#x201A; zoptymalizowany pod kÄ&#x2026;tem poziomu wykorzystania serwera bazy danych. PowiÄ&#x2026;zanie poszczegĂłlnych elementĂłw przedstawiono na rysunku 6. W tym celu, po pobraniu danych technicznych z NAM wykonuje siÄ&#x2122; asocjacjÄ&#x2122; punktĂłw pomiarowych MDM w stworzonym do tego celu module â&#x20AC;&#x17E;asocjacji MDM_NAMâ&#x20AC;?.

Kierowane do bazy zapytanie SQL powoduje wybranie wĹ&#x201A;aĹ&#x203A;ciwych danych, ich wstÄ&#x2122;pnÄ&#x2026; obrĂłbkÄ&#x2122; w zakresie umoĹźliwiajÄ&#x2026;cym bezpoĹ&#x203A;rednie obliczenie strat energii w pojedynczym elemencie sieci lub w elementach w wybranym obszarze.

Wyniki obliczeĹ&#x201E; mogÄ&#x2026; zostaÄ&#x2021; wykorzystane do parametryzowania analizowanej grupy urzÄ&#x2026;dzeĹ&#x201E; oraz bezpoĹ&#x203A;rednio do wyznaczania strat technicznych w sieciach. NiezaleĹźnie od celu wykonywanych obliczeĹ&#x201E;, wyniki powinny zostaÄ&#x2021; zapisane w bazach odpowiednio: w zakresie obliczeĹ&#x201E; strat energii â&#x20AC;&#x201C; w MDM oraz wartoĹ&#x203A;ci wspĂłĹ&#x201A;czynnikĂłw obliczeniowych w bazie SARB.

} *

W artykule przedstawiono dziaĹ&#x201A;ania zmierzajÄ&#x2026;ce do zwiÄ&#x2122;kszenia efektywnoĹ&#x203A;ci i dokĹ&#x201A;adnoĹ&#x203A;ci obliczeĹ&#x201E; strat sieciowych w spĂłĹ&#x201A;ce dystrybucyjnej. Dotychczas stosowana metodologia

obliczeĹ&#x201E; strat sieciowych byĹ&#x201A;a oparta na metodach statystycznych. PowodowaĹ&#x201A;o to, Ĺźe uzyskane wyniki byĹ&#x201A;y obarczone bĹ&#x201A;Ä&#x2122;dami, ktĂłrych wielkoĹ&#x203A;Ä&#x2021; zaleĹźaĹ&#x201A;a od okresu obliczeĹ&#x201E;, wielkoĹ&#x203A;ci obszaru, dokĹ&#x201A;adnoĹ&#x203A;ci oszacowania wykorzystywanych wspĂłĹ&#x201A;czynnikĂłw parametryzujÄ&#x2026;cych sieÄ&#x2021;.

Aktualne moĹźliwoĹ&#x203A;ci techniczne pozwalajÄ&#x2026; na automatyzacjÄ&#x2122; procesu modelowania sieci w oparciu o aktualne i dokĹ&#x201A;adne dane techniczne charakteryzujÄ&#x2026;ce sieÄ&#x2021; rozdzielczÄ&#x2026;. JednoczeĹ&#x203A;nie, wykorzystanie wynikĂłw pomiarĂłw poboru energii elektrycznej, pochodzÄ&#x2026;cych z licznikĂłw AMI oraz z licznikĂłw bilansujÄ&#x2026;cych pozwala na zwiÄ&#x2122;kszenie dokĹ&#x201A;adnoĹ&#x203A;ci obliczeĹ&#x201E; strat energii.

% ! , 1. Kaszowska B., WĹ&#x201A;Ăłczyk A., Agregacja wolumenu strat energii elektrycznej w transformatorach dla zadanych obszarĂłw i przedziaĹ&#x201A;Ăłw czasowych. â&#x20AC;&#x17E;Rynek Energiiâ&#x20AC;?, Nr 2, 2012, 69â&#x20AC;&#x201C;72.

2. Jeziorny D., Kaszowska B., Nowak D., WĹ&#x201A;Ăłczyk A., Integracja danych pomiarowych i systemu zarzÄ&#x2026;dzania majÄ&#x2026;tkiem sieciowym do obliczeĹ&#x201E; strat energii elektrycznej.

Rynek energii elektrycznej. RozwĂłj i eksploatacja. Monografie â&#x20AC;&#x201C; Politechnika Lubelska. Lublin, 2017.

3. Praca zb. (pod red. J. Kulczyckiego), Straty energii elektrycznej w sieciach dystrybucyjnych. PTPiREE, 2009.

4. Kaszowska B., WĹ&#x201A;Ăłczyk A., Integration of Application Employed for Balance Difference Analysis with Network Asset Management and Measurement Data Management Systems in a Large Distribution Company. Modern Electric Power Systems, 2019.

< / - / Z M h - O .

M 7 , '' 5 The article reports the results of a study of the principles of the performance of the statistical system for balance difference analysis (SORB), its basic and new functionalities, modifications applied during its development and integration with the Network Asset Management System (ENAM) and the Measurement Data Management (MDM) in a distribution company. The system provides an output in the form of sets of coefficients, on the basis of which commercial losses are identified in the balance difference in individual branches of a distribution company and distribution networks with different voltage levels. Data on assets including distribution networks is collected in ENAM. The system also offers the possibility to develop topological network diagrams and single-line diagrams. The use of this information and the automation of the data acquisition process for the analysis of balance difference enables more frequent updates of the parameterization parameters of the network, as well as the development of new areas in them established for the analysis of the balance difference analysis. The interaction between the system applied for the analysis of the balance difference with MDM will enable the full exploitation of measurement data, involving the use of profiled data â&#x20AC;&#x201C; registration counted over the periods of 15 minutes of energy use by electronic energy meters equipped with data transmission links. Such meters are applied in the HV distribution network and the MV distribution network based on the energy measurements in MV/LV transformers in the locations of LV stations. Ultimately, the measurements will cover all MV/LV stations and recipients connected to the MV network.

Keywords % .# % # .

63

H % % TC 0 % C T 0

: * + . R

()O

7 $ % ORCID: 0000-0002-0864-1721

$ % ORCID: 0000-0002-7422-0909

F F % < . > < . < .

J% # ; % < # - > / # 6 J

-% F % < . > < . < .

J% # ; % < # - > / # 6 @ J

64

P

O

M

I

A

R

Y

â&#x20AC;¢

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;¢

R

O

B

O

T

Y

K

A

N R 4 /201 9

Pomiary Automatyka Robotyka, ISSN 1427-9126, R. 23, Nr 4/2019, 65â&#x20AC;&#x201C;70, DOI: 10.14313/PAR_234/65

- 7 A . . . % % %

( + H ) 4 1 6 J # ; % < # - > / # > < . < . J% # F % > R Z % # 6 A (+ H7 % )I# X'@('Q J

, 5 W artykule omĂłwiono sposĂłb wyseparowania oraz wykorzystania zmiennych globalnych w czasie, ktĂłre w przyszĹ&#x201A;oĹ&#x203A;ci pozwolÄ&#x2026; stworzyÄ&#x2021; unikalny klucz szyfrujÄ&#x2026;cy oraz ukĹ&#x201A;ad szyfrowania danych. Polega on na ciÄ&#x2026;gĹ&#x201A;ej analizie losowego rozkĹ&#x201A;adu zmiennoĹ&#x203A;ci czÄ&#x2122;stotliwoĹ&#x203A;ci oraz rozwiniÄ&#x2122;ciu algorytmĂłw szyfrowania o dodatkowe zabezpieczenie, jakim jest zmieniajÄ&#x2026;cy siÄ&#x2122; czasie klucz szyfrujÄ&#x2026;cy. Celem sprawdzenia, czy opisane rozwiÄ&#x2026;zanie jest moĹźliwe do wykonania, przeprowadzono pomiar napiÄ&#x2122;Ä&#x2021; w dwĂłch róşnych lokacjach w Polsce. Otrzymany sygnaĹ&#x201A; zostaĹ&#x201A; wstÄ&#x2122;pnie przefiltrowany celem wygĹ&#x201A;adzenia jego powierzchni. NastÄ&#x2122;pnie ustalono dokĹ&#x201A;adne miejsca przeciÄ&#x2122;cia na osi oX metodÄ&#x2026; przybliĹźania rozwiÄ&#x2026;zaĹ&#x201E; ukĹ&#x201A;adĂłw nieokreĹ&#x203A;lonych, po czym otrzymane wartoĹ&#x203A;ci zostaĹ&#x201A;y po raz kolejny przefiltrowane, a otrzymane wyniki poddane analizie, na podstawie ktĂłrej sformuĹ&#x201A;owano wnioski koĹ&#x201E;cowe. &' %

8# 8 # . P # / % # 8 .

1. Wprowadzenie CzĹ&#x201A;owiek od zarania dziejĂłw dÄ&#x2026;Ĺźy do uniemoĹźliwienia odczytania informacji przez osoby, dla ktĂłrych ich treĹ&#x203A;Ä&#x2021; nie jest przeznaczona. JuĹź w staroĹźytnym Rzymie dziÄ&#x2122;ki historykowi Swetoniuszowi wiadomo o istnieniu szyfru Cezara, z ktĂłrego prawdopodobnie korzystaĹ&#x201A; sam Juliusz Cezar. Jest to szyfr naleĹźÄ&#x2026;cy do szyfrĂłw klasycznych, dziaĹ&#x201A;ajÄ&#x2026;cych na literach zapisywanych na papierze. Sam szyfr jest prosty i polega na przesuniÄ&#x2122;ciu kaĹźdej z liter alfabetu o trzy w prawo. PrzykĹ&#x201A;ad sĹ&#x201A;owo â&#x20AC;&#x17E;PARâ&#x20AC;? zaszyfrowane szyfrem Cezara ma postaÄ&#x2021; â&#x20AC;&#x17E;SDUâ&#x20AC;?. Celem odtworzenia tego szyfrogramu wystarczy z powrotem przesunÄ&#x2026;Ä&#x2021; litery o trzy pozycje w lewo. Szyfr ten powstaĹ&#x201A; w czasach niepiĹ&#x203A;miennych, gdzie wyksztaĹ&#x201A;cenie spoĹ&#x201A;eczeĹ&#x201E;stwa byĹ&#x201A;o na niskim poziomie, natomiast zastosowanie tego typu rozwiÄ&#x2026;zania wspĂłĹ&#x201A;czeĹ&#x203A;nie byĹ&#x201A;oby stosunkowo proste do odszyfrowania.

PowtarzalnoĹ&#x203A;Ä&#x2021; liter oraz liczba moĹźliwych kombinacji, nawet uwzglÄ&#x2122;dniajÄ&#x2026;c zmiany w przeĹ&#x201A;oĹźeniu tekstu czy zamianie na cyfry byĹ&#x201A;aby niewielka i stosunkowo Ĺ&#x201A;atwa do odgadniÄ&#x2122;cia.

. (

6 ; # $% % . '

% !( &! )!&* # % % !X &) )!&*

!

1500 lat po odkryciu szyfru Cezara powstaĹ&#x201A;o jego ulepszenie, zwane szyfrem Vigenèreâ&#x20AC;&#x2122;a. Nazwa ta jest bĹ&#x201A;Ä&#x2122;dna, poniewaĹź pochodzi od nazwiska Blaise de Vigenère, ktĂłremu bĹ&#x201A;Ä&#x2122;dnie przypisano autorstwo tego szyfru. Prawdziwym autorem okazaĹ&#x201A; siÄ&#x2122; Giovan Battista Bellaso. Szyfr ten, swego czasu zyskaĹ&#x201A; duĹźÄ&#x2026; popularnoĹ&#x203A;Ä&#x2021;. Wykorzystywano go podczas toczÄ&#x2026;cych siÄ&#x2122; na przeĹ&#x201A;omie lat wojen czy bitew. Modyfikacja szyfru polegaĹ&#x201A;a na wprowadzeniu klucza skĹ&#x201A;adajÄ&#x2026;cego siÄ&#x2122; z przesuniÄ&#x2122;cia wartoĹ&#x203A;ci umieszczonych w nim liter, zaczynajÄ&#x2026;c liczenie od poczÄ&#x2026;tku alfabetu, czyli od â&#x20AC;&#x17E;Aâ&#x20AC;?, przykĹ&#x201A;adowo: dla litery â&#x20AC;&#x17E;Dâ&#x20AC;? umieszczonej w kluczu, przesuniÄ&#x2122;cie bÄ&#x2122;dzie wynosiĹ&#x201A;o trzy wliczajÄ&#x2026;c zero, natomiast dla â&#x20AC;&#x17E;Sâ&#x20AC;?â&#x20AC;&#x201C; osiemnaĹ&#x203A;cie. JeĹźeli klucz byĹ&#x201A; krĂłtszy niĹź tekst jawny, wykorzystywano jego wielokrotnoĹ&#x203A;Ä&#x2021;. SĹ&#x201A;owo â&#x20AC;&#x17E;PARâ&#x20AC;? zaszyfrowane kluczem â&#x20AC;&#x17E;BCâ&#x20AC;? bÄ&#x2122;dzie brzmieÄ&#x2021;: â&#x20AC;&#x17E;QCSâ&#x20AC;?. Odszyfrowanie tekstu wymaga znajomoĹ&#x203A;ci klucza i polega na przesuniÄ&#x2122;ciu liter w lewÄ&#x2026; stronÄ&#x2122;, czyli wykonania odwrotnej operacji niĹź ma to miejsce w przypadku szyfrowania. Nie mniej szyfry klasyczne nie sÄ&#x2026; powszechnie uwaĹźane za szyfry bezpieczne, bo przez swojÄ&#x2026; prostotÄ&#x2122;, niewielkÄ&#x2026; liczbÄ&#x2122; moĹźliwych kombinacji, moc obliczeniowÄ&#x2026; implementowanÄ&#x2026; w komputerach klasy PC, zĹ&#x201A;amanie takich szyfrĂłw zajÄ&#x2122;Ĺ&#x201A;oby niewiele czasu [1].

Obecnie stosuje siÄ&#x2122; szyfry bazujÄ&#x2026;ce na przesuniÄ&#x2122;ciach, zamianie bitĂłw, losowoĹ&#x203A;ci. Istnieje wiele znanych algorytmĂłw szyfrowania danych opartych na szyfrach symetrycznych, do ktĂłrych moĹźna zaliczyÄ&#x2021;: szyfry blokowe (DES, AES), strumieniowe(implementowane na sprzÄ&#x2122;t, implementowane na oprogramowanie), a takĹźe asymetrycznych: RSA (klucz publiczny i prywatny), szyfrowanie uwierzytelnieniowe, protokĂłĹ&#x201A; Diffiego-Hellmana (wprowadzajÄ&#x2026;cy pojÄ&#x2122;cie szyfrowania kluczem publicznym â&#x20AC;&#x201C; 1976 r., wczeĹ&#x203A;niej Ralph Merkle przedstawiĹ&#x201A; pomysĹ&#x201A; zwany puzlami Mer-

65

& % 0

T %

BBB kleâ&#x20AC;&#x2122;a â&#x20AC;&#x201C; 1974 r.) i inne. Coraz czÄ&#x2122;Ĺ&#x203A;ciej przedmiotem dyskusji sÄ&#x2026; zaĹ&#x201A;oĹźenia zwiÄ&#x2026;zane z szyfrowaniem kwantowym, majÄ&#x2026;cym zapewniÄ&#x2021; bezpieczeĹ&#x201E;stwo danych w przypadku pojawienia siÄ&#x2122; komputera kwantowego. DziedzinÄ&#x2026; nauki zajmujÄ&#x2026;cÄ&#x2026; siÄ&#x2122; szyfrowaniem danych, opracowaniem i testowaniem algorytmĂłw szyfrowania jest kryptografia [2].

Podczas tworzenia metod szyfrowania naleĹźy zapewniÄ&#x2021; ich bezpieczeĹ&#x201E;stwo W tym celu naleĹźy wziÄ&#x2026;Ä&#x2021; pod uwagÄ&#x2122; szereg czynnikĂłw â&#x20AC;&#x201C; czy klucz bÄ&#x2122;dzie jednorazowy czy wielorazowy, czy opracowany algorytm bÄ&#x2122;dzie odporny na modele ataku typu czarna skrzynka (COA, KPA, CPA, CCA) czy szara skrzynka (atak bocznym kanaĹ&#x201A;em, ataki inwazyjne). OkreĹ&#x203A;lenie kategorii bezpieczeĹ&#x201E;stwa (uwzglÄ&#x2122;dniajÄ&#x2026;c podstawowe cele bezpieczeĹ&#x201E;stwa, jakimi sÄ&#x2026; nierozróşnialnoĹ&#x203A;Ä&#x2021; â&#x20AC;&#x201C; IND i niereformowalnoĹ&#x203A;Ä&#x2021; â&#x20AC;&#x201C; NM) w poĹ&#x201A;Ä&#x2026;czeniu z modelami atakĂłw, np. kategoria IND-CPA, czyli tzw. bezpieczeĹ&#x201E;stwo semantyczne. To tylko niektĂłre z wielu czynnikĂłw, ktĂłre musi uwzglÄ&#x2122;dniÄ&#x2021; kryptograf opracowujÄ&#x2026;cy nowy algorytm lub metodÄ&#x2122; szyfrowania danych [1, 4].

Obecnie trwajÄ&#x2026; prace nad nowymi sposobami oraz metodami szyfrowania. JednÄ&#x2026; z propozycji jest metoda generowania klucza za pomocÄ&#x2026; informacji pobieranych z sieci elektroenergetycznej, gdzie sygnaĹ&#x201A; wystÄ&#x2122;pujÄ&#x2026;cy w sieci opisany jest za pomocÄ&#x2026; sinusoidy [3]. W rzeczywistoĹ&#x203A;ci w sygnale elektroenergetycznym wystÄ&#x2122;puje szereg zjawisk, ktĂłre powodujÄ&#x2026; zakĹ&#x201A;Ăłcenia w postaci: wolnych zmian napiÄ&#x2122;Ä&#x2021;, szybkich zmian napiÄ&#x2122;Ä&#x2021;, zapadĂłw napiÄ&#x2122;cia, krĂłtkich przerw w zasilaniu, dĹ&#x201A;ugich przerw w zasilaniu, flickerĂłw (fluktuacji napiÄ&#x2122;cia), przepiÄ&#x2122;Ä&#x2021;, przepiÄ&#x2122;Ä&#x2021; szpilkowych i innych.

Poza wymienionymi zakĹ&#x201A;Ăłceniami wystÄ&#x2122;pujÄ&#x2026; fluktuacje czÄ&#x2122;stotliwoĹ&#x203A;ci harmonicznej. Fluktuacje te majÄ&#x2026; charakter stochastyczny i mogÄ&#x2026; byÄ&#x2021; wykorzystane podczas procesu szyfrowania danych, poniewaĹź propagujÄ&#x2026; siÄ&#x2122; globalnie. Parametry sieci elektroenergetycznej regulujÄ&#x2026; normy. W Europie gĹ&#x201A;Ăłwnym tego typu dokumentem jest norma EN 50160 okreĹ&#x203A;lajÄ&#x2026;ca dopuszczalne wartoĹ&#x203A;ci mogÄ&#x2026;ce wystÄ&#x2122;powaÄ&#x2021; w sieci elektroenergetycznej [6].

W pracy wykorzystano element, ktĂłry w wiÄ&#x2122;kszoĹ&#x203A;ci przypadkĂłw jest elementem niepoĹźÄ&#x2026;danym, tj. zmiany czÄ&#x2122;stotliwoĹ&#x203A;ciowe [7]. Na ich podstawie podjÄ&#x2122;to prĂłbÄ&#x2122; stworzenia indywidualnego klucza szyfrujÄ&#x2026;cego [5], tym samym wzmocnienia skutecznoĹ&#x203A;ci algorytmĂłw szyfrowania danych. Celem sprawdzenia, czy proponowane rozwiÄ&#x2026;zanie jest wykonalne i ma realnÄ&#x2026; szansÄ&#x2122; na fizycznÄ&#x2026; implementacjÄ&#x2122; przeprowadzono badanie, ktĂłrego przebieg oraz wyniki zostaĹ&#x201A;y przedstawione w artykule.

Rys. 1. Karta National Instruments NI 9225 podczas pomiaru napiÄ&#x2122;Ä&#x2021;.

Wraz z kartÄ&#x2026; do podstawki podĹ&#x201A;Ä&#x2026;czone sÄ&#x2026; karty NI 9227 oraz NI 9401, ktĂłre nie zostaĹ&#x201A;y wykorzystane podczas niniejszego badania Fig. 1. Presentation of the National Instruments NI 9225 card during voltage measurement together with the card, the NI 9227 and NI 9401 cards that are not used during this test are connected to the base

Rys. 2. Schemat podĹ&#x201A;Ä&#x2026;czeĹ&#x201E; urzÄ&#x2026;dzeĹ&#x201E; pomiarowych uwzglÄ&#x2122;dniajÄ&#x2026;cy obie lokacje Fig. 2. Connection diagram for measuring devices including both locations

; " + DziaĹ&#x201A;ania rozpoczÄ&#x2122;to od przeprowadzenia pomiarĂłw napiÄ&#x2122;Ä&#x2021; panujÄ&#x2026;cych w sieci elektroenergetycznej niskiego napiÄ&#x2122;cia.

Do rejestracji przeprowadzonych pomiarĂłw wybrano kartÄ&#x2122; National Instruments NI 9225 (rys. 1). DobĂłr karty wynikaĹ&#x201A; z jej specyfikacji. Karta jest wyposaĹźona w trĂłjkanaĹ&#x201A;owy moduĹ&#x201A; wejĹ&#x203A;ciowy, umoĹźliwiajÄ&#x2026;cy szeroki zakres pomiarĂłw, m.in. monitorowanie jakoĹ&#x203A;ci energii oraz analizÄ&#x2122; stanĂłw przejĹ&#x203A;ciowych i harmonicznych z jednoczesnym prĂłbkowaniem z duĹźÄ&#x2026; prÄ&#x2122;dkoĹ&#x203A;ciÄ&#x2026;. Ponadto moĹźna jÄ&#x2026; zastosowaÄ&#x2021; podczas pomiarĂłw wysokich napiÄ&#x2122;Ä&#x2021;, parametrĂłw silnika czy akumulatorĂłw. Karty rozmieszczono w dwĂłch lokacjach oddalonych od siebie o 120 km. Koniecznym wymogiem byĹ&#x201A;o, aby lokacje znajdowaĹ&#x201A;y siÄ&#x2122; w tej samej sieci elektroenergetycznej ze wzglÄ&#x2122;du na panujÄ&#x2026;cÄ&#x2026; w niej czÄ&#x2122;stotliwoĹ&#x203A;Ä&#x2021;. Na obszarze Unii Europejskiej czÄ&#x2122;stotliwoĹ&#x203A;Ä&#x2021; jest parametrem okreĹ&#x203A;lonym w normie EN 50160 i wynosi 50 Hz. PierwszÄ&#x2026; lokacjÄ&#x2026; byĹ&#x201A;o Opole, kolejnÄ&#x2026; Radomsko.

Na rysunku 2 przedstawiono schemat stanowiska pomiarowego. Karty NI 9225 wraz komputerami klasy PC (PC1 oraz PC2) byĹ&#x201A;y podĹ&#x201A;Ä&#x2026;czone do sieci elektroenergetycznej niskiego napiÄ&#x2122;cia. Komputery odpowiadaĹ&#x201A;y za przetwarzanie oraz archiwizacjÄ&#x2122; zarejestrowanych przez kartÄ&#x2122; danych, byĹ&#x201A;y rĂłwnieĹź pod-

66

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

Ĺ&#x201A;Ä&#x2026;czone do sieci WWW, co umoĹźliwiaĹ&#x201A;o komunikacjÄ&#x2122; czy transfer zarejestrowanych danych. Pomiary napiÄ&#x2122;Ä&#x2021; trwaĹ&#x201A;y okoĹ&#x201A;o tygodnia i oba napiÄ&#x2122;cia mierzone byĹ&#x201A;y w tym samym czasie. Zebrane dane skonwertowano do postaci macierzowej w Ĺ&#x203A;rodowisku MATLAB, a nastÄ&#x2122;pnie poddano je analizie oraz wyodrÄ&#x2122;bniono i porĂłwnano zmienne globalne w czasie z obu lokacji, co zostaĹ&#x201A;o zaprezentowane w kolejnym rozdziale.

| < % +

+ Pierwszym etapem akwizycji zebranych danych byĹ&#x201A;o wygĹ&#x201A;adzenie powierzchni sygnaĹ&#x201A;owej sygnaĹ&#x201A;Ăłw z obu lokacji. W tym celu, za pomocÄ&#x2026; oprogramowania Filter Design & Analysis Tool Ĺ&#x203A;rodowiska obliczeniowego MATLAB, zaprojektowano filtr pasmowo-przepustowy pierwszego rzÄ&#x2122;du, ktĂłrego specyfikacja zostaĹ&#x201A;a przedstawiona na rys. 3.

Aby moĹźliwa byĹ&#x201A;a analiza czÄ&#x2122;stotliwoĹ&#x203A;ciowa, naleĹźaĹ&#x201A;o zaczÄ&#x2026;Ä&#x2021; od estymacji miejsc przeciÄ&#x2122;cia sygnaĹ&#x201A;u z osiÄ&#x2026; oX. W oparciu o metodÄ&#x2122; najmniejszych kwadratĂłw zaprojektowano funkA

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 3 /201 9

1 D $ %

Rys. 3. Projekt filtra pasmowoprzepustowego uĹźytego do wygĹ&#x201A;adzenia powierzchni sygnaĹ&#x201A;u z przedstawionymi jego parametrami jak: wartoĹ&#x203A;ci w paĹ&#x203A;mie przepustowym oraz zaporowym, czÄ&#x2122;stotliwoĹ&#x203A;ciÄ&#x2026; czy typem filtra Fig. 3. Design of the bandpass filter used to smooth the signal surface with its parameters such as: values on the band and dam band, frequency and type of filter

Rys. 4. Chwilowa wartoĹ&#x203A;Ä&#x2021; okresu skĹ&#x201A;adowej harmonicznej napiÄ&#x2122;cia podstawowego T, otrzymana w wyniku dziaĹ&#x201A;ania funkcji bazujÄ&#x2026;cej na MNK Fig. 4. The momentary value of the time period of the harmonic component of the basic voltage T, obtained by a function based on MNK

cjÄ&#x2122;, ktĂłra pozwoliĹ&#x201A;a wyseparowaÄ&#x2021; miejsca przeciÄ&#x2122;cia z osiÄ&#x2026; 0.

UĹźycie funkcji MNK posĹ&#x201A;uĹźyĹ&#x201A;o do obliczeĹ&#x201E; chwilowej wartoĹ&#x203A;ci okresu skĹ&#x201A;adowej harmonicznej podstawowej napiÄ&#x2122;cia jej graficzna implementacja zostaĹ&#x201A;a przedstawiona na rys. 4. NastÄ&#x2122;pnie zestawiono ze sobÄ&#x2026; wykresy z obu lokacji. Na tym etapie badania zaobserwowano brak korelacji miÄ&#x2122;dzy wygenerowanymi wykresami (rys. 5).

Kolejnym krokiem byĹ&#x201A;o zaprojektowanie filtru drugiego rzÄ&#x2122;du (rys. 6.) z wartoĹ&#x203A;ciami dobranymi w sposĂłb empiryczny. Podczas projektu filtru kluczowe jest dobranie jego parametrĂłw, gdyĹź dziÄ&#x2122;ki temu moĹźliwe bÄ&#x2122;dzie uzyskanie korelacji miÄ&#x2122;dzy zmiennymi.

Po przefiltrowaniu oba wykresy zostaĹ&#x201A;y zestawione na rys. 7.

W wyniku otrzymano korelacjÄ&#x2122; z niewielkimi odchyleniami w czÄ&#x2122;Ĺ&#x203A;ci zaporowej. Punkty, w ktĂłrych uzyskano korelacjÄ&#x2122; moĹźna wykorzystaÄ&#x2021; jako generator liczb losowych. Wykorzystywanym tu parametrem sieci elektroenergetycznej jest czÄ&#x2122;stotliwoĹ&#x203A;Ä&#x2021;, co umoĹźliwia stworzenie klucza czÄ&#x2122;stotliwoĹ&#x203A;ciowego zmiennego w czasie. MoĹźe on zostaÄ&#x2021; wykorzystany jako wzmocnienie (wsparcie) obecnie dziaĹ&#x201A;ajÄ&#x2026;cych algorytmĂłw szyfrowania danych. Badanie powtĂłrzono dla innych pomiarĂłw uzyskujÄ&#x2026;c

Rys. 5. Zestawienie wykresĂłw z obu lokacji â&#x20AC;&#x201C; wyraĹşny brak jakiejkolwiek korelacji Fig. 5. Comparison of charts from both locations â&#x20AC;&#x201C; a clear lack of any correlation

Rys. 6. Projekt filtru drugiego rzÄ&#x2122;du z przedstawionymi parametrami â&#x20AC;&#x201C; wartoĹ&#x203A;ci na paĹ&#x203A;mie przepustowym oraz zaporowym, czÄ&#x2122;stotliwoĹ&#x203A;ciÄ&#x2026; czy typem filtra Fig. 6. The design of the second order filter with the presented parameters such as values on the pass and dam band, frequency or type of filter

67

& % 0

T %

BBB

Rys. 7. Po przefiltrowaniu otrzymanych wynikĂłw uzyskano korelacjÄ&#x2122; z odchyleniem w czÄ&#x2122;Ĺ&#x203A;ci zaporowej Fig. 7. The results obtained after filtering correlated with the deviation in the dam part

Rys. 9. Otrzymane wyniki po przefiltrowaniu wraz z bĹ&#x201A;Ä&#x2122;dami rekonstrukcji przedstawionymi w formie graficznej Fig. 9. The results obtained after filtering together with reconstruction errors presented in graphic form

Rys. 8. PowtĂłrzone badania dla czterech przykĹ&#x201A;adowych pomiarĂłw â&#x20AC;&#x201C; we wszystkich moĹźna zaobserwowaÄ&#x2021; korelacjÄ&#x2122; oraz odchylenie w czÄ&#x2122;Ĺ&#x203A;ci zaporowej Fig. 8. Repetition of the test for other measurements, presenting four examples in all can be observed correlation and deviation in the dam

wyniki przedstawione na rys. 8. Obliczono wystÄ&#x2122;pujÄ&#x2026;ce bĹ&#x201A;Ä&#x2122;dy rekonstrukcji, ktĂłre w formie graficznej przedstawiono na rys.

9. Aby lepiej zobrazowaÄ&#x2021; caĹ&#x201A;y zachodzÄ&#x2026;cy proces od momentu rejestracji parametrĂłw pobranych z sieci elektroenergetycznej do momentu uzyskania generatora liczb losowych stworzono algorytm przedstawiony na rys. 10.

rzÄ&#x2122;du. Z przeprowadzonego badania wynika, iĹź jest moĹźliwe wygenerowanie oraz implementacja klucza bazujÄ&#x2026;cego na fluktuacji czÄ&#x2122;stotliwoĹ&#x203A;ciowej, wystÄ&#x2122;pujÄ&#x2026;cej w sygnale sinusoidalnym napiÄ&#x2122;cia w sieci elektroenergetycznej. W róşnych lokacjach tej samej sieci elektroenergetycznej istnieje moĹźliwoĹ&#x203A;Ä&#x2021;, przez odpowiednie zastosowanie filtrĂłw, doprowadzenia do korelacji miÄ&#x2122;dzy wartoĹ&#x203A;ciami chwilowymi T i wykorzystania ich jako klucza do stworzenia szyfrogramu przesyĹ&#x201A;anego sieciÄ&#x2026; globalnÄ&#x2026;, przesĹ&#x201A;ania go odbiorcy i przeksztaĹ&#x201A;cenia w tekst jawny za pomocÄ&#x2026; klucza czÄ&#x2122;stotliwoĹ&#x203A;ciowego jednokrotnego uĹźytku, bÄ&#x2122;dÄ&#x2026;cego wsparciem dla obecnie znanych algorytmĂłw szyfrowania danych.

4. Wnioski W wyniku przeprowadzonego badania osiÄ&#x2026;gniÄ&#x2122;to korelacjÄ&#x2122; z widocznymi na rys. 9 bĹ&#x201A;Ä&#x2122;dami rekonstrukcji. BĹ&#x201A;Ä&#x2122;dy te moĹźna zmniejszyÄ&#x2021; przez zmianÄ&#x2122; parametrĂłw filtra drugiego

68

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 3 /201 9

1 D $ %

Rys. 10. Przedstawienie procesu obrazujÄ&#x2026;cego akwizycjÄ&#x2122; sygnaĹ&#x201A;u i dziaĹ&#x201A;anie generatora Fig. 10. Presentation of the process illustrating the operation and acquisition of the generator

% ! , 1.

2.

3.

4.

5.

6.

7.

Aumasson J.-P., Nowoczesna kryptografia praktyczne wprowadzenie do szyfrowania Wydawnictwo PWN, Warszawa 2018, ISBN 978-83-01-19900-5.

Karbowski M., Podstawy Kryptografii (Wyd. III) Wydawnictwo: Helion, Gliwice 2014, ISBN: 978-83246-6975-2.

Marzecki J., Pawlicki B., KsztaĹ&#x201A;towanie obciÄ&#x2026;ĹźeĹ&#x201E; u odbiorcĂłw koĹ&#x201E;cowych w oparciu o czÄ&#x2122;stotliwoĹ&#x203A;Ä&#x2021; napiÄ&#x2122;cia zasilajÄ&#x2026;cego, â&#x20AC;&#x17E;PrzeglÄ&#x2026;d Elektrotechnicznyâ&#x20AC;?, R. 90, Nr 1, 2014, 182â&#x20AC;&#x201C;185.

Ratnadewi, Roy PramonoAdhie, Yonatan Hutama, A. Saleh Ahmar, M I Setiawan, Implementation Cryptography Data Encryption Standard (DES) and Triple Data Encryption Standard (3DES) Method in Communication System Based Near Field Communication (NFC), â&#x20AC;&#x153;Journal of Physics: Conference Seriesâ&#x20AC;?, Vol. 954, 2009, DOI: 10.1088/1742-6596/954/1/012009.

Zhe Liu, Kim-Kwang Raymond Choo, Johann Grossschadl, Securing Edge Devices in the Post-Quantum Internet of Things Using Lattice-Based Cryptography, â&#x20AC;&#x153;IEEE Communications Magazineâ&#x20AC;?, Vol. 56, Issue 2, 2018, 158â&#x20AC;&#x201C;162, DOI: 10.1109/MCOM.2018.1700330.

Kaczmarek M., PrĂłba okreĹ&#x203A;lenia dokĹ&#x201A;adnoĹ&#x203A;ci transformacji sygnaĹ&#x201A;Ăłw sinusoidalnych o czÄ&#x2122;stotliwoĹ&#x203A;ciach 50 Hz i wyĹźszych przez przekĹ&#x201A;adniki napiÄ&#x2122;ciowe, â&#x20AC;&#x17E;PrzeglÄ&#x2026;d Elektrotechnicznyâ&#x20AC;?, R. 88, Nr 11b, 2012, 233â&#x20AC;&#x201C;236.

ZieliĹ&#x201E;ski T.P., Cyfrowe przetwarzanie sygnaĹ&#x201A;Ăłw. Od teorii do zastosowaĹ&#x201E;, Wydawnictwo WKĹ , Warszawa 2005, ISBN 83-206-1596-8.

Projekt obecnie jest rozwijany. WÂ ciÄ&#x2026;gu dwĂłch lat planuje siÄ&#x2122; jego zakoĹ&#x201E;czenie. W ramach dalszych prac zwiÄ&#x2026;zanych z realizacjÄ&#x2026; projektu planuje siÄ&#x2122; stworzenie fizycznego kodera oraz dekodera, zbierajÄ&#x2026;cego informacje z sieci elektroenergetycznej, komunikujÄ&#x2026;cego siÄ&#x2122; z komputerem klasy PC, stworzenie oprogramowania umoĹźliwiajÄ&#x2026;cego przetwarzanie, szyfrowanie i rozszyfrowanie danych wspomaganego przez obecnie istniejÄ&#x2026;ce algorytmy bazujÄ&#x2026;ce na kluczu czÄ&#x2122;stotliwoĹ&#x203A;ciowym.

69

& % 0

T %

BBB

- / % 6 . 6 / % . M = / 0 5 The article discusses the way of separating and using global variables in time, which in the future will create a unique encryption key and data encryption system. It is based on continuous analysis of the random distribution of frequency variability and the development of encryption algorithms with the additional security, which is the changing time key encryption. In order to check whether the described solution is feasible, voltage measurements were carried out in two different locations in Poland. The received signal was pre-filtered to smooth its surface. Then the exact intersection points were determined on the oX axis by the method of approximation of solutions of indeterminate systems, after which the obtained values were once again filtered and the results obtained were analyzed, on the basis of which final conclusions were formulated.

Keywords / v # . %# . # % # .

'1 (

H ) 4 1 + . R

$% % ORCID: 0000-0002-2293-6462

. $ ORCID: 0000-0001-9330-4369

-7 ; % < # - > / # 6 @ J > / ; )!&(E)!&*

K . K A R - Z L % J7 % > % A >>> S < @ ; % < # - @ > / # 6 J

S . A # / % # 7 % K % A K ZN-

% &*(Q Z . " % )!!) ; % < @ 6 ; ; )!!)E)!!Q % ; % < # - @ > / 6 J @ ; )!!QE)!&X @ % J% )!&X / 6 J @ 7 % / @ . A # .A . %@ % K .

70

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 3 /201 9

Pomiary Automatyka Robotyka, ISSN 1427-9126, R. 23, Nr 4/2019, 71â&#x20AC;&#x201C;76, DOI: 10.14313/PAR_234/71

Z % 7 % . . A K . 7 A *) =( + 9 - ; % Z % B > / # F % > / - # - % = @\ Z @Z # ; )# X @ !* Z @Z # 6

,7 = B % # = X+!!&#

, 5 W prezentowanej pracy zostaĹ&#x201A;y przedstawione wyniki badaĹ&#x201E; stabilnoĹ&#x203A;ci w czasie i pod wpĹ&#x201A;ywem czynnika (promieniowanie elektromagnetyczne o dĹ&#x201A;ugoĹ&#x203A;ci fali Îť = 660 nm) komponentu sieciujÄ&#x2026;cego warstw receptorowych biosensorĂłw. Wykazano przyspieszone zmiany konformacyjne (przyspieszonÄ&#x2026; denaturacjÄ&#x2122;) pod wpĹ&#x201A;ywem czynnika zewnÄ&#x2122;trznego. ZauwaĹźono, Ĺźe w badanym czasie (12 dni) najwiÄ&#x2122;ksze zmiany stabilnoĹ&#x203A;ci nastÄ&#x2122;pujÄ&#x2026; miÄ&#x2122;dzy czwartym a Ăłsmym dniem. &' % 7 8# 7 #

1. Wprowadzenie WĹ&#x203A;rĂłd parametrĂłw wpĹ&#x201A;ywajÄ&#x2026;cych na pracÄ&#x2122; biosensorĂłw naleĹźy uwzglÄ&#x2122;dniÄ&#x2021; ich stabilnoĹ&#x203A;Ä&#x2021;. Problem ten jest waĹźny, poniewaĹź stabilnoĹ&#x203A;Ä&#x2021; parametrĂłw biosensora przekĹ&#x201A;ada siÄ&#x2122; na moĹźliwy okres jego uĹźytkowania.

WedĹ&#x201A;ug definicji przyjÄ&#x2122;tej przez IUPAC (ang. International Union of Pure Applied Chemistry), biosensor jest samowystarczalnym, zintegrowanym urzÄ&#x2026;dzeniem, ktĂłre dostarcza specyficznych iloĹ&#x203A;ciowych lub pĂłĹ&#x201A;iloĹ&#x203A;ciowych informacji analitycznych za pomocÄ&#x2026; skĹ&#x201A;adnikĂłw umieszczonych w bezpoĹ&#x203A;rednim kontakcie z elementem przetwarzajÄ&#x2026;cym [1]. W wyniku wzrostu zainteresowania firm medycznych biosensorami na rynek zostaĹ&#x201A; wprowadzony biosensor do pomiaru glukozy we krwi firmy MediSense ExacTech, w późniejszym okresie immunosensor firmy Pharmacia BIACore, a nastÄ&#x2122;pnie firma i-Stat rozpoczÄ&#x2122;Ĺ&#x201A;a produkcjÄ&#x2122; miniaturowych biosensorĂłw sĹ&#x201A;uĹźÄ&#x2026;cych do pomiaru parametrĂłw krwi.

NastÄ&#x2122;pnie na rynek wprowadzono biosensor Glucocard. PojawiĹ&#x201A;y siÄ&#x2122; rĂłwnieĹź prĂłby wszczepienia biosensora do organizmu Ĺźywego [2].

StabilnoĹ&#x203A;Ä&#x2021; w aspekcie biosensorĂłw jest tematem czÄ&#x2122;sto podejmowanym przez grupy badawcze. Problem ten jest aktualny i niewÄ&#x2026;tpliwie taki pozostanie teĹź w przyszĹ&#x201A;oĹ&#x203A;ci. W bazie Web of Science po wpisaniu sĹ&#x201A;Ăłw kluczowych â&#x20AC;&#x17E;biosensor stabilityâ&#x20AC;? uka-

. (

- % F @; # $ 7 . '

% ) &! )!&* # % % )! &) )!&*

!

zaĹ&#x201A;y siÄ&#x2122; w 2018 r. tylko 749 artykuĹ&#x201A;y. Ĺ&#x161;wiadczy to, Ĺźe temat wciÄ&#x2026;Ĺź wpisuje siÄ&#x2122; w trendy naukowe.

W matrycy biosensora aktywny materiaĹ&#x201A; biologiczny jest unieruchamiany [3]. Powszechnie stosuje siÄ&#x2122; kilka metod immobilizacji. WĹ&#x203A;rĂłd nich wymieniÄ&#x2021; moĹźna puĹ&#x201A;apkowanie, wytwarzanie wiÄ&#x2026;zaĹ&#x201E; kowalencyjnych, absorpcjÄ&#x2122;, kapsuĹ&#x201A;kowanie, aĹź w koĹ&#x201E;cu sieciowanie [4].

Przeprowadzone badania dotyczyĹ&#x201A;y komponentu sieciujÄ&#x2026;cego warstwy receptorowej biosensorĂłw. Komponentem tym jest albumina surowicy bydlÄ&#x2122;cej BSA (ang. Bovine Serum Albumin). WĹ&#x203A;rĂłd badanych metod immobilizacji metoda sieciowania albuminÄ&#x2026; surowicy bydlÄ&#x2122;cej przewyĹźsza inne metody pod wzglÄ&#x2122;dem czuĹ&#x201A;oĹ&#x203A;ci, granicy wykrywalnoĹ&#x203A;ci, czasu reakcji oraz stabilnoĹ&#x203A;ci operacyjnej i termicznej [5]. UĹźyty w badaniach komponent sieciujÄ&#x2026;cy warstwy receptorowej biosensorĂłw jest powszechnie stosowany przy projektowaniu nowych testĂłw immunochemicznych [6]. OkreĹ&#x203A;la rĂłwnieĹź standard biaĹ&#x201A;ek na szklanych podĹ&#x201A;oĹźach pokrytych Ĺ&#x203A;rodkiem powierzchniowo czynnym, zatopionych w elektrodach indowo-cynowo-tlenkowych (ITO) [7].

Ze wzglÄ&#x2122;du na to, Ĺźe badana substancja jest powszechnie wykorzystywane w farmakokinetyce i farmakodynamice nowych lekĂłw [8], jej zmiany konformacyjne pod wpĹ&#x201A;ywem czynnikĂłw zewnÄ&#x2122;trznych byĹ&#x201A;y juĹź przedmiotem badaĹ&#x201E; [9], aczkolwiek badania zmian konformacyjnych wywoĹ&#x201A;anych wpĹ&#x201A;ywem promieniowania elektromagnetycznego o dĹ&#x201A;ugoĹ&#x203A;ci fali l = 660 nm i czasie ekspozycji 10 min, 20Â min, 30 min, 40 min, 50 min, 60 min i monitorowanie zmian konformacyjnych wywoĹ&#x201A;anych czynnikiem zewnÄ&#x2122;trznym w ciÄ&#x2026;gu 12 kolejnych dni sÄ&#x2026; nowe. Celem przeprowadzonych doĹ&#x203A;wiadczeĹ&#x201E; byĹ&#x201A;o zbadanie stabilnoĹ&#x203A;ci BSA (Bovine Serum Albumin) pod wpĹ&#x201A;ywem promieniowania elektromagnetycznego o dĹ&#x201A;ugoĹ&#x203A;ci fali l = 660 nm oraz monitorowanie zmian zachodzÄ&#x2026;cych w napromieniowanej proteinie w funkcji czasu. Wyniki badaĹ&#x201E; mogÄ&#x2026; byÄ&#x2021; wykorzystane podczas konstrukcji biosensorĂłw.

71

+ 0 % 2 % %

T ` BBB

| > %

Badaniom poddano wodne roztwory BSA o stÄ&#x2122;Ĺźeniu 2 mg/ml.

MateriaĹ&#x201A; badawczy w postaci ciaĹ&#x201A;a staĹ&#x201A;ego â&#x20AC;&#x201C; skrystalizowany i liofilizowany proszek (czystoĹ&#x203A;Ä&#x2021; 99%, lot: SLBK3063V) firmy Sigma Aldrich. WybĂłr stÄ&#x2122;Ĺźania BSA 2 mg/ml byĹ&#x201A; konsekwencjÄ&#x2026; juĹź wczeĹ&#x203A;niej prowadzonych badaĹ&#x201E; [10, 11].

Eksperyment wykonano w trzech niezaleĹźnych seriach pomiarowych. Roztwory poddawano ekspozycji na pole elektromagnetyczne o dĹ&#x201A;ugoĹ&#x203A;ci fali l = 660 nm w czasie ekspozycji: 10 min, 20Â min, 30 min, 40 min, 50 min, 60 min. NastÄ&#x2122;pnie za pomocÄ&#x2026; dwuwiÄ&#x2026;zkowego spektrofotometru UV/Vis (Hallo DB-20 R) firmy Dynamica badano widma absorpcyjne wodnych roztworĂłw BSA w zakresie 220â&#x20AC;&#x201C;350 nm. Zakres widma zostaĹ&#x201A; dobrany w taki sposĂłb, aby byĹ&#x201A;o moĹźliwe Ĺ&#x203A;ledzenie zmian w piku absorpcyjnym 277 nm, pochodzÄ&#x2026;cym od wystÄ&#x2122;pujÄ&#x2026;cych w badanej proteinie rezyduĂłw aromatycznych, takich jak: tryptofan (Trp), tyrozyna (Tyr) oraz Phenyloalanina (Phe) [12]. Badania byĹ&#x201A;y przeprowadzone dla wodnych roztworĂłw BSA, poniewaĹź to one umoĹźliwiajÄ&#x2026; lepsze zrozumienie fizyko-chemicznych wĹ&#x201A;aĹ&#x203A;ciwoĹ&#x203A;ci badanej substancji [13].

Przy uĹźyciu specjalnie skonstruowanego stanowiska pomiarowego zawierajÄ&#x2026;cego: ĹşrĂłdĹ&#x201A;o pola elektromagnetycznego, analizator widma z sondÄ&#x2026; pola bliskiego oraz skaner model RSE321 wyposaĹźony w robota z moĹźliwoĹ&#x203A;ciÄ&#x2026; wykonywania ruchĂłw w pĹ&#x201A;aszczyĹşnie XYZ oraz komputer, otrzymano rozkĹ&#x201A;ad dystrybucji pola elektromagnetycznego, bÄ&#x2122;dÄ&#x2026;cego ĹşrĂłdĹ&#x201A;em promieniowania.

Ekspozycji roztworĂłw BSA na pole elektromagnetyczne dokonywano w dniu eksperymentu oznaczonym jako (0). NastÄ&#x2122;pnie kolejno w 12 dniach dokonywano pomiaru absorpcji prĂłbek promieniowanych (w róşnym czasie) oraz prĂłbki kontrolnej â&#x20AC;&#x201C; bez promieniowania. Innymi sĹ&#x201A;owy w dniu pierwszym wykonano widma UV/Vis dla: â&#x2C6;&#x2019; prĂłbki kontrolnej, â&#x2C6;&#x2019; prĂłbki eksponowanej na promieniowanie 10 min, â&#x2C6;&#x2019; prĂłbki eksponowanej na promieniowanie 20 min, â&#x2C6;&#x2019; prĂłbki eksponowanej na promieniowanie 30 min, â&#x2C6;&#x2019; prĂłbki eksponowanej na promieniowanie 40 min, â&#x2C6;&#x2019; prĂłbki eksponowanej na promieniowanie 50 min, â&#x2C6;&#x2019; prĂłbki eksponowanej na promieniowanie 60 min.

PodobnÄ&#x2026; procedurÄ&#x2122; badawczÄ&#x2026; przeprowadzono w kolejnych dniach â&#x20AC;&#x201C; aĹź do dwunastego dnia.

Na rysunku 1 przedstawiono rozkĹ&#x201A;ad pola elektromagnetycznego, ktĂłrym zostaĹ&#x201A; napromieniowany komponent warstwy receptorowej biosensorĂłw. Dystrybucja pola zostaĹ&#x201A;a przedstawiona za pomocÄ&#x2026; kolorĂłw: şóĹ&#x201A;tego, czerwonego, fioletowego.

KaĹźdy z nich obrazuje amplitudÄ&#x2122; sygnaĹ&#x201A;u. Kolorowi şóĹ&#x201A;temu odpowiada sygnaĹ&#x201A; o amplitudzie (39,79â&#x20AC;&#x201C;39,61 dBuV), czerwonemu (39,62â&#x20AC;&#x201C;38,80 dBuV), fioletowemu (38,81â&#x20AC;&#x201C;38,71 dBuV).

WidaÄ&#x2021;, Ĺźe dystrybucja jest niemalĹźe na caĹ&#x201A;ej badanej pĹ&#x201A;aszczyĹşnie rĂłwnomierna, aczkolwiek jak pokazuje scan moĹźna dostrzec nieznaczne (1 dBuV) róşnice w amplitudzie aplikowanego sygnaĹ&#x201A;u (zabarwione na kolor fioletowy). Niemniej jednak tak maĹ&#x201A;a róşnica w amplitudzie nie wpĹ&#x201A;ywa znaczÄ&#x2026;co na efekty spowodowane napromienianiem badanego komponentu warstwy receptorowej biosensorĂłw.

PojawiajÄ&#x2026;ca siÄ&#x2122; róşnica amplitudy moĹźe byÄ&#x2021; spowodowana efektami odbiciowymi pola elektromagnetycznego. Fala elektromagnetyczna moĹźe byÄ&#x2021; przez oĹ&#x203A;rodek materialny przepuszczana, odbita, ugiÄ&#x2122;ta lub pochĹ&#x201A;oniÄ&#x2122;ta [12], co tĹ&#x201A;umaczy powstaĹ&#x201A;y efekt.

Na rysunku 2 przedstawiono przykĹ&#x201A;adowe widmo w zakresie (250â&#x20AC;&#x201C;310 nm) uzyskane za pomocÄ&#x2026; spektroskopii UV/Vis bada-

Absorpcja [a.u]

/ '

l [nm] Rys. 2. PrzykĹ&#x201A;adowe widmo UV/Vis wodnych roztworĂłw BSA (2 mg/mL) [10] Fig. 2. Example spectrum of UV/Vis aqueous solutions BSA (2 mg/mL)

Rys. 1. Skan pola elektromagnetycznego (Îť = 660 nm), ktĂłrym zostaĹ&#x201A; napromieniany komponent warstwy receptorowej Fig. 1. Scan of electromagnetic field (Îť = 660 nm), which has been used to irradiate the receptor layer component

72

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

&%

/ * % & )

(An/A1)*100 [%]

Otrzymana wzglÄ&#x2122;dna wielkoĹ&#x203A;Ä&#x2021; jest wyraĹźona w procentach.

Podobne analizy zostaĹ&#x201A;y wykonane dla ekspozycji w czasie 20Â min, 30 min, 40 min, 50 min, 60 min. Zestawienie wykonanych analiz prezentowane jest tabeli 1.

Jak widaÄ&#x2021; na rysunku (rys. 3.) oraz analizujÄ&#x2026;c dane (tab. 1.) wraz z upĹ&#x201A;ywem czasu obserwowany jest wzglÄ&#x2122;dny wzrost amplitudy sygnaĹ&#x201A;u. Czyli wraz ze starzeniem siÄ&#x2122; badanej substancji wzglÄ&#x2122;dna amplituda roĹ&#x203A;nie zarĂłwno dla prĂłbek promieniowanych jak i dla prĂłbek referencyjnych. Obserwowana zmiana jest konsekwencjÄ&#x2026; zmian konformacyjnych zachodzÄ&#x2026;cych w badanym komponencie warstwy receptorowej.

Wraz z upĹ&#x201A;ywem czasu ulega zmianie konformacja biaĹ&#x201A;ka. Efekt ten moĹźna interpretowaÄ&#x2021; jako wzrost konformacji helisy i zmniejszenie struktury arkusza beta, co prowadzi do utraty szkieletu biaĹ&#x201A;ka. Obserwowany efekt moĹźe wskazywaÄ&#x2021;, Ĺźe fragmentacja i agregacja badanego komponentu sieciujÄ&#x2026;cego warstw receptorowych biosensorĂłw mogÄ&#x2026; wystÄ&#x2026;piÄ&#x2021; z czasem.

Zmiana odlegĹ&#x201A;oĹ&#x203A;ci w Ĺ&#x201A;aĹ&#x201E;cuchu polipeptydowym skutkuje zmianÄ&#x2026; siĹ&#x201A;y oddziaĹ&#x201A;ywania miÄ&#x2122;dzy aminokwasami. Efekt ten moĹźe z czasem doprowadziÄ&#x2021; do denaturacji badanej substancji.

Podczas tego procesu trzeciorzÄ&#x2122;22 22 dowa struktura BSA zostaje zakĹ&#x201A;Ăłref 10 min 20 cona, co bÄ&#x2122;dzie powodowaĹ&#x201A;o utratÄ&#x2122; 20 20 18 aktywnoĹ&#x203A;ci biologicznej badanego 18 18 16 16 komponentu sieciujÄ&#x2026;cego warstwy 16 16 receptorowej. DokonujÄ&#x2026;c porĂłwna14 15 14 14 nia prĂłbek referencyjnych z napro14 14 12 mieniowanymi moĹźna zauwaĹźyÄ&#x2021;, Ĺźe 11 11 12 12 10 10 wiÄ&#x2122;ksze zmiany zaobserwowano dla 10 10 substancji poddanej ekspozycji na 8 pole elektromagnetyczne.

8 8 6 6 BiorÄ&#x2026;c pod uwagÄ&#x2122; wpĹ&#x201A;yw czyn5 6 6 4 nika zewnÄ&#x2122;trznego na zmiany 4 3 4 4 zachodzÄ&#x2026;ce w badanym komponen2 cie sieciujÄ&#x2026;cym w kolejnych dniach 2 1 2 0 0 trwania eksperymentu, moĹźna 0 0 powiedzieÄ&#x2021;, Ĺźe ekspozycja na czyn1 2 3 4 5 6 7 8 9 10 11 12 1 2 3 4 5 6 7 8 9 10 11 12 nik przyspiesza zmiany konformadni dni cyjne zachodzÄ&#x2026;ce wraz z upĹ&#x201A;ywem czasu, czyli sprzyja procesowi denaRys. 3. WzglÄ&#x2122;dne zmiany absorpcyjne w czasie 12 dni dla prĂłbki referencyjnej oraz dla prĂłbek turacji. poddanych 10 min ekspozycji na promieniowanie elektromagnetyczne Dodatkowo, wzglÄ&#x2122;dne zmiany Fig. 3. Relative absorption changes over 12 days for reference sample (a) and for samples exposed to 10 min exposure to electromagnetic radiation (b) absorpcyjne w czasie 12 dni przeanalizowano w oparciu o fitowanie funkcjÄ&#x2026; liniowÄ&#x2026; (y = ax + c), gdzie Tab. 1. WzglÄ&#x2122;dne zmiany absorpcji pod wpĹ&#x201A;ywem ekspozycji na pole elektromagnetyczne w czasie wspĂłĹ&#x201A;czynnik a decyduje o dyna20 min, 30 min, 40 min, 50 min, 60 min mice zachodzÄ&#x2026;cych zmian.

Tab. 1. Relative changes in absorption over time due to electromagnetic field exposition during 20 min, Rysunek 4 przedstawia przykĹ&#x201A;a30 min, 40 min, 50 min, 60 min dowe wzglÄ&#x2122;dne zmiany absorpcyjne w czasie 12 dni dla komponentu warstwy receptorowej eksponowanego na pole elekromagnetyczne w czasie 20 min. WidaÄ&#x2021;, Ĺźe wspĂłĹ&#x201A;czynnik a jest wiÄ&#x2122;kszy dla komponentu sieciujÄ&#x2026;cego warstwy receptorowej biosensora poddanego ekspozycji na pole niĹź dla kontroli. Ĺ&#x161;wiadczy to o wiÄ&#x2122;kszej dynamice zmian konformacyjnych przebiegajÄ&#x2026;cych w substancji napromieniowanej.

Podobne analizy zostaĹ&#x201A;y wykonane dla komponentu sieciujÄ&#x2026;cego warstwy receptorowej biosensora promieniowanych 10 min, 30 min, 40 min, 50 min, 60 min. WspĂłĹ&#x201A;czynniki te wynosiĹ&#x201A;y odpowiednio: 1,76; 1,81; 1,65; 1,62; 1,60.

(An/A1)*100 [%]

nego komponentu warstw receptorowych biosensorĂłw. Na osi x znajduje siÄ&#x2122; dĹ&#x201A;ugoĹ&#x203A;Ä&#x2021; fali, na osi y umieszczona jest absorpcja.

Obserwowany pik absorpcyjny pojawiajÄ&#x2026;cy siÄ&#x2122; w 277 nm pochodzi od wystÄ&#x2122;pujÄ&#x2026;cych w badanym komponencie, aminokwasĂłw aromatycznych takich jak tyrozyna (Tyr), fenyloalanina (Phe) i tryptofan (Thr). Ĺ&#x161;ledzone zmiany konformacyjne sÄ&#x2026; monitorowane na podstawie zmian wartoĹ&#x203A;ci absorpcji.

Na rysunku 3 przedstawiono przykĹ&#x201A;adowe wzglÄ&#x2122;dne zmiany absorpcyjne w czasie 12 dni dla prĂłbki referencyjnej oraz dla prĂłbek poddanych ekspozycji na promieniowanie: An â&#x20AC;&#x201C; pomiar absorpcji w n-tym dniu, A1 â&#x20AC;&#x201C; pomiar absorpcji w pierwszym dniu trwania eksperymentu.

PrzykĹ&#x201A;adowo, dla drugiego dnia trwania eksperymentu i prĂłbki promieniowanej przez 10 minut: An â&#x20AC;&#x201C; pomiar absorpcji w drugim dniu eksperymentu dla prĂłbki promieniowanej 10 min, A1 â&#x20AC;&#x201C; pomiar absorpcji w pierwszym dniu eksperymentu dla prĂłbki promieniowanej 10 min.

73

+ 0 % 2 % %

T ` BBB

10 min

a

6 4 2 0 0123456789

10 11 12 13

20 min

b

6 4 2 0 012345678

91

01 11 21 3 c

30 min 6 4

Rys. 4. WzglÄ&#x2122;dne zmiany absorpcyjne w czasie 12 dni, fitowane funkcjÄ&#x2026; liniowÄ&#x2026; dla prĂłbki referencyjnej oraz dla prĂłbki poddanej 20 min ekspozycji na promieniowanie elektromagnetyczne Fig. 4. Relative absorption changes over 12 days, fitted with a linear function for the reference sample and for the sample exposed to 20 min radiation

2 0 012345678

4 2 0 012345678

91

01 11 21 3

50 min

e

6 4 2 0 0123456789

10 11 12 13

60 min

f

6 4 2

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

0

Ax min - Aref.

Przeprowadzone badania stabilnoĹ&#x203A;ci w czasie i pod wpĹ&#x201A;ywem czynnika komponentu sieciujÄ&#x2026;cego warstw receptorowych biosensorĂłw, wykazaĹ&#x201A;y wpĹ&#x201A;yw promieniowania elektromagnetycznego o dĹ&#x201A;ugoĹ&#x203A;ci fali l = 660 nm i czasie ekspozycji 10 min, 20Â min, 30 min, 40 min, 50 min, 60 min na stabilnoĹ&#x203A;Ä&#x2021; badanej substancji.

Wykazano przyspieszonÄ&#x2026; denaturacjÄ&#x2122; pod wpĹ&#x201A;ywem promieniowania elektromagnetycznego o dĹ&#x201A;ugoĹ&#x203A;ci fali l = 660Â nm.

Przeanalizowano szybkoĹ&#x203A;Ä&#x2021; zachodzÄ&#x2026;cych zmian. ZauwaĹźono, Ĺźe najwiÄ&#x2122;ksze róşnice w stabilnoĹ&#x203A;ci badanego komponentu warstw receptorowych biosensora wystÄ&#x2122;pujÄ&#x2026; miÄ&#x2122;dzy czwartym a Ăłsmym dniem.

O

d

6

} <

P

01 11 21 3

40 min

Jak widaÄ&#x2021;, wszystkie wspĂłĹ&#x201A;czynniki majÄ&#x2026; wiÄ&#x2122;kszÄ&#x2026; wartoĹ&#x203A;Ä&#x2021; niĹź wspĂłĹ&#x201A;czynnik a dla prĂłbki referencyjnej, co ponownie potwierdza fakt, Ĺźe zmiany konformacyjne zachodzÄ&#x2026;ce w komponencie sieciujÄ&#x2026;cym warstwy receptorowej zachodzÄ&#x2026; szybciej dla prĂłbek eksponowanych na pole elektromagnetyczne o dĹ&#x201A;ugoĹ&#x203A;ci fali l = 660 nm niĹź dla substancji kontrolnej (bez promieniowania).

Kolejnym rozwaĹźanym problemem badawczym, na ktĂłry starano siÄ&#x2122; znaleĹşÄ&#x2021; odpowiedĹş byĹ&#x201A;o pytanie: Jak zmienia siÄ&#x2122; stabilnoĹ&#x203A;Ä&#x2021; komponentu warstw receptorowych w czasie i w jaki sposĂłb moĹźna oszacowaÄ&#x2021; wielkoĹ&#x203A;Ä&#x2021; tych zmian. W tym celu przeprowadzono analizy bazujÄ&#x2026;ce na róşnicach miÄ&#x2122;dzy prĂłbkÄ&#x2026; promieniowanÄ&#x2026; Ax min a prĂłbkÄ&#x2026; kontrolnÄ&#x2026; Aref. Wynik wyraĹźono w procentach (rys. 5). Na podstawie przeprowadzonych analiz moĹźna dostrzec, Ĺźe wystÄ&#x2122;pujÄ&#x2026; róşnice w badanym komponencie sieciujÄ&#x2026;cym miÄ&#x2122;dzy prĂłbkami eksponowanymi na promieniowanie a prĂłbkami referencyjnymi. Dla prĂłbek eksponowanych na promieniowanie przez 10 min róşnice osiÄ&#x2026;gajÄ&#x2026; maksymalnÄ&#x2026; wartoĹ&#x203A;Ä&#x2021; 5%, odpowiednio dla 20 min ekspozycji â&#x20AC;&#x201C; 4%, 30 min â&#x20AC;&#x201C; 3%, 40 min â&#x20AC;&#x201C; 2%, 50 min â&#x20AC;&#x201C; 3%, 60 min â&#x20AC;&#x201C; 2%. Ponadto zaobserwowano, Ĺźe zmiany stabilnoĹ&#x203A;ci sÄ&#x2026; najbardziej widoczne miÄ&#x2122;dzy czwartym a Ăłsmym dniem.

74

91

012345678

91 01 11 21 3

dni

Rys. 5. Procentowe róşnice miÄ&#x2122;dzy prĂłbkÄ&#x2026; kontrolnÄ&#x2026; a promieniowanÄ&#x2026; dla ekspozycji (10â&#x20AC;&#x201C;60 min) w czasie 12 dni z zaznaczeniem okien niestabilnoĹ&#x203A;ci Fig. 5. Percentage differences between the control and radiated samples for exposure (10â&#x20AC;&#x201C;60 min) during 12 days with the window showing instabilit

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

&%

/ * % & )

% ! , 1. KĹ&#x201A;os-Witkowska A., Biosensory, â&#x20AC;&#x17E;Pomiary Automatyka Robotykaâ&#x20AC;?, R. 19, Nr 3, 2015, 37â&#x20AC;&#x201C;40, DOI: 10.14313/PAR_217/37.

2. KĹ&#x201A;os-Witkowska A., Ewolucja i rozwĂłj biosensorĂłw â&#x20AC;&#x201C; problemy i perspektywy. â&#x20AC;&#x17E;Pomiary Automatyka Kontrolaâ&#x20AC;?, R. 60, Nr 12, 2014, 1178â&#x20AC;&#x201C;1180.

3. MosiĹ&#x201E;ska L., Fabisiak K., Paprocki K., Kowalska M., Popielarski P., Szybowicz M., Stasiak A., Diament jako materiaĹ&#x201A; przetwornikowy do produkcji biosensorĂłw. â&#x20AC;&#x17E;PrzemysĹ&#x201A; Chemicznyâ&#x20AC;?, R. 92, Nr 6, 2013, 919â&#x20AC;&#x201C;923.

4. Shrisha N., Jain A., Jain A., Enzyme Immobilization: An Overview on Methods, Support Material, and Applications of Immobilized Enzymes. â&#x20AC;&#x153;Advances in food and nutrition researchâ&#x20AC;?, No. 79, 2016, 179â&#x20AC;&#x201C;211, DOI: 10.1016/bs.afnr.2016.07.004.

5. Sarika C., Rekha K, Narasimha Murthy B., Studies on enhancing operational stability of a reusable laccase-based biosensor probe for detection of ortho-substituted phenolic derivatives. â&#x20AC;&#x153;3 Biotechâ&#x20AC;?, No. 5, 2015, 911â&#x20AC;&#x201C;924.

DOI: 10.1007/s13205-015-0292-7.

6. ErtĂźrk G., Berillo D., HedstrĂśm M., Mattiasson B., Microcontact-BSA imprinted capacitive biosensor for real-time, sensitive and selective detection of BSA. â&#x20AC;&#x153;Biotechnology Reportâ&#x20AC;?, Vol. 3, 2015, 65â&#x20AC;&#x201C;72, DOI: 10.1016/j.btre.2014.06.006.

7. Lin CH., Lee M., LEE W., Bovine serum albumin detection and quantitation based on capacitance measurements of liquid crystals, â&#x20AC;&#x153;Applied Physics Lettersâ&#x20AC;?, Vol. 109, No. 3, 2016, DOI: 10.1063/1.4962169.

8. Yu J., Chen Y., Xiong L., Zhang X., Zheng Y,. Conductance Changes in Bovine Serum Albumin Caused by Drug-Binding Triggered Structural Transitions, â&#x20AC;&#x153;Materialsâ&#x20AC;? (Basel). 12(7), 1022, DOI: 10.3390/ma12071022.

9. Takeda K., Wada A., Yamamoto K., Moriyama Y., Aoki K., Conformational change of bovine serum albumin by heat treatment, â&#x20AC;&#x153;Journal of Protein Chemistryâ&#x20AC;?, 8(5), 1989, 653â&#x20AC;&#x201C;659.

10. KĹ&#x201A;os-Witkowska A., Akhmetov B., Zhumangalieva N., Karpinskyi V., Gancarczyk T., Bovine Serum Albumin stability in the context of biosensors, ICCAS 2016: 16th International Conference on Control, Automation and Systems.

Korea, 2016; 976-980, DOI: 10.1109/ICCAS.2016.7832427.

11. KĹ&#x201A;os-Witkowska A., Martsenyuk V., Study of improvement of biosensor matrix stability. Engineer of the XXI Century. Editors names: S. ZawiĹ&#x203A;lak, J. RysiĹ&#x201E;ki. Springer book: Chapter 13, 2020, 153â&#x20AC;&#x201C;161, DOI: 10.1007/978-3-030-13321-4_13.

12. Hongliang X., Nannan Y., Haoran X., Tiansh W., Guiying L., Zhengqiang L., Characterization of the Interaction between Eupatorin and Bovine Serum Albumin by Spectroscopic and Molecular Modeling Methods. â&#x20AC;&#x153;International Journal of Molecular Sciencesâ&#x20AC;?, Vol. 14, 2013, 14185â&#x20AC;&#x201C;14203, DOI: 10.3390/ijms140714185.

13. Michnik A., Michalik K., Drzazga Z., Effect of UVC radiation on conformational restructuring of human serum albumin, â&#x20AC;&#x153;Journal of Photochemistry and Photobiology B: Biologyâ&#x20AC;?, Vol. 90, 2008, 170â&#x20AC;&#x201C;178, DOI: 10.1016/j.jphotobiol.2007.12.007.

14. Polk C., Postow E., Handbook of Biological Effects of Electromagnetic Fields, Third Edition â&#x20AC;&#x201C; 2 Volume Set, 1995 by CRC Press.

7 % = % % > w / < . ^ % O . / Z L O , '' 5 The manuscript presents the research on stability over time and under the influence of the factor (electromagnetic radiation with wavelength Îť = 660 nm) on crosslinking component of biosensor receptor layers. Accelerated conformational changes (fast denaturization) under the influence of an external factor have been shown. It was noticed that in the examined time (12 days) the biggest changes of stability occur between the 4th and 8th day.

Keywords 7 # 7 #

75

+ 0 % 2 % %

T ` BBB

*) =(

. 9 -

$ 7 ORCID: 0000-0003-2319-5974

$ 7 ORCID: 0000-0001-5622-1038

-% F % > / - @ ; % Z % B > / @ - % = @\ Z @Z S 7

6 / F % > / - @ ; % Z % B > / - % = @\ @ Z @Z @ S 7 # @ % # / %

,7 $ % % ORCID: 0000-0001-8644-0776 -% ; % > / B @ % # \ 7 = 0 @ B %

S 7 # / @ %

76

P

O

M

I

A

R

Y

â&#x20AC;¢

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;¢

R

O

B

O

T

Y

K

A

N R 4 /201 9

Pomiary Automatyka Robotyka, ISSN 1427-9126, R. 23, Nr 4/2019, 77â&#x20AC;&#x201C;85, DOI: 10.14313/PAR_234/77

L . @ / . 7 . / B Katarzyna Kubiak, Karol Rotchimmel L . M # > / - # - F &&!?&&X# !)@)'+ ; # 6 %

* . , O 7 / N # ^ L > # # Z O # !'@!*!# L # 6 %

Marta Damszel M / < . # 6 . % B M . # / ; % B J # 6 " . &(# &!@()& J # 6 %

Zbigniew Sierota M / ^ % ^ < . # / ; % B J # 6 jA% )# &!@()( J # 6 %

Abstract: The paper presents the review of the potential application of remote sensing techniques at ground, air, and satellite levels in monitoring, yield assessment for bioenergy crops and the evaluation of natural grass communities of Miscanthus spp. According to the Directive 2009/28, the EC countries are obliged to increase the participation of energy production from renewable energy sources by 20% by 2020. This objective can be achieved in part by using biomass from high energy plantations. Monitoring of Miscanthus growth, one of the most prospective crop species, is important because of its use as bioenergy crop, to evaluate quality and quantity, and for environmental reasons.

As Miscanthus is a non-native species in Europe, its uncontrolled spread may threaten the diversity of native species. Contrary to the traditional field-based observations of Miscanthus communities, the remote sensing provide suitable data enable the acquisition of precise data about biomass state and habitat quality. Such methods are highly efficient tools for precise quantitative assessment in agriculture and for the monitoring of natural Miscanthus communities.

9 % 7 # B # . % # .

1. Introduction to Miscanthus The use of different agricultural resources for energy purposes can have positive effect in reduction of fossil fuel consumption and decrease of air pollutant emissions. In addition, it entails a range of social benefits, such as reduced unemployment rates and improved living conditions of the rural population due to the creation of new jobs and additional income sources.

Miscanthus belongs to grass family (Poaceae) and is particu-

. (

F F 7 # 7 $ % . '

% !' && )!&* # % % !+ &) )!&*

!

larly suitable for energy purposes because of its physiological adaptation to a C4 photosynthesis pathway. Due to the more efficient use of solar energy, water, and nutrients compared to C3 plants, C4 plants are characterized by a 50% more intensive biomass growth [30]. In Europe, Miscanthus has been cultivated for about 50 years. It was initially used as an ornamental plant, but is now increasingly being planted as a bioenergy crop. It produces a thick, rigid, spongy stem with a height of 200â&#x20AC;&#x201C;350 cm. The most commonly cultivated variety is the giant Miscanthus (Miscanthus x giganteus), which does not produce fertile seeds and must therefore be vegetatively reproduced.

Miscanthus reaches its full capacity in the third year after planting [9]. Some genotypes can spread uncontrolled by seeds (alien species, potentially invasive).

Dry matter yield is significantly dependent on the crop year and the harvesting date and ranges between 1â&#x20AC;&#x201C;3 t/ha in the first year, 8â&#x20AC;&#x201C;15 t/ha in the second and about 25â&#x20AC;&#x201C;30 t/ha in the third and in subsequent years [9]. The energy value of Miscan-

77

Remote sensing semi-automatic measurements approach for monitoring bioenergetic crops of Miscanthus spp.

thus straw is approximately 17–19 MJ/kg dry weight, which is comparable to that of wood, but below that of bituminous coal [5]. The weight of 1.5 to 2.5 tons of dry Miscanthus straw provides the energy equivalent of 1 ton of coal or of 600–1,000 liters of heating oil [17].

determining vegetation distribution and for ecosystem typing by remote sensing [18].

In [1] authors used the remote sensing, ground-level monitoring technology for energy grass crops to evaluate maximization of dry matter content. The platform was located on a 38-meter high tower above an arable field. The pictures were taken between 12 pm and 15 pm each day, and the algorithm especially developed for this study allowed the real-time assessment of the acquired data. The system was used to monitor, among others, Miscanthus and millet crops in red, green, and blue (RGB) and infrared (CIR) images, which were continuously transmitted over a wireless network and analyzed. The spatial resolution of the images, after generating the mosaic and the georeference, was achieved at 120 mm/pixel. The image acquisition system, the photo mosaic, and the geographic reference on the map were developed based on geographic information system (GIS). To verify the predictability of the Miscanthus yield on the basis of remote sensing data, the cumulative NDVI value was correlated with actual biomass data obtained from terrestrial crop yield measurements in 2011. The results showed that the data correlated (R2) at 64.4%, indicating a high potential prediction of biomass yield on the basis of real-time remote sensing data from arable land after calibration of the field processing method using field data [1].

In [13] authors designed and developed, near real-time, where a remote sensing platform for monitoring biomass growth of Miscanthus prior to harvesting. The proposed crop monitoring system scanned 35 acres of crop in 15 minutes, generating 91 multispectral images per day. Multispectral Miscanthus photos with a resolution of 100 mm/pixel were generated, and high-quality daily images were generated automatically during the growing season (Li et al. 2014). Remote sensing data was calculated for NDVI for the entire vegetation season. The results of the analysis showed that the crop monitoring system [13] could generate a high-resolution yield map of Miscanthus, with 84.96% correlation with daily biomass growth. These data, as compared to the system proposed [13], provided a 20% better effectiveness of biomass accuracy estimation.

Height of the grass affects biomass yield. In [33] authors proved a strong correlation between the height and yield of the Miscanthus crop. These observations have prompted researchers to use laser scanning with a LIDAR technology (Light Detection and Ranging) (SICK LMS 291) to monitor Miscanthus cultivation in Terrestrial Laser Scanning (TLS) systems: static and dynamic (on the tractor) for plants height measurements [32].

Authors [32] have proposed the use of the Look-Ahead Yield Monitor (LAYM) as a cost-efficient and more accurate method for estimating the size of giant miscanthus in real time, predicting its yield, selection of appropriate equipment, and optimal winter harvest parameters. The effectiveness of using LIDAR was 92% at a crop density of 62 stems/m2 to 98.2% at a density of 85 stems/m2. When LIDAR the scanner was mounted on a tractor and traversed along the edge of the M. giganteus field, the stem height was recorded with an accuracy from 93.5% at a speed of 0.41 m/s to 98.5% (0.05 m of error) at a speed around 0.22 m/s. Each data frame, consisting of 361 measurement points, has been corrected for LIDAR positions relative to the field, using a scanner angle correction algorithm that enables reliable measurement of grass height in both stationary and dynamic modes. Based on the obtained data, the authors found a strong linear correlation between the mass of the Miscanthus stems and their height (R square 0.86).

The use of the LIDAR Scanner in Miscanthus yield estimation has also been described by previous authors [6, 26], who, among the limitations of using LIDAR for estimating Miscanthus yields, listed weather-related conditions as the most important limitations. Even in light weather conditions, light wind can

2. Introducing to remote sensing methods Traditional, mathematical methods of forecasting crop yields throughout the growing season are based on models that use climatic data, soil conditions, and other environmental data as inputs to describe plant growth and development, photosynthesis intensity, evapotranspiration, and yield of biomass for a particular crop [2]. Although these models are based on physiological and physical agronomy aspects, they poorly fulfill prognostic functions under soil spatial variability, stress conditions or management practices [2]. The use of remote sensing methods in crop monitoring is considered a valuable tool for crop forecasting and production management in agriculture. These techniques can compete with traditional modeling approaches due to their large-scale range of operation and their capacity to analyze multiple wavelengths of the spectrum and to obtain valuable biomass data, which is important for efficient agricultural production [23]. Numerous studies indicate that the phase of plant development, stress conditions, and crop yields are expressed in changes in the intensity of the spectral response from the vegetation cover, and can be expressed quantitatively using spectral vegetation indicators [2, 19].

3. Monitoring methods in Miscanthus biomass Monitoring of the abundance and growth of Miscanthus is an important procedure both of its use of bioenergy crop, the desired quality or quantity of crops, and due to ecological reasons, such as the origin of the plants. As an alien species in Europe, the uncontrolled spread causes a significant threat to the conservation of native species and, as a consequence, to local biodiversity [25]. In the field of agriculture, remote sensing has recently been used to obtain information and to support the management systems in precision farming [14].

Passive remote sensing methods rely on the analysis of patterns of reflectance (spectral signatures - reflection of sunlight from the object, depending on the wavelength of the light) of the vegetation cover, recorded from a distance (aerial or satellite).

In [18] authors calculated the value of the GRVI (Green-Red Vegetation Index) by remote sensing methods for mapping and determining the phenology of plant ecosystems in Japan.

They used this indicator to carry out long-term observations of M. sinensis leaf color changes depending on the vegetation phase, especially in early spring and autumn. For this purpose, they used an automatic, rotary hemispherical spectrographic system and a fisheye camera mounted on top of a tower or mast in each of the studied fields. Measurements of the remote sensing GRVI and NDVI (Normalized Difference Vegetation Index) indexes were performed daily, and the purpose of the study was to estimate the usefulness of GRVI values as a phenological indicators of vegetation and as an ecological indicator. The authors’ observations indicate that GRVI values decreased in response to changes in the plant cover, even in the middle of the growth period when changes in leaf color and density were hard to distinguish visually. Researchers have demonstrated that GRVI values are clearly associated with phenological differences related to seasonal changes in the plant cover, particularly leaf color changes, and that this indicator may also be useful for

78

P

O

M

I

A

R

Y

•

A

U

T

O

M

A

T

Y

K

A

•

R

O

B

O

T

Y

K

A

N R 4 /201 9

0

% K %

% $0

move the blades of the grass, contributing to the unreliability of the measurements. Another limitation in performing dynamic measurements is the need to use a slow speed of the LIDAR movement, because speed is inversely proportional to the data density per unit length traveled. Here, one of the solutions is to use a system of double LIDAR or multiple repetitions [32].

The undisputable advantage of ground-based remote sensing systems located near the monitored target is their accuracy and lack of dependence on cloudiness and radiation (reflected from clouds). Data acquisition from such monitoring is less costly than e.g. hyper-visual satellite images and is not as time-limited as the use of satellites, because images of terrestrial systems can be taken daily as needed. These techniques are therefore independent of aerial measurement systems that depend on weather, flight conditions, and time resolution, especially satellites, which have a limited time resolution [1, 13]. The exception are drones which can fly under clouds level and are less weather dependent than satellites or pilot aircraft. As it is coupled with aerial and satellite imagery analysis, a terrestrial, ground-based system of real-time data processing algorithms enables efficient crop management at every stage of plant development [15].

4. Satellite and aerial methods for Miscanthus crops Satellite and aerial remote sensing methods have been widely used for many years for mapping and vegetation classification, habitat mapping, biomass estimation in natural and anthropogenic ecosystems, and to determine the plant phenological stage [7].

In [24] authors proposed an integrated empirical model for forecasting Miscanthus spp. crops, based on biomass yield data and NDVI values obtained from georeferenced satellite remote sensing data. The authors included variable crop conditions in the proposed model, such as soil type, humidity, and climatic data. Analysis of satellite data indicates that Miscanthus cultivation is largely independent of the soil type and are higher on medium and light soils than on heavy, clay soils. Although the acquired NDVI values from satellite imagery show a correlation with the in situ yield of Miscanthus, the authors suggest that the input parameters of the mathematical model describing the shoot density of the plant should be enriched with information about their height, as it also determines total Miscanthus biomass.

The use of remote-controlled drones as well as helicopters, airplanes, and balloons enables the acquisition of high-resolution aerial imagery with better resolution than that from satellite systems. Aerial remote sensing systems were also applied to identify Miscanthus species abundance in natural and anthropogenic grasslands. In [16] authors obtained hyperspectral images using the AISA (Airborne Imaging Spectrometer for Applications) system and demonstrated a method of Matched Filtering (MF) as a specialized type of analysis of a mixture pattern of spectra to estimate the number (expressed as a derivative of the stem diameter and plant height) and density of M. sacchariflorus and Phragmites australis in wet meadows, where these plants are the dominant species. Images with a spectral range from 398 nm to 993 nm (at 10 nm) were obtained using 68 spectral channels of the radiometric resolution of 16 bits, which enables the identification of small differences in the reflectance values between the pixels. Hyperspectral images were obtained from an airplane from the altitude of 1.438 m, and the area of each pixel represented 1.5 m Ă&#x2014; 1.5 m of vegetation cover [16]. The results obtained with the MF model and in situ data showed a high correlation for M. sacchariflorus density (r = 0.89) and for the total number of stalks (r = 0.78).

For P. australis observation, slightly lower r values (0.43 and 0.58, respectively) were obtained. The authors point out that the greatest limitation of the proposed method is the difficulty in distinguishing the sought material on the image from background reflection [21, 31, 16].

In remote sensing monitoring of grasses in multi-species communities, important elements are the plant characteristics and the growth rate. These elements should be taken into account when modeling the biomass yields of these crops. In [16] authors believe that the probable cause of the differences in the effectiveness of the proposed method is the morphology of the growth of the examined grasses. The leaves of M. sacchariflorus are relatively soft and tend to develop more horizontally, covering almost the entire area under the plant (seen from the top). This allows hyperspectral sensors to capture the pure spectrum of M. sacchariflorus, unaffected by background materials such as soil, stones, or understory plants. On the other hand, the leaves of P. australis are relatively hard, rigid, and grow upright, thus revealing the soil and lower plants, which results in a hyperspectral mixed spectrum of P. australis, soil, and understory plants. The morphological differences between these two plants are the key to estimate the abundance and distribution of M. sacchariflorus and P. australis in the studied area. These authors believe that the critical point of the MF method is to determine the characteristics of the spectral signature of a single plant of a species as a reference sign. For Miscanthus, this was possible due to its leaf morphology, whereas for P. australis, the proposed method was not satisfactorily effective because of the difficulty of selecting pixels containing only the selected grass without disturbing the background [16].

In Japan, authors tested [7] a UAV remote sensing using method as multi-rotor radar (â&#x20AC;&#x153;Falcon-PARS â&#x20AC;&#x201C; UAV for Photogrammetry and Remote Sensingâ&#x20AC;&#x153;) with a wetland vegetation monitoring camera in an area dominated by Phragmites australis and M. sacchariflorus. It took 11 min and 10 secs to take pictures of the whole area of 100 m Ă&#x2014; 200 m from a height of 30 m. Images of spatial resolution (1 cm) and position accuracy of less than 1 m (RMSE (Root Mean Square Error) were 0.974 m and 0.360 m) were used to produce high resolution mosaics.

Based on the remote sensing data, it could be confirmed that P. australis and M. sacchariflorus can be identified by visual interpretation, because the results showed that the remote sensing data correlated in more than 90 percent with data from in situ observations. The authors conclude that such systems can be used for the direct identification of grassy plant species as a non-destructive alternative to field research. Because of the low altitude of the flight (below the cloud level), air-to-ground observation is possible even on cloudy days, allowing observation at any time of the year [7].

The UAV (Unmanned Aerial Vehicle), compared to the classic manned airborne remote sensing methods, provides low operational complexity and competitive costs. In addition, remote sensing devices located on UAVs provide high spatial, spectral, and temporal resolution data [3, 8, 4]. In [12] authors used the UAV method to map vegetation in the Niida River valley near Fukushima, Japan. The research was conducted the aerial photography using a UAV and created a vegetation map from the aerial photographs taken by the UAV. A controlled quadcopter with a multispectral camera and ArcGis9 software was used to analyze plant communities dominated by P. australis, Typha domingensis, and M. sacchariflorus. From the photographs taken by the UAV, shape and number of plants could be shown in detail, enabling precise distinguishing in terms of morphology. Photos of the UAV also enabled to precisely recognize the distribution of many plant communities due to the accurate vegetation maps [12]. The schematic diagram of the general process of mapping using the UAV method is shown in Fig. 1.

79

Remote sensing semi-automatic measurements approach for monitoring bioenergetic crops of Miscanthus spp.

Fig. 1. Diagram of the mapping process with UAV method used in plant communities (P. australis, Typha domingensis, and M. sacchariflorus) monitoring in Japan [12] Rys. 1. Schemat procesu mapowania metodą UAV zastosowaną w zbiorowiskach roślin (P. australis, Typha domingensis i M. sacchariflorus) w Japonii [12]

it is possible to monitor the important qualitative and quantitative features at every developmental stage of the Miscanthus crop [11].

Remote sensing methods can also be used to estimate the efficiency of water use – in the scale of the cultivation crop and of the region [22]. In cellulosic crops for energy purposes, such as Miscanthus spp, biomass production depends largely on the intensity of irrigation, because the cultivation of cellulose can consume more water than food crops [28]. Previous data, obtained both from field measurements and from mathematical modeling [22] have proven that the Miscanthus spp. crops are characterized by higher productivity than other C4 plants and consumes more water than, for example, maize. Further analysis showed that Miscanthus had the greatest efficiency of water use in relation to the production of net biomass [22]. With the same level of water use, millet and Miscanthus sequester similar amounts of carbon, while the maize cultivation carbon balance was negative. The authors of the above mentioned study therefore stress the need to increase the amount of data from field observations in order to improve ecosystem modeling and to conduct analyses on a wider scale.

Remote sensing methods have also been applied in the analysis of the biodiversity of natural grassland ecosystems with Miscanthus as the dominant genus. Economical, large-scale, long-term, and continuous monitoring of plant populations dominant in communities is one of the few available tools to assess biodiversity in wet land plant communities which are difficult to access. The analysis of large-scale grass communities is extremely costly and time-consuming [34]. Therefore, a method that can rapidly and efficiently collect data over a large area is crucial for effectively monitoring vegetation conditions, such as the degree of coverage or the diversity of dominant species in wetland grass ecosystems.

The UAV remote sensing methods for monitoring natural and anthropogenic vegetation cover are a good supplementation to existing satellite monitoring methods and aircraft platforms, due to their low cost, accuracy, weather resistance, and high resolution of generated images [27]. In addition, remote sensing UAV technology can be used for long-term monitoring especially where vegetation field studies are difficult, e.g. in raised bogs. This method also enables to maintain the reproducibility of photographed positions in areas inaccessible for field trips.

The application of UAVs reduces the risk of working in difficult terrain conditions while obtaining highly accurate measurements [20, 7, 12].

5. Remote Sensing of natural Miscanthus spp. communities monitoring Remote sensing methods for vegetation monitoring have been applied to study Miscanthus communities, mainly to confirm a high correlation between vegetation index (based on the proportion of reflectance of visible light and near-infrared) and radiation actively used in photosynthesis – IPAR (Intercepted Photosynthetically Active Radiation) [11]. In [29] authors showed that measuring reflectance spectra allows for a more accurate and reliable estimate of the energy PAR (Photosynthetically Active Radiation), even in the final stages of the growing season, compared to the traditional standard longitudinal photosynthesis PAR sensors. Furthermore, the waveform data of reflectance are useful for monitoring aging and ripening of Miscanthus plants which, in a more advanced stage of crop development, affect the quality of the biomass during the combustion process [10]. Due to spectral signatures of crops

80

P

O

M

I

A

R

Y

•

A

U

T

O

M

A

T

Y

K

A

•

R

O

B

O

T

Y

K

A

N R 4 /201 9

0

% K %

% $0

The analysis of Miscanthus spectral signatures was also used [11] on the selection and frequency of its genotypes, which is important because of its origin and adaptive abilities to new habitats. European Miscanthus plantations were measured with the spectral signature and results were obtained as the AIPAR (accumulated IPAR). Measurements and analysis of the spectral signatures allowed to separate the species with a high productivity, depending on the habitat [11].

References 1.

2.

6. Conclusions The development of diagnostic and forecasting tools based on, simultaneously or separately, field and satellite remote sensing methods may be useful for the improvement of crop yields and the systematic supply of energy crops biomass. Data obtained from satellite monitoring can also be used as a support tool for national statistical system monitoring of biomass yield within a country or region.

The use of aerial, and satellite remote sensing methods allows the monitoring of Miscanthus crops cultivated for bioenergy purposes and the evaluation of natural grass communities, with a precise division into plant groups even in areas difficult to access. Table 1 contains comparison of remote sensing methods used in Miscanthus monitoring with advantages and disadvantages. In general, remote sensing systems provide high resolution images and are therefore a valuable alternative to field research due to limiting or eliminating vegetation damage.

Images were obtained from aerial systems such as the AISA (Airborne Imaging Spectrometer for Applications), multi-rotor radar (â&#x20AC;&#x153;Falcon-PARSâ&#x20AC;?) and analyzed by special designed method to estimate the number and density of Miscanthus spp. among other grass in wet meadows.

The results of aerial remote sensing application, showed that data correlated in more than 90 percent with data from in situ observations, what gives good prognosis that such systems can be used for the direct identification of grassy plant species in non-destructive field research. The use of aerial remote-sensing platforms, because of the low altitude of the flight enables acquisition of high-resolution aerial imagery even on cloudy days, what is advantages in comparing to satellite systems.

Satellite remote sensing methods provide data of large scale monitoring. What gives useful tool for the improvement of Miscanthus crop yields and biomass production management strategies, systematic supply of energy crops biomass and gives a support tool for national statistical system monitoring of biomass yield within a global, country or region scale. Moreover, the analysis of large-scale remote sensing data were used in mathematical modeling in order to assess the yield and water balance in the cultivation of Miscanthus energy crops to evaluate water use efficiency, depending on the cultivated ecosystem type in the United States.

The findings from various studies confirm that remote sensing methods are an effective tools for monitoring biomass of plant communities such as Miscanthus. In the future, RS based methods will be improved by decreasing the time spent on field research and labor, and can also be used to quantitatively evaluate plant height of Miscanthus, and what is more important, can provide homogenous data in regional or global scale

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

13.

. % !

This work was supported by the Institute of Aviation in Poland under Grant: Launch of The Earth Observation Mission Control Center (EOMC2) using available infrastructure to develop methods and procedures for processing satellite data (EUMETSAT, Sentinel, Landsat).

14.

Ahamed T., Tian L., Jiang Y.S., Zhao B., Liu H., Ting K.Ch., Tower remote-sensing system for monitoring energy crops; image acquisition and geometric corrections. â&#x20AC;&#x153;Biosystems Engineeringâ&#x20AC;?, Vol. 112, No. 2, 2012, 93â&#x20AC;&#x201C;107, DOI: 10.1016/j.biosystemseng.2012.03.003.

Aparicio N., Villegas D., Casadesus J., Araus J.L., Royo C., Spectral vegetation indices as non-destructive tools for determining durum wheat yield, â&#x20AC;&#x153;Agronomy Journal Abstract â&#x20AC;&#x201C; AGROCLIMATOLOGYâ&#x20AC;?, Vol. 92, No. 1, 2000, 83â&#x20AC;&#x201C;91, DOI: 10.2134/agronj2000.92183x.

Berni J., Zarco-Tejada P., Suarez L., Fereres E., Thermal and narrowband multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle. â&#x20AC;&#x153;IEEE Transactions on Geoscience and Remote Sensingâ&#x20AC;?, Vol. 47, No. 3, 2009, 722â&#x20AC;&#x201C;738, DOI: 10.1109/TGRS.2008.2010457.

Berni J., Zarco-Tejada P., Suarez L., Fereres E., Remote sensing of vegetation from UAV platforms using lightweight multispectral and thermal imaging sensors. â&#x20AC;&#x153;ISPRS Archivesâ&#x20AC;?, Vol. 38, No. 6, 2014.

Collura S., Azambre B., Finqueneisel G., Zimny T., Weber J.V., Miscanthus Ă&#x2014; Giganteus straw and pellets as sustainable fuels. â&#x20AC;&#x153;Environmental Chemistry Lettersâ&#x20AC;?, Vol. 4, No. 2, 2006, 75â&#x20AC;&#x201C;78, DOI: 10.1007/s10311-006-0036-3.

Ehlert D., Heisin M., Sources of angle-dependent errors in terrestrial laser scanner-based crop stand measurement. â&#x20AC;&#x153;Computers and Electronics in Agricultureâ&#x20AC;?, Vol. 93(C), 2013, 10â&#x20AC;&#x201C;16, DOI: 10.1016/j.compag.2013.01.002.

Ishihama F., Watabe Y., Oguma H., Validation of a high-resolution, remotely operated aerial remote-sensing system for the identification of herbaceous plant species. â&#x20AC;&#x153;Applied Vegetation Scienceâ&#x20AC;?, Vol. 15, No. 3, 2012, 383â&#x20AC;&#x201C;389, DOI: 10.1111/j.1654-109X.2012.01184.x.

Jensen A., Han Y. Chen Y.Q., Using aerial images to calibrate the inertial sensors of a low-cost multispectral autonomous remote sensing platform (AggieAir), [in:] IEEE International Geoscience and Remote Sensing Symposium, 2, 2009, 555â&#x20AC;&#x201C;558, DOI: 10.1109/IGARSS.2009.5417547.

JeĹźowski S., Yield traits of six clones of Miscanthus in the first 3 years following planting in Poland. â&#x20AC;&#x153;Industrial Crops and Productsâ&#x20AC;?, Vol. 27, No. 1, 2008, 65â&#x20AC;&#x201C;68, DOI: 10.1016/j.indcrop.2007.07.013.

Jørgensen U., Genotypic variation in dry matter accumulation and content of N, K and Cl in Miscanthus in Denmark. â&#x20AC;&#x153;Biomass and Bioenergyâ&#x20AC;?, Vol. 12, No. 3, 1997, 155â&#x20AC;&#x201C;169, DOI: 10.1016/S0961-9534(97)00002-0.

Jørgensen U., Mortensen J., Ohlsson C., Light interception and dry matter conversion efficiency of Miscanthus genotypes estimated from spectral reflectance measurements. â&#x20AC;&#x153;New Phytologistâ&#x20AC;?, Vol. 157, No. 2, 2002, 263â&#x20AC;&#x201C;270, DOI: 10.1046/j.1469-8137.2003.00661.x.

Kaneko K., Nohara S., Review of Effective Vegetation Mapping Using the UAV (Unmanned Aerial Vehicle) Method. â&#x20AC;&#x153;Journal of Geographic Information Systemâ&#x20AC;?, Vol. 6, No. 6, 2014, 733â&#x20AC;&#x201C;742, DOI: 10.4236/jgis.2014.66060.

Li L., Tian L., Ahamed T., Preharvest monitoring of biomass production, [in:] Shastri Y., Hansen A., RodrĂ­guez L., Ting K.C. (Eds), Engineering and Science of Biomass Feedstock Production and Provision, Springer, New York, US, 2014, 61â&#x20AC;&#x201C;83.

Liaghat S., Balasundram S.K., A Review: the role of remote sensing in precision agriculture. â&#x20AC;&#x153;American Journal of Agricultural and Biological Sciencesâ&#x20AC;?, Vol. 5, No. 1, 2010, 50â&#x20AC;&#x201C;55, DOI: 10.3844/ajabssp.2010.50.55.

81

Remote sensing semi-automatic measurements approach for monitoring bioenergetic crops of Miscanthus spp.

Table 1. Comparison of different methods used in vegetation crop (Miscanthus yield) monitoring Tabela 1. Porównanie metod monitorowania plonu biomasy (Miscanthus spp.)

Remote sensing technology used to study Miscanthus

Description

Pros − high resolution data and accuracy, − no atmospheric effect, − possibility of carrying out systematic monitoring, − real-time assessment of the acquired data, − the ability to analyze multiple wavelengths of the spectrum (multi- or hyperspectral cameras), − ability to obtain 3D data using point clouds, − can be use/treat as reference data, − precise selection and measurement of sample position.

Ground-based remote sensing techniques consisting of laboratory and field tests on a small scale using such tools as multi- or hyperspectral cameras, terrestrial laser scanning, spectrometers, etc.

Ground-based techniques give opportunities to determine the dynamics of the yield.

It is possible to predict (from 65% to 85% accuracy via multi- or hyperspectral images or 92% to 98.5% accuracy via Lidar) Miscanthus yield in the early stage of the vegetative season.

Ground-based

− high resolution data, − high accuracy, − no atmospheric effect on low flight altitude, − flight possibility even on cloudy days, allowing observation at any time of the year, − possibility of carrying out systematic monitoring (rather, not every day), − real-time assessment of the acquired data, − the ability to analyze multiple wavelengths of the spectrum (multi- or hyperspectral cameras), − ability to obtain 3D data using point clouds, − non-destructive alternative to field research, − opportunities to determine the dynamics of the yield, − UAV compared to the classic manned airborne remote sensing methods, provides low operational complexity and competitive costs, − superiority of air methods for mapping vegetation communities difficult to reach in comparison to traditional field observations, − enabling precise distinguishing in terms of morphology, − data acquisition for areas difficult to access, − precise division into plant groups, − low altitude of the flight enables acquisition of highresolution aerial imagery even on cloudy days, what is advantages in comparing to satellite systems.

Aerial-based monitoring Remote sensing techniques at the aerial level mainly use aerial photographs acquired by multi- or hyperspectral cameras and aerial laser scanners. They can be installed both on small UAV or manned airborne platforms.

Aerial techniques are more effectiveness of monitoring of agricultural and ecological systems than the satellite-based monitoring (high correlation with in situ data 90%)

82

P

− the ability to analyze multiple wavelengths of the spectrum (more than in other remote sensing techniques with a higher radiometric resolution), − non-destructive alternative to field research, − cost-effective way especially in large areas, − opportunities to determine the dynamics of the yield in global scales, − rough classification of vegetation, − continuously providing mapping of large surfaces at different spatial and temporal resolutions, − possibility to mapping vegetation and soil parameters, − support national statistical system monitoring of biomass yield within a country or region, − results of analyzes on a large scale, − data acquisition for areas difficult to access, − easily accessible multi-temporal data, − ability to obtain 3D data using point clouds (from stereo-matching),

Using Satellite-based monitoring, multior hyperspectral image data can be obtained. Satellite data are best suited for conducting remote sensing analyzes on a country, regional or global scale but due to the low resolution (resolution of images obtained from satellite systems is relatively low compared to that of airborne systems) it does not give very high accuracy results.

Satellite-based monitoring

O

M

I

A

R

Y

•

A

U

T

O

M

A

T

Y

K

A

•

R

O

B

O

T

Y

K

A

N R 4 /201 9

0

% K %

% $0

Cons

Source

â&#x2C6;&#x2019; problematic, especially for large areas, â&#x2C6;&#x2019; only provide point-to-point information, â&#x2C6;&#x2019; destructive field research, â&#x2C6;&#x2019; high cost of acquisition for a larger area, â&#x2C6;&#x2019; time-consuming for a larger area, â&#x2C6;&#x2019; weather-related conditions (light wind can move the blades of the grass, contributing to the unreliability of the measurements), â&#x2C6;&#x2019; measurement accuracy depends on the technology used.

[33] [1] [32] [26] [6] [13]

â&#x2C6;&#x2019; problematic, especially for very large areas (UAV), â&#x2C6;&#x2019; high cost of acquisition for a larger area (manned airborne platforms), â&#x2C6;&#x2019; time-consuming for a larger area (UAV), â&#x2C6;&#x2019; weather-related conditions (light wind can move the blades of the grass, contributing to the unreliability of the measurements), â&#x2C6;&#x2019; measurement accuracy depends on the GPS connection (Lidar), â&#x2C6;&#x2019; flight dependent on weather, â&#x2C6;&#x2019; the field lighting conditions should be taken into account.

[3] [8] [7] [27] [4] [12]

â&#x2C6;&#x2019; low resolution data, accuracy, geo-localization of acquired data and problem of co-registration with field based data, â&#x2C6;&#x2019; require large field sample plots, â&#x2C6;&#x2019; cloud and atmospheric effect, â&#x2C6;&#x2019; the field lighting conditions should be taken into account, â&#x2C6;&#x2019; problem with acquiring data at any time, â&#x2C6;&#x2019; processing including atmospheric corrections, â&#x2C6;&#x2019; data acquired with time delay compared to aerial and ground â&#x20AC;&#x201C; based data.

[21] [31] [16] [1] [13] [24]

15. Lopatina A., Rapid assessment of energy biomass resources using aerial photographs from unmanned aerial vehicles, Masterâ&#x20AC;&#x2122;s thesis in Forestry and Environmental Engineering, Finnish-Russian Cross-Border University (CBU), Faculty of Science and Forestry, University of Eastern Finland, 2013.

16. Lu S., Funakoshi S., Shimizu Y., Ishii Y., de Asis A.M., Ajima M., Washitani I., Omasa K., Estimation of plant abundance and distribution of Miscanthus sacchariflorus and Phragmites australis using matched filtering of hyperspectral image. â&#x20AC;&#x153;Eco-Engineeringâ&#x20AC;?, Vol. 18, No. 2, 2006, 65â&#x20AC;&#x201C;70, DOI: 10.14877/agrmet2.2006sp.0.70.0.

17. Majewska-Sawka A., Miscanthus. A clean energy/ Miskant olbrzymi. Czysta energia, 11, 2009, 34â&#x20AC;&#x201C;35 (in Polish).

18. Motohka T., Nasahara K.N., Oguma H., Tsuchida S., Applicability of green-red vegetation index for remote sensing of vegetation phenology. â&#x20AC;&#x153;Remote Sensingâ&#x20AC;?, Vol. 2, No. 10, 2010, 2369â&#x20AC;&#x201C;2387, DOI: 10.3390/rs2102369.

19. Nordberg M.L., Evertson J., Vegetation index differencing and linear regression for change detection in a Swedish mountain range using Landsat TM and ETM+ imagery. â&#x20AC;&#x153;Land Degradation and Developmentâ&#x20AC;?, Vol. 16, No. 2, 2003, 139â&#x20AC;&#x201C;149. DOI: 10.1002/ldr.660.

20. Oguma H., Usami M., Shimazaki H., Ishihama F., A high-resolution remote sensing by radio control helicopter and apply to species discrimination of individual level of wetland herbaceous plant. 57th Annual Conference of Ecological Society of Japan, Tokyo, 15â&#x20AC;&#x201C;20 March 2010, Abstract.

21. Oki K., Funakoshi Y., Inamura M., Study on estimation of the specific land cover ratio in a pixel using hyper-spectral data. Estimation of the vegetation cover ratio. â&#x20AC;&#x153;Journal of the Remote Sensing Society of Japanâ&#x20AC;?, Vol. 20, No. 3, 2000, 241â&#x20AC;&#x201C;257, DOI: 10.11440/rssj1981.20.241.

22. Qin Z., Zhuang Q., Chen M., Impacts of land use change due to biofuel crops on carbon balance, bioenergy production, and agricultural yield, in the conterminous United States. â&#x20AC;&#x153;GCB Bioenergyâ&#x20AC;?, Vol. 4, No. 3, 2012, 277â&#x20AC;&#x201C;288, DOI: 10.1111/j.1757-1707.2011.01129.x.

23. Quarmby N.A., Milnes M., Hindle T.L., Silleos N., The use of multi-temporal NDVI measurements from AVHRR data for crop yield estimation and prediction. â&#x20AC;&#x153;International Journal Remote Sensingâ&#x20AC;?, Vol. 14, No. 2, 1993, 199â&#x20AC;&#x201C;210. DOI: 10.1080/01431169308904332.

24. Richter G.M., Agostini F., Barker A., Costomiris D., Qi A., Assessing on-farm productivity of Miscanthus crops by combining soil mapping, yield modelling and remote sensing. â&#x20AC;&#x153;Biomass and Bioenergyâ&#x20AC;?, Vol. 85, 2016, 252â&#x20AC;&#x201C;261, DOI: 10.1016/j.biombioe.2015.12.024.

25. Smith L.L., Barney J.N., The relative risk of invasion: evaluation of Miscanthus Ă&#x2014;giganteus seed establishment. â&#x20AC;&#x153;Invasive Plant Science & Managementâ&#x20AC;?, Vol. 7, 2014, 93â&#x20AC;&#x201C;106, DOI: 10.1614/IPSM-D-13-00051.1.

26. Sritarapipat T., Rakwatin P., Kasetkasem T., Automatic rice crop height measurement using a field server and digital image processing. â&#x20AC;&#x153;Sensorsâ&#x20AC;?, Vol. 14, No. 1, 2014, 900â&#x20AC;&#x201C;926, DOI: 10.3390/s140100900.

27. Strecha C., Fletcher A., Lechner A., Erskine P., Fua P., Developing species specific vegetation maps using multi-spectral hyperspatial imagery from unmanned aerial vehicle. â&#x20AC;&#x153;ISPRS Annalsâ&#x20AC;?, 2012, 1â&#x20AC;&#x201C;3, DOI: 10.5194/isprsannals-I-3-311-2012.00061-5.

28. VanLoocke A., Bernacchi C.J., Twine T.E., The impacts of Miscanthus Ă&#x2014;giganteus production on the Midwest US hydrologic cycle. â&#x20AC;&#x153;GCB Bioenergyâ&#x20AC;?, Vol. 2, No. 4, 2010, 180â&#x20AC;&#x201C;191, DOI: 10.1111/j.1757-1707.2010.01053.x.

83

Remote sensing semi-automatic measurements approach for monitoring bioenergetic crops of Miscanthus spp.

32. Zhang L., Grift T.E., A LIDAR-based crop height measurement system for Miscanthus giganteus. â&#x20AC;&#x153;Computers and Electronics in Agricultureâ&#x20AC;?, Vol. 85, 2012, 70â&#x20AC;&#x201C;76, DOI: 10.1016/j.compag.2012.04.001.

33. Zub H.W., Arnoult S., Brancourt-Hulmel M., Key traits for biomass production identified in different Miscanthus species at two harvest dates. â&#x20AC;&#x153;Biomass and Bioenergyâ&#x20AC;?, Vol. 35, No. 1, 2011, 637â&#x20AC;&#x201C;651, DOI: 10.1016/j.biombioe.2010.10.020.

34. Everitt J.H., Anderson G.L., Escobar D.E., Davis M.R., Spencer N.R., Andrascik R.J., Use of Remote Sensing for Detecting and Mapping Leafy Spruge (Euphoribia estula), â&#x20AC;&#x153;Weed Technâ&#x20AC;?, Vol. 9, No. 3, 1995, 599â&#x20AC;&#x201C;609.

29. Vargas L.A., Andersen M.N., Jensen C.R., Jørgensen U., Estimation of leaf area index, light interception and biomass accumulation of Miscanthus sinensis â&#x20AC;&#x2DC;Goliathâ&#x20AC;&#x2122; from radiation measurements. â&#x20AC;&#x153;Biomass and Bioenergyâ&#x20AC;?, Vol. 22, No. 1, 2002, 1â&#x20AC;&#x201C;14, DOI: 10.1016/S0961-9534(01)00058-7.

30. Wang C., Guo L., Li Y., Wang Z., Systematic comparison of C3 and C4 plants based on metabolic network analysis. â&#x20AC;&#x153;BMC Systems Biologyâ&#x20AC;?, Vol. 6(Suppl 2), 2012, S9, DOI: 10.1186/1752-0509-6-S2-S9.

31. Williams A.P., Hunt J.E.R., Estimation of leafy spurge cover from hyperspectral imagery using mixture tuned matched filtering, â&#x20AC;&#x153;Remote Sensing of Environmentâ&#x20AC;?, Vol. 82, No. 2â&#x20AC;&#x201C;3, 2002, 446â&#x20AC;&#x201C;456, DOI: 10.1016/S0034-4257(02)00061-5.

6A %K % % 7 . B Streszczenie: W pracy przedstawiono przeglÄ&#x2026;d najnowszej literatury dotyczÄ&#x2026;cej moĹźliwoĹ&#x203A;ci zastosowania technik teledetekcyjnych naziemnych, lotniczych i satelitarnych do monitorowania, prognozowania plonu oraz oceny zbiorowisk naturalnych bioenergetycznych traw naleĹźÄ&#x2026;cych do Miscanthus spp. Zgodnie z dyrektywÄ&#x2026; 2009/28 kraje naleĹźÄ&#x2026;ce do Unii Europejskiej zobowiÄ&#x2026;zane sÄ&#x2026; do 2020 r. do zwiÄ&#x2122;kszenia udziaĹ&#x201A;u produkcji energii z odnawialnych ĹşrĂłdeĹ&#x201A; o 20%. Cel ten moĹźe zostaÄ&#x2021; czÄ&#x2122;Ĺ&#x203A;ciowo osiÄ&#x2026;gniÄ&#x2122;ty przez wykorzystywanie biomasy na cele energetyczne. Monitorowanie wzrostu bioenergetycznej trawy â&#x20AC;&#x201C; miskanta, jednego z najbardziej perspektywicznych gatunkĂłw roĹ&#x203A;lin uprawnych, jest istotne nie tylko ze wzglÄ&#x2122;du na jego przeznaczenie jako uprawy bioenergetycznej, ale takĹźe ze wzglÄ&#x2122;dĂłw Ĺ&#x203A;rodowiskowych. PoniewaĹź miskant jest gatunkiem obcym w Europie, jego niekontrolowane rozprzestrzenienie siÄ&#x2122; moĹźe zagroziÄ&#x2021; róşnorodnoĹ&#x203A;ci gatunkĂłw rodzimych.

W przeciwieĹ&#x201E;stwie do tradycyjnych metod obserwacji zbiorowisk miskanta, metody teledetekcyjne dostarczajÄ&#x2026; dokĹ&#x201A;adnych danych o stanie biomasy i jakoĹ&#x203A;ci zbiorowisk. Metody te sÄ&#x2026; wysoce wydajnymi narzÄ&#x2122;dziami do precyzyjnej oceny iloĹ&#x203A;ciowej i jakoĹ&#x203A;ciowej upraw oraz monitorowania naturalnych zbiorowisk roĹ&#x203A;linnoĹ&#x203A;ci, m.in. miskanta. " $ " 7 % # B a % % # .

* *

mgr Karol Rotchimmel

7 $ % ORCID: 0000-0002-4156-3139

$ % ORCID: 0000-0002-7561-212X

-7 Z .

N A N % ; .

J { % ; % Z . ; . J% )!&' % % = @ % # > O @ K % H 7 # -Y# IS

@ # @ " % #

N A @ / . A % 7 7 A %

-7 ; % N % F . / 6 ; J% )!&X @

% = % > O @

/ . K % @ K# % % % 8 \< J^^ ^>=J<x6JL= G . % K % @ M % @

84

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

0

% K %

% $0

* . ,

- / '

$ 7 ORCID: 0000-0002-9556-0144

% $ % ORCID: 0000-0001-5479-1432

-7 ; % O . NN; ; @ - % N @ > Z % . O

@ K . K % K# .A

# % . @

% .

-7 ; % Z . ;B J % R ; % F { % @ L # % F % < . # ^ . M . @ B # ;B J - 8 7 % @ % . K @ K A7

. 4 1 ,

7 . $ % ORCID: 0000-0003-3419-7799 -7 ; % O . NN; - ; % F @ { % L ;B J 7 # % . % # K % 8 @ .

85

NR 3/2015

86

P

O

M

I

A

R

Y

•

A

U

T

O

M

A

T

Y

K

A

•

R

O

B

O

T

Y

K

A

N R 4 /201 9

Pomiary Automatyka Robotyka, ISSN 1427-9126, R. 23, Nr 4/2019, 87â&#x20AC;&#x201C;100, DOI: 10.14313/PAR_234/87

L %

% A %A % A

8 ) % % % % A % Zygmunt Lech Warsza 8 Z % j E 6 > - 6 A 6>-6# - G )!)# !)@XQ+ ;

Jacek Puchalski N A K% B # < )# !!@!!& ;

Streszczenie: W czÄ&#x2122;Ĺ&#x203A;ci 1. zaproponowano rozszerzonÄ&#x2026; metodÄ&#x2122; oceny niepewnoĹ&#x203A;ci wieloparametrowych pomiarĂłw poĹ&#x203A;rednich i ukĹ&#x201A;adĂłw do tych pomiarĂłw. W modelu matematycznym podanym w Suplemencie 2 Przewodnika GUM zaĹ&#x201A;oĹźono, Ĺźe funkcja przetwarzania wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych jest dokĹ&#x201A;adna. Nowy model uwzglÄ&#x2122;dnia niepewnoĹ&#x203A;ci i korelacje zarĂłwno wielkoĹ&#x203A;ci mierzonych bezpoĹ&#x203A;rednio, jak i niepewnoĹ&#x203A;ci i korelacje parametrĂłw ukĹ&#x201A;adu realizujÄ&#x2026;cego funkcjÄ&#x2122; przetwarzania. MoĹźe on sĹ&#x201A;uĹźyÄ&#x2021; nie tylko do oceny niepewnoĹ&#x203A;ci wynikĂłw pomiarĂłw wieloparametrowych, ale i do opisu dokĹ&#x201A;adnoĹ&#x203A;ci systemĂłw realizujÄ&#x2026;cych takie pomiary, w tym systemĂłw wielosensorowych. W czÄ&#x2122;Ĺ&#x203A;ci 2. omawia siÄ&#x2122; zastosowanie nowego modelu na przykĹ&#x201A;adzie pomiarĂłw poĹ&#x203A;rednich napiÄ&#x2122;cia i prÄ&#x2026;du dwĂłjnika za pomocÄ&#x2026; ukĹ&#x201A;adu czwĂłrnika pasywnego w postaci dzielnika impedancyjnego. UwzglÄ&#x2122;dnia siÄ&#x2122; niepewnoĹ&#x203A;ci wielkoĹ&#x203A;ci mierzonych i parametrĂłw dzielnika oraz róşne moĹźliwoĹ&#x203A;ci ich skorelowania. Podano teĹź przykĹ&#x201A;ady obliczeniowe i wnioski koĹ&#x201E;cowe oraz zarys kierunkĂłw dalszych prac w tej dziedzinie. &' %

% # # %# # 8# A # % # A

1. Wprowadzenie Rekomendowana w Suplemencie 2 [1] do Przewodnika GUM metoda wyznaczania niepewnoĹ&#x203A;ci poĹ&#x203A;rednich pomiarĂłw wieloparametrowych powstaĹ&#x201A;a z potrzeby jednolitego opisu dokĹ&#x201A;adnoĹ&#x203A;ci wynikĂłw pomiarĂłw stosowanych m.in. przez sĹ&#x201A;uĹźby metrologiczne, w badaniach naukowych i w gospodarce.

W pomiarach tych parametry wielowymiarowego menzuranduY uzyskuje siÄ&#x2122; poĹ&#x203A;rednio z danych pomiarowych mierzonego menzurandu X przy uĹźyciu wielowymiarowej funkcji przetwarzania Y = F(X), zwanej teĹź funkcjÄ&#x2026; pomiaru [2]. W Suple-

. (

. O ; # &* +$. . '

% )' && )!&* # % % ! &) )!&*

!

mencie 2 nie analizuje siÄ&#x2122; jednak wpĹ&#x201A;ywu niedokĹ&#x201A;adnoĹ&#x203A;ci tej funkcji. UwzglÄ&#x2122;dnia siÄ&#x2122; takie przypadki, w ktĂłrych funkcjÄ&#x2122; tÄ&#x2122; realizuje siÄ&#x2122; numerycznie z dokĹ&#x201A;adnoĹ&#x203A;ciÄ&#x2026;, ktĂłrÄ&#x2026; w praktyce moĹźna uznaÄ&#x2021; za caĹ&#x201A;kowicie dokĹ&#x201A;adnÄ&#x2026;. Metoda ta nie obejmuje jednak ani oceny dokĹ&#x201A;adnoĹ&#x203A;ci wieloparametrowych pomiarĂłw poĹ&#x203A;rednich realizowanych przez przyrzÄ&#x2026;dy oraz systemy pomiarowe i diagnostyczne â&#x20AC;&#x201C; w tym wielosensorowe, ani opisu niepewnoĹ&#x203A;ci ukĹ&#x201A;adu pomiarowego realizujÄ&#x2026;cego funkcje przetwarzania sygnaĹ&#x201A;Ăłw i danych. Ich dokĹ&#x201A;adnoĹ&#x203A;Ä&#x2021; zaleĹźy nie tylko od niepewnoĹ&#x203A;ci i korelacji wielkoĹ&#x203A;ci bezpoĹ&#x203A;rednio mierzonych, ale i od niepewnoĹ&#x203A;ci elementĂłw tego ukĹ&#x201A;adu.

W czÄ&#x2122;Ĺ&#x203A;ci 1. [3] przedstawiono i omĂłwiono szczegĂłĹ&#x201A;owo zaproponowany model matematyczny metody rozszerzonej. UmoĹźliwia ona szacowanie niepewnoĹ&#x203A;ci poĹ&#x203A;rednich pomiarĂłw wieloparametrowych wykonywanych zarĂłwno zestawem osobnych przyrzÄ&#x2026;dĂłw z zewnÄ&#x2122;trznymi, zwykle komputerowymi obliczeniami, jak i przyrzÄ&#x2026;dĂłw i systemĂłw do takich pomiarĂłw z realizacjÄ&#x2026; caĹ&#x201A;ego procesu pomiarĂłw i przetwarzania w ukĹ&#x201A;adach wewnÄ&#x2122;trznych.

MoĹźe teĹź sĹ&#x201A;uĹźyÄ&#x2021; do jednolitego opisu dokĹ&#x201A;adnoĹ&#x203A;ci tych systemĂłw za pomocÄ&#x2026; niepewnoĹ&#x203A;ci wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych i wyjĹ&#x203A;ciowych w peĹ&#x201A;nych ich zakresach pomiarowych zamiast maksymalnych bĹ&#x201A;Ä&#x2122;dĂłw dopuszczalnych (MPE).

87

K 2 2

T %

T T B # !2P UB WpĹ&#x201A;yw korelacji wielkoĹ&#x203A;ci mierzonych bezpoĹ&#x203A;rednio na wyniki i niepewnoĹ&#x203A;ci poĹ&#x203A;rednich pomiarĂłw wieloparametrowych omĂłwiono szczegĂłĹ&#x201A;owo [8â&#x20AC;&#x201C;13] i podsumowano w czÄ&#x2122;Ĺ&#x203A;ci 1. Jako przykĹ&#x201A;ad ilustrujÄ&#x2026;cy zastosowanie rozszerzonej metody oceny dokĹ&#x201A;adnoĹ&#x203A;ci pomiarĂłw poĹ&#x203A;rednich omawia siÄ&#x2122; jej zastosowanie do pomiarĂłw napiÄ&#x2122;cia i prÄ&#x2026;du dwĂłjnika za poĹ&#x203A;rednictwem prostego czterozaciskowego ukĹ&#x201A;adu dzielnika pomiarowego. W ocenie tej uwzglÄ&#x2122;dni siÄ&#x2122; niepewnoĹ&#x203A;ci i korelacjÄ&#x2122; zarĂłwno mierzonego bezpoĹ&#x203A;rednio menzurandu dwuparametrowego, jak i wpĹ&#x201A;yw niepewnoĹ&#x203A;ci parametrĂłw ukĹ&#x201A;adu pomiarowego przetwarzajÄ&#x2026;cego pozyskiwane dane. Takie ujÄ&#x2122;cie zagadnienia umoĹźliwia analizÄ&#x2122; i optymalizacjÄ&#x2122; parametrĂłw tego ukĹ&#x201A;adu. Wykracza to poza metrologiÄ&#x2122; traktowanÄ&#x2026; jako naukÄ&#x2122; o pomiarach i mieĹ&#x203A;ci siÄ&#x2122; w szerszej dyscyplinie o ang. nazwie Measurement Science zaproponowanej przez lwowiaka prof. Ludwika Finkelsteina z City University w Londynie [5]. Obejmuje ona metrologiÄ&#x2122; i podstawy teoretyczne budowy urzÄ&#x2026;dzeĹ&#x201E; i systemĂłw pomiarowych.

Estymatory wartoĹ&#x203A;ci, niepewnoĹ&#x203A;ci i wspĂłĹ&#x201A;czynnikĂłw korelacji m-wymiarowego wyjĹ&#x203A;ciowego menzurandu Y zaleĹźÄ&#x2026; nie tylko od n-elementowego menzurandu X mierzonego na wejĹ&#x203A;ciu, ale i od parametrĂłw pi, dla i = 1, â&#x20AC;Ś, k, ukĹ&#x201A;adu realizujÄ&#x2026;cego w systemie pomiarowym funkcjÄ&#x2122; przetwarzania F(X, P). Parametry tego ukĹ&#x201A;adu opisuje ogĂłlnie k-wymiarowy wektor P. Odchylenia od estymatorĂłw wartoĹ&#x203A;ci n elementĂłw bezpoĹ&#x203A;rednio mierzonego menzurandu X oraz m elementĂłw wyznaczanego z nich mierzonego poĹ&#x203A;rednio menzurandu Y okreĹ&#x203A;la siÄ&#x2122; jako ich przyrosty, zwane poprzednio bĹ&#x201A;Ä&#x2122;dami pozornymi. Natomiast odchylenia parametrĂłw P ukĹ&#x201A;adu pomiarowego wyznacza siÄ&#x2122; od ich wartoĹ&#x203A;ci znamionowych lub od ich estymatorĂłw znanych z innych pomiarĂłw.

W kaĹźdym z eksperymentĂłw pomiarowych realizacje funkcji F(X, P) zwykle odbiegajÄ&#x2026; od jej postaci znamionowej F(X). Wzory metody rozszerzonej umoĹźliwiajÄ&#x2026;ce ocenÄ&#x2122; dokĹ&#x201A;adnoĹ&#x203A;ci pomiarĂłw wieloparametrowych i ich systemĂłw instrumentalnych z uwzglÄ&#x2122;dnieniem niepewnoĹ&#x203A;ci funkcji F zawiera tabela 1.

Przyrosty i odchylenia od estymatora wartoĹ&#x203A;ci Y opisuje rĂłwnanie macierzowe (4). WystÄ&#x2122;pujÄ&#x2026;ce w nim macierze czuĹ&#x201A;oĹ&#x203A;ci S i SP o postaciach rozwiniÄ&#x2122;tych (4a, b) wyraĹźajÄ&#x2026; wpĹ&#x201A;yw przyrostĂłw Î&#x201D;X i Î&#x201D;P. Dla menzurandu wieloparametrowego wĹ&#x201A;aĹ&#x203A;ciwoĹ&#x203A;ci statystyczne zbioru odchyleĹ&#x201E; kaĹźdej wielkoĹ&#x203A;ci opisywane sÄ&#x2026; przez niepewnoĹ&#x203A;Ä&#x2021; standardowÄ&#x2026; u jako sumÄ&#x2122; geometrycznÄ&#x2026; jej skĹ&#x201A;adowych uA i uB. Odpowiednikiem wariancji pojedynczej wielkoĹ&#x203A;ci u2 jest macierz kowariancji. Macierze kowariancji UY, UX i UP sÄ&#x2026; symetryczne. ZawierajÄ&#x2026; na gĹ&#x201A;Ăłwnej przekÄ&#x2026;tnej kwadraty niepewnoĹ&#x203A;ci standardowych (wariancje) poszczegĂłlnych wielkoĹ&#x203A;ci, a na pozostaĹ&#x201A;ych polach odpowiednie iloczyny wspĂłĹ&#x201A;czynnika korelacji i obu niepewnoĹ&#x203A;ci dla skorelowanych wielkoĹ&#x203A;ci menzurandu â&#x20AC;&#x201C; patrz rozwiniÄ&#x2122;te postacie macierzy (5c, d, e).

Liczba wspĂłĹ&#x201A;czynnikĂłw korelacji dla n wielkoĹ&#x203A;ci w macierzy kowariancji wynosi n(n â&#x20AC;&#x201C; 1)/2 i sÄ&#x2026; powiÄ&#x2026;zane rĂłwnaniami propagacji wariancji.

Zrandomizowane zbiory odchyleĹ&#x201E; od estymatorĂłw wartoĹ&#x203A;ci elementĂłw menzurandu Y powstajÄ&#x2026; jako wynik splotĂłw wieloparametrowych rozkĹ&#x201A;adĂłw odchyleĹ&#x201E; dla wielkoĹ&#x203A;ci menzurandu X i odchyleĹ&#x201E; parametrĂłw P ukĹ&#x201A;adu pomiarowego realizujÄ&#x2026;cego funkcjÄ&#x2122; F(X, P). Przy linearyzacji tej funkcji dla maĹ&#x201A;ych odchyleĹ&#x201E; otrzymuje siÄ&#x2122; macierz kowariancji UY z rĂłwnania propagacji wariancji (3a, b) w poĹ&#x203A;rednich pomiarach wieloparametrowych.

Kolejne rozwiniÄ&#x2122;cia tego rĂłwnania podajÄ&#x2026; wzory (5a, b).

NiepewnoĹ&#x203A;ci i skorelowania zbiorĂłw wĹ&#x201A;asnych odchyleĹ&#x201E; wielkoĹ&#x203A;ci menzurandu X i parametrĂłw P ujÄ&#x2122;te jest w macierzach UX i UP. W ogĂłlnym przypadku wielkoĹ&#x203A;ci X mogÄ&#x2026; korelowaÄ&#x2021; teĹź z parametrami P ukĹ&#x201A;adu pomiarowego. Opisuje to macierz U o wymiarze [n Ă&#x2014; k], podana we wzorze (5f). Taka statystyczna zaleĹźnoĹ&#x203A;Ä&#x2021; moĹźe pojawiÄ&#x2021; siÄ&#x2122; pod wpĹ&#x201A;ywem wspĂłlnego zewnÄ&#x2122;trznego losowego oddziaĹ&#x201A;ywania na X i P, np. zmiennej temperatury zewnÄ&#x2122;trznej. Liczba wspĂłĹ&#x201A;czynnikĂłw korelacji w macierzy U wynosi kn.

W praktyce pomiarowej, w tym w elektrycznych ukĹ&#x201A;adach pomiarowych, zwykle wystÄ&#x2122;puje przypadek prostszy, gdy odchylenia mierzonych wielkoĹ&#x203A;ci X oraz odchylenia parametrĂłw P ukĹ&#x201A;adu przetwarzajÄ&#x2026;cego pomiary nie sÄ&#x2026; ze sobÄ&#x2026; skorelowane (np. X i P znajdujÄ&#x2026; siÄ&#x2122; w róşnych miejscach i ich oddziaĹ&#x201A;ywania zewnÄ&#x2122;trzne nie sÄ&#x2026; ze sobÄ&#x2026; powiÄ&#x2026;zane). WĂłwczas macierz kowariancyjna U nie wystÄ&#x2122;puje i V = VT = 0. RĂłwnanie propagacji wariancji (5a) ma wtedy postaÄ&#x2021; dwuskĹ&#x201A;adnikowÄ&#x2026; wg wzoru (6).

SkĹ&#x201A;adnik pierwszy zaleĹźy od niepewnoĹ&#x203A;ci i korelacji elementĂłw menzurandu wejĹ&#x203A;ciowego X w taki sam sposĂłb, jak w ujÄ&#x2122;ciu klasycznym wg GUM-S2 [1]. SkĹ&#x201A;adnik drugi pojawiĹ&#x201A; siÄ&#x2122; w metodzie rozszerzonej i stanowi jej istotÄ&#x2122;. Dotyczy on wpĹ&#x201A;ywu niepewnoĹ&#x203A;ci i wspĂłĹ&#x201A;czynnikĂłw korelacji r parametrĂłw P ukĹ&#x201A;adu realizujÄ&#x2026;cego funkcjÄ&#x2122; przetwarzania F(X, P) analogowo lub cyfrowo. Ze wzoru (6) wynika teĹź macierz kowariancyjna (7) dla niepewnoĹ&#x203A;ci wzglÄ&#x2122;dnych przyrostĂłw Y â&#x20AC;&#x201C; Y0 lub dla Y, gdy niepewnoĹ&#x203A;ci wartoĹ&#x203A;ci poczÄ&#x2026;tkowych zakresĂłw wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych X0 (blisko ktĂł-

*

+ " % + Scharakteryzujemy pokrĂłtce zasady wyznaczania niepewnoĹ&#x203A;ci wg przewodnika GUM [1]. ZarĂłwno obserwacje wielkoĹ&#x203A;ci mierzonych, jak i parametry ukĹ&#x201A;adu pomiarowego mogÄ&#x2026; zmieniaÄ&#x2021; siÄ&#x2122; deterministycznie i losowo w zaleĹźnoĹ&#x203A;ci od badanego obiektu, warunkĂłw pomiarĂłw, uĹźytych przyrzÄ&#x2026;dĂłw i zastosowanej procedury pomiarowej. Zmiany te mogÄ&#x2026; zachodziÄ&#x2021; w trakcie wykonywania eksperymentu pomiarowego, jak i w róşnej dĹ&#x201A;ugoĹ&#x203A;ci okresach miÄ&#x2122;dzy kolejnymi eksperymentami dla przyrzÄ&#x2026;dĂłw o waĹźnej kalibracji.

Znane zmiany deterministyczne eliminuje siÄ&#x2122; z danych pomiarowych przez poprawki. Rozrzut otrzymanych eksperymentalnie danych pomiarowych ocenia siÄ&#x2122; obecnie statystycznie wg GUM na podstawie odchylenia standardowego uA dla wartoĹ&#x203A;ci Ĺ&#x203A;redniej ich rozrzutu. Natomiast w danych zebranych w kaĹźdym eksperymencie mogÄ&#x2026; wystÄ&#x2122;powaÄ&#x2021; nieznane odchylenia o staĹ&#x201A;ej lub wolnozmiennej wartoĹ&#x203A;ci (np. dryft), ktĂłre powstajÄ&#x2026; wskutek róşnych oddziaĹ&#x201A;ywaĹ&#x201E; zewnÄ&#x2122;trznych i wewnÄ&#x2122;trznych lub z innych przyczyn zachodzÄ&#x2026; cych w procesie pomiarowym i w obiekcie badanym.

WedĹ&#x201A;ug rekomendacji przewodnika GUM randomizuje siÄ&#x2122; je i szacuje heurystycznie jako zbiĂłr dodatkowych odchyleĹ&#x201E; o niepewnoĹ&#x203A;ci standardowej uB, ktĂłrÄ&#x2026; sumuje siÄ&#x2122; geometrycznie z uA otrzymujÄ&#x2026;c odchylenie standardowe u = uA2 + uB2 . Z wartoĹ&#x203A;ci u znajduje siÄ&#x2122; niepewnoĹ&#x203A;Ä&#x2021; rozszerzonÄ&#x2026; U okreĹ&#x203A;lajÄ&#x2026;cÄ&#x2026; poĹ&#x201A;owÄ&#x2122; szerokoĹ&#x203A;ci symetrycznego przedziaĹ&#x201A;u wokĂłĹ&#x201A; estymatora wartoĹ&#x203A;ci mierzonej, w ktĂłrym z prawdopodobieĹ&#x201E;stwem zadanym P znajduje siÄ&#x2122; wartoĹ&#x203A;Ä&#x2021; mierzona, tzw. przedziaĹ&#x201A; pokrycia. JeĹ&#x203A;li rozkĹ&#x201A;ad rozrzutu odchyleĹ&#x201E; wypadkowych jest symetryczny oraz moĹźna go potraktowaÄ&#x2021; jako normalny (wg funkcji Gaussa), to wartoĹ&#x203A;Ä&#x2021; wspĂłĹ&#x201A;czynnika rozszerzenia k(P) jest znana, np. k(95%) = 2. JeĹ&#x203A;li zaĹ&#x203A; dane eksperymentalne pochodzÄ&#x2026; z populacji o nieznanym rozkĹ&#x201A;adzie prawdopodobieĹ&#x201E;stwa, to niepewnoĹ&#x203A;Ä&#x2021; rozszerzonÄ&#x2026; wyznacza siÄ&#x2122; z danych pomiarowych metodÄ&#x2026; Monte Carlo wg Suplementu 1 do przewodnika GUM [1]. Dla rozkĹ&#x201A;adu wypadkowego w pomiarach wieloparametrowych poszukuje siÄ&#x2122; numerycznie poĹ&#x201A;oĹźenia najmniejszego obszaru pokrycia o zadanym prawdopodobieĹ&#x201E;stwie, np. 95%. Stosuje siÄ&#x2122; teĹź estymatory wartoĹ&#x203A;ci i rozrzutu danych inne niĹź Ĺ&#x203A;rednia i odchylenie standardowe, np. Ĺ&#x203A;rodek rozpiÄ&#x2122;cia dla prĂłbki z populacji o rozkĹ&#x201A;adzie rĂłwnomiernym oraz medianÄ&#x2122; w tzw. metodach odpornych [4].

PoĹ&#x203A;rednie pomiary wieloparametrowe, realizowane przy uĹźyciu zestawu przyrzÄ&#x2026;dĂłw lub systemu instrumentalnego opiszemy nastÄ&#x2122;pujÄ&#x2026;cym rĂłwnaniem pomiaru Y = F(X, P)

88

P

O

M

I

A

(3) R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

$ ( D 1 %

Tabela 1. Podstawowe wzory do oceny niepewnoĹ&#x203A;ci poĹ&#x203A;rednich pomiarĂłw wieloparametrowych Table 1. Basic formulas to estimate the uncertainty of indirect multi-parameter measurements

Wg Supl. 2 GUM

Y = F(X)

RĂłwnanie podstawowe

UY = SUXST oraz

Propagacja wariancji

Rozszerzone rĂłwnanie podstawowe

(1) (2a, b)

Y = F(X, P)

(3)

Y = [y1, y2, â&#x20AC;Ś, ym] , X = [x1, x2, â&#x20AC;Ś, xn] , P = [p1, p2, â&#x20AC;Ś, pk] , T

gdzie:

T

T

(3a, b, c)

Î&#x201D;Y = Î&#x201D;F(X, P) = SX,P[Î&#x201D;X, Î&#x201D;P]T = SXÎ&#x201D;X + SPÎ&#x201D;P

(4)

gdzie: SX,P â&#x20AC;&#x201C; macierz czuĹ&#x201A;oĹ&#x203A;ci o wymiarze [(n + k) Ă&#x2014; m] linearyzujÄ&#x2026;ca funkcjÄ&#x2122; (3);

Odchylenia (4a, b)

Propagacja wariancji (przypadek ogĂłlny dla

(5)

V = SUSPT â&#x2030; 0 )

(5a) gdzie:

(5b)

(5c, d) Macierze kowariancji

(5e, f)

niepewnoĹ&#x203A;ci bezwzglÄ&#x2122;dne

(6)

niepewnoĹ&#x203A;ci wzglÄ&#x2122;dne

U δY = SδU δ SδT + Sδ PU δ PSδTP

(

) (

UY = UYA + UYB = SU XAS T + SPU PASPT + SU XBS T + SPU PBSPT

Dla braku korelacji miÄ&#x2122;dzy X i P

Metoda rozszerzona uwzglÄ&#x2122;dniajÄ&#x2026;ca korelacje i niepewnoĹ&#x203A;ci parametrĂłw P funkcji przetwarzania F (X, P)

SX = S, SP â&#x20AC;&#x201C; macierze czuĹ&#x201A;oĹ&#x203A;ci dla Î&#x201D;X i Î&#x201D;P:

(7)

)

(8)

gdzie:

skĹ&#x201A;adowe niepewnoĹ&#x203A;ci typu A i B

U XA

2 2 â&#x17D;Ą â&#x17D;Ą ! Ď Ax 1nuAx 1uAxn â&#x17D;¤ ! Ď Bx 1nuBx 1uBxn â&#x17D;¤ uAx uBx 1 1 â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ â&#x17D;Ľ â&#x17D;Ľ , U XB = â&#x17D;˘ â&#x17D;Ľ , (8a, b) ! ! ! ! ! ! =â&#x17D;˘ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ â&#x17D;Ľ 2 2 â&#x17D;˘Ď u u â&#x17D;Ľ â&#x17D;˘Ď u u â&#x17D;Ľ ! ! u u Ax 1 n Axn Ax 1 Axn Bx 1 n Bxn Bx 1 Bxn â&#x17D;Ł â&#x17D;Ś â&#x17D;Ł â&#x17D;Ś

U PA

2 2 â&#x17D;Ą â&#x17D;Ą ! Ď Ap1kuAp1uApk â&#x17D;¤ ! Ď Bp1kuBp1uBpk â&#x17D;¤ uAp uBp 1 1 â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ â&#x17D;Ľ â&#x17D;Ľ , U PB = â&#x17D;˘ â&#x17D;Ľ , (8c, d) ! ! ! ! ! ! =â&#x17D;˘ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ â&#x17D;Ľ 2 2 â&#x17D;˘Ď u u â&#x17D;Ľ â&#x17D;˘Ď u u â&#x17D;Ľ ! ! u u Apk Bpk â&#x17D;Ł Ap1k Apk Ap1 â&#x17D;Ś â&#x17D;Ł Bp1k Bpk Bp1 â&#x17D;Ś

89

K 2 2

T %

T T B # !2P UB parametrĂłw P,UM â&#x20AC;&#x201C; jest macierzÄ&#x2026; kowariancji ukĹ&#x201A;adu realizujÄ&#x2026;cego funkcjÄ&#x2122; przetwarzania.

EstymacjÄ&#x2122; niepewnoĹ&#x203A;ci i wspĂłĹ&#x201A;czynnikĂłw korelacji mierzonego poĹ&#x203A;rednio menzurandu Y naleĹźy przeprowadzaÄ&#x2021; wg wzoru (10b), gdyĹź skorelowane mogÄ&#x2026; byÄ&#x2021; zbiory odchyleĹ&#x201E; róşnych wielkoĹ&#x203A;ci w kaĹźdej z macierzy UX i UM, ale tylko o niepewnoĹ&#x203A;ciach jednego typu A oraz B. Dla macierzy UXA wspĂłĹ&#x201A;czynniki korelacji rxiA moĹźna wyznaczyÄ&#x2021; z synchronicznych pomiarĂłw. PozostaĹ&#x201A;e ich rodzaje, to jest rxiB, rMiA, rMiB, podobnie jak niepewnoĹ&#x203A;ci wyznacza siÄ&#x2122; heurystycznie lub bezpoĹ&#x203A;rednio z danych technicznych i badaĹ&#x201E; statystycznych parametrĂłw P elementĂłw ukĹ&#x201A;adu pomiarowego.

Prostym przykĹ&#x201A;adem zastosowania metody rozszerzonej do wyznaczania niepewnoĹ&#x203A;ci poĹ&#x203A;rednich pomiarĂłw wielowymiarowych jest przypadek obu dwuwymiarowych (2D) menzurandĂłw X i Y, z ktĂłrych tylko jeden jako para wielkoĹ&#x203A;ci jest dostÄ&#x2122;pna.

rych nie zaleca siÄ&#x2122; mierzyÄ&#x2021;) sÄ&#x2026; pomijalne i macierz kowariancji ||UX(X)|| >> ||UX(X0)|| | 0.

Macierze kowariancji, podobnie jak niepewnoĹ&#x203A;Ä&#x2021; pojedynczego menzurandu, sÄ&#x2026; sumÄ&#x2122; dwu macierzy skĹ&#x201A;adowych typu A i B, tj.

UX = UXA + UXB, UY = UYA + UYB. W czÄ&#x2122;Ĺ&#x203A;ci 1. [2] podano, Ĺźe skorelowane ze sobÄ&#x2026; mogÄ&#x2026; byÄ&#x2021; jedynie zbiory odchyleĹ&#x201E; o niepewnoĹ&#x203A;ciach skĹ&#x201A;adowych jednakowego typu, tj. uA oraz uB dla par wielkoĹ&#x203A;ci tego samego lub róşnych menzurandĂłw. Dla wielkoĹ&#x203A;ci menzurandu X jedynie wspĂłĹ&#x201A;czynniki korelacji rA moĹźna wyznaczyÄ&#x2021; eksperymentalnie prowadzÄ&#x2026;c pomiary synchronicznie [1], zaĹ&#x203A; wspĂłĹ&#x201A;czynniki rB szacuje siÄ&#x2122; heurystycznie, podobnie jak niepewnoĹ&#x203A;ci typu B. JeĹ&#x203A;li dwie wielkoĹ&#x203A;ci mierzy siÄ&#x2122; tym samym lub podobnym przyrzÄ&#x2026;dem i w tych samych warunkach, to dla uB moĹźna przyjÄ&#x2026;Ä&#x2021; wspĂłĹ&#x201A;czynnik korelacji rĂłwny 1 [3]. Dla róşnych przyrzÄ&#x2026;dĂłw i w róşnych warunkach jest on bliski 0. WspĂłĹ&#x201A;czynnik korelacji â&#x20AC;&#x201C;1 wystÄ&#x2122;puje wtedy, gdy zaleĹźne od wspĂłlnych oddziaĹ&#x201A;ywaĹ&#x201E; zmiany obu wielkoĹ&#x203A;ci majÄ&#x2026; znak przeciwny.

NiepewnoĹ&#x203A;ci skĹ&#x201A;adowe typu A i typu B dla poszczegĂłlnych wielkoĹ&#x203A;ci menzurandu wyjĹ&#x203A;ciowego Y i skĹ&#x201A;adowe UYA, UYB jego macierzy kowariancji UY = UYA + UYB â&#x20AC;&#x201C; wg wzoru (8) naleĹźy osobno wyznaczaÄ&#x2021; dla odchyleĹ&#x201E; opisanych niepewnoĹ&#x203A;ciami typu A i typu B. Trzeba uwzglÄ&#x2122;dniÄ&#x2021;, iĹź w trakcie eksperymentu pomiarowego zmiany parametrĂłw P ukĹ&#x201A;adu pomiarowego nie sÄ&#x2026; rejestrowane i ich wpĹ&#x201A;yw nie wystÄ&#x2122;puje w sposĂłb jawny. JeĹ&#x203A;li ich odchylenia zmieniajÄ&#x2026; siÄ&#x2122; losowo w krĂłtkim czasie trwania eksperymentu pomiarowego, to elementy ich macierzy skĹ&#x201A;adowej UPA trzeba teĹź szacowaÄ&#x2021; heurystycznie (podobnie jak macierz UPB dla dĹ&#x201A;ugiego okresu zmian ich wartoĹ&#x203A;ci), na podstawie danych technicznych i posiadanej wiedzy. MoĹźna teĹź w specjalnie stworzonych warunkach wpĹ&#x201A;ywajÄ&#x2026;cych wykonaÄ&#x2021; dodatkowe pomiary dla oszacowania losowych zmian parametrĂłw P. JeĹ&#x203A;li w czasie trwania pomiarĂłw moĹźna przyjÄ&#x2026;Ä&#x2021;, Ĺźe parametry P sÄ&#x2026; staĹ&#x201A;e, to macierz UPA nie wystÄ&#x2122;puje.

(11)

gdzie:

Macierze kowariancji i macierze czuĹ&#x201A;oĹ&#x203A;ci ze wzoru (10a) sÄ&#x2026; wĂłwczas nastÄ&#x2122;pujÄ&#x2026;ce (11a)

(11b)

(11c)

3. Zastosowanie metody rozszerzonej na przykĹ&#x201A;adzie dwuparametrowych pomiarĂłw poĹ&#x203A;rednich (11d)

| h < !"% " +

+ 0

JeĹ&#x203A;li wielowymiarowÄ&#x2026; funkcjÄ&#x2122; przetwarzania F(X, P) ze wzoru (2) realizuje liniowy lub zlinearyzowany ukĹ&#x201A;ad pomiarowy o parametrach P, to otrzymuje siÄ&#x2122; nastÄ&#x2122;pujÄ&#x2026;ce rĂłwnanie Y = M(P)¡X

W pomiarach wielkoĹ&#x203A;ci elektrycznych, np. w identyfikacji struktury i parametrĂłw schematu zastÄ&#x2122;pczego wnÄ&#x2122;trza badanego ukĹ&#x201A;adu elektrycznego oraz w diagnostyce technicznej urzÄ&#x2026;dzeĹ&#x201E; elektrycznych, wyznacza siÄ&#x2122; poĹ&#x203A;rednio napiÄ&#x2122;cia i prÄ&#x2026;dy wybranej gaĹ&#x201A;Ä&#x2122;zi ukĹ&#x201A;adu z pomiarĂłw na dostÄ&#x2122;pnych koĹ&#x201E;cĂłwkach. Gdy wielkoĹ&#x203A;ci badane, np. Y = [y1, y2]T = [U1, I1]T, bezpoĹ&#x203A;rednio nie sÄ&#x2026; dostÄ&#x2122;pne do pomiaru, to ich wartoĹ&#x203A;ci i niepewnoĹ&#x203A;ci trzeba wyznaczyÄ&#x2021; poĹ&#x203A;rednio z wynikĂłw pomiarĂłw napiÄ&#x2122;cia i prÄ&#x2026;du innej dostÄ&#x2122;pnej pary koĹ&#x201E;cĂłwek tego ukĹ&#x201A;adu, tj. X = [x1, x2]T = [U2, I2]T. MoĹźliwy jest rĂłwnieĹź wariant odwrotny. Dla tego rodzaju ukĹ&#x201A;adĂłw schematem zastÄ&#x2122;pczym jest czwĂłrnik. JeĹ&#x203A;li jest on liniowy lub linearyzowany, to opisujÄ&#x2026; go ogĂłlnie dwa rĂłwnania wiÄ&#x2026;ĹźÄ&#x2026;ce napiÄ&#x2122;cia i prÄ&#x2026;dy dwu par zaciskĂłw (dwu wrĂłt). Dla prÄ&#x2026;du staĹ&#x201A;ego (DC) i przemiennego (AC) o czÄ&#x2122;stotliwoĹ&#x203A;ciach niskich i Ĺ&#x203A;rednich stosuje siÄ&#x2122; ukĹ&#x201A;ad czwĂłrnika o elementach skupionych. Skorzystamy z pary jego rĂłwnaĹ&#x201E; (12) zwanych transmisyjnymi [14], lub teĹź Ĺ&#x201A;aĹ&#x201E;cuchowymi [15], zapisanych w postaci macierzowej:

(9)

w ktĂłrym: M(P) jest macierzÄ&#x2026; opisujÄ&#x2026;cÄ&#x2026; przetwarzanie mierzonego bezpoĹ&#x203A;rednio n-wymiarowego menzurandu X na wyznaczany poĹ&#x203A;rednio m-wymiarowy menzurad Y. DokĹ&#x201A;adnoĹ&#x203A;Ä&#x2021; poĹ&#x203A;rednio wyznaczanych estymatorĂłw wielkoĹ&#x203A;ci jako elementĂłw yj menzurandu Y zaleĹźy od niepewnoĹ&#x203A;ci i skorelowaĹ&#x201E; wĹ&#x201A;asnych zarĂłwno wielkoĹ&#x203A;ci xi menzurandu X jak i k parametrĂłw P ukĹ&#x201A;adu pomiarowego oraz od skorelowaĹ&#x201E; skroĹ&#x203A;nych miÄ&#x2122;dzy X i P. OpisujÄ&#x2026; to wzory (3)â&#x20AC;&#x201C;(8) (tab. 1, pkt 2).

JeĹ&#x203A;li nie ma korelacji miÄ&#x2122;dzy elementami P ukĹ&#x201A;adu opisanego macierzÄ&#x2026; M i wielkoĹ&#x203A;ciami mierzonymi X, to macierz kowariancji UY menzurandu Y wynika ze wzoru (6), tj.: T UY (X , M ) â&#x2030;Ą UYX + UYM = SXU XSXT + SMU M SM

(10a)

â&#x17D;ĄU 1 â&#x17D;¤ â&#x17D;ĄU 2 â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ = Aâ&#x2039;&#x2026; â&#x17D;˘ â&#x17D;Ľ, â&#x17D;˘â&#x17D;Ł I 1 â&#x17D;Ľâ&#x17D;Ś â&#x17D;˘â&#x17D;Ł I 2 â&#x17D;Ľâ&#x17D;Ś

(10b) gdzie: SX, SM â&#x20AC;&#x201C; macierze czuĹ&#x201A;oĹ&#x203A;ci dla wyznaczenia wariancji niepewnoĹ&#x203A;ci elementĂłw menzurandu Y pochodzÄ&#x2026;cych od niepewnoĹ&#x203A;ci wielkoĹ&#x203A;ci menzurandu X oraz od parametrĂłw macierzy M ukĹ&#x201A;adu pomiarowego bÄ&#x2122;dÄ&#x2026;cych funkcjami jego

90

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

â&#x17D;ĄA11 A12 â&#x17D;¤ â&#x17D;Ľ gdzie: A = â&#x17D;˘ â&#x17D;˘â&#x17D;ŁA21 A22 â&#x17D;Ľâ&#x17D;Ś

(12)

JeĹ&#x203A;li czwĂłrnik ten jest pasywny, to elementy macierzy A speĹ&#x201A;niajÄ&#x2026; rĂłwnanie det(A) = A11A22 â&#x20AC;&#x201C; A12A21 = 1 A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

(13) N R 4 /201 9

$ ( D 1 % W ogĂłlnym przypadku tylko wybrane trzy z elementĂłw macierzy A sÄ&#x2026; niezaleĹźne. Czwarty wyraz wynika ze wzoru (13) dla wyznacznika. Dotyczy to rĂłwnieĹź niepewnoĹ&#x203A;ci tych elementĂłw i trzech z szeĹ&#x203A;ciu moĹźliwych wspĂłĹ&#x201A;czynnikĂłw korelacji. JeĹ&#x203A;li schemat, wartoĹ&#x203A;ci elementĂłw i parametry losowe (niepewnoĹ&#x203A;Ä&#x2021;, wspĂłĹ&#x201A;czynniki korelacji) ukĹ&#x201A;adu rzeczywistego sÄ&#x2026; nieznane, to naleĹźy posĹ&#x201A;uĹźyÄ&#x2021; siÄ&#x2122; wartoĹ&#x203A;ciami elementĂłw macierzy A lub impedancjami schematu zastÄ&#x2122;pczego czwĂłrnika pasywnego typu T lub Î .

MoĹźna je znaleĹşÄ&#x2021; eksperymentalnie z synchronicznych pomiarĂłw na jego zaciskach.

Celem pracy jest prezentacja zastosowania rozszerzonej metody oceny niepewnoĹ&#x203A;ci w pomiarach wieloparametrowych na przykĹ&#x201A;adzie poĹ&#x203A;rednich pomiarĂłw napiÄ&#x2122;cia i prÄ&#x2026;du na niedostÄ&#x2122;pnym wejĹ&#x203A;ciu dzielnika impedancyjnego. Przypadek ogĂłlny szacowania niepewnoĹ&#x203A;ci pomiarĂłw za poĹ&#x203A;rednictwem czwĂłrnika typu T opiszemy szerzej w kolejnym numerze.

| | =

1 ( 1

% % +

+ , " " 2 i 2 Â&#x2C6; ! & % 2Â&#x2020;/Â&#x2030; 3.3.1. Bez skorelowania

2

i 2, r22 = r( 2, 2) = 0

W tym przypadku macierz kowariancji UY jest tylko pierwszym skĹ&#x201A;adnikiem ze wzoru (9), tj.

UY (X ) = SXU XSXT

Ze wzorĂłw (14a, b, c) otrzymuje siÄ&#x2122; wariancje, czyli kwadraty standardowych niepewnoĹ&#x203A;ci Ď&#x192;U21 , Ď&#x192; I21 jako funkcje elementĂłw macierzy A, wielkoĹ&#x203A;ci mierzonych U2, I2 i ich niepewnoĹ&#x203A;ci wzglÄ&#x2122;dnych δU 2 , δ I 2 (15a)

| < % ^ ' ! %

IlustracjÄ&#x2122; zastosowania zaproponowanego rozszerzenia metody podanej w S2-GUM [1] przedstawimy na prostym przykĹ&#x201A;adzie poĹ&#x203A;rednich pomiarĂłw napiÄ&#x2122;cia i prÄ&#x2026;du wystÄ&#x2122;pujÄ&#x2026;cych na niedostÄ&#x2122;pnych zaciskach wejĹ&#x203A;ciowych ukĹ&#x201A;adu o strukturze dzielnika impedancyjnego (rys. 1). Takie ukĹ&#x201A;ady stosuje siÄ&#x2122; m.in. w pomiarach wysokonapiÄ&#x2122;ciowych.

(15b)

i wspĂłĹ&#x201A;czynnik korelacji r11 = r(U1, I1) miÄ&#x2122;dzy napiÄ&#x2122;ciem U1 i prÄ&#x2026;dem I1:

(16)

oraz niepewnoĹ&#x203A;ci wzglÄ&#x2122;dne:

δU = 1

δI = 1

Rys. 1. UkĹ&#x201A;ad obciÄ&#x2026;Ĺźonego dzielnika impedancyjnego Fig. 1. Scheme of loaded impedance divider circuit

UkĹ&#x201A;ad ten jest szczegĂłlnym przypadkiem czwĂłrnika liniowego pasywnego. Z praw Kirchhoffa wynikajÄ&#x2026; dwa jego rĂłwnania transmisyjne (14a, b) wiÄ&#x2026;ĹźÄ&#x2026;ce ze sobÄ&#x2026; napiÄ&#x2122;cia i prÄ&#x2026;dy par koĹ&#x201E;cĂłwek

U1 =

(Z

1

)

+ Z2 U2

+ Z1I 2

Z2 I1 =

U2 + I2 Z2

1

U1

Ď&#x192;I

1

I1

= a112 δU22 + a122 δ I22

(17a)

2 2 δU 2 + a222 δ I22 = a21

(17b)

â&#x17D;&#x203A; Z1 â&#x17D;&#x17E; â&#x17D;&#x153;1 + â&#x17D;&#x;U 2 Z2 â&#x17D; Z1I 2 â&#x17D;? , a12 = a11 = , â&#x17D;&#x203A; â&#x17D;&#x203A; Z1 â&#x17D;&#x17E; Z1 â&#x17D;&#x17E; â&#x17D;&#x153;1 + â&#x17D;&#x;U 2 + Z1I 2 â&#x17D;&#x153;1 + â&#x17D;&#x;U 2 + Z1I 2 Z2 â&#x17D; Z2 â&#x17D; â&#x17D;? â&#x17D;?

gdzie:

(14a) a21 =

(14b)

Ď&#x192;U

U2 Z 2I 2 , a22 = .

U 2 + Z 2I 2 U 2 + Z 2I 2

3.3.2. Przy skorelowaniu

2

i 2, r22 š 0

NiepewnoĹ&#x203A;ci bezwzglÄ&#x2122;dne w postaci rozwiniÄ&#x2122;tej: lub w postaci macierzowej (12), w ktĂłrej macierz A opisana jest nastÄ&#x2122;pujÄ&#x2026;co: â&#x17D;Ą Z1 â&#x17D;˘1 + â&#x17D;˘ Z2 A=â&#x17D;˘ â&#x17D;˘ 1 â&#x17D;˘â&#x17D;Ł Z 2

â&#x17D;¤ Z1 â&#x17D;Ľ â&#x17D;Ľ â&#x17D;Ľ 1â&#x17D;Ľ â&#x17D;Ľâ&#x17D;Ś

â&#x17D;&#x203A;

δU = â&#x17D;&#x153;1 + 1

â&#x17D;?

2

2 â&#x17D;&#x203A; Z1 â&#x17D;&#x17E; 2 2 Z1 â&#x17D;&#x17E; 2 â&#x17D;&#x; U 2 δU 2 + 2 Ď 22 â&#x17D;&#x153;1 + â&#x17D;&#x;U 2Z1I 2δU 2 δ I 2 + Z1I 2 δ I 2 Z2 â&#x17D; Z 2 â&#x17D; â&#x17D;?

(

)

(18a) (14c)

ZaleĹźnoĹ&#x203A;ci miÄ&#x2122;dzy elementami macierzy A i impedancjami Z1, Z2 tego ukĹ&#x201A;adu wynikajÄ&#x2026; z (14c). Oszacujemy dokĹ&#x201A;adnoĹ&#x203A;Ä&#x2021; estymatorĂłw napiÄ&#x2122;cia U1 i prÄ&#x2026;du I1 przez wyznaczenie macierzy kowariancji UY dla róşnych przypadkĂłw niepewnoĹ&#x203A;ci i skorelowania miÄ&#x2122;dzy mierzonymi bezpoĹ&#x203A;rednio napiÄ&#x2122;ciem U2 i prÄ&#x2026;dem I2 oraz obiema impedancjami ukĹ&#x201A;adu.

2

â&#x17D;&#x203A;U 2 â&#x17D;&#x17E; 2 â&#x17D;&#x203A;U 2 â&#x17D;&#x17E; 2 2 â&#x17D;&#x; δU 2 + 2 Ď 22 â&#x17D;&#x153; â&#x17D;&#x; I 2δU 2 δ I 2 + I 2 δ I 2 â&#x17D;? Z2 â&#x17D; â&#x17D;? Z2 â&#x17D;

δI = â&#x17D;&#x153; 1

(18b)

oraz wspĂłĹ&#x201A;czynnik korelacji r11 = r(U1, I1) â&#x17D;&#x203A; Z1 â&#x17D;&#x17E; 2 2 2 2 â&#x17D;&#x153;1 + â&#x17D;&#x;U 2 δU 2 + Z1Z 2I 2 δ I 2 + 2Z1 + Z 2 Ď 22U 2I 2δU 2 δ I 2 Z2 â&#x17D; â&#x17D;?

(19) Ď 11 = Z 2Ď&#x192;U1Ď&#x192; I1

(

)

91

K 2 2

T %

T T B # !2P UB nieĹź na wejĹ&#x203A;ciu otrzymuje siÄ&#x2122; wspĂłĹ&#x201A;czynnik r11 = 1 miÄ&#x2122;dzy U1 i I1 w caĹ&#x201A;ym zakresie pomiarĂłw prÄ&#x2026;du wyjĹ&#x203A;ciowego I2. Podobnie niepewnoĹ&#x203A;ci napiÄ&#x2122;cia i prÄ&#x2026;du na wejĹ&#x203A;ciu sÄ&#x2026; identyczne jak na wyjĹ&#x203A;ciu. IlustrujÄ&#x2026; to wykresy z rysunkĂłw 2 i 3.

Z rys. 3 wynika, Ĺźe niepewnoĹ&#x203A;ci poĹ&#x203A;redniego pomiaru wartoĹ&#x203A;ci napiÄ&#x2122;cia U1 i prÄ&#x2026;du I1 na wejĹ&#x203A;ciu dzielnika przy ujemnej korelacji r22 = â&#x20AC;&#x201C;1 na wyjĹ&#x203A;ciu, malejÄ&#x2026; o niewiele ponad 0,1%. Przy ujemnej korelacji r22 = â&#x20AC;&#x201C;1 dla mierzonych wielkoĹ&#x203A;ci wystÄ&#x2122;puje obszar skokowej zmiany wspĂłĹ&#x201A;czynnika korelacji r11 (rys. 2) z wartoĹ&#x203A;ci +1 do â&#x20AC;&#x201C;1, gdy niepewnoĹ&#x203A;Ä&#x2021; pomiaru prÄ&#x2026;du I1 maleje do zera (dla 0,05 A) i wzrost z wartoĹ&#x203A;ci â&#x20AC;&#x201C;1 do +1, gdy niepewnoĹ&#x203A;Ä&#x2021; pomiaru napiÄ&#x2122;cia U1 spada teoretycznie do zera (dla 0,075 A). Ze wzorĂłw (21a, b) dla δU 2 = δ I 2 = δ wynika, Ĺźe punkty o niepewnoĹ&#x203A;ci rĂłwnej zeru, ktĂłre wyznaczajÄ&#x2026; przedziaĹ&#x201A; zmian wspĂłĹ&#x201A;czynnika korelacji r11, wystÄ&#x2122;pujÄ&#x2026; dla prÄ&#x2026;du I2I = A21U2/A22 = 50 mA i dla napiÄ&#x2122;cia przy I2V = A11U2/A12 = 75 mA. SÄ&#x2026; wĂłwczas najmniejsze niepewnoĹ&#x203A;ci pomiaru napiÄ&#x2122;cia U1 i prÄ&#x2026;du I1. MalejÄ&#x2026; one od wartoĹ&#x203A;ci 0,5% do zera, a nastÄ&#x2122;pnie powoli rosnÄ&#x2026;, by na koĹ&#x201E;cu zakresu 0,2 A osiÄ&#x2026;gnÄ&#x2026;Ä&#x2021; 0,2â&#x20AC;&#x201C;0,3% (dla U2 â&#x2020;&#x2019; 0, I2 â&#x2020;&#x2019; U1/Z1, a12 â&#x2020;&#x2019; 1, a22 â&#x2020;&#x2019; 1; δU1 â&#x2020;&#x2019; δ , δ I1 â&#x2020;&#x2019; δ ).

i niepewnoĹ&#x203A;ci wzglÄ&#x2122;dne:

δU = a112 δU2 + 2 Ď 22a11a12δU δ I + a122 δ I2

(20a)

δU = a212 δU2 + 2 Ď 22a21a22δU δ I + a222 δ I2

(20b)

1

2

1

2

2

2

2

2

2

2

â&#x20AC;&#x201C; niepewnoĹ&#x203A;ci bezwzglÄ&#x2122;dne i wzglÄ&#x2122;dne przy peĹ&#x201A;nym skorelowaniu napiÄ&#x2122;cia i prÄ&#x2026;du (r22 = Âą1):

Ď&#x192;U = A11U 2δU Âą A12I 2δ I 1

2

Ď&#x192; I = A21δU Âą A22δ I 1

2

δU = a11δU ¹ a12δ I

2

δ I = a21δU ¹ a22δ I

2

1

2

1

2

(21a)

2

(21b)

2

(22a)

(22b)

Jako przykĹ&#x201A;ad, ze wzorĂłw (20a, b) obliczono niepewnoĹ&#x203A;ci wzglÄ&#x2122;dne δU1 , δ I1 oraz wspĂłĹ&#x201A;czynniki korelacji r11 na wejĹ&#x203A;ciu dzielnika w funkcji prÄ&#x2026;du I2 na jego wyjĹ&#x203A;ciu. PrzyjÄ&#x2122;to: napiÄ&#x2122;cie wyjĹ&#x203A;ciowe U2 = 5 V, impedancje dzielnika Z1 = 200 Ί i Z2 = 100 Ί oraz niepewnoĹ&#x203A;ci wzglÄ&#x2122;dne pomiaru napiÄ&#x2122;cia i prÄ&#x2026;du na wyjĹ&#x203A;ciu δU 2 = δ I 2 = 0, 5%. Wykresy podano na rysunkach 2 i 3.

Rysunek 2 zawiera przebiegi wg wzoru (19), a na rysunku 3 podano wykresy wedĹ&#x201A;ug wzorĂłw (22a, b).

Przy peĹ&#x201A;nej korelacji napiÄ&#x2122;cia U2 i prÄ&#x2026;du I2 mierzonych na wyjĹ&#x203A;ciu dzielnika, tj. gdy ich wspĂłĹ&#x201A;czynnik korelacji r22 = 1 rĂłw1

(

0,8

| } = " + !% ' % Przetwarzanie mierzonego bezpoĹ&#x203A;rednio menzurandu X w menzurand Y realizuje siÄ&#x2122; w ukĹ&#x201A;adzie z rysunku 1 z okreĹ&#x203A;lonymi wartoĹ&#x203A;ciami niepewnoĹ&#x203A;ci wiÄ&#x2122;kszymi od zera. Trzeba to uwzglÄ&#x2122;dniÄ&#x2021;, gdy ich wpĹ&#x201A;yw nie jest pomijalny. Dla dzielnika (rys. 1) dotyczy to niepewnoĹ&#x203A;ci wzglÄ&#x2122;dnych δ Z1 i δ Z 2 dla impedancji Z1, Z2. Rozpatrzymy najpierw przypadek, gdy korelacja

Rys. 2. WspĂłĹ&#x201A;czynnik korelacji Ď 11 = Ď (U1, I1) na wejĹ&#x203A;ciu dzielnika impedancyjnego w funkcji prÄ&#x2026;du wyjĹ&#x203A;ciowego I 2 dla trzech wartoĹ&#x203A;ci wspĂłĹ&#x201A;czynnika korelacji Ď 22 = Ď (U2, I 2) = â&#x20AC;&#x201C;1, 0, 1 na wyjĹ&#x203A;ciu Fig. 2. Correlation coefficient Ď 11 = Ď (U1, I1) at the input of the impedance divider as a function of the output current I2 for three values of correlation coefficient Ď 22 = Ď (U2, I2) = â&#x20AC;&#x201C;1, 0, 1 at the output

)

0,6 0,4 0,2 0 -0,2

00

,025

0,05

0,0750

,1

0,1250

,150

,175

0,2

-0,4 -0,6 -0,8 -1

0,55

,

0,5

[%]

Rys. 3. NiepewnoĹ&#x203A;ci wzglÄ&#x2122;dne napiÄ&#x2122;cia U1 i prÄ&#x2026;du I1 na wejĹ&#x203A;ciu dzielnika w funkcji wyjĹ&#x203A;ciowego prÄ&#x2026;du I 2 dla trzech wartoĹ&#x203A;ci wspĂłĹ&#x201A;czynnika korelacji na wyjĹ&#x203A;ciu Ď 22 = Ď (U2, I 2) = â&#x20AC;&#x201C;1, 0, 1 Fig. 3. Relative uncertainties of voltage U1 and current I1 at the divider input as function of an output current I2 for three values of the correlation coefficient at the output Ď 22 = Ď (U2, I2) = â&#x20AC;&#x201C;1, 0, 1

0,45 0,4 0,35 0,3 0,25 0,2 0,15 0,1 0,05 0 00

92

,025

0,05

P

O

M

0,0750

I

A

R

Y

,1

â&#x20AC;˘

A

U

0,125

T

O

M

0,150

A

T

Y

K

,175

A

â&#x20AC;˘

R

0,2

O

B

O

T

Y

K

A

N R 4 /201 9

$ ( D 1 % wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych z parametrami ukĹ&#x201A;adu nie wystÄ&#x2122;puje.

WĂłwczas macierz kowariancji UY wyznacza siÄ&#x2122; ze wzoru (6) jako sumÄ&#x2122; skĹ&#x201A;adowych pochodzÄ&#x2026;cych od niepewnoĹ&#x203A;ci wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych X i od parametrĂłw ukĹ&#x201A;adu P. NiepewnoĹ&#x203A;ci wystÄ&#x2122;pujÄ&#x2026;ce w wypadkowej macierzy kowariancji UY wzrastajÄ&#x2026; o niepewnoĹ&#x203A;ci funkcji przetwarzania realizowanej w ukĹ&#x201A;adzie pomiarowym. BÄ&#x2122;dÄ&#x2026; one oznaczane indeksem 11, a ich skĹ&#x201A;adowe pochodzÄ&#x2026;ce od funkcji przetwarzania â&#x20AC;&#x201C; literÄ&#x2026; F w indeksie. Przy skorelowaniu U2, I2 ze wspĂłĹ&#x201A;czynnikiem r22 i skorelowaniu Z1, Z2 ze wspĂłĹ&#x201A;czynnikiem rZ otrzymuje siÄ&#x2122; wzory:

Ď&#x192;

2 U11

=Ď&#x192;

2 U1

+Ď&#x192;

2 UF

(

1 2 2 2 I 1 Z 2 Ď&#x192; Z1 + I Z22 Z12Ď&#x192; Z22 â&#x2C6;&#x2019; 2Z1Z 2I 1I Z 2 Ď Z Ď&#x192; Z1Ď&#x192; Z 2 Z 22

Ď&#x192; I2 = F

U 22 2 Ď&#x192;Z Z 22 2

(24a)

(24b)

δU2 = δU2 + δU2

(25a)

δ I2 = δ I2 + δ I2

(25b)

11

δU = F

δI =

Ď&#x192;U

F

U1

Ď&#x192;I

F

F

I1

F

1

I 12δ Z21 + I Z22 δ Z22 â&#x2C6;&#x2019; 2I 1I Z 2 Ď Z δ Z1 δ Z 2

= Z1 â&#x2039;&#x2026;

=

F

1

11

gdzie:

dla niepewnoĹ&#x203A;ci bezwzglÄ&#x2122;dnych na wejĹ&#x203A;ciu dzielnika, w ktĂłrych jako skĹ&#x201A;adowe wystÄ&#x2122;pujÄ&#x2026; kwadraty niepewnoĹ&#x203A;ci impedancji ukĹ&#x201A;adu przetwarzania

Rys. 4. a, c. WspĂłĹ&#x201A;czynnik korelacji Ď 11 na wejĹ&#x203A;ciu ukĹ&#x201A;adu w funkcji prÄ&#x2026;du I 2 przy niepewnoĹ&#x203A;ciach δ = 0,25%, δZ = 0,52%, wspĂłĹ&#x201A;czynnikach korelacji Ď 22(U2, I 2) = (â&#x20AC;&#x201C;1, 0, 1) i Ď Z(Z1, Z2) = (â&#x20AC;&#x201C;1, 0, 1); b. δ = 0,52%, δZ = 0,25% i wspĂłĹ&#x201A;czynnikach korelacji Ď 22(U2, I 2) = (â&#x20AC;&#x201C;1, 0, 1) i Ď Z(Z1, Z2) = (â&#x20AC;&#x201C;1, 0, 1) Fig. 4. a, c. Correlation coefficient Ď 11 at the input as function of output current I2 at uncertainties; b. δ = 0,52%, δZ = 0,25% and correlation coefficients Ď 22(U2, I2) = (â&#x20AC;&#x201C;1, 0, 1) and Ď Z(Z1, Z2) = (â&#x20AC;&#x201C;1, 0, 1)

)

oraz dla niepewnoĹ&#x203A;ci wzglÄ&#x2122;dnych

(23b)

F

1

F

(23a)

Ď&#x192; I2 = Ď&#x192; I2 + Ď&#x192; I2 11

Ď&#x192;U2 =

(26a)

A11U 2 + A12I 2

(

U 2δ Z 2

Z 2 A21U 2 + A22I 2

)

=

I Z 2 δZ 2

(26b)

A21U 2 + A22I 2

(

a)

0,9 0,7 0,5 0,3 0,1 -0,1 00

,025

0,05

0,0750

,1

0,1250

,150

,175

0,2

-0,3

b)

( 0,9 0,7 0,5 0,3 0,1 -0,1 00

,020

,040

,060

,080

,1

0,12

0,14

0,16

0,18

0,2

,020

,040

,060

,080

,1

0,12

0,14

0,16

0,18

0,2

-0,3

c)

(

0,9 0,7 0,5 0,3 0,1 -0,1 00 -0,3

93

K 2 2

T %

T T B # !2P UB 0,57

a)

0,56 0,55

Rys. 5. NiepewnoĹ&#x203A;Ä&#x2021; wzglÄ&#x2122;dna napiÄ&#x2122;cia na wejĹ&#x203A;ciu dzielnika w funkcji prÄ&#x2026;du wyjĹ&#x203A;cia I 2, dla niepewnoĹ&#x203A;ci δ = 0,5% oraz δZ = 0,2% i wspĂłĹ&#x201A;czynnikĂłw korelacji Ď Z = â&#x20AC;&#x201C;1, 0, 1 ukĹ&#x201A;adu i przy ich pominiÄ&#x2122;ciu (wg Supl. 2 GUM): a) dla skorelowania wyjĹ&#x203A;cia Ď 22 = 1; b) przy braku skorelowania Ď 22 = 0 Fig. 5. Relative uncertainty of the voltage at the divider input as a function of output current I2, for uncertainty δ = 0.5%, the circuit δZ = 0.2%, correlation coefficients: Ď Z = â&#x20AC;&#x201C;1, 0, 1 and for their omission (acc. to Suppl. 2 GUM): a) for correlation on the output Ď 22 = 1; b) in the absence of correlation Ď 22 = 0

[%]

0,54 0,53 0,52 0,51 0,5 0,49

0,58 0,56 0,54 0,52 0,5 0,48 0,46 0,44 0,42 0,4 0,38 0,36 0,34 0,32 0,3

b)

0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,1 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,2

[%]

0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,1 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,2

JeĹ&#x203A;li δU 2 = δ I 2 = δ , δ Z1 = δ Z 2 = δ Z , to niepewnoĹ&#x203A;ci bezwzglÄ&#x2122;dne pomiaru poĹ&#x203A;redniego napiÄ&#x2122;cia i prÄ&#x2026;du na wejĹ&#x203A;ciu w funkcji niepewnoĹ&#x203A;ci wzglÄ&#x2122;dnych d i dZ wynoszÄ&#x2026; odpowiednio: (27a)

(

â&#x17D;&#x203A;U2 â&#x17D;&#x17E; â&#x17D;&#x; â&#x17D;? Z2 â&#x17D;

)

2

Ď&#x192; I = δ I2 I 12 + I Z2 δ Z2 = δ 2 A212U 22 + 2 Ď 22U 2I 2A21A22 + I 22A222 + δ Z2 â&#x17D;&#x153; 11

1

2

2

(27b)

ZaĹ&#x203A; niepewnoĹ&#x203A;ci wzglÄ&#x2122;dne dla tego przypadku pomiarĂłw poĹ&#x203A;rednich napiÄ&#x2122;cia i prÄ&#x2026;du na wejĹ&#x203A;ciu:

δU = 11

Ď&#x192;U

11

U1

= δU21

â&#x17D;Ą â&#x17D;¤ â&#x17D;&#x203A;U â&#x17D;&#x17E;U Z12 â&#x17D;˘ 2 1 â&#x2C6;&#x2019; Ď Z â&#x17D;&#x153; 2 + I 2 â&#x17D;&#x; 2 + I 22 â&#x17D;Ľ δ Z2 Z Z â&#x17D;? 2 â&#x17D; 2 â&#x17D;Ł â&#x17D;Ś +

(

)

(A U 11

δI =

Ď&#x192;I

11

11

I1

= δ I21 +

(

2

+ A12I 2

â&#x17D;&#x203A;U 2 â&#x17D;&#x17E; â&#x17D;&#x153; â&#x17D;&#x; â&#x17D;? Z2 â&#x17D;

)

(28a)

2

2

A11U 2 + A12I 2

)

2

δ Z2

(28b)

WspĂłĹ&#x201A;czynnik korelacji miÄ&#x2122;dzy U1 i I1 na wejĹ&#x203A;ciu ukĹ&#x201A;adu wynosi: â&#x17D;&#x203A; â&#x17D;&#x203A; U2 â&#x17D;&#x17E; Z1 â&#x17D;&#x17E; 2 2 2 2 â&#x2C6;&#x2019; I 1Ď Z δ Z1 â&#x17D;&#x; â&#x17D;&#x153;1 + â&#x17D;&#x;U 2 δU 2 + Z1Z 2I 2 δ I 2 + 2Z1 + Z 2 Ď 22U 2I 2δU 2 δ I 2 + Z1U 2δ Z 2 â&#x17D;&#x153; δ Z 2 Z2 â&#x17D; Z2 â&#x17D;? â&#x17D; Ď 11 = â&#x17D;?

Z 2Ď&#x192;U11Ď&#x192; I11

(

)

(29)

i dla par jednakowych niepewnoĹ&#x203A;ci wzglÄ&#x2122;dnych δU 2 = δ I 2 = δ , δ Z1 = δ Z 2 = δ Z upraszcza siÄ&#x2122; do â&#x17D;Ąâ&#x17D;&#x203A;

δ 2 â&#x17D;˘â&#x17D;&#x153; 1 + â&#x17D;Łâ&#x17D;?

Ď 11 =

94

P

O

M

I

A

R

â&#x17D;¤ â&#x17D;&#x203A;U 2 â&#x17D;&#x17E; Z1 â&#x17D;&#x17E; 2 2 2 â&#x2C6;&#x2019; I 1 Ď Z â&#x17D;&#x; â&#x17D;&#x;U 2 + Z1Z 2I 2 + 2Z1 + Z 2 Ď 22U 2I 2 â&#x17D;Ľ + δ Z Z1U 2 â&#x17D;&#x153; Z2 â&#x17D; â&#x17D;? Z2 â&#x17D; â&#x17D;Ś

(

)

(30)

Z 2Ď&#x192;U11Ď&#x192; I11

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

$ ( D 1 % Rysunki 4a, b, c przedstawiajÄ&#x2026; róşne przypadki zaleĹźnoĹ&#x203A;ci r11 od prÄ&#x2026;du I2 otrzymane ze wzoru (30).

Z rys. 4a wynika, Ĺźe przy uwzglÄ&#x2122;dnieniu niepewnoĹ&#x203A;ci ukĹ&#x201A;adu pomiarowego dZ, wystÄ&#x2122;pujÄ&#x2026;ce na rys. 2 dla dZ = 0 granice obszaru o bardzo duĹźym spadku wartoĹ&#x203A;ci wspĂłĹ&#x201A;czynnika korelacji r11(I2) miÄ&#x2122;dzy U1 i I1, ulegajÄ&#x2026; rozmyciu, tj. zmieniajÄ&#x2026; siÄ&#x2122; bardziej pĹ&#x201A;ynnie i zaleĹźÄ&#x2026; od dZ. Obszar ten zwiÄ&#x2122;ksza siÄ&#x2122; dla zmniejszajÄ&#x2026;cych siÄ&#x2122; wartoĹ&#x203A;ci wspĂłĹ&#x201A;czynnika korelacji r22 < 1 na wyjĹ&#x203A;ciu dzielnika. WartoĹ&#x203A;ci wspĂłĹ&#x201A;czynnika r11 na brzegach tego przedziaĹ&#x201A;u prÄ&#x2026;du zmieniajÄ&#x2026; siÄ&#x2122; niewiele.

Na rysunku 4b obserwuje siÄ&#x2122; kilkukrotne zmniejszenie wartoĹ&#x203A;ci r11 przy wzroĹ&#x203A;cie niepewnoĹ&#x203A;ci dZ funkcji przetwarzania i zmniejszaniu siÄ&#x2122; niepewnoĹ&#x203A;ci d pomiarĂłw napiÄ&#x2122;cia i prÄ&#x2026;du na wyjĹ&#x203A;ciu dzielnika w stosunku do parametrĂłw z rysunku 4c. Charakterystyki zaleĹźnoĹ&#x203A;ci wspĂłĹ&#x201A;czynnika korelacji r11 od prÄ&#x2026;du na wyjĹ&#x203A;ciu wzrastajÄ&#x2026; wraz ze wspĂłĹ&#x201A;czynnikiem korelacji rZ. Przy caĹ&#x201A;kowitym skorelowaniu wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych i parametrĂłw ukĹ&#x201A;adu rZ = 1, r22 = 1 otrzymuje siÄ&#x2122; nastÄ&#x2122;pujÄ&#x2026;ce niepewnoĹ&#x203A;ci wzglÄ&#x2122;dne napiÄ&#x2122;cia U1 i prÄ&#x2026;du I1:

δU = 11

δI = 11

a)

0,56

(

)

2

â&#x17D;Ą A11U 2 + A12I 2 δ â&#x17D;¤ + δ Z2Z12I 22 â&#x17D;Ł â&#x17D;Ś â&#x2030;ĽÎ´ A11U 2 + A12I 2 2 â&#x17D;&#x203A; 2â&#x17D;&#x17E; â&#x17D;Ą A21U 2 + A22I 2 δ â&#x17D;¤ + â&#x17D;&#x153;U 2 â&#x17D;&#x; δ Z2 â&#x17D;Ł â&#x17D;Ś â&#x17D;&#x153;Z2 â&#x17D;&#x; â&#x17D;? 2â&#x17D; â&#x2030;ĽÎ´ A21U 2 + A22I 2

(

(31a)

)

(31b)

Na rysunku 5a, b przedstawiono wykresy niepewnoĹ&#x203A;ci wzglÄ&#x2122;dnej δU11 [%] opisane wzorem (28a) dla poĹ&#x203A;redniego pomiaru napiÄ&#x2122;cia U1 (rys. 1) wyznaczone dla U1 = 5 V, Z1 = 200 Ί i Z2 = 100 Ί oraz d = 0,5%, dZ = 0,2%, w funkcji prÄ&#x2026;du I2 [A] przy skorelowaniu i braku skorelowania U2 i I2 dla trzech wartoĹ&#x203A;ci wspĂłĹ&#x201A;czynnikĂłw korelacji parametrĂłw ukĹ&#x201A;adu. Dodatkowo zamieszczono wykres niepewnoĹ&#x203A;ci dla nieskorelowanych wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych przy idealnej funkcji przetwarzania.

Z rysunkĂłw 5a, b wynika, Ĺźe niepewnoĹ&#x203A;Ä&#x2021; wzglÄ&#x2122;dna δU11 napiÄ&#x2122;cia U1 wzrasta przy uwzglÄ&#x2122;dnieniu niepewnoĹ&#x203A;ci ukĹ&#x201A;adu przetwarzania. Dla dZ = 0,2% charakterystyki δU11 = f (I 2 ) przebiegajÄ&#x2026; coraz wyĹźej nad charakterystykÄ&#x2026; dla rZ = 0 przy zmniejszaniu siÄ&#x2122; wspĂłĹ&#x201A;czynnika skorelowania r22 dla napiÄ&#x2122;cia i prÄ&#x2026;du wyjĹ&#x203A;cia.

Dla r22 = 1, 0, â&#x20AC;&#x201C;1 sÄ&#x2026; odlegĹ&#x201A;e Ĺ&#x203A;rednio o 0,01%, a poĹ&#x201A;oĹźenia ich pĹ&#x201A;askich minimĂłw, wystÄ&#x2122;pujÄ&#x2026;cych miÄ&#x2122;dzy 60â&#x20AC;&#x201C;80 mA, niewiele róşniÄ&#x2026; siÄ&#x2122; od siebie.

Na rys 6a i b podano wykresy niepewnoĹ&#x203A;ci wzglÄ&#x2122;dnej δ I11 (I 2 )[%] wg wzoru (28b) dla pomiaru poĹ&#x203A;redniego prÄ&#x2026;du I1 na wejĹ&#x203A;ciu dzielnika przy braku skorelowania i przy skorelowaniu wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych. Na rysunku 7a nie wystÄ&#x2122;puje wpĹ&#x201A;yw niepewnoĹ&#x203A;ci i korelacji impedancji Z1, Z2 ukĹ&#x201A;adu. PrzyjÄ&#x2122;to podobnie, jak poprzednio dla pomiaru U2, I2 niepewnoĹ&#x203A;ci wzglÄ&#x2122;dne δU 2 = δ I 2 = δ = 0, 5% oraz dZ = 0,2% dla impedancji Z1, Z2 i wartoĹ&#x203A;ci U2 = 5 V, Z1 = 200 Ί i Z2 = 100 Ί. Rysunek 7b przedstawia podobne wykresy dla trzech wspĂłĹ&#x201A;czynnikĂłw korelacji napiÄ&#x2122;cia i prÄ&#x2026;du na wyjĹ&#x203A;ciu ukĹ&#x201A;adu r22 = â&#x20AC;&#x201C;1, 0, 1 z uwzglÄ&#x2122;dnieniem niepewnoĹ&#x203A;ci ukĹ&#x201A;adu przetwarzania dZ = 0,2%.

Rys. 6. NiepewnoĹ&#x203A;ci wzglÄ&#x2122;dne poĹ&#x203A;redniego pomiaru prÄ&#x2026;du na wejĹ&#x203A;ciu dzielnika z rys. 1 w funkcji prÄ&#x2026;du wyjĹ&#x203A;ciowego I 2 dla skorelowania i braku skorelowania na wyjĹ&#x203A;ciu ukĹ&#x201A;adu: a. dla Ď 22 = 0, 1; b. dla Ď 22 = 0, â&#x20AC;&#x201C;1, 1 Fig. 6. Relative uncertainties of indirectly measured input current as a function of output current I2 for correlations at the circuit output: a. Ď 22 = 0, 1; b. Ď 22 = 0, â&#x20AC;&#x201C;1, 1

[%]

0,54 0,52 0,5 0,48 0,46 0,44

,2%

0,42 0,4 0,38 0,36 0,34

[A]

0,32 0,3

b)

0,6 0,56 0,52 0,48 0,44 0,4 0,36 0,32 0,28 0,24 0,2 0,16 0,12 0,08 0,04 0

0

0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,1 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,2

[%]

[A] 0 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09 0,1 0,11 0,12 0,13 0,14 0,15 0,16 0,17 0,18 0,19 0,2

95

K 2 2

T %

T T B # !2P UB Z analizy charakterystyk na rysunkach 6a, b wynika, Ĺźe niepewnoĹ&#x203A;Ä&#x2021; wzglÄ&#x2122;dna δ I11 (I 2 ) prÄ&#x2026;du I1 na wejĹ&#x203A;ciu ukĹ&#x201A;adu nieznacznie wzrasta przy uwzglÄ&#x2122;dnieniu niepewnoĹ&#x203A;ci dZ = 0,2% dla impedancji ukĹ&#x201A;adu przetwarzania, tj. do 0,04% na poczÄ&#x2026;tku i rzÄ&#x2122;du 0,01% w pozostaĹ&#x201A;ej czÄ&#x2122;Ĺ&#x203A;ci z zanikajÄ&#x2026;cymi róşnicami na koĹ&#x201E;cu przedziaĹ&#x201A;u. NiepewnoĹ&#x203A;Ä&#x2021; ta wzrasta teĹź wraz z wartoĹ&#x203A;ciÄ&#x2026; wspĂłĹ&#x201A;czynnika korelacji miÄ&#x2122;dzy impedancjami dzielnika. Odchylenia od wartoĹ&#x203A;ci maksymalnych, bliskich 0,5 % dla dZ = 1 wynoszÄ&#x2026; okoĹ&#x201A;o 0,2% dla dZ = â&#x20AC;&#x201C;1 i o okoĹ&#x201A;o 0,1% dla dZ = 0.

UkĹ&#x201A;ad dzielnika (rys. 1) ma dwuwymiarowe (2D) menzurandy X i Y i dwie impedancje Z1, Z2 jako niezaleĹźne parametry wewnÄ&#x2122;trzne. Liczba moĹźliwych wspĂłĹ&#x201A;czynnikĂłw korelacji wynosi 6, w tym 4 niezaleĹźne dla kaĹźdej z macierzy skĹ&#x201A;adowych UA i UB. Tylko dla macierzy UXA(U2, I2) wspĂłĹ&#x201A;czynnik ten moĹźna uzyskaÄ&#x2021; eksperymentalnie, jeĹ&#x203A;li synchronicznie przeprowadzi siÄ&#x2122; pomiary.

PozostaĹ&#x201A;e wspĂłĹ&#x201A;czynniki szacuje siÄ&#x2122; heurystycznie z danych technicznych lub z inne pomiarĂłw.

W podanych przykĹ&#x201A;adach obliczeĹ&#x201E; elementĂłw macierzy UY przyjmie siÄ&#x2122; jednakowy wspĂłĹ&#x201A;czynnik korelacji rV miÄ&#x2122;dzy napiÄ&#x2122;ciem i prÄ&#x2026;dem na wyjĹ&#x203A;ciu dzielnika, a impedancjami dzielnika.

WĂłwczas

} < ' % "

+ " % "^ + " ' ! %

â&#x17D;Ą Ď V Ď&#x192;U 22 Ď&#x192; Z1 U =â&#x17D;˘ â&#x17D;˘ Ď V Ď&#x192; I Ď&#x192; Z 22 1 â&#x17D;Ł

PoniĹźej przedstawiono przykĹ&#x201A;ady obliczeĹ&#x201E; niepewnoĹ&#x203A;ci napiÄ&#x2122;cia i prÄ&#x2026;du mierzonych poĹ&#x203A;rednio na niedostÄ&#x2122;pnym wejĹ&#x203A;ciu dzielnika impedancyjnego (rys. 1) w przypadkach, gdy parametry ukĹ&#x201A;adu sÄ&#x2026; nieskorelowane skroĹ&#x203A;nie z wielkoĹ&#x203A;ciami mierzonymi, tj. gdy U = 0, czyli wg wzoru (5).

UY = SU XS T + SPU PSPT

PrzyjÄ&#x2122;to nastÄ&#x2122;pujÄ&#x2026;ce wartoĹ&#x203A;ci parametrĂłw ukĹ&#x201A;adu: impedancje: Z1 = 9Z2 = 900 Ί, Z2 = 100 Ί, obie impedancje przy prÄ&#x2026;dzie staĹ&#x201A;ym DC o niepewnoĹ&#x203A;ciach wzglÄ&#x2122;dnych uB = 0,2%, wielkoĹ&#x203A;ci mierzone bezpoĹ&#x203A;rednio na wyjĹ&#x203A;ciu dzielnika napiÄ&#x2122;cie: = 5 V, I2 = 50 mA, z niepewnoĹ&#x203A;ciÄ&#x2026; wzglÄ&#x2122;dnÄ&#x2026; typu B 0,2% 2 tym samym lub róşnymi przyrzÄ&#x2026;dami. Z tych wartoĹ&#x203A;ci wyznaczono prÄ&#x2026;d impedancji Z2: , , = 0,1 A¡900 Ί + 5 V = 95 V. Obliczono niepewnoĹ&#x203A;ci dla 1 czterech wariantĂłw korelacji parametrĂłw ukĹ&#x201A;adu i wielkoĹ&#x203A;ci mierzonych: 1. WielkoĹ&#x203A;ci mierzone nieskorelowane, niepewnoĹ&#x203A;ci przetwarzania pomijalne (wg GUM-S2) 2. WielkoĹ&#x203A;ci mierzone nieskorelowane z uwzglÄ&#x2122;dnieniem niepewnoĹ&#x203A;ci ukĹ&#x201A;adu przetwarzania 3. WielkoĹ&#x203A;ci mierzone skorelowane r22 = 1 bez uwzglÄ&#x2122;dnienia niepewnoĹ&#x203A;ci ukĹ&#x201A;adu 4. WielkoĹ&#x203A;ci skorelowane r22 = 1 z uwzglÄ&#x2122;dnieniem niepewnoĹ&#x203A;ci i skorelowania w ukĹ&#x201A;adzie.

W tabeli 2 zestawiono przykĹ&#x201A;ady numeryczne dla skorelowanych i nieskorelowanych wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych i parametrĂłw dzielnika z pominiÄ&#x2122;ciem lub uwzglÄ&#x2122;dnieniem niepewnoĹ&#x203A;ci przetwarzania i jego skorelowania.

NajwiÄ&#x2122;ksze wartoĹ&#x203A;ci niepewnoĹ&#x203A;ci δ I11 dla prÄ&#x2026;du I1 i δU11 dla napiÄ&#x2122;cia U1 otrzymano przy uwzglÄ&#x2122;dnieniu niepewnoĹ&#x203A;ci impedancji ukĹ&#x201A;adu realizujÄ&#x2026;cego funkcjÄ&#x2122; przetwarzania. NiepewnoĹ&#x203A;Ä&#x2021; 0,14% dla idealnego przetwarzania wzrasta do 0,22% przy uwzglÄ&#x2122;dnienia niepewnoĹ&#x203A;ci przetwarzania i peĹ&#x201A;nej korelacji zarĂłwno napiÄ&#x2122;cia i prÄ&#x2026;du na wyjĹ&#x203A;ciu dzielnika, jak i obu impedancji. Obserwuje siÄ&#x2122; teĹź zmniejszenie wspĂłĹ&#x201A;czynnika korelacji na wejĹ&#x203A;ciu ukĹ&#x201A;adu z 1 dla idealnego przetwarzania do 0,6 przy uwzglÄ&#x2122;dnieniu niepewnoĹ&#x203A;ci funkcji przetwarzania.

Î&#x201D;UT â&#x2030;¤

Î&#x201D;IT â&#x2030;¤

1 U Î&#x201D;U 2 + Î&#x201D;I 2 + 2 Î&#x201D;Z 2 Z2 Z2

δy2 = δy2 X + δy2 F + δy2T i

gdzie: V = SUS .

A

R

Y

â&#x20AC;˘

A

U

T

O

M

(32b)

JeĹ&#x203A;li ukĹ&#x201A;ad pomiarowy dokonuje cyklicznie zautomatyzowanych pomiarĂłw w warunkach, w ktĂłrych wystÄ&#x2122;pujÄ&#x2026; outliery lub inne krĂłtkotrwaĹ&#x201A;e zakĹ&#x201A;Ăłcenia, to do skĹ&#x201A;adowych niepewnoĹ&#x203A;ci menzurandu Y pochodzÄ&#x2026;cych od niepewnoĹ&#x203A;ci pomiarĂłw menzurandu X i od niepewnoĹ&#x203A;ci funkcji F spowodowanej przez parametry P ukĹ&#x201A;adu, trzeba dodaÄ&#x2021; geometrycznie standardowe niepewnoĹ&#x203A;ci od wpĹ&#x201A;ywĂłw dodatkowych nadmiernych zakĹ&#x201A;ĂłceĹ&#x201E; T wystÄ&#x2122;pujÄ&#x2026;cych w warunkach pomiaru i przy najmniej korzystnych wartoĹ&#x203A;ciach wspĂłĹ&#x201A;czynnikĂłw korelacji. Dla poszczegĂłlnych wielkoĹ&#x203A;ci yi menzurandu Y otrzymuje siÄ&#x2122; sumÄ&#x2122; niepewnoĹ&#x203A;ci wzglÄ&#x2122;dnych

T P

I

2

â&#x17D;&#x203A;U â&#x17D;&#x17E; Z1 + Z 2 U Î&#x201D;U 2 + Z1 Î&#x201D;I 2 + â&#x17D;&#x153; 2 + I 2 â&#x17D;&#x; Î&#x201D;Z1 â&#x2C6;&#x2019; 22 Î&#x201D;Z 2 (32a) Z2 Z2 â&#x17D;? Z2 â&#x17D;

UY = SX U X SXT + SPU P SPT + V +V T

M

22

W trakcie pomiarĂłw mogÄ&#x2026; wystÄ&#x2026;piÄ&#x2021; odchylenia nadmierne, tzw. outliery, np. indukowane przez pole elektromagnetyczne, od impulsĂłw napiÄ&#x2122;cia z sieci zasilajÄ&#x2026;cej, a nawet od skokĂłw temperatury. JeĹ&#x203A;li nie zostanÄ&#x2026; one usuniÄ&#x2122;te z danych pomiarowych â&#x20AC;&#x201C; np. zgodnie z kryterium Rabbsa lub tzw. metodami odpornymi [4], to przy estymacji niepewnoĹ&#x203A;ci pomiarĂłw wg GUM, opartej obecnie na odchyleniu standardowym wartoĹ&#x203A;ci Ĺ&#x203A;redniej, mogÄ&#x2026; istotnie znieksztaĹ&#x201A;ciÄ&#x2021; ocenÄ&#x2122; dokĹ&#x201A;adnoĹ&#x203A;ci wyniku. OdpornoĹ&#x203A;Ä&#x2021; na wpĹ&#x201A;yw outlierĂłw dla ukĹ&#x201A;adu do pomiarĂłw poĹ&#x203A;rednich moĹźna oszacowaÄ&#x2021; przez najgorszy przypadek przyrostĂłw wielkoĹ&#x203A;ci mierzonych i zmian parametrĂłw tego ukĹ&#x201A;adu, czyli przez bĹ&#x201A;Ä&#x2122;dy graniczne. Na przykĹ&#x201A;ad dla ukĹ&#x201A;adu czwĂłrnika (rys. 1), z róşniczki zupeĹ&#x201A;nej rĂłwnaĹ&#x201E; (14a, b) o jednakowym znaku przyrostĂłw Î&#x201D;Z1, Î&#x201D;Z2 otrzymuje siÄ&#x2122;

W tym rzadko wystÄ&#x2122;pujÄ&#x2026;cym w parktyce przypadku do wzoru (5) uĹźytego dla macierzy kowariancji UY w punkcie 4.1 dochodzÄ&#x2026; dwa skĹ&#x201A;adniki i trzeba uĹźyÄ&#x2021; peĹ&#x201A;ny wzĂłr (3) z tabeli 1, tj.:

O

2

} | ? ' " +

+ + %

} ? ' % ' % Â&#x2039; `

P

22

Wyniki obliczeĹ&#x201E; przy skorelowaniu impedancji z wielkoĹ&#x203A;ciami mierzonymi podano w tabeli 3.

NajwiÄ&#x2122;ksze wartoĹ&#x203A;ci niepewnoĹ&#x203A;ci uzyskano przy peĹ&#x201A;nej korelacji r22 wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych, peĹ&#x201A;nej korelacji rZ =1 impedancji ukĹ&#x201A;adu przetwarzania i korelacji rV wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych z parametrami ukĹ&#x201A;adu, tj. r22 = rZ = rV = 1. Otrzymano ponad 1% dla napiÄ&#x2122;cia i ponad 0,9% dla prÄ&#x2026;du. W stosunku do przypadku nieskorelowanych wielkoĹ&#x203A;ci, tj. dla korelacji r22 = rZ = rV = 0, niepewnoĹ&#x203A;Ä&#x2021; napiÄ&#x2122;cia U2 i prÄ&#x2026;du I2 wzrosĹ&#x201A;a o okoĹ&#x201A;o 0,7%. Zmiana wspĂłĹ&#x201A;czynnika korelacji z rV = â&#x20AC;&#x201C;1 na rV = 1, bez uwzglÄ&#x2122;dnienia innych korelacji, powoduje zwiÄ&#x2122;kszenie niepewnoĹ&#x203A;ci napiÄ&#x2122;cia z okoĹ&#x201A;o 0,6% do okoĹ&#x201A;o 0,8 %, a prÄ&#x2026;du z okoĹ&#x201A;o 0,8% do okoĹ&#x201A;o 0,6% przy staĹ&#x201A;ym wspĂłĹ&#x201A;czynniku korelacji r11 na wejĹ&#x203A;ciu.

} h =

"' %

% = 0

96

Ď V Ď&#x192;U Ď&#x192; Z â&#x17D;¤ â&#x17D;Ľ. Ď V Ď&#x192; I Ď&#x192; Z â&#x17D;Ľâ&#x17D;Ś

A

T

Y

K

A

â&#x20AC;˘

R

O

i

B

i

O

T

(33)

i

Y

K

A

N R 4 /201 9

$ ( D 1 % Tabela 2. Wyniki przykĹ&#x201A;adĂłw obliczeĹ&#x201E; poĹ&#x203A;rednich pomiarĂłw napiÄ&#x2122;cia i prÄ&#x2026;du na wejĹ&#x203A;ciu dzielnika z rys. 2 Table 2. Results of examples of calculation in indirect voltage and current measurements at the divider input

Lp.

1

r22

Macierz UX

Macierz SP

rZ

â&#x17D;Ą 10 900 Ί â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł0, 01 S 1 â&#x17D;Ľâ&#x17D;Ś

0

â&#x17D;Ą0, 0001 V 2 0 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ 0 VA 10â&#x2C6;&#x2019;8 A 2 â&#x17D;Ľâ&#x17D;Ś â&#x17D;Ł

0

Macierz UP

Macierz UY

Ď&#x192;U11 / δU11

Ď&#x192; I11 / δ I11

11

â&#x17D;Ą 0, 0181 V 2 19 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘19 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA 2 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;8 A 2 â&#x17D;Ľ â&#x17D;Ł â&#x17D;Ś

134,54 mV/0,14%

0,141 mA/0,14%

0,999

Macierz SX

r22

Macierz UX

Macierz SP

rZ

â&#x17D;Ą 10 900 Ί â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł0, 01 S 1 â&#x17D;Ľâ&#x17D;Ś

0

â&#x17D;Ą0, 0001 V 2 0 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ 0 VA 10â&#x2C6;&#x2019;8 A 2 â&#x17D;Ľâ&#x17D;Ś â&#x17D;Ł

â&#x17D;Ą0,1 A â&#x2C6;&#x2019;0, 45 A â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł 0 A â&#x2C6;&#x2019;0, 0005 A â&#x17D;Ľâ&#x17D;Ś

0

Macierz UP

Macierz UY

Ď&#x192;U11 / δU11

Ď&#x192; I11 / δ I11

â&#x17D;Ą 0, 0586 V 2 28 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ 28 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA 3 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;8 A 2 â&#x17D;Ľ â&#x17D;Ł â&#x17D;Ś

242,07 mV/0,25%

0,173 mA/0,17%

0,668

r22

Macierz UX

Macierz SP

rZ

â&#x17D;Ą 10 900 Ί â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł0, 01 S 1 â&#x17D;Ľâ&#x17D;Ś

1

â&#x17D;Ą0, 0001 V 2 10â&#x2C6;&#x2019;6 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ 10â&#x2C6;&#x2019;6 VA 10â&#x2C6;&#x2019;8 A 2 â&#x17D;Ľ â&#x17D;Ł â&#x17D;Ś

0

Macierz UP

Macierz UY

Ď&#x192;U11 / δU11

Ď&#x192; I11 / δ I11

â&#x17D;Ą 0, 0361 V 2 38 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ 28 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA 4 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;8 A 2 â&#x17D;Ľ â&#x17D;Ł â&#x17D;Ś

190,00 mV/0,2%

0,2 mA/0,2%

1

Macierz SX

r22

Macierz UX

Macierz SP

rZ

â&#x17D;Ą 10 900 Ί â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł0, 01 S 1 â&#x17D;Ľâ&#x17D;Ś

1

â&#x17D;Ą0, 0001 V 2 10â&#x2C6;&#x2019;6 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ 10â&#x2C6;&#x2019;6 VA 10â&#x2C6;&#x2019;8 A 2 â&#x17D;Ľ â&#x17D;Ł â&#x17D;Ś

â&#x17D;Ą0,1 A â&#x2C6;&#x2019;0, 45 A â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł 0 A â&#x2C6;&#x2019;0, 0005 A â&#x17D;Ľâ&#x17D;Ś

1

Macierz UP

Macierz UY

Ď&#x192;U11 / δU11

Ď&#x192; I11 / δ I11

â&#x17D;Ą 0, 0442 V 2 29 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ 29 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA 5 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;8 A 2 â&#x17D;Ľ â&#x17D;Ł â&#x17D;Ś

210,24 mV/0,22%

0,224 mA/0,22%

0,616

Macierz SX

2

â&#x17D;Ą3, 24 Ί 2 â&#x17D;˘ â&#x17D;˘ 0 Ί2 â&#x17D;Ł

0 Ί2 â&#x17D;¤ â&#x17D;Ľ 0, 04 Ί 2 â&#x17D;Ľâ&#x17D;Ś

Macierz SX

3

4

â&#x17D;Ą3, 24 Ί 2 â&#x17D;˘ â&#x17D;˘0, 36 Ί 2 â&#x17D;Ł

0, 36 Ί 2 â&#x17D;¤ â&#x17D;Ľ 0, 04 Ί 2 â&#x17D;Ľâ&#x17D;Ś

r11

r11

r11

97

K 2 2

T %

T T B # !2P UB Tabela 3. PrzykĹ&#x201A;ady oszacowania niepewnoĹ&#x203A;ci U1 i I1 przy wystÄ&#x2122;powaniu skorelowania parametrĂłw ukĹ&#x201A;adu pomiarowego i δZ = 0,1% oraz wielkoĹ&#x203A;ci mierzonych o niepewnoĹ&#x203A;ci δ = 1% Table 3. Examples of estimation uncertainties of U1 and I1 for the impact of correlation of measuring circuit parameters and measured quantities and their uncertainties δZ = 0.1%; δ = 1%

L.p.

Macierz SX

Macierz UX

â&#x17D;Ą0, 0025 V 2 â&#x17D;˘ â&#x17D;˘ 0 VA â&#x17D;Ł

â&#x17D;Ą 10 900 Ί â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł0, 01 S 1 â&#x17D;Ľâ&#x17D;Ś

1

0 VA 25 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;8

â&#x17D;¤ â&#x17D;Ľ A 2 â&#x17D;Ľâ&#x17D;Ś

r22

rV

0

0

rZ

Macierz V

Macierz UY

0

â&#x17D;Ą0 0 â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł0 0 â&#x17D;Ľâ&#x17D;Ś

â&#x17D;Ą 0, 4525 V 2 475 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;5 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ 475 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;5 VA 5 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;7 A 2 â&#x17D;Ľâ&#x17D;Ś â&#x17D;Ł

672,68 mV/0,71%

Macierz SX

Macierz UX

r22

rV

0

1

â&#x17D;Ą0, 0025 V 2 â&#x17D;˘ â&#x17D;˘ 0 VA â&#x17D;Ł

â&#x17D;Ą 10 900 Ί â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł0, 01 S 1 â&#x17D;Ľâ&#x17D;Ś

0 VA 25 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;8

â&#x17D;¤ â&#x17D;Ľ A 2 â&#x17D;Ľâ&#x17D;Ś

Ď&#x192;U11 / δU11

2

rZ

Macierz V

Macierz UY

0

â&#x17D;Ą 0, 063 V 2 â&#x2C6;&#x2019;0, 0007 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ â&#x2C6;&#x2019;0, 0007 VA â&#x2C6;&#x2019;7, 5 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;8 A 2 â&#x17D;Ľ â&#x17D;Ł â&#x17D;Ś

â&#x17D;Ą 0, 0589 V 2 475 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ 475 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA 3, 53 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;7 A 2 â&#x17D;Ľ â&#x17D;Ł â&#x17D;Ś

767,22 mV/0,81%

Macierz SX

Macierz UX

r22

rV

0

â&#x20AC;&#x201C;1

â&#x17D;Ą0, 0025 V 2 â&#x17D;˘ â&#x17D;˘ 0 VA â&#x17D;Ł

â&#x17D;Ą 10 900 Ί â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł0, 01 S 1 â&#x17D;Ľâ&#x17D;Ś

0 VA 25 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;8

â&#x17D;¤ â&#x17D;Ľ A 2 â&#x17D;Ľâ&#x17D;Ś

Ď&#x192;U11 / δU11

3 rZ

Macierz V

Macierz UY

Ď&#x192;U11 / δU11

0

â&#x17D;Ą â&#x2C6;&#x2019;0, 063 V 2 0, 0007 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ â&#x2C6;&#x2019;0, 00007 VA 7, 5 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;8 A 2 â&#x17D;Ľ â&#x17D;Ł â&#x17D;Ś

â&#x17D;Ą 0, 337 V 2 480 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ 480 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA 6, 53 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;7 A 2 â&#x17D;Ľ â&#x17D;Ł â&#x17D;Ś

580,19 mV/0,61%

Macierz SX

Macierz UX

r22

rV

â&#x17D;Ą 10 900 Ί â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł0, 01 S 1 â&#x17D;Ľâ&#x17D;Ś

â&#x17D;Ą 0, 0025 V 2 25 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘ 25 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA 25 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;8 A 2 â&#x17D;Ľ â&#x17D;Ł â&#x17D;Ś

1

1

rZ

Macierz V

Macierz UY

Ď&#x192;U11 / δU11

1

â&#x17D;Ą 0, 063 V 2 â&#x2C6;&#x2019;0, 00007 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘0, 0000675 VA â&#x2C6;&#x2019;7, 5 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;8 A 2 â&#x17D;Ľ â&#x17D;Ł â&#x17D;Ś

â&#x17D;Ą 1, 030525 V 2 945 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘945 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;6 VA 8, 53 â&#x2039;&#x2026; 10â&#x2C6;&#x2019;7 A 2 â&#x17D;Ľ â&#x17D;Ł â&#x17D;Ś

1,015 V/1,07%

4

98

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

$ ( D 1 % Wyznaczenie skĹ&#x201A;adnikĂłw tego wzoru dla napiÄ&#x2122;cia U2 i prÄ&#x2026;du I2 na wejĹ&#x203A;ciu dzielnika pozostawiamy Czytelnikowi jako sprawdzian, czy autorzy wystarczajÄ&#x2026;co przejrzyĹ&#x203A;cie przedstawili zagadnienie.

Macierz U

â&#x17D;Ą0 0 â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł0 0 â&#x17D;Ľâ&#x17D;Ś

Macierz SP

Ď&#x192; I11 / δ I11

r11

0,707 mA/0,71%

0,998

Macierz U

Macierz SP

â&#x17D;Ą0, 045 VΊ 0, 005 VΊ â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł 0, 0009 V 0, 0001 V â&#x17D;Ľâ&#x17D;Ś

â&#x17D;Ą0,1 A â&#x2C6;&#x2019;0, 45 A â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł 0 A â&#x2C6;&#x2019;0, 0005 A â&#x17D;Ľâ&#x17D;Ś

Ď&#x192; I11 / δ I11

r11

0,593 mA/0,59%

1

Macierz U

Macierz SP

â&#x17D;Ą â&#x2C6;&#x2019;0, 045 VΊ â&#x2C6;&#x2019;0, 005 VΊ â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł â&#x2C6;&#x2019;0, 0009 V â&#x2C6;&#x2019;0, 0001 V â&#x17D;Ľâ&#x17D;Ś

â&#x17D;Ą0,1 A â&#x2C6;&#x2019;0, 45 A â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł 0 A â&#x2C6;&#x2019;0, 0005 A â&#x17D;Ľâ&#x17D;Ś

Ď&#x192; I11 / δ I11

r11

0,808 mA/0,808%

1

Macierz U

Macierz SP

â&#x17D;Ą0, 045 VΊ 0, 005 VΊ â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł 0, 0009 V 0, 0001 V â&#x17D;Ľâ&#x17D;Ś

â&#x17D;Ą0,1 A â&#x2C6;&#x2019;0, 45 A â&#x17D;¤ â&#x17D;˘ â&#x17D;Ľ â&#x17D;˘â&#x17D;Ł 0 A â&#x2C6;&#x2019;0, 0005 A â&#x17D;Ľâ&#x17D;Ś

Ď&#x192; I11 / δ I11

r11

0,923 mA/0,923%

1

<

OmĂłwiono zestawione w tabeli 1 wzory rozszerzonej metody wyznaczania niepewnoĹ&#x203A;ci pomiarĂłw poĹ&#x203A;rednich wieloparametrowych. Metoda ta uwzglÄ&#x2122;dnia niepewnoĹ&#x203A;ci i skorelowania parametrĂłw ukĹ&#x201A;adu realizujÄ&#x2026;cego wielowymiarowÄ&#x2026; funkcjÄ&#x2122; przetwarzania. Przedstawiono przykĹ&#x201A;ad zastosowania tej metody w poĹ&#x203A;rednich pomiarach napiÄ&#x2122;cia i prÄ&#x2026;du dwĂłjnika dostÄ&#x2122;pnego jedynie za poĹ&#x203A;rednictwem dzielnika impedancyjnego. Sytuacje takie wystÄ&#x2122;pujÄ&#x2026; w pomiarach wysokonapiÄ&#x2122;ciowych oraz w diagnostyce technicznej ukĹ&#x201A;adĂłw elektrycznych.

Jako przykĹ&#x201A;ad zastosowania metody rozwaĹźono szczegĂłĹ&#x201A;owo niepewnoĹ&#x203A;ci wyznaczania napiÄ&#x2122;cia i prÄ&#x2026;du na wejĹ&#x203A;ciu obciÄ&#x2026;Ĺźonego dzielnika impedancyjnego na podstawie pomiarĂłw na dostÄ&#x2122;pnym jedynie jego wyjĹ&#x203A;ciu. Wyprowadzono macierzowe zaleĹźnoĹ&#x203A;ci uwzglÄ&#x2122;dniajÄ&#x2026;ce niepewnoĹ&#x203A;Ä&#x2021; realizacji funkcji przetwarzania przez ten ukĹ&#x201A;ad. UjmujÄ&#x2026; one wzrost niepewnoĹ&#x203A;ci caĹ&#x201A;kowitych estymowanego napiÄ&#x2122;ci i prÄ&#x2026;du przy uwzglÄ&#x2122;dnianiu niepewnoĹ&#x203A;ci funkcji przetwarzania. Wzrost ten nie przekracza sum niepewnoĹ&#x203A;ci pomiarĂłw wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych i niepewnoĹ&#x203A;ci parametrĂłw ukĹ&#x201A;adu.

W prezentowanych wariantach tego ukĹ&#x201A;adu przyrost niepewnoĹ&#x203A;ci zmieniaĹ&#x201A; siÄ&#x2122; wraz z wartoĹ&#x203A;ciÄ&#x2026; i znakiem wspĂłĹ&#x201A;czynnikĂłw korelacji parametrĂłw ukĹ&#x201A;adu jak i wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych, a takĹźe w funkcji poboru prÄ&#x2026;du na wyjĹ&#x203A;ciu ukĹ&#x201A;adu dzielnika impedancyjnego. Znaczne zmiany wystÄ&#x2122;powaĹ&#x201A;y w pomiarach poĹ&#x203A;rednich napiÄ&#x2122;cia przy silnie skorelowanych wielkoĹ&#x203A;ci wejĹ&#x203A;ciowych.

OmawianÄ&#x2026; metodÄ&#x2122; moĹźna z poĹźytkiem stosowaÄ&#x2021; zarĂłwno do oceny poĹ&#x203A;rednich pomiarĂłw wieloparametrowych wykonywanych zestawem przyrzÄ&#x2026;dĂłw, jak i do oceny dokĹ&#x201A;adnoĹ&#x203A;ci przyrzÄ&#x2026;dĂłw i systemĂłw pomiarowych o wbudowanym zintegrowanym ukĹ&#x201A;adzie pomiarowym do takich pomiarĂłw.

Autorzy zamierzajÄ&#x2026; przeanalizowaÄ&#x2021; wyznaczanie niepewnoĹ&#x203A;ci kilka innych ukĹ&#x201A;adĂłw do pomiarĂłw wieloparametrowych stosowanych w róşnych dziedzinach, w tym np. pomiarĂłw skĹ&#x201A;adowych mocy w sieciach trĂłjfazowych o przebiegach odksztaĹ&#x201A;conych oraz zbadaÄ&#x2021; wĹ&#x201A;aĹ&#x203A;ciwoĹ&#x203A;ci statystyczne ukĹ&#x201A;adĂłw wieloparametrowych przy niegaussowskich rozkĹ&#x201A;adach prawdopodobieĹ&#x201E;stwa zbiorĂłw odchyleĹ&#x201E; i róşnych funkcjach przetwarzania wielkoĹ&#x203A;ci mierzonych.

% ! , 1. JCGM 100:2008, BIPM, Evaluation of measurement data â&#x20AC;&#x201C; Guide to the expression of uncertainty in measurement.

S1 JCGM 101:2008, BIPM, Supplement 1. Propagation of distributions using a Monte Carlo method.

S2 JCGM 102:2011, BIPM, Supplement 2 to the â&#x20AC;&#x2DC;GUM â&#x20AC;&#x201C; Extension to any number of output quantitiesâ&#x20AC;&#x2DC;.

2. JCGM 200:2012, BIPM, International vocabulary of metrology â&#x20AC;&#x201C; Basic and general concepts and associated terms (VIM) 3rd edition 3. Warsza Z.L., Puchalski J., Rozszerzona metoda oceny niepewnoĹ&#x203A;ci poĹ&#x203A;rednich pomiarĂłw wielo-parametrowych i systemĂłw do tych pomiarĂłw. CzÄ&#x2122;Ĺ&#x203A;Ä&#x2021; 1. WpĹ&#x201A;yw korelacji i niepewnoĹ&#x203A;ci funkcji przetwarzania â&#x20AC;&#x201C; zaleĹźnoĹ&#x203A;ci podstawowe, â&#x20AC;&#x17E;Pomiary Automatyka Robotykaâ&#x20AC;?, R. 23, Nr 3, 2019, 55â&#x20AC;&#x201C;63, DOI: 10.14313/PAR_233/55.

4. Warsza Z.L., Metody rozszerzenia analizy niepewnoĹ&#x203A;ci pomiarĂłw.

Monografia PIAP, Warszawa 2016.

5. Finkelstein L., Fundamental concepts of measurement, ACTA IMEKO May 2014, Vol. 3, No. 1, 10â&#x20AC;&#x201C;15.

6. EA-4/02 M: 2013, Wyznaczanie niepewnoĹ&#x203A;ci pomiaru przy wzorcowaniu (Evaluation of the Uncertainty of Measurement in Calibration).

7. Dorozhovets M., Warsza Z.L., Udoskonalenie metod wyznaczania niepewnoĹ&#x203A;ci wynikĂłw pomiaru w praktyce. â&#x20AC;&#x17E;PrzeglÄ&#x2026;d Elektrotechnicznyâ&#x20AC;?, R. 83, Nr 1, 2007, 1â&#x20AC;&#x201C;13.

99

K 2 2

T %

T T B # !2P UB 8. Warsza Z.L., Ezhela V.V., Zarys podstaw teoretycznych wyznaczania i numerycznej prezentacji wynikĂłw pomiarĂłw poĹ&#x203A;rednich wieloparametrowych, â&#x20AC;&#x17E;Pomiary Automatyka Kontrolaâ&#x20AC;?, R. 57, Nr 2, 2011, 175â&#x20AC;&#x201C;179.

9. Warsza Z.L., ZiÄ&#x2122;ba A., NiepewnoĹ&#x203A;Ä&#x2021; typu A pomiaru o obserwacjach samoskorelowanych. â&#x20AC;&#x17E;Pomiary Automatyka Kontrolaâ&#x20AC;?, R. 58, Nr 2, 2012, 157â&#x20AC;&#x201C;161.

10. Warsza Z.L., Puchalski J., Udoskonalona metoda wyznaczania niepewnoĹ&#x203A;ci w pomiarach wieloparametrowych. CzÄ&#x2122;Ĺ&#x203A;Ä&#x2021; 1. Podstawy teoretyczne dla skorelowanych wielkoĹ&#x203A;ci mierzonych, â&#x20AC;&#x17E;Pomiary Automatyka Robotykaâ&#x20AC;?, R. 23, Nr 1, 2019, 47â&#x20AC;&#x201C;58, DOI: 10.14313/PAR_231/47.

11. Warsza Z.L., Puchalski J., Udoskonalona metoda wyznaczania niepewnoĹ&#x203A;ci w pomiarach wieloparametrowych. CzÄ&#x2122;Ĺ&#x203A;Ä&#x2021;Â 2.

PrzykĹ&#x201A;ady pomiarĂłw wielkoĹ&#x203A;ci skorelowanych, â&#x20AC;&#x17E;Pomiary

Automatyka Robotykaâ&#x20AC;?, R. 23, Nr 2, 2019, 29â&#x20AC;&#x201C;37, DOI: 10.14313/PAR_232/29.

12. Warsza Z.L., Puchalski J., Wyznaczanie niepewnoĹ&#x203A;ci w pomiarach wieloparametrowych wielkoĹ&#x203A;ci o skorelowanych skĹ&#x201A;adowych typu A oraz B, â&#x20AC;&#x17E;PrzemysĹ&#x201A; Chemicznyâ&#x20AC;?, T 98, Nr 7, 2019, 1061â&#x20AC;&#x201C;1068, DOI: 10.15199/62.2019.7.5.

13. Warsza Z.L., Puchalski J., NiepewnoĹ&#x203A;Ä&#x2021; wieloparametrowych pomiarĂłw wielkoĹ&#x203A;ci skorelowanych. â&#x20AC;&#x17E;Zeszyty Naukowe WydziaĹ&#x201A;u Elektrotechniki i Automatyki Politechniki GdaĹ&#x201E;skiejâ&#x20AC;?, Nr 65, 2019, 101â&#x20AC;&#x201C;108.

14. Osiowski J., Szabatin J., Podstawy teorii obwodĂłw, tom 3, rozdz. 8. CzwĂłrniki, WNT, Warszawa 1995.

15. Bolkowski S., Obwody elektryczne liniowe w stanie ustalonym, WNT Warszawa 1974.

<f % % B % / < / > % B @6 B % / / B 6 ) - <f / / > % = @6 B Abstract: In the part I of this work, the current results of the work are briefly presented regarding the impact of correlations in sets of deviations from estimators of directly measured quantities with uncertainty of types A and B on the accuracy of indirectly determined parameters of output multi-measurand. An extended mathematical model of the method contained in Supplement 2 of the GUM Guide was presented. This new extended model takes also into account the uncertainties of the processing function in multi-parameter measurements and can also be used to describe the accuracy of instruments and systems that perform such measurements. Part 2 presents examples of using the extended method to describe intermediately measured parameters of a two-terminal net through a four-terminal network, considering the uncertainties of its elements.

Keywords % # %# f# # | # / . / # / @ # % %

4 1' 6 (

H

&* +$.

ORCID: 0000-0002-3537-6134

$. .

ORCID: 0000-0002-5055-8550

-7 ; % < .

6 ; &*'*# % @ &*+(# % % &*(! 6 S > < &*'QE&*+ &**XE&**'# 6 ; &*+!E&*(!# 6 { &*(!E&*(Q H . % ; % = L % I# J . S J % - @ 6 > B . N % ; % &*(QE&*Q)

% - 6 A > 6 &*Q E&**) M % B <% 0 % &**)E&**'# 6 L % &*Q E)!!) J7 . A 6 > @ - 6 A 6>-6 - % X! 7 # + . / # % 7 % # && A @ ) % A 6 6 . = B . .

6 6-L - % B .

-7 ; % ^ = @ B H&*Q+ I ; % < @ H&*QQ I 6 ; @ ; &*Q(E&**' 6 ; # &**' 7 % K F &!

7 R @ . / % K K K 6 . @ / % B ^ A % @ K% " / J% )!!+ N A @ % B % K . % @ A A % % . # 7 . A . % @

100

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

1 & K 0 - L YVUX/hYUM KB Uj L VGUOYh

Informacje dla Autorรณw $ F

L % C Uh UOYj B

T 0 F % C P

` % 0

% 0 % ` 0%

T

J% ` ` 0 ! 0 0

0

%

]0 0% J!^B T % ! C 0%

J % % 0 %`

T C % % 0

B

Wskazรณwki dla Autorรณw ! (

+ ' %

&

0% % / Pomiary Automatyka Robotyka P ! `

% 3 F ]

` WO T ^ ! %

% F ! & G& T

/ % J% ] 0% %

^ F

] 0 ! 2 Yย OFUOO T ^ ! %

% F % ]ย FW ^ ! % ! % % F !2P F ! % ]% 0 B % ^ F ! % ! % F 0 % ! %

! % F % G J G ! 0 % B B B % 0 B f

% 2 B jOO B YOOO % 2

` J 2 B

& P 0 ! 2P T ` O M

P 0 ! 2 Y ]VO OOO T % 0 jOOO U %

T ^ B W C B

T

` ! 0 ! 2P

!2 B Nie drukujemy komunikatรณw!

` 0 P ` 0 J & T ] ! ^ 0 ! 2 ย OOFXย O T %

J B K 0

T T ! %

% B 1 0% ` ` ` P B

&

<.> > '(

' ! %

% +

+ " ' ย

B & ` ` % 2P 2P B &

T 0% ` %

B $ T 2P

% ! 0 % ` P

0 &

` 0 P ! t T B 7 %

. " > " & >

T

% ! B T 2% B 1 `

% C `P % % `

F & T J% !

0 J B

K T

! B

C 0% T

K `B

Kwartalnik naukowotechniczny Pomiary Automatyka Robotyka jest indeksowany w bazach BAZTECH, Google Scholar oraz INDEX COPERNICUS H> Y )!&QS ( #+*I# R w bazie naukowych 7 R

-L>-0=- 6 K K % realizacji idei Otwartej Nauki, % 7

7 naukowo-technicznym Pomiary Automatyka Robotyka.

6 B0 ; 7 naukowe w kwartalniku Pomiary Automatyka Robotyka wynosi obecnie )! H naukowych i recenzowanych A / % % % & )!&* # )(*!)I 6 % naukowe โ automatyka, elektrotechnika i elektronika.

YOY

-L aK &#DH (& &['aKÂ&#x161;

7

(

,

+

(

+

%

K % / Pomiary Automatyka Robotyka

C ` % !

L % C ` ` ! & T & G& T T

!

% 2 ` 3 1. , %

^ ! wymieniowego Autora ! % F % % T B b c B % & T 0% T0 T

0% 0 %0 T% B 2. , !% %

+ " " ' ' jej powstanie F % 3 F C 0 `

%! %0 T %0 0 T

G ! `

0% F C !

b c B ! T

0 `

T

% !

0 T

0% Â&#x2122;

YOU

P

O

M

I

A

K % %

` ! % ` ` C % `

%

0 B

3. , Â&#x17D; " ' + Â? " +

( % F

J 0%

/0

% 0

t T % 2 T !C B bJ % % c F

0%

% 0%

% 0 !

J 0 B

*

"'

1

0% T C

` %

0

0 %

C

%

F C

P P 2

B $

G % 2 `C B

Â&#x2020; ' przeniesienie praw ( + " ( % %

$ Â? $ %` !

0% !

`

!B [

B

% ` B

Redakcja kwartalnika Pomiary Automatyka Robotyka $

*

1 T 0% % / 1 & K 0

T ` !

a- B3

; % F # ; # B / " # ; M % # B ^ . # B ; . # M % % " # " # -. wielomodalnego interfejsu do Narodowej Platformy 7 7 " # 8 ) # U6 - L 7 V# ISSN 1427-9126, R. 23, Nr 4/2019, 5â&#x20AC;&#x201C;18, DOI: 10.14313/PAR_234/5.

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

czasopisma

pomiary

sprawdzian

miara

POLSPAR

eksperyment

automatyka PIAP

seminarium

kalendarium

szkolenie

kwartalnik

federacja

nauka

publikacje

automatyka

stowarzyszenie

HORIZON 2020 `C innowacje organizacja projekt konkurs

konferencje

relacja

POLSPAR

POLSA

publikacje

AutoCAD streszczenie

agencja kosmiczna

dr h.c.

innowacje

IFAC

ZPSA

t

profesura

recenzje

relacja

szkolenie

doktorat

robotyka seminarium

sterowanie

K

esa

szkolenie

104

P

O

M

I

A

R

Y

•

A

U

T

O

M

A

T

Y

K

A

•

R

O

B

O

T

Y

K

A

NR

4/2019

1 & K 0 - L YVUX/hYUM KB Uj L VGUOYh

Kalendarium wybranych imprez Nazwa konferencji

Data konferencji '

XXIV Konferencja Naukowo-Techniczna automation 2020

18â&#x20AC;&#x201C;20 / 03 / 2020

1 %

Conference on European Control Conference ECC 2020

12â&#x20AC;&#x201C;15 / 05 / 2020 10 / 10 / 2019

1 0

K

XX Krajowa Konferencja Automatyki KKA 2020

22â&#x20AC;&#x201C;24 / 06 / 2020 20 / 01 / 2020

QT t 1 %

www: 3GG B B B% B % mail: Z B B% B %

14th International Conference & # % Â Computing CONTROLO 2020

01â&#x20AC;&#x201C;03 / 07 / 2020 01 / 02 / 2020

Bragança Portugalia

www: 3GG % UOUOB 0B mail: % UOUOZ 0B

21 - &# % #

12â&#x20AC;&#x201C;17 / 07 / 2020 31 / 10 / 2019

Berlin Niemcy

25th International Conference % & K 0 MMAR 2020

24â&#x20AC;&#x201C;27 / 08 /2020 02 / 03 / 2020

!

1 %

24th - % on Mathematical Theory of L

MTNS 2020

24â&#x20AC;&#x201C;28 / 08 / 2020 12 / 01 / 2020

# 0

Wielka Brytania

www: 3GG UOUOB B B B G

YMB

K 0 KKR 2020

02â&#x20AC;&#x201C;06 / 09 / 2020 02 / 03 /2020

%

1 %

www: 3GG B B B % mail: Z B B %

Â&#x2DC;UB ! %

% T MKM 2020

07â&#x20AC;&#x201C;09 / 09 / 2020

1 % 1 %

22nd 1 H%

& % EPE 2020 ECCE

07â&#x20AC;&#x201C;11 / 09 / 2020 19 / 12 / 2019

Lyon Francja

17th - &# - # % 1 0% in Manufacturing INCOM 2021

07â&#x20AC;&#x201C;09 / 06 / 2021

+ !

www: 3GG UOUYB

jOBOWFOjBOh G UOUY

Jokohama Japonia

www: 3GG B UOUYB

mail: UOUYZ B B B

ii--- % #

- %

Confederation IMEKO 2021

Informacje dodatkowe www: 3GG B B %G mail: Z B %

www: 3GG UOB mail: Z UOB

www: 3GG B UOUOB

www: 3GG B B %G mail: Z B B %

www: 3GG B UOUOB G mail: Z UOUOB

105

NASZE MONOGRAFIE

www.piap.pl

106

P

O

M

I

A

R

Y

•

A

U

T

O

M

A

T

Y

K

A

•

R

O

B

O

T

Y

K

A

N R 4 /201 9

g&+-(-'&#D& q & &L L&[ a ยฅ

Wybrane aspekty praktycznej realizacji algorytmu regulacji PFC .A . % sterowania procesami cieplnymi ! ) '

1 . ) #$%& ) ' ( _ H '

.

( : * . 6 + '

1

.

- ) : B+ ( ` 1 - )

J 0 %

% 1 # ] B 1 ) % # %^ T

% B &%

% T 1# ] B % 1 ) # %^

J & HK &B T C % 1 # T0

% 0 T !2

B - `

J 0

C ! 0% ` %

%

T T

% B

% % C % 1# % % B '

0

B $ C 0 P T% 2% ` %! % F ` C% 2 ` %

%

!

B % % `

P

T 2 P % ` P 0 C 2P 0% %

%

2

! B T% ` ! 2 ! % T %

% %

/ ) B $

! %

0 2 B $ C % `

! J

T % T

% 0 ! T % 0

C% 2

T % B % / ) J % 2 % C % ` ` 2P %

% / 0 B D T % % 1 # T0

% 2 ` B '

% T 1 #B

% ` 0

` % 1 # 0 !

B $

T 0 % Tt 0!

1 Q Wybrane aspekty praktycznej realizacji algorytmu regulacji PFC ze szczegรณlnym

XXO 1 % _%` UOYh - +L hXW/Wj/XWWO/MYO/j B UOYB

-7 ; % - # < > / 6 { K ; )!!! 7 % K Ana #" # # (

( ## $ " ! # 5$ ( " # A 7 / B B . &( . % )!&* % 7 . % # # % L % M - # < < 6 { K

% 1 # % 0

B

0 ! % % % 1 #

% T% %!

T

% T B +

T %

% 2 %

0 B !2

C 0 2 2 %

1 # % 0 % %!

TC % !

% B 1

T C 0 % % %

% % `

`

% ` ` ! % T 1 # 11#B D T

% C %

% T0 0

T B `

C ` 0

T % 1 #

` ! % % 0 T a1 'B 1 2P

% %

2 % 2P J

T % !

%

T C

! B

YOX

KONFERENCJE | RELACJA

6 " K K 7 E <=L )!&* R "

' ) + + '

' 2 '

' )

p (

)

! "

%$$$ 2 qv + 1

' 1 + 3 1 ( + ) '

Spotkanie przedstawicieli europejskiego " " # !"

1 1 % T

2 P 0 # %

H ' K 0 B

% 0 ! B B & 0 + % & B YVFYM % UOYh B % % % % ! % C 0 C 0 J

0 ` 0 % B

J %

% ! B B [ g 0

E % K 0

H ' K 0 &

+ H

B 0B CB ' J% D 1

B H [ 1 % 1

1 #

-

YOW

P

O

M

I

A

R

/ C

+ %% K 0 ) &++B โ Mitologiczny Talos, mechaniczny olbrzym wyznaczony przez bogรณw na

!

" # $

! %

# !

#

" & ' #

#

%

% F T

% Q %

H

B

0% 2 B a %

% ` ! ` B C ! B B 0 ยฅ J &++ T

% ` % T 2 B % P 0 ! 0 P P

` % T (HEaB L

!% &

0

T % B ` ` C C 0 &Lยฅ % gUOUO 'g-LEB - %

0 ` B % B

," " # !#

$

* pokazรณw i warsztatรณw

% ]Yย YM % ^

% 2%` -

Y

โ ข

A

U

T

O

M

A

T

Y

K

A

โ ข

R

O

B

O

T

Y

K

A

N R 4 /201 9

1 & K 0 - L YVUX/hYUM KB Uj L VGUOYh F ( )

#

!

*++ $

% '

./;<=> !

%

% ? %@ A

& B E%

< B & B

E%

A $ ? &

#

%

'

" #

% % / " ! ! " !

F

% 1 % 1

B KT % % T 0 ! % B # ! % P ! B B bD

0 2 c % 0 0 P bK 0 ` C % Pc bQ c b F % `cB C

0% 2 ! !

0 0 C % B L !

% + 1 K 0 ]K ^ &++ ] G ^ 1 #

/ ]1 % ^ -' E % ]+ 2 g ^ % K 0 ] ^ # K ¦ ] % ^B a

# % H

' K 0 1 0 % 3 1 % 1 1 #

/ H

B

T

% t% !3 &++ $ [ ' % & 'aK 1&( K 0 B # % 0 ` ! ` H ' K 0

UOYY B K 0 B ' !

/ 0` + % T UÂ&#x2DC;O

T 0 % !

0 C 0 B

0 % A 6 6

YOh

aL [K ยฅ q $&1a -H ยง

F % F . \ A %

Konkurs Konstrukcji Studenckich KOKOS, czyli Konkurs Konstrukcji Studenckich, to ogรณlnopolski projekt realizowany przez | 4 , O ;

O

+ ) O ' O)

% % T `

!

2 B 1

! 0% C B a a

T

L % C $ T

0! !

B

C T

% 1 1 B& %

0 ` B B3

L % C L

110

P

O

M

I

A

R

Y

โ ข

A

U

T

O

M

A

T

Y

K

A

โ ข

R

O

B

O

T

Y

K

A

N R 4 /201 9

1 & K 0 - L YVUX/hYUM KB Uj L VGUOYh

# + K T L B # %

0 %

T

% !

` F

J % T

!

0 B

!

% T T

B 1

` T 0 ` B B ! `

T J% ] UOUO B^ $

0! ` % TC

% P

% % C C%

` `

% ` 0` t 0 C` C 0 B 2 T T 0 0! ` J % 2 B %

` 0

T

`

` C ` % 2 0 B a ( T ` E % T

P 0!

B ] UOUO B^B

! +¨K % ! 2 B

%

0

` B E !0 C %

%!

2

0 B F T

g % B ! `

% B D % T

a a 1 1 %%

- ' % K ) ! % % % T

!

0

%

T B L

% % 2 ! !

B

% B B3 0 % 2 % C B $

` B T

C % tP

B B B B % % 3 B

- B B

J % A

. 0

F

%

T B [ C%

T T ` 2 0 B 1 T% C

111

NASZE WYDAWNICTWA

VOLUME 13 N°2 2018 www.jamris.org pISSN 1897-8649 (PRINT) / eISSN 2080-2145 (ONLINE)

Indexed in SCOPUS

www.jamris.org

PAR P O M I A RY â&#x20AC;˘ A U T O M AT Y K A â&#x20AC;˘ R O B O T Y K A

PAR P O M I A RY â&#x20AC;˘ A U T O M AT Y K A â&#x20AC;˘ R O B O T Y K A

1/2019 ISSN 1427-9126 Indeks 339512

Cena 25,00 zĹ&#x201A; w tym 5% VAT

Technical Sciences Quarterly | /

. >

5

& a /( C K

31

5

The Fractional Order PID Control of the Forced Air Heating System

17 21

3

a ! 1

11

w tym 5% VAT

15

? % Â?% (

"

+

& 4 Â&#x2019; % 34 % Â&#x201E; %% > % 5 + 3% ! % = , > , <

3/2019 ISSN 1427-9126 Indeks 339512

Cena 25,00 zĹ&#x201A; w tym 5% VAT

Technical Sciences Quarterly | /

. >

W numerze:

W numerze:

Od Redakcji

D % 1

Cena 25,00 zĹ&#x201A;

Technical Sciences Quarterly | /

. >

W numerze:

3

PAR P O M I A RY â&#x20AC;˘ A U T O M AT Y K A â&#x20AC;˘ R O B O T Y K A

2/2019 ISSN 1427-9126 Indeks 339512

3

Od Redakcji D 0 1

1 0 ' & `0

5

<% , ' % %

+

Od Redakcji Maria Wrzuszczak, Janusz Wrzuszczak

*

% , % , ( ) % (

E

1 Q! K

Â&#x2020; ( +

Â? ,

! '

23

& +

0 1 % 1 2

29

$ ( D 1 %

39

a

L % % ) KB K `

9 % " ' + ) ! % ' "

11

Sebastian Dudzik

17

1 ( 2

? , " ! Â? %! $ +

< !%( ! ' (! % ! ! ' +

+

1

K 0 L 0 %

? ' ' , ' ' " ! %

DB 1 % 0 1% 1 B

? ' + Â&#x17D; " ! %

! '

( ! ' ! % <80

27

Â&#x2020; %

+ % + < ' " %

% +

+ + K 1 B

< " "^ +

" %

! %

" ' + !% ' Â&#x17D; "

+

. % ' "

' % ! !

1 3

Ponadto:

Ponadto:

Informacje dla AutorĂłw â&#x20AC;&#x201C; 59 | 5 -

1 . * ' ' "

| 63 | | '

1 .

64 | Awans naukowy

- ) ! ' 65 | * ' 66 | % - 2 * . -

1O -*- #$%& 67 | Â&#x2021;Â&#x2021; * * .

' ** #$#$ 68 | 5 ! . " 5 -

1 70 | | 72 | Polecane 5 ' ) ) ) O 73 | -) ; #$%& 74

Informacje dla AutorĂłw â&#x20AC;&#x201C; 75 | Kalendarium â&#x20AC;&#x201C; 79 | XXIII Konferencja AutomatykĂłw Rytro 2019 â&#x20AC;&#x201C; 80 | ' #$%&+ ' |

B i Perspektywy â&#x20AC;&#x201C; 85 | , J

4 ) * 86 | Wyzwania Edukacji 4.0 w teorii i praktyce â&#x20AC;&#x201C; 92 | Nasze wydawnictwa â&#x20AC;&#x201C; 95 | Nasze monografie â&#x20AC;&#x201C; 96

Informacje dla AutorĂłw â&#x20AC;&#x201C; 81 | Nasze monografie â&#x20AC;&#x201C; 85 | ( '

. ( ) ( 86 | Kalendarium â&#x20AC;&#x201C; 89 | Intelligent Autonomous Vehicles 2019 â&#x20AC;&#x201C; 90 | % - 2 * . -

1O 94 | 5 -

1 ) O 97 | 5

3 / #$#$Â&#x20AC;6! #$#$ Â #$%qÂ&#x201A;Â&#x192;

' 1 ' 1

98 | 5 ; 7

#$#$ 6Â&#x20AC;#$#$Â&#x201A; '

99 | Nasze wydawnictwa â&#x20AC;&#x201C; 100

www.par.pl

www.automatykaonline.pl/automatyka

112

P

O

M

I

A

R

Y

â&#x20AC;˘

A

U

T

O

M

A

T

Y

K

A

â&#x20AC;˘

R

O

B

O

T

Y

K

A

N R 4 /201 9

młodzi

innowacyjni

Sieć Badawcza Łukasiewicz – Przemysłowy Instytut Automatyki i Pomiarów PIAP ogłasza

XII Ogólnopolski Konkurs na

inżynierskie, magisterskie i doktorskie w dziedzinach Automatyka Robotyka Pomiary Zgłoszenie należy przesłać na adres konkurs@piap.pl do dnia 22 lutego 2020 r.

Regulamin konkursu i formularz zgłoszeniowy są dostępne na stronie www.piap.pl Autorzy najlepszych prac otrzymają nagrody pieniężne lub wyróżnienia w kategorii prac doktorskich:

I nagroda 3500 zł

II nagroda 2500 zł

w kategorii prac magisterskich:

I nagroda 3000 zł

II nagroda 2000 zł

w kategorii prac inżynierskich:

I nagroda 2500 zł

II nagroda 1500 zł

Wyniki konkursu zostaną ogłoszone podczas Konferencji AUTOMATION w Warszawie, w dniu 18 marca 2020 r.

Patronat Komitet Automatyki i Robotyki Polskiej Akademii Nauk Komitet Metrologii i Aparatury Naukowej Polskiej Akademii Nauk Polska Izba Gospodarcza Zaawansowanych Technologii Polskie Stowarzyszenie Pomiarów Automatyki i Robotyki POLSPAR

Organizator konkursu

www.piap.pl

Patronat medialny Kwartalnik naukowo-techniczny Pomiary Automatyka Robotyka

Informacji udzielają: Małgorzata Kaliczyńska: mkaliczynska@piap.pl, tel. 22 8740 146

Jolanta Górska-Szkaradek: jgorska-szkaradek@par.pl, tel. 22 8740 191 Bożena Kalinowska: bkalinowska@piap.pl, tel. 22 8740 015

47

D 0 l %

55

+ 0

& T

65

1 D $ %

The Application of an Adaptive Controller Combined with the LQR Controller for the Inverted Pendulum

3 %

% "^ % ^ "'

dystrybucyjnej

. % + " ! ' % ! ! ) + ' +

+ +

71

&%

/ * % & )

77

0

% K %

% $0

87

$ ( D 1 %

%

' % % ! ! "

( !

+

"

Remote sensing semi-automatic measurements approach for monitoring bioenergetics crops of Miscanthus spp.

>

+ " % + ' " + " *

' ' + " +