ИСПОЛЬЗОВАНИЕ МЕТОДА НОРМИРОВАННОГО РАЗМАХА ДЛЯ ОЦЕНКИ ИДЕНТИЧНОСТИ ЦИКЛОВ ИСПЫТАНИЙ
Аннотация
Точность измерений микропроцессорного датчика физических величин в значитель-
ной степени определяется его характеристикой преобразования, которая строится на
основе данных, полученных при проведении градуировочных испытаний. Качество характе-
ристики преобразования датчика, от которого зависит точность измерений, в значитель-
ной степени определяется точностью аппроксимации характеристики преобразования
датчика. Градуировочные испытания датчика проводятся по методике испытаний. В про-
цессе проведения испытаний предпринимаются особые меры для исключения влияния от-
дельных циклов испытаний друг на друга. Поэтому небольшие отклонения от схемы прове-
дения могут привести к снижению качества характеристики преобразования и снижению
метрологических характеристик датчика. Важно, чтобы результаты нескольких циклов
испытаний при неизменных параметрах среды были независимыми друг от друга. В ста-
тье представлен способ определения качества результатов градуировочных испытаний
микропроцессорного датчика давления. Метод позволяет оценить влияние предыдущих
циклов испытаний на последующие при нарушении условий их проведения. Анализу подвер-
гается искусственный временной ряд, сформированный с использованием данных испыта-
ний. Для построения была реализована специализированная процедура соединения отдель-
ных циклов в единую структуру, аналогичную временному ряду. Для каждого фиксирован-
ного значения температуры был построен отдельный временной ряд. Поскольку получен-
ный временной ряд представляет собой линейную функцию, его показатель Херста должен
быть близким к единице. В этом случае ряд является трендоустойчивым, а отдельные
циклы испытаний независимы и формируют единый линейный тренд с незначительными
отклонениями от него. Если в процессе испытаний были нарушены существенные условия
их проведения, например, условия перехода от одного температурного режима к другому,
то на результаты текущего цикла испытаний будут влиять температурные условия пре-
дыдущего цикла. Для определения таких нарушений предложена процедура сравнения пока-
зателя Херста временного ряда, в котором присутствуют данные недостоверного цикла
испытаний, с диапазоном допустимых значений. Если показатель Херста соответствует
установленным ограничениям, то результаты испытаний можно использовать для по-
строения качественной градуировочной характеристики. В противном случае на резуль-
таты анализируемого цикла повлияли условия предыдущего цикла испытаний и рекоменду-
ется провести повторные циклы испытаний
Литература
of Parameters, 2016 International Siberian Conference on Control and Communications,
SIBCON 2016 – Proceedings, 2016, pp. 749-752.
2. Lihua Sun, Yingjun Guo, Haichao Ran. A New Method of Early Real-Time Fault Diagnosis
for Technical Process, Electrical and Control Engineering (ICECE), 2010 International Conference.
Wuhan, China, 2010, pp. 4912-4915.
3. Klevtsov S.I. Mul'tisegmentnaya prostranstvennaya approksimatsiya graduirovochnoy
kharakteristiki mikroprotsessornogo datchika [Multisegment spatial approximation of the calibration
characteristic of a microprocessor sensor], Metrologiya [Metrology], 2011, Issue 7, pp. 26-36.
4. Shaponich D., Zhigich A. Korrektsiya p'ezorezistivnogo datchika davleniya s ispol'zovaniem
mikrokontrollera [Correction of a piezoresistive pressure sensor using a microcontroller], Pribory i
tekhnika eksperimenta [Instruments and experimental techniques], 2001, No. 1, pp. 54-60.
5. Bluemm C., Weiss R., Weigel R. and Brenk D. Correcting nonlinearity and temperature influence
of sensors through B-spline modeling, 2010 IEEE International Symposium on Industrial
Electronics Proceedings. Bari, Italy, 2010, pp: 3356-3361. Available at:
https://ieeexplore.ieee.org/document/5637991.
6. Klevtsov S.I., Udod Y.V. Model of the Spatial Conversion Characteristics for Graduation of the Microprocessor-
Based Sensor's with Indemnification of Influence Destabilizing Factors, 2015 International
Siberian Conference on Control and Comunications (SIBCON). Proceedings. Russia, Omsk,
2015. Available at: http://ieeexplore.ieee.org/stamp/stamp.jsp?arnumber= 7,147,097.
7. Klevtsov Sergei. Using the Method of Normalized Amplitude for Assessing the Quality of the
Calibration Tests of the Pressure Sensor, 2019 Ural Symposium on Biomedical Engineering,
Radioelectronics and Information Technology (USBEREIT). Yekaterinburg, Russia, 2019,
pp. 197-199.
8. Sidorov S.G., Nikologorskaya A.V. Analiz vremennykh ryadov kak metod postroeniya
prognoza potrebleniya elektroenergii [Time series analysis as a method for constructing a forecast
of electricity consumption], Vestnik IGEU [Bulletin of the Institute of Power Engineering],
2010, Issue 3, pp. 1-3.
9. Matuszewski J. Application of clustering methods for recognition of technical objects, Modern
Problems of Radio Engineering, Telecommunications and Computer Science (TCSET), 2010
International Conference, 2010, pp. 39-40.
10. Hurst H.E. Long-term storage of reservoirs: an experimental study, Transactions of the American
Society of Civil Engineers, 1951, Vol. 116, pp. 770-799.
11. Feder E. Fraktaly [Fractals]: transl. from engl. Moscow: Mir, 1991, 254 p.
12. Mel'nikova Yu.V. Predprognoznyy analiz vremennykh ryadov metodami neparametricheskoy
statistiki Khersta [Pre-forecast analysis of time series using non-parametric Hurst statistics],
Agrarnyy nauchnyy zhurnal [Agrarian scientific journal], 2014, No. 10, pp. 73-76.
13. Kronover R.M. Fraktaly i khaos v dinamicheskikh sistemakh. Osnovy teorii [Fractals and chaos
in dynamic systems. Basics of the theory]. Moscow: Postmarket, 2000.
14. Jerzy Wawszczak. Methods for estimating the Hurst exponent. The analysis of its value for
fracture surface research, Materials Science-Poland, 2005, Vol. 23, No. 2, pp. 585-591.
15. Cousins N.P., Loginov V.M. The use of the normalized scope method in the analysis of speech
pathologies of neurological genesis, Computer research and modeling, 2014, Vol. 6, No. 5,
pp. 775-791.
16. Kirichenko L., Chalaya L. Kompleksnyy podkhod k issledovaniyu fraktal'nykh vremennykh
ryadov [An integrated approach to the study of fractal time series], International Journal "Information
Technologies & Knowledge", 2014, Vol. 8, No. 1, pp. 22-28.
17. Antipov O.I., Neganov V.A. Primenenie metoda normirovannogo razmakha Khersta k analizu
stokhasticheskikh vremennykh ryadov v impul'snykh stabilizatorakh napryazheniya [Application
of the normalized Hurst range method to the analysis of stochastic time series in pulsed
voltage stabilizers], Fizika volnovykh protsessov i radiotekhnicheskie sistemy [Physics of wave
processes and radio engineering systems], 2009, Vol. 12, No. 3, pp. 78-85.
18. Kuzenkov N.P., Loginov V.M. Ispol'zovanie metoda normirovannogo razmakha pri analize
rechevykh patologiy nevrologicheskogo geneza [Using the normalized range method in the
analysis of speech pathologies of neurological origin], Komp'yuternye issledovaniya i
modelirovanie [Computer research and modeling], 2014, Vol. 6, No. 5, pp. 775-791.
19. Cervantes-De la Torre F., Gonz´alez-Trejo J.I., Real-Ramirez C.A., Hoyos-Reyes L.F. Fractal
dimension algorithms and their application to time series associated with natural phenomena,
Journal of Physics: Conference Series, 2013, No. 475, pp. 1-10.
20. Bassingthwaighte James B., Raymond Gary M. Evaluation of the Dispersional Analysis Method
for Fractal Time Series, Ann Biomed Eng., 1995, Vol. 23 (4), pp. 491-505.
21. Ceballos Roel F., Largo Fe F. On the Estimation of the Hurst Exponent Using Adjusted Rescaled
Range Analysis, Detrended Fluctuation Analysis and Variance Time Plot: A Case of
Exponential Distribution, Imperial Journal of Interdisciplinary Research (IJIR), 2017, Vol. 3,
Issue 8, pp. 424-434.
22. Frayden Dzh. Sovremennye datchiki. Spravochnik [Modern sensors. Directory]. Moscow:
Tekhnosfera, 2006, 592 p.
