当前位置:首页 > 公众号精选 > 嵌入式客栈
[导读]注、星标 嵌入式客栈 ,干货及时送达 [导读] 咦,你已被成功吸引进来了,不是你想的那样哈~~~ 皮一下哈,言归正传,今天遇到一个网友问一个问题,他有一个传感器测量一个物理量,需要判断其变化趋势,我给了一些建议,这里将这个建议展开做些深入分析,并

注、星标 嵌入式客栈 ,干货及时送达

[导读] 咦,你已被成功吸引进来了,不是你想的那样哈~~~

皮一下哈,言归正传,今天遇到一个网友问一个问题,他有一个传感器测量一个物理量,需要判断其变化趋势,我给了一些建议,这里将这个建议展开做些深入分析,并分享给大家。

本文想借此表达一下个人的一个观点,做开发如果遇到无法解决的难题,可以试着从数序的角度出发,看能否找到答案。

注:文中配图只为阅读轻松一点,本人数学也是半吊子,有错误帮忙指正。

是个啥坑?

一个项目中用到一个传感器测量一物理量,这里假定测量温度吧。需要判断其变化趋势,利用这个变化趋势去做一些应用。

那么要怎么判断一个物理量的变化趋势呢?我们能自然能想到去求取该随机序列的变化率。这里涉及到一些数序定义。

这样将S(t)信号转换为离散信号序列S(n),那么对于当前时刻其斜率怎么求取呢?(这里忽略中间的过度态,仅将其看为线段相连,当然现实应用中如果有更高要求,可以做曲线拟合)

但是如果只判断,斜率极容易误判,比如下面这样的情况:

其斜率一会儿正,一会儿负,但是其总体趋势又是在增加的,所以只考察斜率显然不可取,获取需要在代码在加各种复杂的条件或者限值去判断。即使加这么多条件系统仍然可能表现的非常不健壮。

对于模拟信号2而言,趋势又在不断变化。那么怎么做才能稳定呢?先卖个关子?

函数的凹凸性

凹函数

凹函数是一个定义在某个向量空间的凸集C(区间)上的实值函数f。设f为定义在区间I上的函数,若对I上的任意两点x1

则称函数f为l上凹函数,有的书上也称为下凸函数。

如果把上述条件中的“≥”改成“>”,则叫做严格上凹函数,或叫做严格下凸函数。

上面是一维函数情况,这里来个2维函数的图,刚方便理解

凸函数

设f为定义在区间I上的函数,若对I上的任意两点x1,上面不等式变成大于等于,则在该区间为凸函数。

可见,凹凸是相对的,如f(x)在某区间为凹,则-f(x)则在该区间为凸。

性质

  • 若一个函数在某区间二阶可导且大于0,则函数在该区间为凹函数
  • 若一个函数在某区间二阶可导且小于0,则函数在该区间为凸函数

证明,这里就不推导了,可以利用拉格朗日中值定理可以推导出上面这个性质。

来看一下会动的图,加深一下理解:

函数 切线为蓝色,曲线向上凹,绿色表示曲线是向下凹的,红色表示曲线的拐点。


回到坑里

是否可以利用离散序列的求导数来判断传感器的变化趋势?


S[n]表示当前测量点,S[n-1]表示前一个测量点,S[n-2]表示前第2个测量点。

上代码

#include  #include  #include  typedef struct _T_2ND_DRV { float xn1; float xn2;
}t_2ND_DRV; typedef struct _T_1ST_DRV { float xn1;
}t_1ST_DRV; void init_second_derivative(t_2ND_DRV *pSndDrv) {
    pSndDrv->xn1 = 0;
    pSndDrv->xn2 = 0;
} float second_derivative(t_2ND_DRV *pSndDrv, float xn,float T) { float result=0.0f; if(T<=0) return 0x7FBFFFFF; /*非法数据*/ result = (xn-2*pSndDrv->xn1-pSndDrv->xn2)/T/T;
     pSndDrv->xn2 = pSndDrv->xn1;
     pSndDrv->xn1 = xn; return result;
} void init_fisrt_derivative(t_1ST_DRV *p1stDrv) {
    p1stDrv->xn1 = 0;
} float fisrt_derivative(t_1ST_DRV *p1stDrv, float xn,float T) { float result=0.0f; if(T<=0) return 0x7FBFFFFF; /*非法数据*/ result = (xn-p1stDrv->xn1)/T; 
     p1stDrv->xn1 = xn; return result;
} #define PI 3.1415f #define SAMPLE_RATE 500.0f #define SAMPLE_T (1/SAMPLE_RATE) #define SAMPLE_SIZE (100) int main() { float sim1[SAMPLE_SIZE]; float sim2[SAMPLE_SIZE]; float out1[SAMPLE_SIZE]; float out2[SAMPLE_SIZE];
    t_2ND_DRV sndDrv;
    t_1ST_DRV frtDrv;
    init_fisrt_derivative(&frtDrv);
    init_second_derivative(&sndDrv);
    
    FILE *pFile=fopen("./simulationSin.csv","wt+"); if(pFile==NULL)
    { printf("simulationSin.csv opened failed"); return -1;
    } for(int i=0;i10*sin(2*PI*10*i/500);
    } for(int i=0;ifprintf(pFile,"%f,%f,%f\n",sim1[i],out1[i],out2[i]);
    }

    fclose(pFile); return 0;
}

利用excel生成曲线:

从图中可看出:
  • 一阶导数为正时,函数递增趋势;
  • 一阶导数为负时,函数递减趋势;
  • 二阶导数为0时,出现拐点,趋势改变;此时如果左右两侧的一阶导符号相反,则出现极值。
  • 二阶导数为负时,其一阶导数也即原函数斜率规律单调减,二阶导数为正时,其一阶导数也即原函数斜率规律单调增。

再进一步:

一阶导数与二阶导数结合起来看,就可以看出测量值变化趋势的趋势,比如在前1/4周期,此区间变换趋势为增,也即一阶导数为正,而其二阶导数为负,也可以看出递增的趋势是逐渐减小到0的。

代码优化

如果只是做定性判断,上述函数,完全没必要与采样周期做除法,只需要考察其增量即可,代码可优化如下:

typedef struct _T_2ND_DRV { float xn1; float xn2;
}t_2ND_DRV; typedef struct _T_1ST_DRV { float xn1;
}t_1ST_DRV; void init_second_derivative(t_2ND_DRV *pSndDrv) {
    pSndDrv->xn1 = 0;
    pSndDrv->xn2 = 0;
} float second_derivative(t_2ND_DRV *pSndDrv, float xn) { float result=0.0f;
     result = xn-2*pSndDrv->xn1-pSndDrv->xn2;
     pSndDrv->xn2 = pSndDrv->xn1;
     pSndDrv->xn1 = xn; return result;
} void init_fisrt_derivative(t_1ST_DRV *p1stDrv) {
    p1stDrv->xn1 = 0;
} float fisrt_derivative(t_1ST_DRV *p1stDrv, float xn) { float result=0.0f;
     result = xn-p1stDrv->xn1; 
     p1stDrv->xn1 = xn; return result;
}

意外收获

这里意外引入一个可能很多人没注意的知识点NaN,在计算中,NaN代表非数字,是数字数据类型的成员,可以将其解释为不确定的或无法表示的值,尤其是在浮点运算中。1985年,IEEE 754浮点标准引入了NaN的系统使用,并表示了其他无限量(如无穷大)。

前述函数返回0x7FBFFFFF,也就是表示无穷大。

不同的操作系统和编程语言可能具有NaN的不同字符串表示形式:

nan
 NaN
 NaN%
 NAN
 NaNQ
 NaNS
 qNaN
 sNaN 1.#SNAN 1.#QNAN -1.#IND

实际上,由于编码的NaN具有符号,因此通常也可以在NaN的字符串表示中找到它们,例如:

 -NaN
  NaN12345
 -sNaN12300
 -NaN(s1234)

工程应用

这里给出我的建议方案:

将传感器信号经由电路处理,模数采样,在进入前级数字滤波器,滤除不必要的噪声,在进行一阶/二阶求导。对于一阶和二阶求导再做一级移动平均滤波,最后在按照上面描述进行判别变化趋势,则个人认为基本就比较健壮了。实际移动均值滤波长度不宜选择过长,否则响应就比较滞后了。不能对传感器的变化趋势做出实时的判别。加了后级均值滤波器,则会消除由于波形忽上忽下的随机噪声干扰影响,使得系统判别更为健壮,实际滤波器长度需根据不同的场合进行调试优化。或者也可以选择别的IIR/FIR滤波器形式实现。

具体实现可参考(点击可阅读):

手把手教系列之移动平均滤波器C实现

手把手教系列之IIR数字滤波器设计实现

手把手教你系列之FIR滤波器设计实现

总结一下

做为嵌入式er编程,有时候有必要去看看数学书,了解一下数学原理的背后故事,可能会给你带来意想不到的作用哦。

本文辛苦原创,也是为了帮助网友,如有错误之处,也请联系我指出。希望大家不吝点个赞,随心打个赏也是可以的,哈哈。也请帮忙转发分享支持一下~~~

END

往期精彩推荐,点击即可阅读




▲Linux内核中I2C总线及设备长啥样? [墙裂推荐]
学习AI之机器学习概念篇
手把手教系列之IIR数字滤波器设计实现

免责声明:本文内容由21ic获得授权后发布,版权归原作者所有,本平台仅提供信息存储服务。文章仅代表作者个人观点,不代表本平台立场,如有问题,请联系我们,谢谢!

本站声明: 本文章由作者或相关机构授权发布,目的在于传递更多信息,并不代表本站赞同其观点,本站亦不保证或承诺内容真实性等。需要转载请联系该专栏作者,如若文章内容侵犯您的权益,请及时联系本站删除。
关闭
关闭