ҚККА Хабаршысы № 1 (50), 2008

ҚККА Хабаршысы № 1 (50), 2008 
 
 
146
Так  как длина детали  L  велика,  деталь устанавливается в центрах.  
В этом случае радиальная сила Р
у
 равна: 
3
y
L
/
fEJ
70
P
=
, Н,  
 
где   Е - модуль  упругости,  Н/мм 
2;  
J - момент  инерции  поперечного  сечения  детали, 
определяемая по формуле:  J = 0,05 D
4
, мм
4
. 
Откуда                                                   
70EJ
L
P
3
y
=
f
, мм, 
 
где 
 
K
V
S
t
C
P
p
Np
Уp
Xp
Рy
y
=
, Н - составляющая силы резания,  t - глубина  резания,  мм;  S – 
подача,  мм/об;  К
р
 = К
mp
К
φp
К
γр
К
λp
К
rp
 - поправочный  коэффициент;  К
mp
 - коэффициент, 
учитывающий влияние материала; К
φp
К
γр
К
λp
К
rp 
- поправочные коэффициенты, учитывающие 
геометрию резца. 
Подставляя все эти формулы, получаем, что 
 
70EJ
X
К
V
S
t
С
 
 
3
р
Nр
Yр
Xp
Py
=
f
, мм. 
Выводы 
Разработанная структурная схема двухконтурной адаптивной системы управления 
режимами  работ  станка,  позволяет  повысить  точность  обработки  нежестких  валов  на 
универсальных токарных станках.  
ЛИТЕРАТУРА 
 
1.  Усупов  С.С.  Разработка  двухконтурной  адаптивной  системы  управления  для  обработки 
нежестких валов на токарных станках //Алматы,  Вестник КазАТК, 2008, №1
, с.
  
2. Теория  автоматического  управления. / Под  ред.  А.А.  Воронова. М., Высшая школа, 1987, 
303 с. 
3. Муслимов А.П.  Расчет  и  конструирование  гидравлических  систем станков.  Фрунзе,  ФПИ,   
1985, 31 с. 
 
УДК 621.396 
 
Кошеков Кайрат Темирбаевич - к.т.н., доцент (Петропавловск, СКГУ) 
 
МЕТОДОЛОГИЯ ИДЕНТИФИКАЦИОННЫХ ИЗМЕРЕНИЙ СИГНАЛОВ 
 
Интеллектуальная  мощь  систем  обработки  данных  во  многом  зависит  от  их 
способности  проводить  автоматическую  классификацию  анализируемых  сигналов.  Под 
классификацией  понимается  разделение  группы  объектов  на  некоторые  части – 
подгруппы,  внутри  которых  объекты  имеют  общие  (в  определенном  смысле)  свойства. 
Опцию  классификации  можно  реализовать,  используя  методы,  принятые  в  прикладной 
статистике  и  теории  распознавания  образов /1,2/. Однако,  из-за  математической  и 
алгоритмической  сложности,  эти  методы  практически  не  применяются  в  системах 
реального  времени.  В  связи  с  этим,  становится  актуальной  разработка  новой 
методологии  решения  задач  классификации  и  распознавания  сигналов
,  которая  бы 
естественным образом интегрировала в себе наработанные в смежных областях методы и 
средства.  
Предлагаемые  виртуальные  инструменты  используют  новую  методологию 
классификации  сигналов  вообще  и  их  распознавания,  в  частности.  Эта  методология 
основана на идеях и моделях идентификационных измерений (ИИ) сигналов, изложенных 
в  работе /3/. Суть  предложения  иллюстрирована  на  рисунке 1 и  сводится  к  тому,  что 
первоначально  (в  отсутствие  сигнала)  упорядоченная,  например,  по  убыванию,  система 

ҚККА Хабаршысы № 1 (50), 2008 
 
 
147
объектов-эталонов,  под  воздействием  входного  сигнала - разъупорядочивается  (эталоны 
меняют  свои  позиции).  Таким  образом,  с  позиции  теории  ИИ,  классификация  сигналов 
есть  относительное  измерение  их  неупорядоченности  или  хаоса.  Новый  порядок 
следования 
объектов-эталонов 
отображает 
классификационную 
структуру 
анализируемого  сигнала.  Номера  позиций  образуют  позиционный  код  (ПК),  а, 
соответствующие  им,  имена  объектов-эталонов – лингвистический  код  (ЛК)  входного 
сигнала. 
 
 
Рисунок 1 - Структурная схема классификатора сигналов 
 
 
 
Рисунок 2 - Структурная схема программного кода классификатора сигналов 

ҚККА Хабаршысы № 1 (50), 2008 
 
 
148
 
На рисунке 2 представлена структурная схема программного кода классификатора, 
выполненная  в  среде LabVIEW-7.1. В  данной  схеме  использованы  как  стандартные 
библиотечные элементы (Subtract, Absolute Value, Build Array, Sort 1D Array, Divide, Add 
Array Elements, Delete from Array), так  и  модули (S-tester, Name_Former), разработанные 
авторами специально.  
Исследуемая выборка сигнала измеряется идентификационным тестером S-типа /7/, 
на  выходе  которого  формируется  число (IdPx=60 для  примера  на  рисунке 1). Это  число 
сравнивается  с  упорядоченным  набором  подобных  идентификационных  чисел, 
принадлежащих эталонам, в качестве которых используются имена случайных сигналов с 
двумодальным (2МОД),  арксинусным  (АРКС),  равномерным  (РАВН),  треугольным 
(СИМП),  нормальным  (НОРМ),  двусторонним  экспоненциальным  (ЛАПЛ)  и  Коши 
(КОШИ) распределениями. Для указанных эталонов значения идентификационных чисел 
(IdPi)  известны  заранее  и  хранятся  внутри  программы  как  некие  константы.  Диапазон 
идентификационных  чисел  эталонов  (от 0 до 100) охватывает  полный  диапазон 
существования любых других сигналов, как случайных, так и периодических. 
Сравнение идентификационных чисел входного сигнала и эталонов осуществляется 
путем  вычисления  абсолютной  разности (Delta) с  формированием  соответствующего 
массива.  Обработка  массива  отклонений  заключается  в  его  сортировке  совместно  с 
именами  эталонных  распределений  так,  что  на  выходе  системы  формируется 
позиционный и лингвистический коды (ПК, ЛК). Позиционный  и лингвистический коды 
перечисляют,  соответственно,  номера  и  имена  эталонов  сортированного  массива.  На 
рисунке 1 показано  как  из  линейно  упорядоченного  ПК = 1234567 эталонов  получился 
разъупорядоченный  ПК = 4352167 входного  сигнала.  Потенциально  общее  число 
возможных ПК сигналов определяется числом перестановок и для 7 эталонов составляет 
величину,  равную 7!=5240. В  реальных  системах,  как  правило,  требуемое  число 
различимых  градаций  составляет  величину  в 3-5 раз  меньшую.  Поэтому  данный 
классификатор  можно  без  особой  доработки  включать  в  качестве  интеллектуального 
модуля в состав многих практических систем обработки и анализа данных. 
Классификационное  дерево  (правая  часть  рисунка 1) сигналов  строится  из 
предположения  о  том,  что  разряды  ПК  являются  потенциальными  узлами  ветвления.  В 
рассматриваемом примере (рисунка 1) у эталонного и анализируемого сигналов общими 
являются  два  разряда  с  именами  КОШИ  и  ЛАПЛ  из  семи.  Это  дает    возможность 
количественно оценить степень общности как: 
 
ПК
воразрядов
общеекол
рядовПК
вообщихраз
кол
ности
Степеньобщ
−
−
=
   ,                                  (1) 
 
откуда для примера (рисунок 1), имеем С=2/7=0,2857. 
Принцип  действия  S-тестера,  входящего  в  состав  библиотеки  классификатора, 
основан  на  измерении  крутизны  среднего  участка  ранжированной  функции  сигнала.  Его 
программная  реализация  представлена  на  рисунке 3. Модуль  Name_former  предназначен 
для обработки списка эталонов по значениям отклонения Delta. На выходе этого модуля 
формируется  имя  эталона,  соответствующее  заданному  на  входе InputNum значению 
отклонения.  
Рассмотрим  технологию  применения  классификатора  для  решения  следующей 
задачи.  Имеется  группа  из 4-х  сигналов  с  именами: 4-4-1n.wav, 4-4-2n.wav, 4_4idle.wav, 
4_4tfc.wav. 
Необходимо  выяснить  взаимосвязь  между  этими  сигналами.  Решение  сводится,  во-
первых,  к  выполнению  операции  измерения  идентификационных  параметров  основных 
характеристик  сигналов,  к  которым  относятся  временная (Time), вероятностная (Hist), 

ҚККА Хабаршысы № 1 (50), 2008 
 
 
149
спектральная (Spec) и  корреляционная (Corr). Соответствующие  результаты  измерения 
сведены в таблице 1, где представлены также результаты измерения идентификационных 
параметров эталонов (2mod, asin, even, simp, gaus, lapl, kosh). 
 
  
 
Рисунок 3 - Структура программного кода S-тестера 
 
Вторым  шагом  является  вычисление  отклонений  каждого  сигнала  с  эталонами  по 
всем  характеристикам  и  определение  позиционных  кодов  (РС).  Соответствующие 
результаты представлены в таблице 2.  Так, например, отклонение сигнала  4-4-1n.wav от 
группы  эталонов  по  временной  характеристике  составляет 32,55, а  по  всем 
характеристикам - 28,082.  
 
                       Таблица 1 – Результаты измерений 
 
№ 
Имя файла Time  Hist  Corr  Spec 
1 4-4-1n.wav 47,252747 93,2344 0,705318 0,0149 
2 4-4-2n.wav 43,434343 94,6411 1,799429 0,0652 
3 4_4idle.wav 38,773553 92,2885 4,540104 0,0194 
4 4_4tfc.wav 36,363636 75,5248 0,362961 2,0658 
5 2mod.txt 
100
0 1,474858
23,29 
6 asin.txt 
92,2945 26,2704 1,465952 21,999 
7 even.txt 
75,420626
52,5 1,466273 17,493 
8 simp.txt 
49,942408 78,8036 1,491746 25,888 
9 gaus.txt 
30,710666 84,1256
1,44303 16,594 
10 lapl.txt 
11,775648 24,8674 1,458223
22,51 
11 kosh.txt 
0,055596 0,03011
0,09208 39,541 
 
Третий  шаг  состоит  в  анализе  позиционных  кодов  и  в  построении  по  ним 
классификационных деревьев. Согласно данным таблицы 2, все сигналы имеют один и тот 
же  ПК (5326147) по  спектральной  характеристике (Spec). Это  означает,  что 
анализируемые сигналы имеют похожие спектры. Дерево будет содержать одну ветвь, на 
которой «развешано» 4 сигнала в порядке возрастания отклонений (таблица 3).  
 
 

ҚККА Хабаршысы № 1 (50), 2008 
 
 
150
 
 Таблица 2 – Результаты определения позиционных кодов 
 
№  Имя файла 
Имя 
эталона Time 
PC Hist PC Corr PC 
Spec 
PC 
1 4-4-1n.wav  2mod.txt  52,75
4  93,23
5  0,7695
7  23,27 5 
2 4-4-1n.wav 
asin.txt  45,04
5  66,96
4  0,7606
5  21,98 3 
3 4-4-1n.wav  even.txt  28,17
3  40,73
3  0,761
6  17,48 2 
4 4-4-1n.wav  simp.txt 
2,69
6  14,43
2  0,7864
2  25,87 6 
5 4-4-1n.wav  gaus.txt  16,54
2  9,109
6  0,7377
3  16,58 1 
6 4-4-1n.wav 
lapl.txt  35,48
7  68,37
7  0,7529
1  22,49 4 
7 4-4-1n.wav  kosh.txt 
47,2
1  93,2
1  0,6132
4  39,53 7 
  
Delta 
28,08203046  32,55
  
55,15
  
0,7402
  
23,89 
  
8 4-4-2n.wav  2mod.txt  56,57
4  94,64
5  0,3246
4  23,22 5 
9 4-4-2n.wav 
asin.txt  48,86
5  68,37
4  0,3335
1  21,93 3 
10 4-4-2n.wav 
even.txt  31,99
6  42,14
3  0,3332
3  17,43  2 
11 4-4-2n.wav 
simp.txt  6,508
3  15,84
2  0,3077
2  25,82  6 
12 4-4-2n.wav 
gaus.txt  12,72
7  10,52
6  0,3564
6  16,53  1 
13 4-4-2n.wav 
lapl.txt 
31,66
2  69,77
7  0,3412
5  22,44  4 
14 4-4-2n.wav 
kosh.txt  43,38
1  94,61
1  1,7073
7  39,48  7 
  
Delta 
28,50474814  33,1 
  
56,56
  
0,5291
  
23,84 
  
15 4_4idle.wav  2mod.txt  61,23
5  92,29
5  3,0652
4  23,27  5 
16 4_4idle.wav 
asin.txt 
53,52
4  66,02
4  3,0742
1  21,98  3 
17 4_4idle.wav  even.txt  36,65
6  39,79
3  3,0738
3  17,47  2 
18 4_4idle.wav  simp.txt  11,17
3  13,48
2  3,0484
2  25,87  6 
19 4_4idle.wav  gaus.txt  8,063
7  8,163
6  3,0971
6  16,57  1 
20 4_4idle.wav 
lapl.txt 
27
2  67,42
7  3,0819
5  22,49  4 
21 4_4idle.wav  kosh.txt  38,72
1  92,26
1 
4,448
7  39,52  7 
  
Delta 
28,77967418  33,76
  
54,2 
  
3,2698
  
23,88 
  
22 4_4tfc.wav 
2mod.txt  63,64
5  75,52
4  1,1119
7  21,22  5 
23 4_4tfc.wav 
asin.txt 
55,93
4  49,25
5 
1,103
5  19,93  3 
24 4_4tfc.wav 
even.txt  39,06
6  23,02
3  1,1033
6  15,43  2 
25 4_4tfc.wav 
simp.txt  13,58
7  3,279
2  1,1288
2  23,82  6 
26 4_4tfc.wav 
gaus.txt  5,653
3  8,601
6  1,0801
3  14,53  1 
27 4_4tfc.wav 
lapl.txt 
24,59
2  50,66
7  1,0953
1  20,44  4 
28 4_4tfc.wav 
kosh.txt  36,31
1  75,49
1  0,2709
4  37,47  7 
  
Delta 
24,44050754  34,11
  
40,83
  
0,9847
  
21,84    
 
Таблица 3 -  Результаты обработки 4 сигнала 
 
PC Spectrum 
5326147 
Порядок 1 2  3  4 
Отклонение 21,84  23,84  23,88  23,89 
Имя файла 4_4tfc.wav 
4-4-2n.wav 
4_4idle.wav 4-4-1n.wav 
 
Второй по общности является вероятностная характеристика (Hist), которая имеет 
2  разновидности  позиционного  кода,  причем  один  из  кодов  объединяет 3 сигнала  из 
четырех (таблица 4). 
Позиционный  код  корреляционной  характеристики (Corr) также  имеет  две 
разновидности, в каждой из которых содержатся по два сигнала (таблица 5). 
 
 

ҚККА Хабаршысы № 1 (50), 2008 
 
 
151
 
 
Таблица 4 – Вероятностная характеристика (Hist)  
 
PC Histogram 
4532671 5432671 
Порядок 1  1  2 3 
Отклонение 40,83 
54,2  55,15  56,56 
Имя файла 4_4tfc.wav 
4_4idle.wav 
4-4-1n.wav 4-4-2n.wav 
 
 
Таблица 5 - Позиционный код корреляционной характеристики (Corr) 
 
PC Correlation 
4132657 7562314 
Порядок 1  2  1  2 
Отклонение 0,5291  3,2698  0,7402  0,9847 
Имя файла 4-4-2n.wav 
4_4idle.wav 
4-4-1n.wav 4_4tfc.wav 
 
Позиционный  код  временной  характеристики (Time) содержит 4 разновидности 
позиционного  кода  (таблица 6) и  потому  в  наибольшей  степени  отображает  частные 
свойства сигналов. 
 
Таблица 6 - Позиционный код временной характеристики (Time) 
 
PC Time 
4536271 4563721  5463721  5467321 
Порядок 1  1  1  1 
Отклонение 32,55  33,1 
33,76  34,11 
Имя файла 4-4-1n.wav 
4-4-2n.wav 
4_4idle.wav 4_4tfc.wav 
 
 

ҚККА Хабаршысы № 1 (50), 2008 
 
 
152
 
 
Рисунок 4 - Дерево сигналов для временной характеристики 
 
Дерево  сигналов  для  временной  характеристики  изображено  на  рисунке 4. 
Построение дерева начинается с младшего правого разряда ПК, поскольку значение этого 
разряда (1=2МОД) является общим для всех сигналов. После первого разряда образуется 
ветвление  по 2 направлениям:  к  значению 7 (один  сигнал  с  именем 4-4-1n.wav) и  к 
значению 2 (три  сигнала  с  именами  4-4-2n.wav, 4_4idle.wav4, _4tfc.wav). Следующее 
ветвление образуется на третьем разряде по направлениям 3 (4_4tfc.wav) и 7 (4-4-2n.wav, 
4_4idle.wav).  Последнее  ветвление  на 6 разряде  разделяет  два  сигнала 4-4-2n.wav и 
4_4idle.wav.  
На  основании  анализа  образов  сигналов  представлены  можно  удостовериться  в 
правильности  работы  классификатора,  а  также  сформировать  новые  подходы  к 
интерпретации понятия «похожести» сигналов.   
Отсюда  возникает  предложение - оценивать  «похожесть»  сигналов  некоторым 
комплексным  показателем,  учитывающим  как  значение  отклонения,  так  и  степень 
общности, например, в логической форме: 
⎥
⎥
⎦
⎤
⎢
⎢
⎣
⎡
⎟⎟
⎠
⎞
⎜⎜
⎝
⎛
Δ
Δ
−
=
max
1
;
max
ij
ij
шо
C
П
  ,                                                  (2) 
 
где  Cij – степень  общности  (вложенности),  оцениваемая  по  формуле (1), Δij – значение 
отклонения  меду  сигналами,  Δmax – максимальное  отклонение  между  крайними 
сигналами данного дерева.  
Выводы 
Предложена  новая  методика  идентификационных  измерений  сигналов,  при 
которой структура группы сигналов не только визуализируется, но и упорядочивается как 
по  вертикали  (по  общности),  так  и  по  горизонтали  (по  отклонению).  Двумерная 
упорядоченность дерева  позволяет определить положение целой группы анализируемых 
сигналов.  

ҚККА Хабаршысы № 1 (50), 2008 
 
 
153
Модель  классификатора  как  устройства,  измеряющего  взаимное  расположение 
эталонных  элементов,  может  быть  использована  для  количественной  оценки 
качественного состояния объектов управления, контроля и диагностики. 
 
ЛИТЕРАТУРА 
 
1.  Прикладная  статистика:  Классификация  и  снижение  размерности:  Справ.  Изд./  Под 
ред. С.А. Айвазяна. М., Финансы и статистика, 1989, 607 с. 
2.  Васильев В.И. Распознающие системы. Киев, Наукова Думка, 1969, 292 с. 
3.  Кликушин  Ю.Н.  Библиотека  виртуальных  инструментов  анализа  и  синтеза  формы 
сигналов //Свидетельство  о  госрегистрации  №50200601945,  Министерство  образования  и  науки 
РФ, ОФАП. М., 2006. 
 
 
УДК  621.311.21-827 
 
Кулжабаев Бауржан Джамалбекович – инженер (Алматы, НТФ «КАВИС») 
Лысенко Виктор Степанович - к.т.н.  (Алматы, НТФ «КАВИС») 
 
ГИБРИДНЫЕ СИСТЕМЫ АЛЬТЕРНАТИВНОЙ ЭНЕРГЕТИКИ ДЛЯ 
ПРОМЫШЛЕННОСТИ И ТРАНСПОРТА 
 
      Традиционные  энергетические  технологии,  за  исключением  гидроэнергетики, 
ветроэнергетики  и  гелиоэнергетики)  основаны  на    сжигании  разнообразных  видов 
топлива, что наносит ущерб экологии, а запасы топлива на Земле истощаются и постоянно 
дорожают.  Для  комплексного  решения  проблем  современной  экологически  чистой 
энергетической  технологии  важнейшим  вопросом  является  определение  оптимальных 
сочетаний альтернативных и природных возобновляемых  источников энергии, таких как 
энергия рек, морей, океанов, ветра, солнца, гравитация, инерция и других.  
     Анализ  природных  явлений  и  организации  жизни  на  Земле  отчетливо  показывает, 
что  все  природные  энергетические  процессы  на  нашей  планете  обходятся  без 
использования  органического  и  ядерного  топлива.  Подпитка  энергией  процессов 
образования  нового  вещества,  поддержание  его  функционирования,  в  том  числе, 
например,  колебаний  атомов  кристаллической  решетки  и  любой  структуры  вообще, 
происходит  путем  энергообмена  с  окружающей  средой /1,2/. Согласно  этим  последним 
представлениям в земных условиях есть два основных естественных источников энергии, 
существенно  отличающихся  по  своим  проявлениям.  Первый – это  вещество,  в  котором 
Природой аккумулирована энергия связи элементарных частиц, которая высвобождается 
при расщеплении-распаде вещества на элементарные частицы. Второй источник энергии – 
это  воздействие  окружения  (гравитация,  воздействие  полей,  кориолисово  (вихревое) 
самовращение, космические потоки – например, солнечная энергия и другие). 
     В  настоящее  время  все  отчетливее  просматривается  тенденция  развития 
естественной  энергетики,  экологически  чистой  и  адоптированной  к  земным  условиям. 
Одним  из  перспективных  направлений  естественной  энергетики  является  использование 
вихревого  эффекта – кориолисова  самовращения /3/. Вихревое  движение  проявляется 
повсеместно,  начиная  от  перемещения  галактик  и  планет  до  движения  элементарных 
частиц.  Вихревое  движение  атмосферного  воздуха  в  природных  циклонах,  торнадо, 
тайфунах и ураганах, а также вихревые образования в водоемах планеты являются одним 
из  самых  загадочных  явлений  природы.  Физика  образования  природных  вихрей  и  их 
внутренняя  энергетика    до  настоящего  времени  еще  не  изучена,  а  множество  гипотез  и 
математических моделей /4/ не дают ясной картины и описывают лишь частные случаи.   

жүктеу/скачать 5,12 Mb.

Достарыңызбен бөлісу: