Rivelatore di oscillazioni: come rilevare efficacemente le oscillazioni di una variabile?

Question

Rivelatore di oscillazioni: come rilevare efficacemente le oscillazioni di una variabile?

#1 da (1 voti)

4

Controllo una variabile in tempo reale in cui viene generato un nuovo valore ogni 1/25 di secondo. A seconda delle condizioni, questa variabile può essere stabile, ovvero fluttuare un po '(+/- 1%) attorno ad un certo valore (per semplicità, prenderò il valore reale di 40 dai miei recenti esperimenti) o fluttuare ampiamente da 0 a 6x o 8x volte più grande del valore stabile (200-370 per l'esempio). Il mio obiettivo è rilevare questi periodi stabili.

In questo momento risolvo questo problema come segue:

misura la media e la deviazione della variabile in entrata dal inizio delle misurazioni;
se in qualsiasi momento il rapporto di deviazione / media è maggiore di una soglia (0.15 adesso) I considera che la variabile è entrata in un periodo instabile, altrimenti - il la variabile è considerata stabile.

Questo approccio generalmente funzionava, ma non così bene. A volte, il rilevatore non riesce a rilevare periodi instabili. Ecco l'immagine del recente esperimento in cui il rapporto (in percentuale) era inferiore al 15%, il rilevatore considerato periodo come stabile, tuttavia si può vedere chiaramente che la variabile diventa instabile verso la fine del grafico (l'asse sinistro è per la media e "delta" - valore della variabile, asse destro per la deviazione / rapporto medio in percentuale):

Comepuoivedere,lavariabile(lineablu,delta)iniziaafluttuareselvaggiamenteallafinedelgrafico,tuttavialadeviazione/mediadelrapportorimanesottolasoglia(ilmassimoèintornoall'8%)enonattivailrilevatore.

Quindimichiedo,secisonoalcunetecniche/algoritmidirivelatoridioscillazioniesistentichepossonoaiutarearegolarelasensibilitàdelrivelatore?Attualmente,stopensandodiutilizzarelamediamobileperilvaloremedioeabbassarelasogliafinoall'8%.

Descrizionedelsistemadialtolivello

C'èunproduttorechegenerapacchettiavelocitàcostante,anchesepotrebbeessereinterrottoeilritardotraproduttoripotrebbenonessereesattamentequelloscelto(cioèiltargetè25fps,mailritardopuòvariaretra30e50ms,moltoraramentepuòessereinterrottoeilritardopuòdiventareildoppio).Questipacchettisonodisponibilisullareteememorizzatinellacache.Ilconsumatorerichiedequestipacchettiinviandorichieste.Miraaesaurirelacache-emettendounagrandequantitàdirichieste.Quellerichiestecherichiedonodatiinesistenti,diventerannoinsospesoeavrannorispostanonappenaverrannogeneratipacchetticorrispondenti.Pertanto,ilconsumatoresapràchehaesauritolacacheunavoltacheidatiarriverannoconunperiodo"stabile", cioè quello che "approssimativamente" corrisponde al tasso di produzione target. Come si può vedere, questo ritardo inter-arrivo è influenzato 1 / dal produttore (non è esattamente 40ms) e 2 / interruzioni di rete.

Ecco i dati di esempio; ci sono molti parametri aggiuntivi, ma il vero valore osservato è nella colonna "delta".

real-time statistics

posta peetonn 05.09.2015 - 20:02

fonte

1 risposta

Leggi altre domande sui tag real-time statistics

Ricerca di valore efficiente in Elenco di k-Tuples Controllo di nil in Go [chiuso]

score 1 · Accepted Answer

Ho testato una soluzione che mantiene una media costante dei precedenti N campioni, e N campioni prima. Ciò ha l'effetto di attenuare il rumore, ma è possibile confrontare le differenze tra le due medie per determinare se si sono verificati cambiamenti significativi tra i due.

Se questa soluzione non funziona, ho altre idee, ma questo è semplice e sembra funzionare bene con i dati di esempio che hai postato.

Ho fatto un mock up in Python. Non sono sicuro del tuo livello di comfort, quindi non l'ho reso molto pythonic , in modo che possa essere facilmente trascritto in qualunque lingua tu stia utilizzando.

import numpy as np
from collections import deque
import pylab as plt

N = 25
windowA=deque(maxlen=N)
windowB=deque(maxlen=N)

avgA = []
avgB = []

with open('stab-estimator - Sheet1.tsv', 'r') as f:
  f.readline() # skip header
  for line in f:
    delta = float( line.split()[1] )
    windowB.append(delta)
    windowA.append(windowB[0])
    # I'll store the averages so we can plot them, but you can just use
    # avgA/avgB as a metric for stability, without storing a history.
    avgA.append(np.sum(windowA)/len(windowA))
    avgB.append(np.sum(windowB)/len(windowB))


# Plot the result:
avgA = np.array(avgA)
avgB = np.array(avgB)
plt.figure()
# plt.plot(avgA-avgB)
# Or equally telling:
plt.plot(avgA/avgB)
plt.show()

La trama di quel rapporto assomiglia a questo:

Come puoi vedere, presenta una buona metrica per la tua instabilità osservata. Potresti facilmente impostare una soglia del 10% e catturare quell'instabilità alla fine. Potresti anche voler sintonizzare N. La dimensione di N sarà un compromesso tra livellamento e sensibilità ai cambiamenti. Se N è troppo grande, allora il segnale dovrà crescere più velocemente per superare la finestra di calcolo della media.

Inoltre, dovrai disattivare l'allarme all'inizio mentre le medie convergono in valori correnti.

HTH.