CC BY
27
Рис. 2. Ультразвуковой преобразователь с тремя пьезокерамическими элементами,
используемый в расходомере
Работает расходомер следующим образом. ФСВ вырабатывает сигнал возбуждения ИУЗП в виде периодических колебаний. ИУЗП излучает акустические волны во внутреннее пространство воздуховода, заключенного в оболочку корпуса. Волны перемещаются в движущемся по волноводу потоке и принимаются приемными кольцевыми ПУЗП1 и ПУЗП2. Принятые приемниками акустические волны преобразуются в электрические колебания и поступают соответственно на усилители Ус1 и Ус2 и далее на фазовый детектор. Фазовый детектор сравнивает фазы принятых колебаний и вырабатывает напряжение, пропорциональное разности фаз, которое подается на индикатор И. Излучающий и приемные кольцевые участки с пьезоэлементами не нарушают структуры потока в воздуховоде и не создают каких-либо аэродинамических сопротивлений. Для дальнейшего повышения помехоустойчивости возможно применение синхронного фазового детектора.
Список литературы
1. Лобачев, П. В. Измерение расхода жидкостей и газов в системах водоснабжения и канализации / П. В. Лобачев, Ф. А. Шевелев. - М. : Стройиздат, 1985. - 424 с.
2. Мясников, В. И. Ультразвуковые методы измерения расхода жидкости / В. И. Мясников // Мир измерений. - 2004. - № 1. - С. 9-12.
3. Измерения в промышленности : справ. изд. : в 3 кн. Кн. 2. Способы измерения и аппаратура : пер. с нем. / под ред. П. Профоса. - 2-е изд., перераб. и доп. - М. : Металлургия, 1990.
4. Мельников, А. А. Ультразвуковые преобразователи в средствах измерения / А. А. Мельников. - М. : Компания «Спутник +», 2010. - 154 с.
УДК 57.087
СОВРЕМЕННЫЕ ПОДХОДЫ К ОБРАБОТКЕ БИОМЕДИЦИНСКОЙ ИНФОРМАЦИИ
А. Ю. Тычков
Показано, что обработка биомедицинской информации на основе преобразования Гильберта-Хуанга является перспективной и актуальной для диагностики и прогнозирования психоэмоциональных состояний человека. Пред-
ложено для обработки соответствующих сигналов использовать индивидуальный подход и решение, позволяющие повысить точность обнаружения критических состояний в работе головного мозга.
It is shown that processing of biomedical information on the basis of Hilbert-Huang ys transformation is perspective and actual for preliminary treatment and forecasting of psychoemotional conditions of the person. It is offered to use _ for processing of the corresponding signals an individual approach and the decision, allowing to improve accuracy of detection of critical conditions in brain work.
Сегодня на каждого человека ежедневно оказывает воздействие целая сумма факторов, имеющих стрессовый характер, что приводит к появлению головной боли, хронической усталости, переутомлению, возникновению отрицательных эмоциональных и стрессовых состояний [1]. Когда нагрузки велики, возникают психическое напряжение, депрессия, которые могут привести к серьезным расстройствам и даже дезорганизации личности.
Для ранней диагностики и прогнозирования такого рода состояний используется информация, которая может быть зарегистрирована следующим образом:
1. Исследования состояния врачом: осмотр, ощупывания (пальпация); выстукивания (перкуссия); выслушивания (аускультация).
2. Применение инвазивных (лабораторных) методов исследований: анализа крови и мочи; анализа биосубстрата; гормональных исследований.
3. Применение неинвазивных (инструментальных) методов исследований: электроэнцефалография, электрокардиография и др.
Согласно проведенному обзору для диагностики патологических отклонений в работе головного мозга используется информация, зарегистрированная в виде электрокардиосигналов (ЭКС), электроэнцефалографических сигналов (ЭЭС) и речевых сигналов. Информация, полученная в результате эффективной обработки данных сигналов, позволит повысить практическую ценность использования в клинической практике исследуемых сигналов и повысить эффективность идентификации и распознавания критических состояний в работе головного мозга на основе совокупности критерий.
Отметим, что все рассмотренные сигналы являются нелинейными и нестационарными, поэтому применение известных ранее методов цифровой обработки сигналов, таких как Фурье- и Вейвлет-преобразование, нецелесообразно. Предложено для цифровой обработки сигналов использовать преобразование Гильберта-Хуанга (ПГХ).
ПГХ был предложен Норденом Хуангом (Norden E. Huang) в 1998 г. в NASA (США) для изучения поверхностных волн тайфунов [2]. В настоящее время ПГХ широко используется в различных научных приложениях [3].
Преобразование Гильберта-Хуанга включает два основных этапа:
1. Разложение сигнала на компоненты - декомпозиция на эмпирические моды (empirical mode decomposition, EMD или ДЭМ).
2. Формирование по полученным эмпирическим модам (IMF или ЭМ) спектра Гильберта (Hilbert Spectral, HS или СГ).
Основным достоинством алгоритма ДЭМ является высокая адаптивность, связанная с тем, что базисные функции, используемые для разложения
сигнала, конструируются непосредственно из самого исследуемого сигнала, что позволяет учесть все его локальные особенности, внутреннюю структуру, присутствие различных помех. Кроме адаптивности, ДЭМ обладает и другими важными для практических приложений свойствами:
- локальностью, т.е. возможностью учета локальных особенностей сигнала;
- ортогональностью, обеспечивающей восстановление сигнала с определенной эффективностью (сумма всех ЭМ, включая остаток, должна реконструировать входной сигнал и может использоваться для определения ошибки декомпозиции; все моды и остаток ортогональны друг другу);
- полнотой, гарантирующей конечность числа базисных функций при конечной длительности сигнала.
На рис. 1 приведен алгоритм ДЭМ, который является классическим, базовым, он достаточно прост в реализации и требует сравнительно небольшого объема вычислений.
0"
Начало
Ввод сигнала
Определение локальных экстремумов сигнала
4
Опред значений в(И} и ниж огибающи ление верхней жней дЦ х сигнала
Вычисление среднего
значения Ь/{6) огибающих сигнала
Вычисление остатка сигнала в/(6)
в
©
©
Вычисление значения критерия останова Эй
Вывод мод сигнала и остатка
Конец
Рис. 1. Классический алгоритм ДЭМ 161
2
7
3
5
6
Известны пять видов основных алгоритмов разложения на компоненты, каждый из которых решает свою проблему оптимизации разложения и задачу обработки информации:
1. Классический алгоритм ДЭМ (ДЭМ).
2. Ансамблевый алгоритм ДЭМ (АДЭМ).
3. Пилообразный алгоритм ДЭМ (ПДЭМ).
4. Управляемый алгоритм ДЭМ (УпДЭМ).
5. Устойчивый алгоритм ДЭМ (УсДЭМ).
В табл. 1 и на рис. 2, 3 приведены результаты применения преобразования Гильберта-Хуанга для обработки ЭКС, ЭЭС и речевых сигналов.
Таблица 1
Спектральные характеристики ЭКС на примере сперта Гильберта
Для обработки ЭКС используются классический алгоритм ДЭМ и построение двумерных спектральных характеристик спектра Гильберта.
Для обработки ЭЭС предложено использовать УсДЭМ и поверхности энергетической плотности, так как УсДЭМ удовлетворяет требованиям хаотичности исследуемых сигналов, а ПЭП позволяет получить значение энергии в каждой точке частотно-временной области.
Для обработки речевых сигналов и идентификации информационных его составляющих используется АДЭМ, так как особенностью данного алгоритма является наложение белого шума с последующим его вычитанием из исследуемого сигнала посредством восстановления исходных данных без первой эмпирической моды (ЭМ).
Таким образом, в работе показана перспективность использования нового подхода на основе преобразования Гильберта-Хуанга для обработки биомедицинских сигналов, отвечающих за психоэмоциональное состояние организма человека.
а. ЭМ 1
б. ЭМ 2
а. ЭМ 3 б. ЭМ 4
Рис. 2. Объемная поверхность спектра Гильберта ЭМ ЭЭС
200 400
0 200 400 600 800 1000 1200 1400 1600
0 200 400 600 800 1000 1200 1400 1600
0 200 400 600 800 1000 1200 1400 1600
х 10-3
0 -
0 200 400 600 800 1000 1200 1400 1600
800 1000 1200 1400
0.05 г
0
-0.05
0 200 400 600 800 1000 1200 1400 1600
0 200 400 600 800 1000 1200 1400 1600
0 200 400 600 800 1000 1200 1400 1600
0 200 400 600 800 1000 1200 1400 1600
-0.2
0
600
0.1
0.1
0.1
0
0.1
0.02
0
0.01
0
Рис. 3. Речевой сигнал и ЭМ, полученные в результате МДЭМ
Список литературы
1. Варин, А. Н. Медико-техническое обеспечение вневрачебного мониторирования состояния здоровья человека / А. Н. Варин, В. П. Гундаров // Медицинская техника. - 1999. - № 1.
2. Huang, N. E. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis / N. E. Huang // Proceedings of the Royal Society of London. - 1998. - Р. 903-995.
3. Клионский, Д. М. Декомпозиция на эмпирические моды и ее использование при анализе дробного броуновского движения / Д. М. Клионский, Н. И. Орешко // Цифровая обработка сигналов. - 2008. - № 3. - С. 37-45.
УДК 691
ЗАЧИСТНАЯ ОБРАБОТКА РЕЗИНОВЫХ ДЕТАЛЕЙ БЫТОВЫХ МАШИН
Н. П. Уланова, А. В. Липов, М. Н. Быков
Разработана технология механизированной зачистной обработки уплот-нительного кольца сепаратора-сливкоотделителя с использованием промышленного вибрационного станка и специально разработанной оснастки.
It is developed the technology of the mechanized cleanup processing of a sealing ring of cream separator with use of the industrial vibrating machine and specially developed equipment.
Разработка технологии рассмотрена на примере уплотнительного кольца, которое служит для герметизации стыка между крышкой и основанием барабана сепаратора-сливкоотделителя, разделяющего цельное молоко на сливки и обезжиренное молоко в домашнем хозяйстве.
Кольцо имеет размеры, приведенные на рис. 1, и выполнено из резиновой смеси 1а-11 52-563 ТУ2512-046-00153081-2003: условная прочность 86-97МПа; относительное удлинение 560-570 %; твердость по Шору 56-58А; температурный предел хрупкости - 35 °С по ГОСТ 7912-74.
Рис. 1. Кольцо уплотнительное
Одним из недостатков технологии изготовления уплотнительного кольца является неизбежность появления внутреннего и внешнего облоя, в основном из-за износа форм, который может быть исправимым браком и подлежать удалению.
