7 Tilstandsestimering for smelteovn.
|
|
- Mina Johansen
- 7 år siden
- Visninger:
Transkript
1 Stavanger, 9. august 2016 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning. Innhold 7 Tilstandsestimering for smelteovn Simulering Estimering Utvidet måling Lengre tidssteg Noe relevant Matlab-kode Tilstandsestimering for smelteovn. I øving 6 modellerte og diskretiserte dere en smelteovn. Denne diskrete modellen skal så brukes med en tilstandsestimator basert på et generelt Kalman-filter. Som et utgangspunkt for Matlab-fil(er) dere skal lage i denne oppgaven er det på slutten i dette dokumentet med en del Matlab-kode. Herfra kan dere kanskje finne nyttige hint til hvordan dere kan løse ulike deler av oppgaven. La oss repetere systemet. Vi skal utvikle en tilstandsestimator for temperaturen i en ovn som består av en metallsmelte. Vi antar at smelten er agresssiv mot konvensjonelle temperatursensorer (f.eks. PT100 element), og at disse vil ha redusert levetid under kontinuerlig bruk. Eneste tilgjengelige kontinuerlige måling er kjølevannstemperaturen til ovnen. En prinsippskisse av ovnen er gitt i figur 1. Karl Skretting, Institutt for data- og elektroteknikk (IDE), Universitetet i Stavanger (UiS), 4036 Stavanger. Sentralbord Direkte E-post: karl.skretting@uis.no.
2 Q s T i F kv T kv F kv T s m s c p,s h A T kv m kv c p,kv hvor: T s - temperatur i smelten [K] (tilstand1/måling1) T kv - Kjølevannstemperatur [K] (tilstand2/måling2) T i - Temperatur på kjølevann inn [K] c p,s - Spesifikk varmekapasitet i smelte [J/K kg] c p,kv - Spesifikk varmekapasitet i kjølevann [J/K kg] h A - Produktet av varmeoverføringskoeffisient og areal mellom smelte og kjølevann [J/K s] Q s - Effektpådrag i smelten [J/s] F kv - flow av kjølevann [kg/s] m kv - mengde kjølevann i kappen [kg] m s - mengde smelte [kg] Figur 1: Prinsippskisse av smelteovn. 2
3 7.1 Simulering I mangel på en virkelig prosess med virkelige målinger kan man benytte modellen som vi nå har utviklet til å generere tenkte målinger fra prosessen. Dette hadde vi ikke behøvd å gjøre om vi hadde tilgang til virkelige målinger. Følge prosess- og målestøy er brukt ved simulering: Initielle verdier for tilstandene x start = [810, 77] T. Sampleintervall T = 30 sekund. Standardavvik for målestøy w lik 0.2 [ C]. Standardavvikene for (de kontinuerlig) prosesstøyene v 1 og v 2 er antatt å være i størrelseområdet [ C/s]. Siden varians for kontinuerlig prosesstøy kan akkumuleres opp til varians for (diskret) prosesstøy, når en antar hvit støy (ny støy uavhengig av tidligere støy, men lik sannsynlighetsfordeling), får en et diskret standardavvik på omtrent 0.4 [ C per tidssteg] med T = 30 [s]. Dette skal vises i oppgave 7.2.a. Simulator for de 2 tilstandene i smelteprosessen, T s og T kv, er laget, koden viser i slutten av dette dokumentet. Prøv å sette dere inn i hvordan denne genererer signalene, spesielt hvordan de ulike støyledd virker. Simulering gjøres med den diskretiserte modellen. Merk at simulatoren krever at Φ og Γ er satt riktig. Etter at simulering er gjort kan en plotte pådrag og simulerte (virkelige) tilstander, dette er gjort her og vises i figur 2. Dere skal her simulere prosessen og sjekke at dere får samme resultat som vist i oppgaven. 7.2 Estimering Dere skal her lage en estimator basert på et prediktor-korrektor Kalman-filter. Når det gjelder initialtilstander kan en legge merke til at ligningene som oppsummerer Kalman-filteret i del 3 i notat3 krever initielle verdier. Disse kan være gitt som enten 1. ˆx(k 1) og ˆP (k 1), eller 2. x(k) og P (k), når første steg en kjører Kalman-filteret for er for steg k. Merk at i tilfelle b utfører en da ikke de to første ligningene førse gang siden en har gitt (gjettet) disse verdiene. Nedenfor antar en at apriori-estimatene er gitt, tilfelle b. 3
4 Figur 2: Figur som viser pådrag og simulerte tilstander. 4
5 I Matlab starter en indeksering med 1, slik at det er naturlig å starte med k = 1 som første steg, (ikke k = 0 som vi ofte har brukt ellers). En kan legge merke til at tidspunkt for hvert tidsteg er i vektoren t, gitt i timer med desimalverdi etter komma. En ser at t(1)=0, t(2)=0.0083, 30 sekund er 30/3600=1/120= Dere skal nå kjøre Kalman-filteret med ulike initialverdier som gitt i tabellen nedenfor. x T (1) er startverdi for estimator (her i grader Celcius). x(k) er som x(k) en kolonnevektor, i tabellen står den transponerte og det er da en linjevektor. P er startverdi for kovariansmatrisen til estimeringsavviket. Merk: R v er prosesstøy-matrisen Q. Her lar vi denne matrisa være diagonal, og har altså v 1 uavhengig av v 2, noen som forøvrig ikke er et krav for Kalman-filteret. Og til slutt R w er målestøy-matrise R. Q = R v og R = R w er matriser der en kan for estimering prøve ulike verdier for å se hvordan det påvirker konvergensegenskaper for Kalman-filteret. x T (1) [ C] P (1, 1) P (2, 2) R v (1, 1) R v (2, 2) R w 1 [810,77] [810,77] [810,77] [810,77] [830,80] [830,80] [830,80] Prøv gjerne noe mer her Svar på følge spørsmål. a. Vis hvordan en kan finne standardavvik for prosesstøy (til bruk under simulering) ut fra kontinuerlig prosesstøy. Standardavvikene for (de kontinuerlig) prosesstøyene v 1 og v 2 er antatt å være i størrelseområdet [ C/s]. b. Lag kurver med virkelig (det vil si de simulerte) og de estimerte verdiene for smeltetemperatur og kjølevannstemperatur. Hvilken temperatur klarer en best å estimere, forklar hvorfor. c. Lag kurver som viser hvordan elementene i K og diagonalelementene i ˆP utvikler seg med tiden. Forklar hvorfor en her får ulike verdier ved ulike initialverdier, hva er sammenhengen mellom initialverdiene og de stasjonære verdier? d. Se på resultene for simulering når initialtilstandene er mye feil, linje 5-7 i tabellen. Hvor lang tid tar det før filteret har svinget seg inn? Hvorfor svinger kjølevannstemperaturen seg raskere inn enn smeltetemperaturen? 5
6 e. Se på resultene for simulering når initialtilstandene er som i linje 3-4 i tabellen. Forklar betydningen av forholdet R v /R w. f. Se på resultene for simulering når initialtilstandene er som i linje 6 i tabellen. Hvorfor blir estimert smeltetemperatur så glatt. Hvorfor blir K(1) (og K(2)) så liten? g. Hvorfor har elementet ˆP (1, 1) generelt større verdi enn ˆP (2, 2)? 7.3 Utvidet måling Anta at en operatør måler smelte temperaturen annenhver time, første gang etter en halv time. og legger denne informasjonen inn i styresystemet av prosessen. Utvid estimatoren (Kalman-filteret) med denne målingen og studer hvordan estimatet av smeltetemperaturen oppdateres når målingen er tilgjengelig. Her er standardavviket for målingen 1. Tips: Med to separate målinger vil D matrisen vanligvis være [ ] (1) mens den vil skifte til [ 1 ] i akkurat det samplet som målingen foregår. Altså er D tidsvariere, en har D(k). Husk også å utvide andre aktuelle matriser, vektorer, lagringsmatriser. Startverdier: (2) x T (1) [ C] P (1, 1) P (2, 2) R v (1, 1) R v (2, 2) R w (1, 1) R w (2, 2) 11 [830,80] Prøv gjerne noe mer her Hvordan ser elementene i P matrisen nå ut? Hvorfor? 7.4 Lengre tidssteg. En vil nå kjøre estimering med lengre tidsteg, T = 120 sekund. Er dette greitt i forhold til systemets egenverdier? Hvor stort kunne en da gjerne satt tidssteget? 6
7 De simulerte data beholdes, men samples ned med en faktor fire, det vil si at en bare beholder samplene for k = 4, 8, 12,..., 4000, i alt 1000 sampler. Hvordan dette kan gjøres i Matlab viser i vedlagte eksempelkode. Kjør så estimering med dette lengre tidssteget med initelle verdier nå som x T (1) [ C] P (1, 1) P (2, 2) R v (1, 1) R v (2, 2) R w 21 [830,80] Prøv gjerne noe mer her Prøv gjerne også andre initielle verdier for å forsikre dere om at programmet nå er riktig. 7.5 Noe relevant Matlab-kode. function res = ov7(no) ov7 ELE620, øving 7 Smelteovn. Løsningsforslag Denne fila har alt en trenger for øving 7 Modellen lages og diskretiseres, så kjøres simulering, før en tar Kalmanfilter for estimering. Til slutt vises en del figurer. ov7(no); no - Hvilket sett av startparametre som skal brukes 0 : viser kun simulering, pådrag og tilstand ellers : de ulike parametersett i oppgaven oktober 2007 Karl Skretting 30 juni 2008, KS 1 august 2013, KS 23 september 2015, KS (liten smelteovn) if (nargin==0); no=0; ; Definisjon av diverse modell/simulator størrelser NoOfSamples = 4000; antall sample som skal simuleres T = 30; steglengde i sekund nx = 2; antall tilstander nu = 2; antall pådrag ny = 1; antall målinger Ti_kv = ; [K], er her et fast pådrag og hele tilstandsrommodellen [A,B,C,D,E,phi,gamma,omega] = ov6trm(t); Pådraget Q_s skal variere noe, dette kan gjøres på flere måter, noen er med nedenfor i de ulike delene. En av disse må være sann. Jeg anbefaler at dere bruker samme pådrag inn på prosessen hver gang dere kjører fila. Dette kan være greit for å kunne sammenligne flere kjøringer. For eksempel som gitt nedenfor. if 0 7
8 if 1 Qlow = ; Qhigh = ; Q_s = Qlow*ones(1,NoOfSamples); Q_s(501:2000) = Qhigh; Q_s(3501:NoOfSamples) = Qhigh; pådrag med steg på "tilfeldige tider" rng(3477); Q_offset = ; [b,a] = butter(4,0.002); et meget lavpass-filter r = filter(b,a,randn(1,noofsamples)); Q_s = 20000*sign(r) + Q_offset; [J/s] [W] if 0 henter fra en fil load Q_s kan ha lagret signalet med følge kommando: save Q_s Q_s Simulator, realiserer prosessen og får (virkelige verdier) fasit for Kalmanfilteret. xsim skal være ukjent for Kalmanfilteret mens ysim mottas fortløpe, en verdi for hvert tidssteg. Tar først spesifikasjon av støy for simulering Std_pros = 0.4; Std_maal = 0.2; Genererer støyen, merk samme varians for prosesstøy til begge tilstander. rng(730); for å få like resultat hver gang Pros_stoy = Std_pros*randn(nx,NoOfSamples); Maal_stoy = Std_maal*randn(ny,NoOfSamples); xsim = zeros(nx,noofsamples); ysim = zeros(ny,noofsamples); t = (T/3600)*(0:(NoOfSamples-1)); t(1) er da tid 0, og videre tid i timer for hvert tidssteg startverdier ved tid 0 er gitt ved simulering xsim(1,1) = ; Ts (smeltetemp) xsim(2,1) = ; Tkv (kjølevannstemp) ysim(:,1) = D*xsim(:,1)+ Maal_stoy(:,1); måling lik Tkv for k = 2 : NoOfSamples SIMULATOR (egentlig prosess) benytter phi og gamma matrisene xsim(:,k) = phi*xsim(:,k-1) + gamma*[q_s(k-1) Ti_kv] +... omega*pros_stoy(:,k-1); ysim(:,k) = D*xsim(:,k) + Maal_stoy(:,k); if (no == 0) viser pådraget og tilstander figure(2); clf; subplot(3,1,1); plot(t,q_s/1000, b- ); V=axis; V(3)=V(3)*0.95;V(4)=V(4)*1.05; axis(v); title( Pådraget Q_s som jeg har brukt det her. ); ylabel( kw ); subplot(3,1,2); plot(t,xsim(1,:)-273, b- ); title( Simulert (virkelig) tilstand x_1 eller T_s. ); ylabel( grader Celsius ) subplot(3,1,3); plot(t,xsim(2,:)-273, b- ); title( Simulert (virkelig) tilstanden x_2 eller T_k_v. ); ylabel( grader Celsius ) xlabel( Tid i timer ); 8
9 print(gcf, -dpng, -r300, ov7sim ); return; if (no > 20) dette er for del 4 av øvinga T = 4*T; ganger T med 4 --> samples=4:4:noofsamples; tar kun hvert fjerde sample NoOfSamples = length(samples); xsim = xsim(:,samples); ysim = ysim(:,samples); Q_s = Q_s(samples); t = t(samples); [phi,gamma,d,e] = c2dm(a,b,d,e,t, zoh ); eventuelt alt [A,B,C,D,E,phi,gamma,omega] = ov6trm(t); Definisjon av resultatmatriser Definer aprioriestimat og aposterioriestimat samt prediktert måling. legg merke til at disse lagres for hvert steg. xapr = zeros(nx,noofsamples); x strek (apriori) xapo = zeros(nx,noofsamples); x hat (aposteriori) Definer kovariansmatriser, (overskrives ved hvert tidssteg) P_apo = zeros(nx,nx); aposteriori, P hat P_apr = zeros(nx,nx); apriori, P strek K = zeros(nx,ny); korreksjonsmatrise for Kalmanfilteret Rv = zeros(nx,nx); eller Q, er fast i hver kjøring Rw = zeros(ny,ny); eller R, er fast i hver kjøring Definer historiedata for (diagonalelement i) kovariansar og korreksjoner P_hist = zeros(nx,noofsamples); K_hist = zeros(nx,noofsamples); Initialverdier, her er verdier som kan passe å starte med if (no==1) nær verdier brukt i simulering, initiell P stor x_start = 273+[810,77] ; P_start = diag([100,100]); Rv = diag([ 0.16, 0.16 ]); Rw = 0.04; if (no==2) nær verdier brukt i simulering, initiell P liten x_start = 273+[810,77] ; P_start = diag([0.01,0.01]); Rv = diag([ 0.16, 0.16 ]); Rw = 0.04; if (no==3) Rv/Rw stor x_start = 273+[810,77] ; P_start = diag([1,1]); Rv = diag([ 100, 100 ]); Rw = ; if (no==4) Rv/Rw liten x_start = 273+[810,77] ; P_start = diag([1,1]); Rv = diag([ , ]); Rw = 100; if (no==5) initial temperatur for høy, Rv/Rw passe 9
10 x_start = 273+[830,80] ; P_start = diag([1,1]); Rv = diag([ 0.16, 0.16 ]); Rw = 0.04; if (no==6) initial temperatur for høy, Rv/Rw liten x_start = 273+[830,80] ; P_start = diag([1,1]); Rv = diag([ , ]); Rw = 100; if (no==7) x_start = 273+[830,80] ; P_start = diag([900,100]); Rv = diag([ 0.16, 0.16 ]); Rw = 0.04; if (no==8) ledig, test noe if (no==9) ledig, test noe if (no==10) ledig, test noe initial temperatur feil og vi vet det if (no==11) x_start = 273+[830,80] ; P_start = diag([1,1]); Rv = diag([ 0.16, 0.16 ]); Rw = diag([ 1, 0.04]); if (no==12) ledig, test noe if ((no >= 11) && (no <= 20)) initial temperatur feil, men ekstra målinger utvidet måling ny = 2; D = [0,0; 0,1]; målinger av T_s har også litt målestøy ysim = [xsim(1,:) + randn(1,noofsamples); ysim]; lengre tidssteg if (no==21) x_start = 273+[830,80] ; P_start = diag([1,1]); Rv = diag([ 0.16, 0.16 ]); Rw = 0.04; if (no==22) Selve estimeringen i Kalman-filteret spesielt for tilfellet no==11 HER MÅ DERE SKRIVE KODE Viser resultatet res = struct( Phist,P_hist, Khist,K_hist, t, t,... Rw,Rw, Rv,Rv, Pstart,P_start, no,no,... xapo,xapo, xapr,xapr, xsim,xsim, ysim,ysim ); if 0 10
11 figure(1); clf; plot(t,xapo(1,:), r, t,xsim(1,:), b-. ); leg( Aposteriori estimat, Virkelig temperatur,1); title(sprintf( P= diag[.4g.4g] Rw=.4g Rv=diag[.4g.4g] \n Smeltetemp,... P_start(1,1),P_start(2,2),Rw, Rv(1,1),Rv(2,2))); xlabel( timer ); if 0 figure(2); clf; subplot(221); plot(t,k_hist(1,:)); title( Optimal forsterkning K(1,1) ); xlabel( timer ); subplot(222); plot(t,k_hist(2,:)); title( Optimal forsterkning K(2,1) ); xlabel( timer ); subplot(223); plot(t,p_hist(1,:)); title( Kovariansmatrisa P(1,1) ); xlabel( timer ); subplot(224); plot(t,p_hist(2,:)); title( Kovariansmatrisa P(2,2) ); xlabel( timer ); if 1 en figur som har med mye figure(2); clf; subplot(321); plot(t,xsim(1,:)-273, b:, t,xapo(1,:)-273, r- ); ylabel( Grader Celcius ); leg( Virkelig temperatur, Aposteriori estimat ); title(sprintf( P= diag[.4g.4g] Rw=.4g Rv=diag[.4g.4g] \n Smeltetemp, initielt.4g [C],... P_start(1,1),P_start(2,2), Rw(1), Rv(1,1),Rv(2,2),x_start(1)-273 )); xlabel( timer ); subplot(322) plot(t,xsim(2,:)-273, b:, t,xapo(2,:)-273, r- ); leg( Virkelig temperatur, Aposteriori estimat ); title(sprintf( Initialverdisett.4g \n Kjølevannstemp, initielt.4g [C], no, x_start(2)-273 )); xlabel( timer ); viser normalt bare de første 500 sampler for matrisene K og P_apo samples=1:500; if (no==11); samples=1:noofsamples; ; subplot(323); plot(t(samples),k_hist(1,samples)); title([ Optimal forsterkning K(1), ved slutt =,num2str(k_hist(1,noofsamples))]); xlabel( timer ); subplot(324); plot(t(samples),k_hist(2,samples)); title([ Optimal forsterkning K(2), ved slutt =,num2str(k_hist(2,noofsamples))]); xlabel( timer ); subplot(325); plot(t(samples),p_hist(1,samples)); title([ Kovariansmatrisa P(1,1), ved slutt =,num2str(p_hist(1,noofsamples))]); xlabel([ timer, P(1,2) =,num2str(p_apo(1,2))]); subplot(326); 11
12 plot(t(samples),p_hist(2,samples)); title([ Kovariansmatrisa P(2,2), ved slutt =,num2str(p_hist(2,noofsamples))]); xlabel([ timer, P(2,1) =,num2str(p_apo(2,1))]); s1=int2str(no); if (no<10); s1=[ 0,s1]; ; print(gcf, -dpng, -r300, [ ov7i,s1] ); if 1 en figur som har med litt mindre figure(1); clf; subplot(211); plot(t,xsim(1,:)-273, b:, t,xapo(1,:)-273, r- ); ylabel( Grader Celcius ); leg( Virkelig temperatur, Aposteriori estimat ); title(sprintf( P= diag[.4g.4g] Rw=.4g Rv=diag[.4g.4g] \n Smeltetemp, initielt.4g [C],... P_start(1,1),P_start(2,2), Rw(1), Rv(1,1),Rv(2,2),x_start(1)-273 )); xlabel( timer ); subplot(212) plot(t,xsim(2,:)-273, b:, t,xapo(2,:)-273, r- ); ylabel( Grader Celcius ); leg( Virkelig temperatur, Aposteriori estimat ); title(sprintf( Initialverdisett.4g \n Kjølevannstemp, initielt.4g [C], no, x_start(2)-273 )); xlabel( timer ); 12
Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas.
Stavanger, 26. juni 2017 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2017. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. Innhold
Detaljer6 Modellering av smelteovn Modellering Tilstandsromform Diskretisering Observerbarthet Tidssteg...
Stavanger, 28. mai 2019 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2019. Innhold 6 Modellering av smelteovn. 1 6.1 Modellering............................. 1 6.2 Tilstandsromform..........................
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning. med Kalman-filter og RLS.
Stavanger, 9. august 2016 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2016. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning.
DetaljerEksamen i MIK130, Systemidentifikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK130, Systemidentifikasjon (10 sp) Dato: Mandag 8 desember 2008 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
DetaljerDato: fredag 14 desember 2007 Lengde på eksamen: 4 timer Tillatte hjelpemidler: ingen. 1 Diskret tilstandsrommodell 2. 2 Stående pendel 4
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Løsningsforslag Eksamen i MIK30, Systemidentifikasjon Dato: fredag 4 desember 2007 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas.
Stavanger, 26. juni 2017 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2017. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. Innhold
DetaljerLøsningsforslag Eksamen i MIK130, Systemidentifikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Løsningsforslag Eksamen i MIK3, Systemidentifikasjon ( sp) Dato: Mandag 8 desember 28 Lengde på eksamen: 4 timer Tillatte
DetaljerEksamen i ELE620, Systemidentifikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i ELE620, Systemidentifikasjon (10 sp) Dato: tirsdag 17 desember 2013 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
DetaljerEksamen i MIK130, Systemidentifikasjon
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for elektroteknikk og databehandling Eksamen i MIK130, Systemidentifikasjon Dato: Mandag 28. november 2005 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
DetaljerDET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk. Løsningsforslag Eksamen i MIK130, Systemidentifikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Løsningsforslag Eksamen i MIK3, Systemidentifikasjon ( sp) Dato: torsdag 6 desember Lengde på eksamen: 4 timer Tillatte
DetaljerGenerell informasjon om faget er tilgjengelig fra It s learning. 1 En kort oppsummering Adaptiv filtrering 2. 3 Prediksjon 4
Stavanger, 13. august 2013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 2013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 1 En kort oppsummering. 1 2 Adaptiv
Detaljer4.1 Diskretisering av masse-fjær-demper-system. K f m. x m u m y = x 1. x m 1 K d. Dette kan skrives på matriseform som i oppgaven med 0 1 A =
Stavanger, 5. september 08 Det teknisknaturvitenskapelige fakultet ELE60 Systemidentifikasjon, 08. Innhold 4 Løsningsforslag og kommentarer, noen regneoppgaver. 4. Diskretisering av masse-fjær-demper-system...........
DetaljerEksamen i MIK130, Systemidentifikasjon
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK130, Systemidentifikasjon Dato: 21 februar 2007 Lengde på eksamen: 4 timer Tillatte hjelpemidler: ingen Bokmål
DetaljerKalmanfilter på svingende pendel
Kalmanfilter på svingende pendel Rolf Henriksen og Torbjørn Houge Institutt for teknisk kybernetikk NTNU 2005 Vi skal se på hvordan Kalmanfilteret fungerer på et velkjent eksempel, den svingende pendel
DetaljerEksamen i MIK130, Systemidentifikasjon
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK30, Systemidentifikasjon Dato: Fredag 4. desember 2007 Lengde på eksamen: 4 timer Tillatte hjelpemidler: ingen
DetaljerTTK4180 Stokastiske og adaptive systemer. Datamaskinøving 2 - Parameterestimering
Institutt for teknisk kybernetikk Norges teknisk-naturvitenskapelige universitet 27.10.98 EWR TTK4180 Stokastiske og adaptive systemer Datamaskinøving 2 - Parameterestimering Tid og sted: -Utdeling av
DetaljerEksamen i MIK130, Systemidentifikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK130, Systemidentifikasjon (10 sp) Dato: onsdag 24 november 2010 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
DetaljerTilstandsestimering Oppgaver
University College of Southeast Norway Tilstandsestimering Oppgaver HANS-PETTER HALVORSEN http://home.hit.no/~hansha Innholdsfortegnelse 1 Grunnlag... 3 1.1 Statistikk og Stokastiske systemer... 3 1.2
DetaljerLøsningsforslag Eksamen i MIK130, Systemidentikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Løsningsforslag Eksamen i MIK3, Systemidentikasjon ( sp) Dato: onsdag 23 november 2 Lengde på eksamen: 4 timer Tillatte
DetaljerDato: Tirsdag 28. november 2006 Lengde på eksamen: 4 timer Tillatte hjelpemidler: Kun standard enkel kalkulator, HP 30S
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK130, Systemidentifikasjon Dato: Tirsdag 28. november 2006 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning. 1 Stokastiske system og prosesser 2
Stavanger, 4. august 016 Det teknisknaturvitenskapelige fakultet ELE60 Systemidentifikasjon, 016. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning.
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. 1 Adaptiv filtrering 2.
Stavanger, 23. juni 2017 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2017. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. Innhold
DetaljerMIK-130 Systemidentifikasjon Løsningsforslag eksamen 28 mai 2004
MIK-130 Systemidentifikasjon Løsningsforslag eksamen 28 mai 2004 Oppgave 1 a Energibalanse: Endring i energi = sum av tilført energi - sum av avgitt energi. Her får en da for vannet E t = (m vc pv T v
Detaljer2 Utledning av Kalman-filter Forventningsrett estimator Kovariansmatriser Minimum varians estimator... 9
Stavanger, 3. august 2018 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2018. Innhold 1 Tilstands- og parameterestimering med Kalman-filter 2 1.1 Observerbarhet...........................
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning.
Stavanger, 7. november 2016 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2016. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning.
DetaljerEksamen i MIK130, Systemidentikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK3, Systemidentikasjon ( sp) Dato: onsdag 23 november 2 Lengde på eksamen: 4 timer Tillatte hjelpemidler: Kun
DetaljerGenerell informasjon om faget er tilgjengelig fra It s learning. 7.1 Stokastisk prosess Lineær prediktor AR-3 prosess...
Stavanger, 1. september 013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 7.1 Stokastisk prosess..........................
DetaljerTilstandsestimering Oppgaver
Telemark University College Department of Electrical Engineering, Information Technology and Cybernetics Tilstandsestimering Oppgaver HANS-PETTER HALVORSEN, 2012.01.27 Faculty of Technology, Postboks 203,
DetaljerEksamen i ELE620, Systemidentikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i ELE620, Systemidentikasjon (10 sp) Dato: Fredag 15 desember 2017 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. 1 Øving med systemidentifikasjon.
Stavanger, 23. juni 2017 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2017. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. Innhold
DetaljerSLUTTPRØVE (Teller 60% av sluttkarakteren)
Høgskolen i Telemark Avdeling for teknologiske fag SLUTTPRØVE (Teller 60% av sluttkarakteren) EMNE: EE4209 Modellbasert regulering LÆRERE Kjell - Erik Wolden og Hans - Petter Halvorsen KLASSE(R): 2IA DATO:
DetaljerEksamen i MIK130, Systemidentifikasjon
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i MIK130, Systemidentifikasjon Dato: Tirsdag 28. november 2006 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
DetaljerGenerell informasjon om faget er tilgjengelig fra It s learning.
Stavanger, 6. august 013 Det teknisknaturvitenskapelige fakultet ELE500 Signalbehandling, 013. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 5.1 Implementering av IIR filter....................
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning. systemidentifikasjon fra sprangrespons.
Stavanger, 29. september 2016 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2016. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning.
DetaljerDESIGN AV KALMANFILTER. Oddvar Hallingstad UniK
DESIGN AV KALMANFILTER Oddvar Hallingstad UniK Hva er et Kalmanfilter? Kalmanfilteret er en rekursiv algoritme som ved å prosessere målinger av inngangen og utgangen av et system og ved å utnytte en matematisk
DetaljerDET TEKNISK-NATURVITENSKAPELIGE FAKULTET MASTEROPPGAVE. Forfatter: Atle Gjengedal (signatur forfatter)
DET TEKNISK-NATURVITENSKAPELIGE FAKULTET MASTEROPPGAVE Studieprogram/spesialisering: Kybernetikk/signalbehandling Vårsemesteret, 2009 Åpen / Konfidensiell Forfatter: Atle Gjengedal (signatur forfatter)
DetaljerEksamen i ELE620, Systemidentikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksamen i ELE620, Systemidentikasjon (0 sp) Dato: Tirsdag 5 desember 205 Lengde på eksamen: 4 timer Tillatte hjelpemidler:
DetaljerTilstandsestimering Løsninger
Telemark University College Department of Electrical Engineering, Information Technology and Cybernetics Tilstandsestimering Løsninger HANS-PETTER HALVORSEN, 2012.01.27 Faculty of Technology, Postboks
DetaljerEksamen i MIK130, Systemidentifikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for data- og elektroteknikk Eksaen i MIK130, Systeidentifikasjon (10 sp) Dato: Torsdag 17 deseber 2009 Lengde på eksaen: 4 tier Tillatte hjelpeidler:
DetaljerTilstandsestimering Løsninger
University College of Southeast Norway Tilstandsestimering Løsninger HANS-PETTER HALVORSEN http://home.hit.no/~hansha Innholdsfortegnelse 1 Grunnlag... 3 1.1 Statistikk og Stokastiske systemer... 3 1.2
DetaljerMATLAB for STK1100. Matematisk institutt Univeristetet i Oslo Januar Enkel generering av stokastiske variabler
MATLAB for STK1100 Matematisk institutt Univeristetet i Oslo Januar 2014 1 Enkel generering av stokastiske variabler MATLAB har et stort antall funksjoner for å generere tilfeldige tall. Skriv help stats
DetaljerGenerell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning. 1 Parameterestimering med LS og RLS 2
Stavanger, 3 november 2016 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2016 Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning
DetaljerGenerell informasjon om faget er tilgjengelig fra It s learning.
Stavanger,. oktober 3 Det teknisknaturvitenskapelige fakultet ELE5 Signalbehandling, 3. Generell informasjon om faget er tilgjengelig fra It s learning. Innhold 4. Frekvensrespons for system.....................
DetaljerBåtsimulering med diskret Kalmanfilter TTK4115 Lineær systemteori
NTNU Norges teknisk-naturvitenskapelige universitet Fakultet for informasjonsteknologi, matematikk og elektroteknikk Institutt for teknisk kybernetikk Båtsimulering med diskret Kalmanfilter TTK4115 Lineær
DetaljerEksamen i ELE620, Systemidentikasjon (10 sp)
DE EKNISK - NAURVIENSKAPEIGE FAKUE Institutt for data- og elektroteknikk Eksamen i EE620, Systemidentikasjon (0 sp) Dato: Fredag 3 mars 207 engde på eksamen: 4 timer illatte hjelpemidler: Kun standard
DetaljerMA2501 Numeriske metoder
MA501 Numeriske metoder Vår 009 Øving 9 Oppgave 1 Bruk vedlagte matlab-program skyt.m til å løse randverdiproblemet x + e x = 0, x(0) = x(1) = 0 Oppgave Gitt startverdiproblemet x = t(x ), x(0) = 1, x
DetaljerTTK4180 Stokastiske og adaptive systemer. Datamaskinøving 1 - Tilstandsestimering
Institutt for tenis yberneti Norges tenis-naturvitensapelige universitet 28.09.98 EWR TTK4180 Stoastise og adaptive systemer Datamasinøving 1 - Tilstandsestimering Tid og sted: -Utdeling av oppgave: 3.
DetaljerDET TEKNISK-NATURVITENSKAPELIGE FAKULTET MASTEROPPGAVE. Forfatter: Duy Viet Nguyen (signatur forfatter)
DET TEKNISK-NATURVITENSKAPELIGE FAKULTET MASTEROPPGAVE Studieprogram/spesialisering: Automatisering og signalbehandling Vårsemesteret, 2017 Åpen / Konfidensiell Forfatter: Duy Viet Nguyen (signatur forfatter)
DetaljerTMA4240 Statistikk Høst 2015
TMA4240 Statistikk Høst 2015 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 9, blokk II Oppgave 1 X er kontinuerlig fordelt med sannsynlighetstetthet f(x) = 2xe
DetaljerMIK 200 Anvendt signalbehandling, 2012. Lab. 5, brytere, lysdioder og logikk.
Stavanger, 25. januar 2012 Det teknisknaturvitenskapelige fakultet MIK 200 Anvendt signalbehandling, 2012. Lab. 5, brytere, lysdioder og logikk. Vi skal i denne øvinga se litt på brytere, lysdioder og
DetaljerELE610 Prosjekter i robotteknikk, vår 2017.
Stavanger, 30. november 2016 Det teknisknaturvitenskapelige fakultet ELE610 Prosjekter i robotteknikk, vår 2017. RobotStudio-del, oppgave 3. For denne tredje RobotStudio oppgaven skal dere etter hvert
DetaljerUniversity College of Southeast Norway. Kalmanfilter HANS-PETTER HALVORSEN,
University College of Southeast Norway HANS-PETTER HALVORSEN, 2016.11.01 http://home.hit.no/~hansha Forord Dette dokumentet tar for seg grunnleggende modellbasert regulering over temaet. Noen forenklinger
DetaljerDet matematisk-naturvitenskapelige fakultet
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i IN 227 Numerisk lineær algebra Eksamensdag: 5. desember 2001 Tid for eksamen: 9.00 15.00 Oppgavesettet er på 5 sider. Vedlegg:
DetaljerEksamen i ELE620, Systemidentikasjon (10 sp)
DET TEKNISK - NATURVITENSKAPELIGE FAKULTET Institutt for ata- og elektroteknikk Eksamen i ELE620, Systemientikasjon (10 sp) Dato: Manag 15 esember 2014 Lenge på eksamen: 4 timer Tillatte hjelpemiler: Kun
Detaljer41070 STABILITET I ELKRAFTSYSTEMER
NTNU Gitt: 26.01.00 Fakultet for Elektroteknikk og telekommunikasjon Leveres: 09.02.00 Institutt for elkraftteknikk 1 41070 STABILITET I ELKRAFTSYSTEMER ØVING 13. Obligatorisk dataøving. Formål: - gi en
DetaljerKalmanfilter HANS-PETTER HALVORSEN, 2012.02.24
Telemark University College Department of Electrical Engineering, Information Technology and Cybernetics HANS-PETTER HALVORSEN, 2012.02.24 Faculty of Technology, Postboks 203, Kjølnes ring 56, N-3901 Porsgrunn,
DetaljerLitt generelt om systemidentifikasjon.
Stavanger, 29. juni 2016 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2016. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes It s learning.
DetaljerLitt generelt om systemidentifikasjon.
Stavanger, 31. juli 2018 Det teknisknaturvitenskapelige fakultet ELE620 Systemidentifikasjon, 2018. Generell informasjon om faget er tilgjengelig fra fagets nettside, og for øvinger brukes canvas. Innhold
DetaljerTMA Matlab Oppgavesett 2
TMA4123 - Matlab Oppgavesett 2 18.02.2013 1 Fast Fourier Transform En matematisk observasjon er at data er tall, og ofte opptrer med en implisitt rekkefølge, enten i rom eller tid. Da er det naturlig å
DetaljerTMA4245 Statistikk. Innlevering 3. Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag
TMA4245 Statistikk Vår 2017 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Innlevering 3 Dette er den første av to innleveringer i blokk 2 Denne øvingen skal oppsummere pensum
DetaljerMAT1110: Obligatorisk oppgave 2, V Løsningsforslag
MAT1110: Obligatorisk oppgave 2, V-2015 Oppgave 1: a) Vi har Av 1 = ( 4 6 6 1 Løsningsforslag ) ( 3 2 ) = ( 24 16 ) = 8v 1, så v 1 er en egenvektor med egenverdi 8. Tilsvarende er ( ) ( ) ( ) 4 6 2 10
DetaljerUniversity College of Southeast Norway. Observer HANS-PETTER HALVORSEN.
University College of Southeast Norway HANS-PETTER HALVORSEN http://home.hit.no/~hansha Forord Dette dokumentet tar for seg modellbasert regulering over temaet s og tilstandsestimering. Noen forenklinger
DetaljerOblig 2 - MAT1120. Fredrik Meyer 23. september 2009 A =
Oblig - MAT Fredrik Meyer. september 9 Oppgave Linkmatrise: A = En basis til nullrommet til matrisen A I kan finnes ved å bruke MATLAB. Jeg kjører kommandoen rref(a-i) og får følge: >> rref(a-i). -.875.
Detaljer,QQOHGQLQJ 3-1/ )DJ 67( 6W\ULQJ DY URPIDUW \ / VQLQJVIRUVODJ WLO YLQJ
3-1/ )DJ 67( 6W\ULQJ DY URPIDUW \ / VQLQJVIRUVODJ WLO YLQJ,QQOHGQLQJ Der det er angitt referanser, er det underforstått at dette er til sider, figurer, ligninger, tabeller etc., i læreboken, dersom andre
DetaljerØving 13. Et diffraksjonsgitter med N meget smale spalter og spalteavstand d resulterer i en intensitetsfordeling. I = I 0, φ = πdsin(θ)/λ
FY2/TFY46 Bølgefysikk. Institutt for fysikk, NTNU. Høsten 22. Veiledning: Mandag 9. og Tirsdag 2. november. Innleveringsfrist: Mandag 26. november kl 2:. Øving 3 Oppgave Et diffraksjonsgitter med N meget
DetaljerSystemidentifikasjon Oppgaver
University College of Southeast Norway Systemidentifikasjon Oppgaver HANS-PETTER HALVORSEN http://home.hit.no/~hansha Innholdsfortegnelse 1 Innledning... 3 2 Minste kvadraters metode... 4 3 Validering...
DetaljerMAT-INF 1100: Obligatorisk oppgave 1
13. september, 2018 MAT-INF 1100: Obligatorisk oppgave 1 Innleveringsfrist: 27/9-2018, kl. 14:30 i Devilry Obligatoriske oppgaver («obliger») er en sentral del av MAT-INF1100 og er utmerket trening i å
DetaljerKan micro:biten vår brukes som et termometer? Ja, den har faktisk en temperatursensor!
PXT: Temperatur Skrevet av: Kolbjørn Engeland, Julie Revdahl Kurs: Microbit Tema: Blokkbasert, Elektronikk, Spill Fag: Programmering Klassetrinn: 1.-4. klasse, 5.-7. klasse, 8.-10. klasse Introduksjon
DetaljerTabell 1: Beskrivende statistikker for dataene
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 7, blokk II Løsningsskisse Oppgave 1 a) Utfør en beskrivende analyse av datasettet % Data for Trondheim: TRD_mean=mean(TRD);
DetaljerTMA4240 Statistikk 2014
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 9, blokk II Løsningsskisse Oppgave Scriptet run confds.m simulerer n data x,..., x n fra en normalfordeling med
DetaljerLøsningsforslag til øving 10
Oppgave 1 FY1005/TFY4165 Termisk fysikk. Institutt for fysikk, NTNU. Våren 2013. a) Fra forelesningene, kapittel 4.5, har vi Ved å benytte og kan dette omformes til Med den gitte tilstandsligningen finner
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i MoD200 Eksamensdag: 15. desember 2003 Tid for eksamen: 14.30 17.30 Oppgavesettet er på 5 sider. Vedlegg: Tillatte hjelpemidler:
DetaljerObligatorisk oppgave nr 3 FYS Lars Kristian Henriksen UiO
Obligatorisk oppgave nr 3 FYS-13 Lars Kristian Henriksen UiO 11. februar 15 Diskusjonsoppgaver 1 Fjerde ordens Runge-Kutta fungerer ofte bedre enn Euler fordi den tar for seg flere punkter og stigningstall
DetaljerLøsningsforslag MAT102 Vår 2018
Løsningsforslag MAT102 Vår 2018 Universitetet i Bergen Det matematisk-naturvitenskapelige fakultet Eksamen i emnet MAT102 Tirsdag 12 juni 2018, kl 0900-1400 Oppgavesettet har fem oppgaver Hver deloppgave
DetaljerFasit for tilleggsoppgaver
Fasit for tilleggsoppgaver Uke 5 Oppgave: Gitt en rekke med observasjoner x i (i = 1,, 3,, n), definerer vi variansen til x i som gjennomsnittlig kvadratavvik fra gjennomsnittet, m.a.o. Var(x i ) = (x
DetaljerSide av 5 fra matriseteori har vi at en symmetrisk matrise alltid er ortogonalt diagonaliserbar. Det vil si at X kan skrives på formen X = M M (6) der
Side av 5 Norges teknisk- naturvitenskapelige universitet Institutt for teknisk kybernetikk SIE38 Stokastiske og adaptive systemer Fasit til ving Oppgave Gitt at den stokastiske vektoren v er normalfordelt
DetaljerMAT-INF 2360: Obligatorisk oppgave 3. Løsningsforslag
MAT-INF 2360: Obligatorisk oppgave 3. Løsningsforslag I kapittel 9 i kompendiet forklarte vi at maximum-likelihood er en av de viktige anvendelsene av ikke-lineær optimering. Vi skal se litt mer på hva
DetaljerUNIVERSITETET I OSLO ØKONOMISK INSTITUTT
Eksamen i: ECON30 Statistikk UNIVERSITETET I OSLO ØKONOMISK INSTITUTT Eksamensdag: 03.06.06 Sensur kunngjøres: 4.06.06 Tid for eksamen: kl. 09:00 :00 Oppgavesettet er på 5 sider Tillatte hjelpemidler:
DetaljerOblig 1 FYS2130. Elling Hauge-Iversen
Oblig 1 FYS2130 Elling Hauge-Iversen February 9, 2009 Oppgave 1 For å estimere kvalitetsfaktoren til basilarmembranen for ulike frekvenser har jeg laget et program som generer et rent sinussignal. Ideen
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i: MAT-INF 11 Modellering og beregninger Eksamensdag: Mandag 1 Desember 218 Tid for eksamen: 9: 13: Oppgavesettet er på 5 sider
DetaljerTMA4245 Statistikk Eksamen desember 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag TMA4245 Statistikk Eksamen desember 2016 Oppgave 1 En bedrift produserer elektriske komponenter. Komponentene kan ha to typer
Detaljer1. Finn egenverdiene og egenvektorene til matrisen A = 2 1 A =
Fasit MAT102 juni 2017 Oppgave 1 1. Finn egenverdiene og egenvektorene til matrisen ( ) 1 2 A = 2 1 Løsning: Egenverdiene er røttene til det karakteristiske polynom gitt ved determinanten av matrisen (
DetaljerEksamen i ELE620, Systemidentikasjon (10 sp)
DE EKNISK - NAURVIENSKAPELIGE FAKULE Institutt for data- og elektroteknikk Eksamen i ELE620, Systemidentikasjon (0 sp) Dato: Onsdag 4 desember 206 Lengde på eksamen: 4 timer illatte hjelpemidler: Kun standard
DetaljerTDT4105 IT Grunnkurs Høst 2014
TDT4105 IT Grunnkurs Høst 2014 Norges teknisknaturvitenskapelige universitet Institutt for datateknikk og informasjonsvitenskap Øving 6 1 Teori a) Hva er 2-komplement? b) Hva er en sample innen digital
DetaljerSystemidentifikasjon Oppgaver
Telemark University College Department of Electrical Engineering, Information Technology and Cybernetics Systemidentifikasjon Oppgaver HANS-PETTER HALVORSEN, 2012.03.16 Faculty of Technology, Postboks
DetaljerELE610 Prosjekter i robotteknikk, vår 2017.
Stavanger, 23. januar 2017 Det teknisknaturvitenskapelige fakultet ELE610 Prosjekter i robotteknikk, vår 2017. Bildefangst-del, oppgave 2. Hensikten med denne øvingen er å kunne bruke et ueye XS kamera
DetaljerTMA4240 Statistikk Høst 2016
Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 9 Løsningsskisse Oppgave 1 a) Vi lar her Y være antall fugler som kolliderer med vindmølla i løpet av den gitte
DetaljerSted Gj.snitt Median St.avvik Varians Trondheim 6.86 7.50 6.52 42.49 Værnes 7.07 7.20 6.79 46.05 Oppdal 4.98 5.80 7.00 48.96
Vår 213 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Øving nummer 8, blokk II Matlabøving Løsningsskisse Oppgave 1 a) Ingen løsningsskisse. b) Finn, for hvert datasett,
DetaljerTMA4240 Statistikk Høst 2016
TMA4240 Statistikk Høst 2016 Norges teknisk-naturvitenskapelige universitet Institutt for matematiske fag Anbefalt øving 12 Denne øvingen består av oppgaver om enkel lineær regresjon. De handler blant
DetaljerØving 1 TMA4240 - Grunnleggende dataanalyse i Matlab
Øving 1 TMA4240 - Grunnleggende dataanalyse i Matlab For grunnleggende introduksjon til Matlab, se kursets hjemmeside https://wiki.math.ntnu.no/tma4240/2015h/matlab. I denne øvingen skal vi analysere to
DetaljerMATLAB - Flere laster om bord og automatisering fribordsberegning med if else
Høgskolen i Bergen Avdeling for Ingeniørutdanning Institutt for Maskin/Marin Øving 4 MATLAB - Flere laster om bord og automatisering fribordsberegning med if else Oppgave 1 I denne oppgaven skal vi legge
DetaljerMIK 200 Anvendt signalbehandling, 2012. Prosjekt 2, Diskret kosinus-transformasjon.
Stavanger, 25. januar 2012 Det teknisknaturvitenskapelige fakultet MIK 200 Anvendt signalbehandling, 2012. Prosjekt 2, Diskret kosinus-transformasjon. Vi skal i dette miniprosjektet se litt på bruk av
DetaljerMAT-INF 2360: Obligatorisk oppgave 1
6. februar, MAT-INF 36: Obligatorisk oppgave Oppgave I denne oppgaven skal vi sammenligne effektiviteten av FFT-algoritmen med en mer rett frem algoritme for DFT. Deloppgave a Lag en funksjon y=dftimpl(x)
DetaljerControl Engineering. MathScript. Hans-Petter Halvorsen
Control Engineering MathScript Hans-Petter Halvorsen Dataverktøy MathScript LabVIEW Differensial -likninger Tidsplanet Laplace 2.orden 1.orden Realisering/ Implementering Reguleringsteknikk Serie, Parallel,
DetaljerUNIVERSITETET I OSLO
UNIVERSITETET I OSLO Det matematisk-naturvitenskapelige fakultet Eksamen i INF3440/4440 Signalbehandling Eksamensdag: 11. desember 006 Tid for eksamen: 15.30 18.30 Oppgavesettet er på 7 sider. Vedlegg:
DetaljerMAT-INF 1100: Obligatorisk oppgave 1
22. september, 2016 MAT-INF 1100: Obligatorisk oppgave 1 Innleveringsfrist: 6/10-2016, kl. 14:30 i Devilry Obligatoriske oppgaver («obliger») er en sentral del av MAT-INF1100 og er utmerket trening i å
Detaljer1 Oppgave 1 Skriveoppgave Manuell poengsum. 2 Oppgave 2 Code editor Manuell poengsum. 3 Oppgave 3 Skriveoppgave Manuell poengsum
MAT102 - Demoprøve Oppgaver Oppgavetype Vurdering Forside Dokument Ikke vurdert 1 Oppgave 1 Skriveoppgave Manuell poengsum 2 Oppgave 2 Code editor Manuell poengsum 3 Oppgave 3 Skriveoppgave Manuell poengsum
DetaljerV1 = input( Gjett p V1: ) %%Riktig verdi er omtrent V1= ; %%f.eks gir 4*E-4 i feil for T=123K. %%Bestemmer tilsvarende P1: P1 =
Oppgave 5 Matlab-program som beregner van der Waals koeksistenstrykk for luft ved temperatur 123 K. I denne versjonen leses det inn en gjetning på væskevolumet, hvoretter det beregnes hvilket gassvolum
DetaljerITGK - H2010, Matlab. Repetisjon
1 ITGK - H2010, Matlab Repetisjon 2 Variabler og tabeller Variabler brukes til å ta vare på/lagre resultater Datamaskinen setter av plass i minne for hver variabel En flyttallsvariabel tar 8 bytes i minne
Detaljer