Dynamic Systems Lab Week 1 (112) - o que é tudo sobre A maioria dos problemas de engenharia envolvem algum tipo de dinâmica. Isso poderia ser algo óbvio como determinar a trajetória ideal de um navio espacial ou prever o surf no Havaí. Também poderia ser menos óbvio (visível), por exemplo, determinar gradientes de temperatura em líquidos ou mudanças estruturais induzidas por estresse de materiais. Para ser o mais eficiente, engenheiros e cientistas geralmente seguem uma abordagem estruturada para resolver um problema. Dê uma olhada no gráfico abaixo: O objetivo do ME402 é apresentar algumas das ferramentas e abordagens mais cruciais da resolução de problemas científicos: Análise de Dados de Aquisição Análise de Modelagem (Documentação) O que devo fazer agora Siga as instruções abaixo O objetivo deste primeiro exercício de laboratório é fornecer uma primeira experiência com a realização de medições com um computador. Em particular, usaremos um multímetro e o conversor analógico-digital MMC para ler uma voltagem (ou dois). Este é suposto ser um exercício curto. Tire seu tempo Ao se orientar para essas ferramentas, seus laboratórios futuros serão muito mais produtivos. Parte 1: Configuração analógica para digital (AD) e um teste simples com uma bateria. (Nota: você pode encontrar um pdf (MMC 1408FS DAQ Setup para ME 402) das instruções abaixo na página Recursos deste link do site) Medição Informática Configuração do DAQ As instruções a seguir destinam-se a ajudá-lo a configurar o USB da Computação de Medição (MCC) Hardware e software de aquisição de dados do -1408FS. Mais manuais para hardware e software estão disponíveis no site do curso no link da página Recursos do equipamento. 1. Verificação de Software e Driver O MCC deve ser instalado em seu PC de laboratório (no lado do Windows). Para verificar se o software está instalado: vá para o menu Iniciar - Computação de medição Verifique se existem dois aplicativos nesta pasta: Instacal e TracerDAQ Se este software não estiver instalado no seu sistema, você precisará instalar as ferramentas de software da MCC antes de ir mais longe . Veja o instrutor do curso. 2. Conectando o Hardware USB-1408FS e Verificando Instalação com o InstaCal Depois de instalar o software, conecte o USB-1408FS através de um cabo USB. A luz LED no DAQ deve estar ligada e você pode aqui um som do PC. Abra o software InstaCal para verificar se a placa DAQ está instalada e para configurar o DAQ Você deve ver algo semelhante ao 1. Clique na placa 0 USB-1408FS para destacar a placa. Em seguida, vá para Instalar-Configurar Isso deve abrir uma caixa de diálogo (também mostrada em 1) para configurar a placa para entrada diferencial ou de ponta única. Verifique se a entrada diferencial está selecionada. Você pode usar a funcionalidade Test na InstaCal para determinar se há algum problema de hardware, mas por enquanto você pode fechar o InstaCal. Mais detalhes estão disponíveis no Guia do Usuário USB-1408FS na página de Referência. 3. Aquisição de dados usando o TracerDAQ - Aplicação do gráfico de tiraçe Inicie o aplicativo TracerDAQ. Em seguida, selecione a opção Chart Chart e clique no botão Run. Configure a placa DAQ: vá para Edit-DAQ Configurações de hardware Aqui você pode selecionar o mapeamento entre os canais de hardware DAQ (entrada analógica) e os canais exibidos no gráfico de tiragens. Você também pode selecionar a faixa de tensão para a entrada. Você quer se certificar de que a faixa de tensão é grande o suficiente para limitar sua entrada antecipada. Vá para as configurações do Edit-Scan RateTrigger para especificar a taxa de amostragem e o tempo de aquisição. Configure os Dados de Adquirir por tempo durante o tempo máximo que você deseja coletar dados, você sempre pode parar a aquisição com antecedência. Para começar a coletar dados, selecione o botão play na parte superior esquerda da janela. A aquisição irá parar automaticamente após o período de tempo especificado, ou você pode parar a aquisição usando o botão de parada. Para salvar os dados adquiridos, vá para File-Save As. Selecione um local apropriado para salvar o arquivo e um nome de arquivo apropriado. Na caixa suspensa Salvar como tipo:, selecione os tipos de arquivo (.txt) ou (.csv) Ao salvar os dados em formatos de texto (txt) ou de valores separados por vírgula (csv), podemos importar os dados facilmente para o MATLAB. Instruções separadas para importar dados para o MATLAB estão disponíveis no site do curso. Alguns dos detalhes sobre o aplicativo Chart Chart que você pode querer ler sobre o Guia do Usuário são a escala dos eixos, controlando as propriedades de exibição (cores, etc.) e usando os marcadores do gráfico de tira para fazer medições. 4. Conectando Sinais ao DAQ As conexões elétricas são descritas no diagrama de pin-out na página 14 do Guia do Usuário do USB-1408FS. Em geral, estaremos usando a entrada analógica diferencial no canal 0. As conexões pertinentes são Pin 1: Canal 0 Oi (tipicamente conectado ao sinal) Pino 2: Canal 0 Lo (normalmente conectado à terra) Pino 3: Terra (pode ser conectado Para o Pin 2 se necessário) Para obter mais informações sobre conexões de sinal, consulte o documento on-line para o link do MCC. 5. Verificação Um teste simples que você pode fazer para verificar se o seu DAQ está funcionando corretamente é medir uma tensão de bateria conhecida usando o DAQ. Primeiro, obtenha dados sem bateria conectada e verifique se a tensão está próxima de zero. Use uma bateria com fios (2 AA ou 9V). Verifique a tensão da bateria com um multímetro Ligue a bateria ao DAQ: o negativo. Terminal vai para Ch 0 Lo (Pin 2) e pos. O terminal se conecta ao Ch 0 Hi (Pin 1). Mais uma vez, obtenha dados e verifique se a tensão medida DAQ é a mesma tensão que você mediu com o multímetro. Parte 2: Conecte um Potenciômetro ao DAQ Aqui está uma imagem das conexões que faremos ao conversor AD. Usaremos os pinos GND e PC 5V para fornecer uma tensão de 5 V (Vout). Você deve medir a tensão variável, 0--5 V, do limpador do potenciômetro (V0in). 1. Configuração e aquisição de dados Conecte o potenciômetro ao AD. Dê uma olhada na imagem abaixo. Se o eixo do potenciômetro estiver voltado para cima e os 3 terminais estiverem virados para você, o solo estará no lado esquerdo, a entrada para o potenciômetro estará à direita e a saída estará no meio. Agora, conecte o potenciômetro como este: Certifique-se de entender a configuração. Configure o aplicativo Chart Chart com as seguintes configurações: Editar-Configurações do canal. Número de canais 1 (Você pode alterar a cor da exibição do canal se quiser). Editar-DAQ Configurações de hardware. Configure o canal para channes de hardware correspondente no dispositivo USB (por exemplo, CH0). Defina a faixa DAQ para cada canal para - 5 V Edit-Scan RateTrigger Settings. Taxa de varredura 150 Hz Dados Aquire por 30 segundos Pressione o botão play no aplicativo Chart Chart para adquirir dados. Tente simular uma onda senoidal com a saída do potenciômetro. Esta é uma boa chance de familiarizar-se com as configurações do Chart Strip. As configurações de exibição (escala automática, etc.) são um pouco confusas, mas jogue com elas para entender o que você está vendo no software. Depois de ter uma execução de 30 segundos com a qual você está satisfeito, salve os dados como um arquivo chamado pot. txt na pasta lab0 na área de trabalho do seu PC. 2. Análise de dados usando MATLAB Para exibição e processamento de dados, seja bem usando o MATLAB. Para exibir as medidas de voltagem adquiridas, siga estas etapas: Vá para a página de Referências MATLAB e baixe o arquivo zip chamado importStripChart. zip. Extraia os arquivos desse arquivo zip e coloque os arquivos em sua pasta lab0 na área de trabalho. (É importante que o arquivo importStripChartData. m esteja no mesmo diretório que os dados que você adquiriu) Abra MATLAB no seu PC. Abra o programa de exemplo importexample. m e execute o exemplo. Agora, guarde o exemplo como um novo programa chamado lab0graph. m Edite o programa lab0graph. m para que ele exiba os dados que você adquiriu para o teste do potenciômetro acima. Você precisará editar a linha datavec1, timevec1, Ts importStripChartData (lab1run1.txt) Ao alterar o nome do arquivo de lab1run1.txt para pot. txt, você poderá usar o programa para importar os dados que você acabou de coletar. Parte 3: entregáveis Antes de sair do laboratório, mostre seus gráficos MATLAB e Strip Chart ao instrutor. Atribuições da próxima semana (Thu 119 antes da aula) 1. Leitura Leia o livro de texto, Ch1 e Ch 2. Faça o download do livro de texto Baixe e leia a folha de dados do sensor de temperatura LM35DT no link da página Recursos 2. Exercícios do livro de texto Para estar preparado para o próximo laboratório na próxima semana, Cada estudante deve completar e enviar os seguintes exercícios de livros didáticos: 1.1 1.2 1.3 1.5 2.4 (Use o MATLAB. Os programas de exemplo do livro podem ser baixados a partir do link da página de recursos do MATLAB.) 2.5 2.9 Nota importante: os resultados da atribuição pré-laboratório devem ser Coloque em um único documento e submetido via Laulima seguindo o link de diretrizes de envio eletrônico. Além disso, traga uma cópia do seu trabalho para o laboratório. Vamos examinar os resultados. (As atribuições finais não serão aceitas.) Semana 2 (119) - cheque em breve Características da chave Técnicas de regressão, incluindo linear. Linear generalizado, não linear. Robusto, regularizado. ANOVA, medidas repetidas e modelos de efeitos mistos Grandes algoritmos de dados para redução de dimensão, estatística descritiva, agrupamento de k-means, regressão linear, regressão logística e análise discriminante Distribuições de probabilidade univariadas e multivariadas. Geradores de números aleatórios e quase-aleatórios. E amostras de cadeia de Markov Testes de hipóteses para técnicas de distribuição, dispersão e localização e design de experimentos (DOE) para projetos de superfície ótimos, fatoriais e de resposta Classificação Aprendizagem e algoritmos para aprendizado de máquinas supervisionado. Incluindo máquinas de vetor de suporte (SVMs), árvores de decisão ampliadas e ensacadas, k-vizinho mais próximo, Nave Bayes, análise discriminante e regressão de processo gaussiano. Algoritmos de aprendizado de máquina não supervisionados, incluindo k-means, k-medoids, agrupamento hierárquico, misturas gaussianas e Modelos ocultos de Markov Otimização bayesiana para algoritmos de aprendizagem de máquinas de ajuste procurando por hiperparâmetros ideais Saiba como as ferramentas de aprendizado de máquinas no MATLAB podem ser usadas para resolver problemas de regressão, agrupamento e classificação. Execute modelagem e análise estatística usando o Statistics and Machine Learning Toolbox. As estatísticas de análise de dados exploratórios e a caixa de ferramentas de aprendizado de máquina oferecem várias maneiras de explorar dados: plotar estatístico com gráficos interativos, algoritmos para análise de cluster e estatísticas descritivas para grandes conjuntos de dados. Traçado estatístico com gráficos interativos Como visualizar dados multivariados usando vários gráficos estatísticos. Estatística descritiva As estatísticas descritivas permitem compreender e descrever rapidamente grandes conjuntos de dados usando rapidamente alguns números altamente relevantes. A Caixa de ferramentas de Estatística e Aprendizagem de Máquinas inclui funções para calcular: Estas funções ajudam você a resumir valores em uma amostra de dados usando alguns números altamente relevantes. Em alguns casos, a realização de inferências em estatísticas resumidas usando métodos paramétricos não é possível. Para lidar com esses casos, o Statistics and Machine Learning Toolbox fornece técnicas de reescalonamento, incluindo: Amostragem aleatória de um conjunto de dados com ou sem substituição. Uma função de inicialização não paramétrica para investigar a distribuição de estatísticas usando o reescalonamento. Uma função jackknife para investigar a distribuição de estatísticas usando Jackknife Reescalonamento Uma função bootci para estimar intervalos de confiança usando estações de bootstrap não paramétricas e Machine Toolbox Tool inclui algoritmos para a realização de análise de cluster para descobrir padrões em seu conjunto de dados, agrupando dados com base em medidas de similaridade. Os algoritmos disponíveis incluem k-means. K-medoids. agrupamento hierárquico. Modelos de mistura gaussiana. E modelos escondidos de Markov. Quando o número de clusters é desconhecido, você pode usar técnicas de avaliação de cluster para determinar o número de clusters presentes nos dados com base em uma métrica especificada. Saiba como detectar padrões em perfis de expressão gênica ao examinar dados de expressão gênica. Estatísticas de regressão não paramétrica e Toolbox Toolbox também suporta técnicas de regressão não paramétrica para gerar um ajuste preciso sem especificar um modelo que descreva a relação entre o preditor e a resposta. As técnicas de regressão não paramétrica podem ser mais amplamente classificadas na aprendizagem automatizada de máquinas para regressão e incluem árvores de decisão. Árvores de regressão elevadas ou ensacadas. E regressão da máquina vetorial de suporte. Prever o risco de seguro através do conjunto de treinamento de árvores de regressão usando o TreeBagger. Regressão e ANOVA Regressão Usando técnicas de regressão, você pode modelar uma variável de resposta contínua como uma função de um ou mais preditores. Statistics and Machine Learning Toolbox oferece uma variedade de algoritmos de regressão, incluindo regressão linear. Modelos lineares generalizados, regressão não linear. E modelos de efeitos mistos. Regressão linear A regressão linear é uma técnica de modelagem estatística utilizada para descrever uma variável de resposta contínua como uma função de uma ou mais variáveis preditoras. Pode ajudá-lo a compreender e a prever o comportamento de sistemas complexos ou a analisar dados experimentais, financeiros e biológicos. A Caixa de ferramentas de Estatística e Aprendizagem de Máquinas oferece vários tipos de modelos de regressão linear e métodos de montagem, incluindo: Simples: Modelo com apenas um preditor Múltiplo: Modelo com múltiplos preditores Multivariável: Modelo com múltiplas variáveis de resposta Robusto: Modelo na presença de outlook Stepwise: Modelo com Seleção automática de variáveis Regularizada: Modelo que pode lidar com preditores redundantes e evitar o excesso de uso usando o cume. laço. E algoritmos de rede elástica Neste seminário web, você aprenderá a usar o Statistics and Machine Learning Toolbox para gerar modelos preditivos precisos a partir de conjuntos de dados que contenham grandes quantidades de variáveis correlacionadas. Os modelos lineares generalizados são um caso especial de modelos não-lineares que utilizam métodos lineares. Eles permitem que as variáveis de resposta tenham distribuições não normais e uma função de link que descreva como o valor esperado da resposta está relacionado aos preditores lineares. A Caixa de ferramentas de Estatística e Aprendizagem de Máquinas suporta montagem de modelos lineares generalizados com as seguintes distribuições de resposta: Binômio Normal (regressão logística ou probit) Poisson Gamma Gaussiana Inversa Avaliando a Qualidade das Estatísticas de Ajuste e a Ferramenta de Aprendizagem Automática fornece gráficos estatísticos para avaliar a forma como um conjunto de dados corresponde a uma especificação distribuição. A caixa de ferramentas inclui gráficos de probabilidade para uma variedade de distribuições padrão, incluindo valores normais, exponenciais, extremos, lognormal, Rayleigh e Weibull. Você pode gerar gráficos de probabilidade de conjuntos de dados completos e conjuntos de dados censurados. Além disso, você pode usar parcelas quantile-quantile para avaliar quão bem uma dada distribuição corresponde a uma distribuição normal padrão. Statistics and Machine Learning Toolbox também fornece testes de hipóteses para determinar se um conjunto de dados é consistente com diferentes distribuições de probabilidade. Testes de distribuição específicos incluem: testes de Anderson-Darling Testes unilaterais e de dois lados do Kolmogorov-Smirnov Testes de qualidade do Chi-quadrado Testes de Lilliefors Testes de Ansari-Bradley Testes de Jarque-Bera Testes de Durbin-Watson A caixa de ferramentas fornece funções para gerar pseudorandom E fluxos numéricos quase-aleatórios de distribuições de probabilidade. Você pode gerar números aleatórios de uma distribuição de probabilidade instalada ou construída aplicando o método aleatório. Statistics and Machine Learning Toolbox também fornece funções para: Gerar amostras aleatórias de distribuições multivariadas, como t. Normal, copulas e Wishart Amostragem de populações finitas Executando amostras de hipercubo latino Gerando amostras de sistemas de distribuição de Pearson e Johnson Você também pode gerar fluxos de números quase-aleatórios. Quotas de números quase-aleatórios produzem amostras altamente uniformes da unidade hipercubo. Os fluxos de números quase aleatórios podem, muitas vezes, acelerar as simulações de Monte Carlo porque menos amostras são necessárias para alcançar uma cobertura completa. Use copulas para gerar dados de distribuições multivariadas quando há relações complicadas entre as variáveis, ou quando as variáveis individuais são de diferentes distribuições. A variação aleatória pode tornar difícil determinar se amostras colhidas sob diferentes condições são realmente diferentes. O teste de hipóteses é uma ferramenta eficaz para analisar se as diferenças amostra-amostra são significativas e requerem uma avaliação mais aprofundada ou são consistentes com a variação de dados aleatória e esperada. A Caixa de ferramentas de Estatística e Aprendizagem de Máquinas suporta procedimentos de teste de hipóteses paramétricos e não paramétricos amplamente utilizados, incluindo: Uma amostra e dois testes t-teste de amostra Testes não paramétricos para uma amostra, amostras pareadas e duas amostras independentes. Testes de distribuição (qui-quadrado, Jarque-Bera, Lilliefors E Kolmogorov-Smirnov) Comparação das distribuições (duas amostras Kolmogorov-Smirnov) Testes de autocorrelação e aleatoriedade Testes de hipóteses lineares sobre coeficientes de regressão Você pode usar a Estabelecida e Ferramenta de Aprendizado de Máquinas para definir, analisar e visualizar um projeto personalizado de experimentos (DOE ). Funções para DOE permitem que você crie e teste planos práticos para coletar dados para modelagem estatística. Esses planos mostram como manipular entradas de dados em conjunto para gerar informações sobre seus efeitos nas saídas de dados. Os tipos de design suportados incluem: Fatorial completo Fatorial fraccional Superfície de resposta (composto central e Box-Behnken) D-óptimo hipercubo latino Por exemplo, você pode estimar efeitos de entrada e interações de entrada usando ANOVA, regressão linear e modelagem de superfície de resposta e, em seguida, visualizar resultados Através de gráficos de efeito principal, gráficos de interação e gráficos multivariados. A Caixa de Ferramentas de Estatística e Aprendizagem de Máquinas fornece um conjunto de funções que suportam o controle de processo estatístico (SPC). Essas funções permitem que você monitore e melhore produtos ou processos avaliando a variabilidade do processo. Com funções SPC, você pode: Realizar estudos de repetibilidade e reprodutibilidade de calibração Estimar a capacidade do processo Criar gráficos de controle Aplicar regras de controle Western Electric e Nelson para controlar os dados do gráfico Selecione Seu País
No comments:
Post a Comment