Identyfikacja parametrów modelu kondensatora dwiema metodami Monte Carlo

pol Artykuł w języku Polskim DOI: 10.14313/PAR_228/41

Stefan Kubisa, Zygmunt Lech Warsza

Pobierz Artykuł

Streszczenie

Omówiono dokładność identyfikacji wartości parametrów modelu kondensatora rzeczywistego przeprowadzoną dwiema metodami Monte Carlo. Jako prosty przykład numeryczny zidentyfikowano parametry pięciu elementów skupionych RC schematu zastępczego kondensatora na podstawie wyników zasymulowanych pomiarów składowych jego impedancji zastępczej przy kilku częstotliwościach. Parametry mierzone i identyfikowane są powiązane układem nieliniowych zależności i ich rozwiązanie analityczne jest bądź bardzo uciążliwe, bądź może nie być znane. Identyfikację wykonano jednokrotną oraz wielokrotną procedurą iteracyjną Monte Carlo. Dla otrzymanych rozkładów wartości zidentyfikowanych parametrów oszacowano przedziały o prawdopodobieństwie 0,95 i 0,99, które charakteryzują poziom obserwowalności tych parametrów. Dokładność parametrów oszacowano na podstawie otrzymanych rozkładów ich zidentyfikowanych wartości. Omówiono skuteczność i użyteczność identyfikacji parametrów modelu obiema metodami Monte Carlo.

Słowa kluczowe

identyfikacja parametrów, metoda Monte Carlo, model kondensatora, rozkład parametrów

Identification of the Capacitor Model Parameters by two Monte Carlo Methods

Abstract

The accuracy of identification of internal parameters of the model of capacitor as the physical device carried out by two Monte Carlo methods of simulation is considered. As an simply numerical example are identified parameters of the five RC elements of the equivalent circuit of capacitor based on results of simulated measurements of its equivalent impedance components at several frequencies. The measured and identified parameters are linked by a system of nonlinear relationships and their analytical solution is either very inconvenient, or even non-existing. Identification has been carried by single and by multiple iterative procedure Monte Carlo. From the pdf distributions of identified parameters their achieved coverage rangers of 0,95 and 0,99 probability are estimated. The results demonstrate the efficiency and utility of identifying internal model parameters by both Monte Carlo methods.

Keywords

distribution of parameters, model of capacitor, Monte Carlo Method, parameter identification

Bibliografia

  1. Golio M., Golio J., RF and Microwave Circuits, Measurements, and Modeling. CRC Press, (Taylor & Francis Group) Boca Raton, London, New York, 2008, Chapter 31.
  2. Kroese D.P., Taimre T., Botev Z.I., Handbook of Monte Carlo Methods. 2011 John Wiley & Sons, New York, ISBN 0-470-17793-4.
  3. Gajda J., Sidor T., Using Monte Carlo Analysis for Practical Investigation of Sensitivity of Electronic Converters in Respect to Component Tolerances, “Electrical and Electronic Engineering”, Vol. 2, No. 5, 2012, 297–302, DOI: 10.5923/j.eee.20120205.09.
  4. Zennaro E., Mazzetti C., Amicucci G.L., Fiamingo F., Sensitivity Analysis of the Circuit Model of a Medical Equipment for the Evaluation of Leakage Currents. European Modelling Symposium, 21–23 Oct. 2014, 87–92, DOI: 10.1109/EMS.2014.30.
  5. Sita Kondamadugula, Srinath R Naidu: Parameter-importance based Monte-Carlo Technique for Variation-aware Analog Yield Optimization. International Institute of Information Technology, Bangalore India, Proceedings of the 26th edition on Great Lakes Symposium on VLSI, 51–56, DOI: 10.1145/2902961.2903018.
  6. Pieńkowski D., Wpływ pasożytniczych reaktancji na parametry aplikacyjne rezystorów i kondensatorów, http://elektronikab2b.pl/technika/1236.
  7. Evaluation of measurement data. Supplement 2 to the „Guide to the expression of uncertainty in measurement” – Extension to any number of output quantities. https://www.bipm.org/utils/common/documents/jcgm/JCGM_102_2011_E.pdf.
  8. Hall B. D., On the propagation of uncertainty in complex-valued quantities. „Metrologia” 41 (2004), 173–177, DOI: 10.1088/0026-1394/41/3/010
  9. Dorozhovets M., Burdega M., Warsza Z.L., Accuracy of reconstruction of the spatial temperature distribution based on surface temperature measurements by resistance sensors. SCIT 2016 Recent Advances in Systems, Control and Information Technology. (editors: R. Szewczyk, M. Kaliczyńska), vol. 543 serii „Advances in Intelligent Systems and Computing” Springer International Publishing 2017, 567–575, DOI 10.1007/978-3-319-48923-0_60.