Machine Translated by Google

Journal of Physics: Serie de conferencias

PAPEL • ACCESO ABIERTO También te puede interesar

-
Medición dinámica y su relación con la Convergencia del método spline para resolver
el problema de medición dinámica óptima AV Keller
y MA Sagadeeva
metrología, la teoría matemática y el
-
procesamiento de señales: una revisión Sobre los desafíos en la evaluación de
la incertidumbre para mediciones
dependientes del tiempo S Eichstädt,
V Wilkens, A Dienstfrey et al.
Para citar este artículo: S Eichstädt et al 2018 J. Phys.: Conf. Ser. 1065 212018
-
Un estudio sobre métodos de medición
dinámicos basados en sensores de cuerda vibrante
Wang Tao y Zhou Wenqian

Ver el artículo en línea para actualizaciones y mejoras.

Este contenido fue descargado desde la dirección IP 192.141.244.142 el 26/09/2022 a las 19:00
Machine Translated by Google

XXII Congreso Mundial de la Confederación Internacional de Medición (IMEKO 2018) Publicaciones de IOP

Conferencia de la OIO. Serie: Revista de Física: Conf. Serie 1065 (2018) 212018 doi:10.1088/1742-6596/1065/21/212018

Medición dinámica y su relación con la metrología, la

teoría matemática y el procesamiento de señales: una revisión

S Eichstädt1 , K Ruhm3 , Un Shestakov4

2 Physikalisch-Technische Bundesanstalt, Abbestr. 2-12, 10587 Berlín, Alemania 3
Instituto Federal Suizo de Tecnología (ETH), Zúrich, Suiza 4 Universidad Estatal de los
Urales del Sur, Rusia

Correo electrónico: sascha.eichstaedt@ptb.de

Resumen. Las mediciones dinámicas son mediciones de cantidades con valores dependientes del
tiempo utilizando instrumentos de medición que están modelados matemáticamente por sistemas de
medición dinámicos. Los ejemplos típicos son cantidades con valores que cambian rápidamente, como
la presión en un motor de combustión o las fuerzas que actúan en una prueba de choque. La teoría
que subyace a tales mediciones es considerablemente antigua, pero se extiende a diferentes disciplinas
como las matemáticas, las estadísticas, el procesamiento de señales, la ingeniería y la teoría de
control. Para seguir desarrollando la metrología para mediciones dinámicas, los diferentes elementos
deben unirse bajo un paraguas común y armonizado. Esta contribución da un primer paso hacia este
objetivo al revisar la teoría matemática, el procesamiento de señales y elementos de metrología.

1. Introducción
La medición de cantidades dependientes del tiempo, es decir, la medición dinámica, es un tema de creciente
importancia para la metrología y la industria. La historia de la medición dinámica en la ciencia y la tecnología se
remonta a finales del siglo XIX, lo que lleva a un rico conjunto de herramientas de métodos y principios de
medición. Sin embargo, en metrología, este campo, a pesar de una lista creciente de publicaciones científicas y
borradores de directrices, aún es bastante inmaduro en comparación con la metrología para cantidades con un valor fijo nominal.
Una razón parece ser que el análisis de medidas para cantidades dependientes del tiempo requiere la fusión de
diferentes campos de las matemáticas, la estadística y la ingeniería, armonizando el vocabulario y desarrollando
técnicas novedosas para el análisis correspondiente de las incertidumbres de medida dinámicas [1].
Debido a estos desafíos, en muchos casos los dispositivos de medición se utilizan sin una calibración dinámica
adecuada o el análisis de los valores medidos se realiza de manera ad-hoc, descuidando los efectos dinámicos.
Para ello, en esta contribución pretendemos combinar el conocimiento de la modelización matemática, la teoría
de procesos estocásticos, el tratamiento tradicional de la incertidumbre GUM y un análisis riguroso de la estructura
de las medidas dinámicas. Nuestro objetivo es proporcionar un primer paso hacia un tratamiento armonizado de
las medidas dinámicas y permite identificar campos necesarios de investigación futura.
Por ello, revisamos los antecedentes históricos, realizamos un análisis de los principios y estructuras de medida,
revisamos la calibración y la compensación dinámica de errores.

2. Breve trasfondo histórico de las mediciones dinámicas en la ciencia

El trabajo pionero sobre la medición dinámica es el artículo del físico francés Cornu [2] publicado en 1887. En
este trabajo estudió el movimiento de un galvanómetro y asoció el valor del amortiguamiento

El contenido de este trabajo puede usarse bajo los términos de la licencia Creative Commons Attribution 3.0. Cualquier otra distribución
de este trabajo debe mantener la atribución al autor(es) y el título del trabajo, cita de la revista y DOI.
Publicado bajo licencia por IOP Publishing Ltd 1
Machine Translated by Google

XXII Congreso Mundial de la Confederación Internacional de Medición (IMEKO 2018) Publicaciones de IOP

Conferencia de la OIO. Serie: Revista de Física: Conf. Serie 1065 (2018) 212018 doi:10.1088/1742-6596/1065/21/212018

factor con parámetros físicos del dispositivo. Más tarde, el inventor de un osciloscopio, el ingeniero francés Blondel
[3], en 1893 consideró modelos dinámicos para algunos de sus módulos. Además, el trabajo de DI Mendeleev [4],
publicado en 1897 centrado en el pesaje preciso en la balanza de laboratorio inestable, debe mencionarse como uno
de los primeros artículos académicos. El trabajo de AN Krylov [5], donde se examinó un dispositivo para medir la
presión de explosión de una mina, puede considerarse como un punto de partida para el desarrollo de la teoría de
las mediciones dinámicas, estudiando un error de medición dependiente del tiempo. Basado en tecnología mejorada,
el interés en las mediciones dinámicas creció rápidamente en las décadas de 1970 y 1980. Un papel especial en el
desarrollo de la teoría de las medidas dinámicas pertenece a VA
Granovkii, quien en su libro [6] presentó una teoría integral sobre medidas dinámicas.
La importancia de las mediciones dinámicas se hace evidente cuando los valores indicados por el instrumento de
medición muestran una desviación dependiente del tiempo de los valores reales medidos. La mayoría de las
publicaciones dedicadas a la compensación de tales errores se basan en el trabajo fundamental de AN
Tikhonov sobre métodos para resolver problemas mal planteados [7, 8]. En cierta medida, estos resultados coinciden
con el resultado del problema análogo de la teoría de filtración de Wiener-Kolmogorov [9]. Otros autores propusieron
un enfoque bayesiano, que bajo ciertas condiciones corresponde al método de Tikonov, ver, por ejemplo, [10]. Se ha
propuesto una gran cantidad de algoritmos adicionales que conducen a una rica caja de herramientas para reconstruir
los valores medidos a partir de la señal de indicación errónea.

3. Estructura general de las medidas dinámicas

La estructura de las mediciones dinámicas se puede derivar de la teoría de señales y sistemas (SST) que, en
principio, también se puede emplear para mediciones no dinámicas. De esta manera, la estructura genérica dada a
continuación también proporciona un medio para armonizar la teoría de medición dinámica y no dinámica. En el
campo de SST, los conceptos de observación, observador y proceso de observación están bien establecidos y
proporcionan un marco matemático claro, distinguiendo en particular la observación de la medición .
[11].
El término cantidad se usa como un término global y en SST el modelo formal de una cantidad del mundo real se
llama señal, siendo en sí mismo un elemento abstracto. Una cantidad con un valor dependiente del tiempo se
denomina cantidad dinámica. El modelado matemático se ocupa de las relaciones abstractas entre señales. Tal
conjunto de relaciones se define como un sistema, que es un modelo simplificado y reducido de un proceso del
mundo real. El proceso de medición común M consiste en un proceso sensor S y un proceso de reconstrucción o
estimación R. Además, la estructura genérica puede contener un proceso P que genera la señal y(t) a partir de una
cantidad de entrada u(t), ver Figura 1 .

Figura 1 Estructura genérica de un proceso de medición con errores restantes

ey(t) que no puede ser compensado por el proceso de reconstrucción

En consecuencia, la ecuación de medición consta de la ecuación del sensor más la ecuación de reconstrucción. En
el caso ideal, la salida del proceso de medición, es decir, de la reconstrucción, es numéricamente idéntica a la señal
de entrada al proceso del sensor. Nótese también que en esta terminología, un proceso de observación O puede
extender el proceso de medición con una parte de procesamiento de datos para

2
Machine Translated by Google

XXII Congreso Mundial de la Confederación Internacional de Medición (IMEKO 2018) Publicaciones de IOP

Conferencia de la OIO. Serie: Revista de Física: Conf. Serie 1065 (2018) 212018 doi:10.1088/1742-6596/1065/21/212018

estimar información x(t) sobre el proceso P que normalmente no es accesible para un proceso de sensor físico. Los
procedimientos de observación más famosos son el observador de Luenberger y el filtro de Kalman.

4. Representaciones de sistemas de medida dinámicos lineales e invariantes en el tiempo

Para procesos de sensor para los cuales el sistema asociado es lineal en las señales de entrada y tiene parámetros
invariantes en el tiempo (LTI), el modelo matemático continuo consta de un conjunto de ecuaciones diferenciales ordinarias.
Este enfoque es ampliamente utilizado para representar el proceso del sensor en forma de un modelo físico-matemático. El
proceso de reconstrucción generalmente se modela utilizando un enfoque discreto basado en ecuaciones de diferencias.
Esto se utiliza, por ejemplo, para diseñar e implementar el proceso de reconstrucción en términos de procesamiento de
señales digitales, por ejemplo, utilizando filtros digitales.
[12, 13]. Sin embargo, la teoría matemática para modelos continuos del proceso de reconstrucción ha sido ampliamente
estudiada en la literatura. Existen métodos para transformar un modelo continuo a un modelo discreto y viceversa [14,15].
Hay varias caracterizaciones equivalentes para los procesos de sensores.
modelados como sistemas LTI: funciones de transferencia y sus correspondientes discretos; características de amplitud y
frecuencia de fase; función transitoria de impulso – como respuesta de impulso; función transitoria escalonada – como
respuesta escalonada. Estas representaciones son totalmente equivalentes y existen métodos matemáticos para convertir
una característica en otra. La caracterización más adecuada que se utilizará depende del método de medición, la situación
de medición y, lo que es más importante, el enfoque previsto para el proceso de reconstrucción [1, 16].

5. Calibración de sistemas lineales invariantes en el tiempo

De acuerdo con el VIM [17], el primer paso en una calibración en nuestra configuración genérica de la Figura 1 es la
operación que establece una relación (matemática) entre los valores de cantidad que son la entrada al proceso del sensor
y las indicaciones correspondientes, es decir, el salida del proceso del sensor. Para un sistema de sensor dinámico, esto
requiere tener en cuenta sus propiedades dinámicas, es decir, su comportamiento dependiente de la frecuencia en la
calibración. Por ejemplo, la determinación de la respuesta de impulso del sistema dinámico se lleva a cabo excitando el
proceso del sensor con un pulso de entrada conocido. Idealmente, este pulso está lo más cerca posible de la función delta
de Dirac para cubrir un amplio rango de frecuencia. Un ejemplo típico es la calibración de osciloscopios de muestreo
ultrarrápido con rango de frecuencia en el espectro de Gigahercios y duraciones de pulso en el rango de picosegundos
[18]. Similar a la calibración de respuesta de impulso, la respuesta de paso se obtiene excitando el proceso del sensor con
un paso de entrada conocido. Por ejemplo, en las mediciones del tubo de choque para la calibración de la presión dinámica,
se puede suponer un frente de presión de paso ideal para calibrar un transductor de presión [19]. Otro ejemplo típico es la
calibración de termómetros por inyección en un fluido de temperatura conocida diferente a la temperatura ambiente [20]. La
respuesta de frecuencia como función de transferencia evaluada en valores de frecuencia complejos se puede determinar,
por ejemplo, excitando el proceso del sensor con entradas de contenido de frecuencia conocido y cálculos en el dominio de
la frecuencia después de una transformada de Fourier. Esto se hace, por ejemplo, para la calibración dinámica de hidrófonos
[21]. La determinación de la función de transferencia generalmente se lleva a cabo mediante una calibración paramétrica y
proporciona el enfoque de modelo más genérico. Requiere un modelo matemático físico o un enfoque de caja negra [22].
Por ejemplo, sensores para medir en función del tiempo

la aceleración se puede calibrar mediante excitación sinusoidal con frecuencias conocidas [23]. El resultado es un conjunto
de frecuencias con los correspondientes valores de amplitud y fase de la respuesta de frecuencia.
Utilizando métodos de regresión, los parámetros del modelo de función de transferencia se determinan a partir de estos
valores [24]. Finalmente, la relación matemática entre la señal de entrada del proceso del sensor conocido y las indicaciones
correspondientes se proporciona como un modelo integral de convolución, un modelo de sistema de ecuaciones
diferenciales ordinarias, un modelo de dominio de Laplace de valor complejo o un modelo de dominio de frecuencia de
valor complejo, según el modelo elegido. representación del proceso sensor.

6. Estimación de mensurandos dependientes del tiempo para sistemas LTI

En el segundo paso de la calibración según VIM se utiliza la relación obtenida en el primer paso para establecer una
relación para obtener un resultado de medida a partir de una indicación. Por lo tanto, el segundo paso es el

3
Machine Translated by Google

XXII Congreso Mundial de la Confederación Internacional de Medición (IMEKO 2018) Publicaciones de IOP

Conferencia de la OIO. Serie: Revista de Física: Conf. Serie 1065 (2018) 212018 doi:10.1088/1742-6596/1065/21/212018

diseño de una relación matemática para el proceso de reconstrucción. Ambos pasos juntos, por lo tanto, establecen la
relación matemática del proceso de medición.
Cuando el proceso del sensor provoca errores dependientes del tiempo, el proceso de reconstrucción debe poder
compensarlos para reducir los errores de medición restantes. En consecuencia, el
idealmente, el proceso de reconstrucción también se modela como un sistema dinámico. En cuanto al sistema sensor,
son posibles varias representaciones equivalentes del sistema de reconstrucción: filtro inverso, respuesta de frecuencia
inversa, función de transferencia inversa, etc. La situación especial en las mediciones dinámicas es que, en la práctica, el
proceso de reconstrucción ideal también depende del contenido de frecuencia de la señal medida, es decir, el mensurando.
Es decir, el segundo paso de la calibración según VIM tiene que tener en cuenta
cuenta información sobre las señales de entrada al proceso del sensor, es decir, el mensurando. Por ejemplo, para un
proceso de sensor dado con cierto comportamiento dinámico, un proceso de reconstrucción puede proporcionar una
precisión muy alta para una señal y(t) que varía lentamente, pero una precisión baja para una señal que varía rápidamente.
Un ejemplo típico es un proceso de sensor con ancho de banda finito y un proceso de reconstrucción con un ancho de banda fijo.
característica de paso bajo. Considere, por ejemplo, un proceso de sensor con características de paso bajo. El proceso
de reconstrucción debe tener una característica de paso alto hasta una cierta frecuencia, dependiendo del nivel de ruido y
el contenido de frecuencia del mensurando [12].
En la práctica, el sistema de reconstrucción es muy sensible al ruido de medición. Matemáticamente hablando, el diseño
del sistema inverso al sensor es un problema inverso mal planteado que es muy sensible a pequeños cambios en sus
entradas. Básicamente, esto da como resultado una amplificación muy grande del ruido de medición.
y, por lo tanto, el sistema inverso ideal debe extenderse para atenuar el ruido de alta frecuencia [1]. Se han propuesto
muchos enfoques para esta tarea, véase, por ejemplo, [7, 8, 25, 26]. Sin embargo, el desafío genérico para la metrología
y la principal diferencia con los enfoques tradicionales para la evaluación de la incertidumbre es el error sistemático
causado por el propio método de regularización que no se puede superar. Por ejemplo, para un mensurando con contenido
de alta frecuencia en una medición con un ruido de medición significativo, se debe hacer un compromiso entre grandes
variaciones en la estimación del mensurando debido al ruido amplificado y errores sistemáticos en la estimación del
mensurando debido al ruido. atenuación. Para evaluar este error, es necesario cuantificar el conocimiento previo sobre el
contenido de frecuencia del mensurando. Este tipo de información no es necesaria para la evaluación de la incertidumbre
de las mediciones no dinámicas.

7. Interpretación y determinación del error de medición dinámica y la incertidumbre

La calidad de un proceso de medición depende de la capacidad del proceso de reconstrucción para corregir los errores
causados por el proceso del sensor. Para mediciones dinámicas, el valor de la cantidad de interés (mensurando) depende
del tiempo. En consecuencia, el error que queda después del proceso de reconstrucción y la incertidumbre de la medición
asociada con una estimación del mensurando también dependen del tiempo. Para señales de tiempo discreto, la
incertidumbre de la medición generalmente se puede expresar e interpretar como para mediciones no dinámicas
multivariadas [12, 27]. Sin embargo, para señales de tiempo continuo, uno tiene que extender el marco GUM, por ejemplo,
a procesos estocásticos [28]. Para la evaluación de las incertidumbres, se han propuesto en la literatura enfoques
compatibles con GUM para varias representaciones del proceso de reconstrucción. Sin embargo, como se mencionó
anteriormente, uno de los desafíos pendientes es el tratamiento práctico del error de regularización.

Para una medición dinámica, hay varias formas de analizar el error que queda después del proceso de reconstrucción. En
el caso de que no haya ruido de medición, es decir, señales de entrada y salida deterministas, se proponen métodos para
analizar el error de medición como funciones de tiempo para señales de medición básicas [6, 25]. Otros consideran
caracteres numéricos únicos para expresar el error de medición, por ejemplo, en forma de error cuadrático medio para un
intervalo de tiempo determinado [29] o en función del espectro de la señal [30]. En ambos casos, la información de tiempo
del error de medición se compila de cierta manera para obtener un solo número. Esto puede ser útil cuando, por ejemplo,
se prefiere un proceso de reconstrucción algebraica (no dinámica). En este caso, queda un error dinámico y debe tenerse
en cuenta en el presupuesto de incertidumbre [30]. Otro caso es que el proceso de reconstrucción incluye una cierta

4
Machine Translated by Google

XXII Congreso Mundial de la Confederación Internacional de Medición (IMEKO 2018) Publicaciones de IOP

Conferencia de la OIO. Serie: Revista de Física: Conf. Serie 1065 (2018) 212018 doi:10.1088/1742-6596/1065/21/212018

regularización para la que no se puede corregir un error dinámico sistemático conocido [31]. Sin embargo, falta un
método genérico y una guía para la implementación práctica.

8. Conclusiones y perspectivas
El análisis y caracterización de medidas dinámicas es un tema de creciente importancia en metrología e industria.
Existe una gran cantidad de literatura para el modelado matemático de procesos de medición dinámicos, para el
análisis estadístico de series de tiempo, para el diseño de sistemas y filtros inversos así como para la regularización de
problemas inversos mal planteados. El gran desafío para la mejora del campo aún relativamente inmaduro de la
metrología dinámica es unir estos diversos campos y combinarlos con el marco existente para la evaluación de las
incertidumbres de medición.
en metrología. Además, es necesario desarrollar nuevos métodos para el diseño de procesos de reconstrucción
óptimos en presencia de incertidumbres. Esto se puede lograr, por ejemplo, basándose en la teoría de los procesos
estocásticos. Otra área de investigación futura es la optimización de los sistemas de medición para mejorar sus
características dinámicas. Esto puede basarse, por ejemplo, en el modelado del proceso de medición y la calibración
dinámica. Además, habrá que considerar nuevos insumos de otros campos, como el control automático, para mejorar
el diseño y análisis de los procesos de reconstrucción dinámica. Esto incluye enfoques estadísticos del análisis de
series de tiempo y la teoría de procesos estocásticos. Por ejemplo, el procesamiento de señales bayesiano parece ser
un campo prometedor para la metrología dinámica.

Se espera que la importancia del análisis de medición dinámica, en particular con enfoques de análisis simplificados,
crezca rápidamente, en particular debido al campo emergente de la Internet industrial de las cosas (IIoT), Industria 4.0
y Smart-X. Aquí, la medición de cantidades dinámicas es el caso estándar y se requieren métodos automatizados de
análisis de datos confiables que compensen los errores dependientes del tiempo causados por el proceso del sensor.
Por ejemplo, los llamados "sensores inteligentes" podrían, en el futuro, contener un filtrado adaptativo con evaluación
de las incertidumbres de medición que resulte en una "trazabilidad inteligente". Esto mejoraría enormemente la
confiabilidad del análisis de datos y la toma de decisiones automatizada.

Referencias
[1] Eichstädt S, Wilkens V, Dienstfrey A, Hale P, Hughes B y Jarvis C 2016 “Sobre los desafíos en
la evaluación de la incertidumbre para mediciones dependientes del tiempo”, Metrologia 53(4), S125
[2] Cornu A 1887 “Sur la condition de stabilite du motion d'un systeme oscilant soumis a une
enlace sincronizado pendulaire” Cr Acad. ciencia, 104 (22), 1463-1470
[3] Blondel A 1893 “Oscillographes, nouveaux clothingis pour l'etude des oscilations electriques lentes” – Cr
Acad. sci., 116 (10), pág. 502-506
[4] Mendeleev DI 1936 "Sobre métodos de pesaje preciso o metrológico" Documentos sobre metrología, VNIIM
Standart gid 67-164
[5] Krylov AN 1909 "Algunas notas sobre trituradoras e indicadores" Izvestiya S.Peterburgskoi AN,
623-655
[6] Granovskii VA 1984 "Mediciones dinámicas: fundamentos del soporte metrológico"
Energía atomizada, 224
[7] Tikhonov AN y Arsenin V 1979 “Soluciones de problemas mal planteados”. Nauka, 298
[8] Kraus M y Vosini E 1975 “Sistemas de información de medición” Mir 309
[9] Wiener N 1964 “La extrapolación, interpolación y suavizado de series temporales estacionarias”.
MIT Press Ltd
[10] Vasilenko GI 1979 “Teoría de la renovación de señales: de la reducción al dispositivo ideal en física y técnica” Sov.
Radio 272
[11] Ruhm KH 2018 "Medición más observación: una nueva estructura en metrología", J.
Medida, en prensa
[12] Elster C y Link A 2008 “Evaluación de la incertidumbre para mediciones dinámicas modeladas por un sistema
lineal invariante en el tiempo”, Metrologia, 45(4), 464-473

5
Machine Translated by Google

XXII Congreso Mundial de la Confederación Internacional de Medición (IMEKO 2018) Publicaciones de IOP

Conferencia de la OIO. Serie: Revista de Física: Conf. Serie 1065 (2018) 212018 doi:10.1088/1742-6596/1065/21/212018

[13] Hessling JP 2009 “Un método novedoso para evaluar la incertidumbre de medición dinámica utilizando
filtros digitales”, Ciencia y tecnología de medición, 20(5), 055106-12
[14] Streitz V 1985 “El método del estado espacial en la teoría de los sistemas de control lineal discreto” ÿ.
Nauka, 296
[15] Franklin GF, Powell JD, Workman ML 1980 “Control digital de sistemas dinámicos (3d
Edición)”, Addison-Wesley
[16] Eichstädt S, Elster C, Esward TJ y Hessling JP 2010 “Filtros de desconvolución para el análisis
de procesos de medición dinámicos: un tutorial”, Metrologia, 47(5), 522-533
[17] BIPM JCGM 200:2012 “Vocabulario internacional de metrología - Conceptos básicos y generales y términos
asociados (VIM)”. 3ra edición
[18] Hale P, Dienstfrey A, Wang J, Williams DF, Lewandowski A, Keenan DA y Clement TS 2009 "Calibración de
forma de onda rastreable con un análisis de incertidumbre basado en covarianza", IEEE Trans.
instrumento Medida, 58(10), 3554-3568
[19] Matthews C, Pennecchi F, Eichstädt S, Malengo A, Esward TJ, Smith I, Elster C, Knott A,
Arrhèn F y Lakka A 2014 “Modelado matemático para respaldar la calibración dinámica trazable de
sensores de presión”, Metrologia, 51(3), 326-338
[20] Augustin S, Fröhlich T, Mammen H, Irrgang K y Meiselbach U 2012 “Determinación del comportamiento dinámico
de sensores de temperatura de alta velocidad” Ciencia de medición y
Tecnología, 23(7) 074024
[21] Wilkens V y Koch C 2004 “Calibración de amplitud y fase de hidrófonos de hasta 70 MHz usando excitación de
pulso de banda ancha y un hidrófono de referencia óptica”, The Journal of the
Sociedad Acústica de América, 115(6), 2892-12
[22] Ljung L 1999 “Identificación del sistema: teoría para el usuario”, Prentice Hall
[23] von Martens HJ, Elster C, Link A, Täubner A y Bruns T 2006 „Informe final sobre la clave
comparación EUROMET.AUV.V-K1.” Metrología 43(1A) 09002-09002.
[24] Enlace A, Täubner A, Wabinski W, Bruns T y Elster C 2006 “Calibración de acelerómetros: determinación de la
respuesta de amplitud y fase tras la excitación de choque”. Ciencia y tecnología de medición, 17(7)
1888-1894.
[25] Shestakov AL 2013 “Los métodos de la teoría del control automático en la medición dinámica”,
Chelyabinsk, Universidad Estatal de los Urales del Sur, 257
[26] Dierl M, Eckhard T, Frei B, Klammer M, Eichstädt S y Elster C 2016 "Estimación mejorada de los espectros
de reflectancia mediante la utilización de conocimientos previos" Revista de la Sociedad Óptica de
América, 33(7), 1370-1376
[27] Eichstädt S y Wilkens V “GUM2DFT: una herramienta de software para la evaluación de la incertidumbre de
señales transitorias en el dominio de la frecuencia” Meas Sci Technol, 27 (5) 055001.
[28] Eichstädt S 2012 “Análisis de mediciones dinámicas - Evaluación de mediciones dinámicas
Incertidumbre”, tesis doctoral, TU Berlín
[29] Layer E y Gawedzri W 1990 “Principios teóricos para la medición de errores dinámicos”
Medida, 8(1), 45-48
[30] Eichstädt S, Link A y Elster C 2010 “Incertidumbre dinámica para compensación de segundo orden
Sensores, 10(8), 7621-31
[31] Eichstädt S y Wilkens V 2017 "Evaluación de la incertidumbre para la desconvolución regularizada: un estudio
de caso en mediciones de hidrófonos" J Acoust Soc Am, 141 (6) 4155-4167.