Random
SourcesDer RandomNumber-Block generiert pseudozufällige Skalarwerte nach einer gleichmäßigen oder Gaußschen (Normal-)Verteilung. Er wird in der Regelungstechnik, Signalverarbeitung und Robotik zur Nachbildung von Sensormessrauschen, stochastischen Umwelteinflüssen, Windböen und für Monte-Carlo-Toleranzanalysen eingesetzt. Der Block kann bei jedem Simulationslauf neue Zufallswerte aus Systementropie ziehen oder einen festen Initialisierungswert (Seed) für reproduzierbare Regressionstests nutzen.
Mathematisches Modell
Die erzeugte Folge folgt der ausgewählten Wahrscheinlichkeitsverteilung:
Für die Gleichverteilung über dem Intervall , wobei dem Parameter minimum und dem Parameter maximum entspricht:
Der Erwartungswert ist und die Varianz beträgt .
Für die Gauß-Verteilung mit Erwartungswert (mean) und Standardabweichung (stdDev):
Normalverteilte Zufallswerte werden über die Box-Muller-Transformation aus zwei unabhängigen gleichverteilten Variablen berechnet:
Ein- & Ausgänge
| Direction | ID | Label | Typ | Status |
|---|---|---|---|---|
| ← Out | out |
Out | number | Output |
Parameter
| Parameter | Label | Typ | Standardwert | Beschreibung |
|---|---|---|---|---|
distribution |
Distribution | select | uniform |
|
minimum |
Minimum | number | 0 |
|
maximum |
Maximum | number | 1 |
|
mean |
Mean | number | 0 |
|
stdDev |
Std Dev | number | 1 |
|
randomSeed |
New Seed Every Run | boolean | true |
Draw a fresh seed at the start of every run, so each run gives different numbers. Switch off to repeat a run exactly with a fixed seed. |
seed |
Seed | number | 12345 |
Fixed starting point of the sequence: the same seed gives the same numbers every run. |
Anwendungsbeispiele
Beispiel 1: Additives weißes Gauß-Rauschen (AWGN) in Gyroskopsensoren
In inertialen Messeinheiten (IMU/AHRS) weisen Drehratensensoren thermisches Rauschen auf. Durch Setzen von distribution = gaussian, mean = 0.0, stdDev = 0.015 rad/s und randomSeed = false mit seed = 42 wird ein realistisches, reproduzierbares Sensorrauschen in das Nickratensignal eingespeist. Dies ermöglicht das präzise Tuning nachgeschalteter Kalman-Filter (EKF).
Beispiel 2: Stochastische beschränkte Windböen bei Drohnensimulationen
Untersuchung der Positionsregelung eines Quadrocopters unter atmosphärischen Turbulenzen. Mit distribution = uniform, minimum = -3.0 m/s, maximum = 3.0 m/s und randomSeed = true werden stochastische Windgeschwindigkeiten auf die aerodynamische Widerstandskraft aufgeschaltet, um das Störunterdrückungsverhalten des Flugreglers zu überprüfen.
Hinweise & Best Practices
- Deterministische Reproduzierbarkeit: Die Einstellung
randomSeed = falsemit festemseedgarantiert exakt identische Signalverläufe über wiederholte Simulationsläufe und automatisierte Testskripte hinweg. - Verhalten bei Solver-Zwischenschritten: Der Block generiert bei jedem Haupt-Zeitschritt einen neuen Zufallswert. Innerhalb von Zwischenschritten mehrstufiger ODE-Löser (wie RK4 oder TR-BDF2) bleibt der Wert konstant, um die numerische Konvergenz nicht zu stören.
- Skalierung von kontinuierlichem weißem Rauschen: Für kontinuierliches weißes Rauschen mit spektraler Leistungsdichte und Abtastzeit skaliert die diskrete Standardabweichung gemäß .
- Hocheffiziente Rust-Implementierung: Berechnet über Box-Muller-Arithmetik in WebAssembly ohne dynamische Speicherallokation, wodurch vernachlässigbare Rechenlast entsteht.
Verwandte Blöcke
- SignalGenerator: Deterministische periodische Signalformen (Sinus, Rechteck, Dreieck, Sägezahn).
- Constant: Statische konstante Referenzwerte.
- Sum: Additive Überlagerung von Steuersignalen und stochastischem Rauschen.
- Quantizer: Modelliert diskrete Quantisierungsstufen von A/D-Wandlern.