Analytical and neural correctors of temperature sensors dynamic errors

• Autorzy: Jackowska-Strumiłło L.

Warianty tytułu

PL

Analityczne i neuronowe korektory błędów dynamicznych czujników temperatury

• Języki publikacji: EN

Abstrakty

EN

The paper presents comparison of analytical and neural correctors of temperature sensors dynamic errors. Classical serial correction method using convolution equation is described and also ARX {AutoRegressive with eXogenous variables) model of the corrector is developed. A new correction method by means of Artificial Neural Networks (ANNs), in which an inverse dynamic model of the sensor is implemented by a neural corrector is proposed. Feedforward multilayer ANNs and a moving window method are applied. The described correction techniques are evaluated experimentally for two platinum resistance temperature detectors in sheath, immersed in water. In these working conditions, i.e. for which sensor's dynamic properties can be approximated by linear model the best corrector's performances and the shortest correction time t0,05 are achieved for the ARX corrector with digital moving average filter after the corrector. The results for the neural correctors are only slightly worse, but comparable. However, for the systems without filtering the best corrector's performances are achieved for the neural correctors. Obtained results indicate that the ANN-based method is less sensitive to noise interferences.

PL

W pracy przedstawiono porównanie analitycznych i neuronowych korektorów błędów dynamicznych czujników temperatury. Opisano klasyczną metodę korekcji szeregowej wykorzystującą równanie splotu oraz przedstawiono model ARX {AutoRegressive with eXogenous variables) korektora. Zaproponowano nową metodę korekcji z zastosowaniem sztucznych sieci neuronowych (SSN), w której model odwrotny czujnika realizowany jest przez SSN. Zastosowano sieci jednokierunkowe typu perceptron wielowarstwowy (MLP) i metodę ruchomego okna czasowego. Opisane metody korekcji zbadano doświadczalnie dla dwóch rezystancyjnych platynowych czujników temperatury w osłonie umieszczonych w wodzie. W takich warunkach pracy, w których właściwości dynamiczne czujnika można aproksymować modelem liniowym, najlepszą jakość korekcji i najkrótszy czas korekcji t0,05 uzyskano dla korektora ARX z cyfrowym filtrem uśredniającym sygnału wyjściowego z korektora. Wyniki dla korektora neuronowego są tylko nieznacznie gorsze, ale porównywalnej jakości. Jednakże dla systemu bez filtrowania sygnałów najlepszą jakość korekcji uzyskano dla korektora neuronowego. Uzyskane wyniki wskazują na to, iż metoda korekcji z zastosowaniem SSN jest mniej czuła na zakłócenia.

Słowa kluczowe

EN

temperature sensors; dynamic errors correction; artificial neural networks

PL

czujniki temperatury; korekcja błędów dynamicznych; sztuczne sieci neuronowe

• Wydawca: Wydawnictwa AGH
• Czasopismo: Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie
• Rocznik: 2010
• Tom: T. 14, z. 3/2
• Strony: 773--783
• Opis fizyczny: Bibliogr. 11 poz., rys., wykr., tab.

Twórcy

autor

Jackowska-Strumiłło L.

• Computer Engineering Department, Technical University of Lodz, Poland

Bibliografia

• [1] Haykin S., Neural networks: a comprehensive foundation, 2nd ed. Prentice Hall, USA, 1999.
• [2] Jackowska-Strumillo L., Sankowski D., McGhee J., Henderson LA., Modelling and MBS experi-mentation for temperaturę sensors. Measurement, vol. 20, No. 1, 1997, 49-60.
• [3] Jackowska-Strumiłło L., Computerised system for RTD dynamics identification. Int. IMEK.O Seminar on Low Temperaturę Thermometry and Dynamic Temperaturę Measurement. Wrocław, Poland, 1997, D(25-30).
• [4] Jackowska-Strumiłło L., Correction of non-linear dynamic properties of temperaturę sensors by the use of ANN. In: Neural Networks and Soft Computing (Eds. Rutkowski L., Kacprzyk J.), Physica-Verlag, Heidelberg, 2003, 837-842.
• [5] Jackowska-Strumiłło L., ANN based modelling and correction in dynamic temperaturę measu-rements. In: Artificial Intelligence and Soft Computing - 1CAISC 2004, (Eds. Rutkowski L., Siekman J., Tadeusiewicz R., Zadeh L.), Springer-Verlag, Berlin Heidelberg, 2004, 1124-1129.
• [6] Kerlin T.W., Hashemian H.M., Petersen K.M., Response characteristies of temperaturę sensors installed in processes. In: G. Striker, K. Havrilla, J. Solt, T. Kemeny (Eds.), Technological and Methodological Advances in Measurement. ACTA IMEKO 1982, North-Holland Publ. Comp., vol. III, 1982,95-103.
• [7] Korbicz J., Obuchowicz A., Uciński D., Sztuczne sieci neuronowe, podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1994.
• [8] McGhee J., Henderson I.A., Jackowska-Strumillo L., Temperature sensor identification with Multifrequency Binary Seąuences. In: K.R. Godfrey (Ed), Perturbations signals for system identification. Prentice Hali Int., UK, Ch. 9, 1993, 277-297.
• [9] Michalski L., Eckersdorf K., Kucharski J., Termometria przyrządy i metody. Politechnika Łódzka, Łódź, 1998.
• [10] Narenda K.S., Parthasarathy K., Identification and control of dynamical systems using neural networks. IEEE Transactions on Neural Networks, vol. 1, No. 1, 1990, 4-27.
• [11] Sydenham P., Handbook of Measurement Science. John Wiley &Sons Ltd., 1982.