Using neural networks for error suppression in nonlinear systems with hysteresis

• Autorzy: Vojtko J.

Warianty tytułu

PL

Zastosowanie sieci neuronowych do eliminacji błędów w nieliniowych systemach z histerezą

• Języki publikacji: EN

Abstrakty

EN

Some shortcomings of nonlinear systems with hysteresis are relatively big errors, e.g. linearity error, hysteresis error, etc. The paper deals with possible improvements in the methods of error suppression by using neural networks. Another aim of the paper is evaluation of measurement uncertainty. It reviews the procedures currently applied for measurement uncertainty calculation according to ISO Guide.

PL

Niektórymi z wad nieliniowych systemów z histerezą są stosunkowo duże błędy, np. błąd liniowości, błąd histerezy, itp. Artykuł opisuje możliwe ulepszenia metod eliminacji błędów przy zastosowaniu sieci neuronowych. Innym z celów pracy jest oszacowanie niepewności pomiaru. Artykuł dokonuje przeglądu stosowanych obecnie procedur przy obliczeniach niepewności pomiaru zgodnie z Przewodnikiem ISO.

Słowa kluczowe

EN

mesurement; sensor errors; error suppression; uncertainty; neural network

PL

pomiary; błędy czujnika pomiarowego; eliminacja błędów; niepewność; sieć neuronowa

• Wydawca: Komitet Metrologii i Aparatury Naukowej PAN
• Czasopismo: Metrology and Measurement Systems
• Rocznik: 2006
• Tom: Vol. 13, nr 1
• Strony: 79--91
• Opis fizyczny: Bibliogr. 12 poz., rys., tab., wykr.

Twórcy

autor

Vojtko J.

• Technical University of Kosice, Faculty of Electrical Engineering and Informatics, Department of Theory of Electrical Engineering and Measurement, 042 00, Slovak Republic,

Bibliografia

• 1. Arpaia P., Daponte P., Grimaldi D., Michaeli L.: ANN-Based Error Reduction for Experimentally Modeled Sensors. IEEE Trans. on Instrumentation and Measurement, vol. 51, no. 1, 2002, pp. 23-30.
• 2. Guide to the Expression of Uncertainty in Measurement. BIPM - IEC - ISO - OIML, 1995.
• 3. IEC 60770, Transmitters for Use in Industrial-process Control Systems - Part 1: Methods for Performance Evaluation, 1999-02, Part 2: Methods for Inspection and Routine Testing, 2003-01.
• 4. IEC 61298-2, Process Measurement and Control Devices - General Methods and Procedures for Evaluating Performance - Part 2: Tests under Reference Conditions, 1995-07.
• 5. Jiles D.C., Atherton D.L.: Theory of Ferromagnetic Hysteresis. Journal on Magnetism and Magnetic Materials, vol. 61, 1986, pp. 48-60.
• 6. Kollár M.: Uncertainty in the System for Measurement of the Capacitances Using Flip-Flop Sensor. ElectronicsLetters, vol. 4, 2003, www.electronicsletters.com, ISSN 1213-161X.
• 7. Kováč D.: Feeding and Evaluating Circuits for an Elastomagnetic Sensor. Journal of Electrical Engineering, vol. 50, no. 7-8, 1999, pp. 255-256.
• 8. Kuczmann M., Ivanyi A.: A New Neural-network-based Scalar Hysteresis Model. IEEE Transactions on Magnetics, vol. 38, 2002, pp. 857-860.
• 9. Kvasnica B., Fabo P.: Highly Precise Noncontact Instrumentation for Magnetic Measurement of Mechanical Stress in Low-Carbon Steel Wires. Measurement Science and Technology, vol. 7, 1996, pp. 763-767.
• 10. Mojžiš M., et al.: Substitute Model and Power Parameters of Elastomagnetic Force Sensor. Journal of Electrical Engineering, vol. 52, no. 11-12, 2001, pp. 379-382.
• 11. Panda G., Das D. P., Mishra S. K., Panda S. K., Meher S., Mahapatra K. K.: Development of an Efficient Intelligent Pressure Sensor Using RBF Based ANN Technique. International Conference on Intelligent Signal Processing and Robotics, India, Feb 20-23, 2004.
• 12. Vojtko J., Kováčová I., Madarász L., Kováč D.: Neural Network for Error Correction of Pressure Force Sensor Based on Elastomagnetic Phenomena. Proceedings ICCC'2004: 2nd IEEE International Conference on Computational Cybernetics, Vienna University of Technology, Austria, 2004, pp. 143-146. ISBN 3- 902463-02-3.