Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: dynamic errors correction

Sortuj według:

Ogranicz wyniki do:

Analytical and neural correctors of temperature sensors dynamic errors

Jackowska-Strumiłło L.

Automatyka / Akademia Górniczo-Hutnicza im. Stanisława Staszica w Krakowie

2010

T. 14, z. 3/2

773-783

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.

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.