Wyniki wyszukiwania - BazTech

1

Model matematyczny detektora fazoczułego i jego wykorzystanie do kompensacji błędów dynamicznych

Wrzuszczak M., Khoma A., Khoma V.

Przegląd Elektrotechniczny

|

2011

|

R. 87, nr 9a

291-294

PL

W artykule przedstawiono model matematyczny opisujący pracę detektora fazoczułego stosowanego do rozdzielania sygnałów zespolonych na składową rzeczywistą i urojoną (synfazową i kwadraturową) uwzględniający jego błędy dynamiczne. Przedstawiono sposób uproszczenia modelu oraz zaprezentowano algorytm korekcji błędów dynamicznych w wynikach przetwarzania.

EN

The paper presents a mathematical model of operation of switched phase sensitive detector applied to the complex signals decomposition on a phase and quadrature components. There are discussed the method of model reduction and an algorithm of dynamic errors correction based on estimates of residual processing errors related to the bandwidth of signals.

2

Neuronowa korekcja błędów dynamicznych przetwornika II-go rzędu

Roj J.

Pomiary Automatyka Kontrola

|

2010

|

R. 56, nr 11

1315-1317

PL

W artykule przedstawiono wyniki wstępnych badań dotyczących możliwości wykorzystania jednokierunkowych sieci neuronowych do korekcji błędów dynamicznych wprowadzanych przez przetworniki opisane liniowym równaniem różniczkowym II-go rzędu. Oceniono zasadność stosowania tego rodzaju podejścia do zagadnienia korekcji błędów dynamicznych. Wnioski sformułowano w oparciu o wyniki badań symulacyjnych.

EN

Dynamic properties of second order transducers are usually modelled by the linear differential equation (1) which can be converted to the discrete equation of state (6). Recursive solving of this equation for the input quantity (Eqs. 8 and 9) is a dynamic error correction algorithm. This algorithm can be written in the form of equations (10 and 11) which can be solved by simple, feed-forward neural networks of structures shown in Fig.1. Fig. 2 illustrates the use of neural networks for realisation of the dynamic correction recursive algorithm. The possibility of applying neural networks to dynamic error correction was investigated by simulations in the Matlab Neural Toolbox environment. There were taken the following assumptions concerning the transducer model: , , and the discretization period . The network was learned using a 200 - element learning set generated on a basis of relation (14). The network was tested with a 200 000 - element testing set. The test results of both networks showed error - free implementation of (10) and (11) (errors of 10-15 order). At the next stage the learning sets were quantizied with 12 - bit resolution. The influence of the discretization period on the accuracy of correction realisation was also investigated. Fig. 7 presents the results as a dependency of the output results on the discretization period .

3

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

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.