Design of a neural networks linearization for temperature measurement system based on different thermocouples sensors types

يصف هذا البحث طريقة تجريبية لتقدير اللاخطية، التعيير و الفحص لأنواع مختلفة من المزدوج الحراري نوع (K & J) باستخدام شبكة عصبية اصطناعية تم تعديلها بنموذج شبكة أيلمن العصبية باستخدام خوارزمية الانتشار العكسي للتعليم. طبيعة تصرف المزدوجات الحرارية هي اللاخطية و لكن المطلوب أن يكون الإخراج خطي. و لك...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:Engineering and Technology Journal 2009-06, Vol.27 (8), p.1622-1639
1. Verfasser: al-Araji, Ahmad Sabah Abd al-Amir
Format: Artikel
Sprache:eng
Schlagworte:
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Beschreibung
Zusammenfassung:يصف هذا البحث طريقة تجريبية لتقدير اللاخطية، التعيير و الفحص لأنواع مختلفة من المزدوج الحراري نوع (K & J) باستخدام شبكة عصبية اصطناعية تم تعديلها بنموذج شبكة أيلمن العصبية باستخدام خوارزمية الانتشار العكسي للتعليم. طبيعة تصرف المزدوجات الحرارية هي اللاخطية و لكن المطلوب أن يكون الإخراج خطي. و لكن التصرف الخطي التقريبي المقبول للمزدوج الحراري دائما يحتوي على مستوى معين للدقة، الضوضاء و خطاء القياس، لهذا السبب تم استخدام تقنية الشبكة العصبية لتقليل هذه المؤثرات. مشكلة تخمين خصائص الإدخال و الإخراج للمتحسس بدأت تزداد معالجتها باستخدام تقنيات البرمجيات مثل استخدام لغة ++Turbo C. الشبكة العصبية و لوح جمع البيانات باستخدام المنفذ المتوازي للحاسبة مع وحدة شرط تكييف الإشارة المصممة، استخدمت في أمثلية البيانات و تجميع البيانات التجريبية على التوالي. و بعد نجاح تعلم الشبكة (النموذج العصبي) على التصرف الخطي، تم حساب درجات الحرارة من خلال فولتية الإخراج للمزدوجات الحرارية. This paper describes an experimental method for the estimation of nonlinearity, calibration and testing of the different types of thermocouples (J and K) using modified Elman recurrent neural networks model based Back-Propagation Algorithms (BPA) learning. Thermocouples sensors are nonlinear in behavior nature but require an output that is linear. The linear behavior approximation is accepted, for a given accuracy level, noise and measurement errors are always present. Therefore, neural networks techniques are frequently required to minimize these effects. The problem of estimating the sensor’s input-output characteristics is being increasingly tackled using software techniques such as Turbo C + + language. A neural networks and a data acquisition parallel port interface board with designed signal conditioning unit are used for data optimization and to collect experimental data, respectively. After the successful training completion of the neural networks, it is then used as a neural linearizer to calculate the temperature from the thermocouple’s output voltage
ISSN:1681-6900
2412-0758
2412-0758
DOI:10.30684/etj.27.8.16