Бондарь Олег Григорьевич, кандидат технических наук, доцент кафедры Космического приборостроения и систем связи
ул. 50 лет Октября, д. 94, г. Курск 305040, Российская Федерация
Oleg G. Bondar, Cand. of Sci. (Engineering), Associate Professor, Department of Space
50 Let Oktyabrya str. 94, Kursk 305040, Russian Federation
Брежнева Екатерина Олеговна, кандидат технических наук, доцент кафедры Космического приборостроения и систем связи
ул. 50 лет Октября, д. 94, г. Курск 305040, Российская Федерация
Ekaterina O. Brezhneva, Cand. of Sci. (Engineering), Associate Professor, Department of Space
50 Let Oktyabrya str. 94, Kursk 305040, Russian Federation
Ботиков Константин Алексеевич, студент кафедры Космического приборостроения и систем связи
ул. 50 лет Октября, д. 94, г. Курск 305040, Российская Федерация
Konstantin A. Botikov, Student, Department of Space Instrument Engineering and Communication Systems
50 Let Oktyabrya str. 94, Kursk 305040, Russian Federation
Поляков Николай Владимирович, студент кафедры Космического приборостроения и систем связи
ул. 50 лет Октября, д. 94, г. Курск 305040, Российская Федерация
Nikolay V. Polyakov, Student, Department of Space Instrument Engineering and Communication Systems
50 Let Oktyabrya str. 94, Kursk 305040, Russian Federation
Цель работы. Снижение дополнительных погрешностей измерения концентраций газов в газоаналитических системах (ГС), вызванных чувствительностью полупроводниковых сенсоров к нецелевым компонентам газовых смесей, температуре и влажности окружающей среды. Разработать и апробировать двухмодульный нейросетевой способ обработки информации в ГС, позволяющий автоматизировать процессы генерации обучающих данных и поиска оптимальной структуры искусственных нейронных сетей (ИНС), снизить погрешности воспроизведения характеристик сенсоров, за счет замены их математических моделей нейросетевыми.Методы: теория искусственных нейронных сетей, численные методы, методы имитационного моделирования. Для оценки эффективности предложенного решения рассчитывались относительная погрешность (d), среднеквадратическое отклонение (СКО), осуществлялось сравнение с аналогами.Результаты. Исследован двухмодульный нейросетевой способ обработки информации в ГС. Методом численного моделирования проведены экспериментальные исследования по выбору оптимальных структур ИНС, объема и состава обучающих данных. В ходе экспериментальных исследований рассчитаны погрешности генерации обучающих данных с помощью ИНС (менее 5%) и определения концентраций детектируемых газов в условиях колебания параметров воздушной среды и состава газовой смеси (менее 4%).Заключение. Предложен двухмодульный нейросетевой способ обработки информации, отличающийся применением двух последовательных модулей многослойных нейронных сетей для генерации обучающих данных и обработки информации, поступающей от сенсорного блока ГС. Применение вспомогательного модуля позволяет сжать исходные данные, унифицировать и автоматизировать процесс их генерации, а также повысить точность воспроизведения многопараметрических функций преобразования сенсоров, в сравнении с альтернативными способами. Представлены результаты экспериментальных исследований эффективности применения способа обработки информации для снижения дополнительных погрешностей количественного определения состава воздушной среды в условиях колебания параметров.
Purpose of research: reduction of additional errors in measuring gas concentrations in gas analytical systems (GS) caused by the sensitivity of semiconductor sensors to non-target components of gas mixtures, ambient temperature and humidity. To develop and test a two-module neural network method for processing information in a GS, which allows automating the processes of generating training data and searching for the optimal structure of artificial neural networks (ANNs), reducing errors in reproducing the characteristics of sensors by replacing their mathematical models with neural networks.Methods. Theory of artificial neural networks, numerical methods, simulation methods. To evaluate the effectiveness of the proposed solution, the relative error (d), standard deviation (RMS) were calculated, and comparison with analogues was carried out.Results: a two-module neural network method for processing information in a GS has been studied. Numerical modeling was used to carry out experimental studies on the choice of optimal ANN structures, the volume and composition of training data. In the course of experimental studies, the errors of generating training data using ANN (less than 5%) and determining the concentrations of detected gases under conditions of fluctuations in the parameters of the air environment and the composition of the gas mixture (less than 4%) were calculated.Conclusion. A two-module neural network method for information processing is proposed, which is distinguished by the use of two successive modules of multilayer neural networks for generating training data and processing information coming from the GS sensor unit. The use of an auxiliary module makes it possible to compress the initial data, unify and automate the process of their generation, as well as improve the accuracy of reproduction of multiparameter sensor conversion functions, in comparison with alternative methods. Results of experimental studies of the effectiveness of using the information processing method to reduce additional errors in the quantitative determination of the composition of the air environment under conditions of parameter fluctuations are presented.
The authors declare that there are no conflicts of interest present.