izvestswsuИзвестия Юго-Западного государственного университетаProceedings of the Southwest State University2223-15602686-6757ЮЗГУ10.21869/2223-1560-2020-24-1-159-174izvestswsu-727Research ArticleИнформатика, вычислительная техника и управлениеComputer science, computer engineering and IT managmentПрименение нейронных сетей в задаче количественного анализа состава воздушной средыApplication of Neural Networks in the Problem of Quantitative Analysis of Air CompositionБондарьО. Г.BondarO. G.

Бондарь Олег Григорьевич, кандидат технических наук, доцент, доцент кафедры космического приборостроения и систем связи

ул. 50 лет Октября 94, г. Курск 305040

Oleg G. Bondar, Cand. of Sci. (Engineering), Associate Professor, Department of Space Instrumentation and Communication Systems

50 Let Oktyabrya str. 94, Kursk 305040

b.og@mail.ruБрежневаЕ. О.BrezhnevaE. O.

Брежнева Екатерина Олеговна, кандидат технических наук, доцент, доцент кафедры космического приборостроения и систем связи

ул. 50 лет Октября 94, г. Курск 305040

Ekaterina O. Brezhneva, Cand. of Sci. (Engineering), Associate Professor, Department of Space Instrumentation and Communication Systems

50 Let Oktyabrya str. 94, Kursk 305040

bregnevaeo@mail.ruЧернышовР. Е.ChernyshovR. E.

Чернышов Ростислав Евгеньевич, студент кафедры космического приборостроения и систем связи

ул. 50 лет Октября 94, г. Курск 305040

Rostislav E. Chernyshov, Student, Department of Space Instrumentation and Communication Systems

50 Let Oktyabrya str. 94, Kursk 305040

rostyslav231@gmail.comФГБОУ ВО «Юго-Западный государственный университет»Southwest State University202023062020241159174Copyright © Бондарь О.Г., Брежнева Е.О., Чернышов Р.Е., 20202020Бондарь О.Г., Брежнева Е.О., Чернышов Р.Е.Bondar O.G., Brezhneva E.O., Chernyshov R.E.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://izvestswsu.elpub.ru/jour/article/view/727Цель исследования

Цель исследования: разработка методики генерации обучающих данных с целью обеспечения возможности использования метода искусственных нейронных сетей (ИНС) в газоаналитических системах. Рассматривается проблема повышения точности раздельного определения концентраций газов в многокомпонентных смесях в условиях колебания параметров окружающей среды. Повысить точность определения концентраций целевых газов предлагается за счет применения метода ИНС для совместной обработки сигналов датчиков.

Методы

Методы. Генерация обучающих данных для нейронной сети осуществлялась с помощью численного эксперимента и методов математического моделирования. Для оценки точности обучения было использовано среднеквадратическое отклонение (СКО) и рассчитывалась относительная погрешность. Обучение и исследование ИНС проводилось в среде MATLAB (приложение Neural Networks Toolbox). При разработке математических моделей датчиков газа опирались на теорию электрических цепей, электронную теорию хемосорбции и адсорбционную теорию гетерогенного катализа.

Результаты

Результаты. Описана методика генерации обучающих наборов данных с использованием математических моделей газочувстительных датчиков. Предложенная методика обучения апробирована на конкретной задаче, в частности, разработано решающее устройство на основе ИНС для четырёхкомпонентного газоанализатора. Проведена оценка эффективности применения нейронных сетей для отстройки от взаимной перекрестной чувствительности датчиков.

Заключение

Заключение. Предложена методика генерации обучающих данных с помощью имитационных моделей, позволяющая автоматизировать процесс обучения, исследования, выбора архитектуры и структуры ИНС и их тестирования. Проведена апробация метода. На основании анализа полученных погрешностей, сформулированы выводы об эффективности применения нейронных сетей для уменьшения погрешностей, вызванных перекрестной чувствительностью, при различных соотношениях концентраций основного и мешающего газов.

Purpose of reseach is to develop a method for generating training data to enable the use of artificial neural networks (ANN) method in gas analyzer systems. The problem of increasing the accuracy of separate determination of gas concentrations in multicomponent mixtures under conditions of environmental parameters changes is considered. It is proposed to increase the accuracy of determining target gas concentrations by using the ANN method for joint processing of sensor signals.

Methods

Methods: Training data for the neural network were generated using numerical experiments and mathematical simulation methods. To assess the accuracy of training, the standard deviation (SD) was used and the relative error was calculated. ANN training and research were conducted in the MATLAB environment (the Neural Networks Toolbox application). When developing mathematical models of gas sensors, the theory of electrical circuits, electronic theory of chemisorption and the adsorption theory of heterogeneous catalysis were applied.

Results

Results: A method for generating training data sets using mathematical models of gas sensors is described. The proposed training method has been tested on a specific task, in particular, a decision-making device based on ANN for a four-component gas analyzer has been developed. The efficiency of using neural networks for tuning out from the mutual cross-sensitivity of sensors was evaluated.

Conclusion

Conclusion: A method for generating training data using simulation models is proposed, which allows automazing the process of training, research, choosing the architecture and structure of ANN and their testing. The method was tested. Based on the analysis of the obtained errors, conclusions are made about the efficiency of using neural networks to reduce errors caused by cross sensitivity at different concentrations of the main and interfering gases.

газочувствительные датчикиискусственные нейронные сетиобучение имитационные моделиобработка информацииконцентрация газапогрешности измеренияgas sensorsartificial neural networksnetwork learningsimulation modelsinformation processinggas concentrationmeasurement errorsThe research was carried out with the support of RFBR grant 19-08-00440.ReferencesMetal Oxide Semi-Conductor Gas Sensors in Environmental Monitoring / F. George., L. M. Cavanagh, A. Afonja, R. Binions // Sensors. 2010. Р. 5469-5502George F., Cavanagh L. M., Afonja A., Binions R. Metal Oxide Semi-Conductor Gas Sensors in Environmental Monitoring. Sensors, 2010, pp. 5469-5502.Measure of carbon dioxide using a gas sensor of a semiconductor type based on tin dioxide (SnO2) / H. Abderrahim, M. Berrebia, A. Hamou, H. Kherief, Y. Zanoun, K. Zenata // J. Mater. Environ. Sci. 2011. 2 (2). Р. 94-103Abderrahim H., Berrebia M., Hamou A., Kherief H., Zanoun Y., Zenata K. Measure of carbon dioxide using a gas sensor of a semiconductor type based on tin dioxide (SnO2 ). J. Mater. Environ. Sci., 2011, 2 (2), pp. 94-103.Белышева Т.В., Боговцева Л.П., Гутман Э.Е. Применение металлооксидных полупроводниковых гетеросистем для газового анализа // International Scientific Journal: for Alternative Energyand Ecology. 2004. №2. С.67-66.Belysheva T.V., Bogovtseva L.P., Gutman E.E. Primenenie metallooksidnykh poluprovodnikovykh geterosistem dlya gazovogo analiza [The use of metal oxide semiconductor heterosystems for gas analysis]. International Scientific Journal: for Alternative Energyand Ecology, 2004, no. 2, pp.67-66 (In Russ.).Дрейзин В. Э., Брежнева Е. О., Бондарь О. Г. Устройство обработки сигналов многокомпонентного газо- анализатора // Приборы и Системы. Управление, контроль, диагностика. 2011. № 12. С. 43-48 .Dreizin V., Brezhneva E. O., Bondar O. G. Ustroistvo obrabotki signalov mnogokomponentnogo gazo- analizatora [The signal processing device of a multicomponent gas analyzer]. Pribory i Sistemy. Upravlenie, kontrol', diagnostika = Devices and Systems. Management, control, diagnostics, 2011, no. 12, pp. 43-48 (In Russ.).Брежнева Е.О., Бондарь О.Г. Газоанализатор монооксида углерода и водорода // Известия Юго-Западного государственного университета. 2012. № 2-3. С. 67-70.Brezhnev E.O., Bondar O.G. Gazoanalizator monooksida ugleroda i vodoroda [Gas analyzer of carbon monoxide and hydrogen]. Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta = Proceedings of the Southwest State University, 2012, no. 2-3, pp. 67-70 (In Russ.).Томакова Р.А., Филист С.А., Яа З.До. Универсальные сетевые модели для задач классификации биомедицинских данных // Известия Юго-Западного государственного университета. 2012. № 4-2 (43). С. 44-50.Tomakova R.A., Filist S.A., Yaa Z. Do. Universal'nye setevye modeli dlya zadach klassifikatsii biomeditsinskikh dannykh [Universal Network Models for Classification of Biomedical Data]. Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta = Proceedings of the Southwest State University, 2012, no. 4-2 (43), pp. 44-50 (In Russ.).Дашковский А.А., Примиский В.Ф. Математическое моделирование многокомпонентных газоаналитических измерений и анализ погрешностей // ВосточноЕвропейский журнал передовых технологий. 2005. № 6/2 (18). С. 108-111.Dashkovsky A.A., Primsky V.F. Matematicheskoe modelirovanie mnogokomponentnykh gazoanaliticheskikh izmerenii i analiz pogreshnostei [Mathematical modeling of multicomponent gas analytical measurements and error analysis]. Vostochno-Evropeiskii zhurnal peredovykh tekhnologii = East European Journal of Advanced Technology, 2005, no. 6/2 (18), pp. 108-111 (In Russ.).Дрейзин В. Э., Брежнева Е. О. Моделирование газочувствительных датчиков // Информационно-измерительные диагностические и управляющие системы. Диагностика-2011: материалы 2-ой Международной науч.-техн. конф. Курск, 2011. С. 53-59.Dreizin V.E., Brezhnev E. O. [Modeling of gas-sensitive sensors]. Materialy 2-oi Mezhdunarodnoi nauch.-tekhn. konf. "Informatsionno-izmeritel'nye diagnosticheskie i upravlyayushchie sistemy. Diagnostika-2011" [Materials of the 2nd International scientific and technical. conf. "Information-measuring diagnostic and control systems. Diagnostics-2011"]. Kursk, 2011, pp. 53-59 (In Russ.).Bondar O. G., Brezhneva E. O., Pozdnyakov V. V. Methods and Algorithms for Control of a Thermocatalytic Hydrogen Sensor // Measurement Techniques. August, 2018. Vol.61. N 5. P.514-519.Bondar O. G., Brezhneva E. O., Pozdnyakov V. V. Methods and Algorithms for Control of a Thermocatalytic Hydrogen Sensor. Measurement Techniques, August, 2018, vol.61, no. 5, pp.514-519.Electro-thermal modeling of a microbridge gas sensor / R. P. Manginell, J. H. Smith, A. J. Ricco, R. C. Hughes, D. J. Moreno // Sandia National Laboratories, Albuguergue, NM87185-1080. 1997. Р. 360-371Manginell R. P., Smith J. H., Ricco A. J., Hughes R. C., Moreno D. J. P. Moreno Electro-thermal modeling of a microbridge gas sensor. Sandia National Laboratories, Albuguergue, NM87185-1080, 1997, pp. 360-371.Дрейзин В. Э., Брежнева Е.О., Бондарь О. Г. Моделирование каталитического датчика водорода // Известия Юго-Западного государственного университета. 2011. № 5(38). Ч. 1. С. 69-76.Dreizin V. E., Brezhnev E.O., Bondar O. G. Modelirovanie kataliticheskogo datchika vodoroda [Modeling a catalytic hydrogen sensor]. Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta = Proceedings of the Southwest State University, 2011, no. 5 (38), pt.1, pp. 69-76 (In Russ.).Драздейл Д. Введение в динамику пожаров. М.: Стройиздат, 1990. 424 с.Drazdale D. Vvedenie v dinamiku pozharov [Introduction to Fire Dynamics]. Moscow, Stroyizdat Publ., 1990, 424 p. (In Russ.).Щеглов П.П., Шароварников А.Ф. Токсичные продукты термического разложения и горения полимерных материалов при пожаре. М.: ВИПТШ МВД России, 1992. 80 с.Scheglov P.P., Sharovarnikov A.F. Toksichnye produkty termicheskogo razlozheniya i goreniya polimernykh materialov pri pozhare [Toxic products of thermal decomposition and combustion of polymeric materials in case of fire]. Moscow, 1992, 80 p. (In Russ.).Кошмаров Ю. А. Прогнозирование опасных факторов пожара в помещении. М.: Академия ГПС МВД России, 2000. 118 с.Koshmarov Yu. A. Prognozirovanie opasnykh faktorov pozhara v pomeshchenii [Prediction of hazardous factors of fire in the room]. Moscow, 2000, 118 p. (In Russ.).Дрейзин В. Э., Брежнева Е. О. Сравнительный анализ характеристик промышленных газочувствительных датчиков // Датчики и системы. 2011. № 3. С. 68-78.16. Сазонов С.Ю., Титенко Е.А., Ханис Н.А. Подход к прогнозированию возникновения пожароопасной ситуации в дата-центре на основе нейронных сетей // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение, 2015. № 4 (17). С. 8-14.Dreizin V.E., Brezhneva E.O. Sravnitel'nyi analiz kharakteristik promysh-lennykh gazochuvstvitel'nykh datchikov [Comparative analysis of the characteristics of industrial gas-sensitive sensors]. Datchiki i sistemy = Sensors and systems, 2011, no 3, pp. 68-78 (In Russ.).Swingler K. Applying neural networks: A practical guide. London: Academic Press, 1996. 345 р.Sazonov S.Yu., Titenko E.A., Hanis N.A. Podkhod k prognozirovaniyu vozniknoveniya pozharoopasnoi situatsii v data-tsentre na osnove neironnykh setei [Approach to prediction of fire management in the data center based on neural networks]. Izvestiya YugoZapadnogo gosudarstvennogo universiteta. Seriya: Upravlenie, vychislitel'naya tekhnika, informatika. Meditsinskoe priborostroenie = Proceedings of the Southwest State University. Series: Control, Computing Engineering, Information Science. Medical Instruments Engineering, 2015, no. 4 (17), pp. 8-14 (In Russ.).Foresee F.D., Hagan M.T. Gaus-Newton approximation to Bayesian regularization. // Proceedings of the 1997 International Joint Conference on Neural Networks. 1997. Р. 1930-1935.Swingler K. Applying neural networks: A practical guide. London, Academic Press, 1996, 345 р.Дрейзин В.Э., Гримов А.А. Измерительный блок для нейтронного спектрометра реального времени с вычислительным восстановлением энергетических спектров с помощью нейронных сетей // Известия Юго-Западного государственного университета. 2012. № 2-3. С. 223-228.Foresee F.D., Hagan M.T. Gaus-Newton approximation to Bayesian regularization. Proceedings of the International Joint Conference on Neural Networks, 1997, pp. 1930-1935.Применение глубоких нейронных сетей в задаче получения карты глубины из двумерного изображения / Д.И. Михальченко, А.Г. Ивин, О.Ю. Сивченко, Е.А. Аксаментов // Известия Юго-Западного государственного университета. 2019; 23(3): 113-134. https://doi.org/10.21869/2223-1560-2019-23-3-113-134.Dreyzin V. E., Grimov A. A. Izmeritel'nyi blok dlya neitronnogo spektrometra real'nogo vremeni s vychislitel'nym vosstanovleniem energeticheskikh spektrov s pomoshch'yu neironnykh setei [A Measuring unit for a real-time neutron spectrometer with computational reconstruction of energy spectra using neural networks]. Izvestiya YugoZapadnogo gosudarstvennogo universiteta = Proceedings of the Southwest State University, 2012, no. 2-3, pp. 223-228 (In Russ.).Mikhalchenko D.I., Ivin A.G., Sivchenko O.Yu., Aksamentov Е.А. [Application of Deep Neural Networks in the Problem of Obtaining Depth Maps from Two-Dimensional Images]. Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta = Proceedings of the Southwest State University. 2019, 23(3): 113-134 (In Russ.). https://doi.org/10.21869/2223-1560-2019-23-3-113-134.Mikhalchenko D.I., Ivin A.G., Sivchenko O.Yu., Aksamentov Е.А. [Application of Deep Neural Networks in the Problem of Obtaining Depth Maps from Two-Dimensional Images]. Izvestiya Yugo-Zapadnogo gosudarstvennogo universiteta = Proceedings of the Southwest State University. 2019, 23(3): 113-134 (In Russ.). https://doi.org/10.21869/2223-1560-2019-23-3-113-134.

The authors declare that there are no conflicts of interest present.