Бондарь Олег Григорьевич, кандидат технических наук, доцент кафедры Космического приборостроения и систем связи
ул. 50 лет Октября 94, г. Курск 305040
Oleg G. Bondar, Cand. of Sci. (Engineering), Associate Professor, Space Instrumentation and Communication Systems Department
50 Let Oktyabrya str. 94, Kursk 305040
Брежнева Екатерина Олеговна, кандидат технических наук, доцент кафедры Космического приборостроения и систем связи
ул. 50 лет Октября 94, г. Курск 305040
Ekaterina O. Brezhneva, Cand. of Sci. (Engineering), Associate Professor, Space Instrumentation and Communication Systems Department
50 Let Oktyabrya str. 94, Kursk 305040
Андреев Кирилл Геннадьевич, студент кафедры Космического приборостроения и систем связи
ул. 50 лет Октября 94, г. Курск 305040
Kirill G. Andreev, Student, Space Instrumentation and Communication Systems Department
50 Let Oktyabrya str. 94, Kursk 305040
Поляков Николай Владимирович, студент кафедры Космического приборостроения и систем связи
ул. 50 лет Октября 94, г. Курск 305040
Nikolay V. Polyakov, Student, Space Instrumentation and Communication Systems Department
50 Let Oktyabrya str. 94, Kursk 305040
Цель исследования. Разработка нейронной модели полупроводникового датчика газа с целью генерации данных для обучения устройства обработки информации газоанализаторов на основе искусственных нейронных сетей (ИНС). Поиск и оптимизация состава и объема обчищающих данных. Нейронная модель датчика должна учитывать влияние на сигнал тех факторов, колебания которых вносят максимальный вклад в погрешности измерений. Апробация модели на полупроводниковых датчиках угарного газа и водорода.Методы. Методы компьютерного моделирования, численные методы, теория нейронных сетей. Для сопоставления результатов моделирования и откликов реальных датчиков определялись относительная погрешность и среднеквадратическое отклонение.Результаты. Проведены исследования различных структур нейронной модели полупроводникового датчика, осуществлен выбор структуры многослойной нейронной сети прямого распространения для двух полупроводниковых датчиков угарного газа и водорода, произведена оценка погрешностей моделирования, даны рекомендации по выбору оптимальной структуры и объему обучающих данных.Заключение. Получены нейронные модели полупроводниковых датчиков угарного газа и водорода, сделаны выводы о возможности применения данной структуры ИНС при решении типовых задач. На основании анализа полученных погрешностей показана эффективность применения нейронных моделей датчиков для генерации обучающих данных. Максимальная относительная погрешность моделирования полупроводникового датчика монооксида углерода TGS2442 не превысила 5% по основной характеристике и 2% по дополнительным. Максимальная относительная погрешность моделирования полупроводникового датчика водорода TGS2442 не превысила 3% по основной характеристике и 1% по дополнительным.
Purpose of research: Development of a neural model of a semiconductor gas sensor in order to generate data for training an information-processing device of gas analyzers based on artificial neural networks (ANN). Search and optimization of cleaning data composition and volume. The neural model of the sensor should take into account the influence of those factors on the signal, the fluctuations of which make the maximum contribution to the measurement errors. Testing of the model based on semiconductor carbon monoxide and hydrogen sensors.Methods. Methods of computer modeling, numerical methods, theory of neural networks. To compare the simulation results and the responses of real sensors, the relative error and standard deviation were determined.Results. Studies of various structures of the neural model of a semiconductor sensor have been carried out, the structure of a multilayer neural network of direct propagation for two semiconductor carbon monoxide and hydrogen sensors has been selected, modeling errors have been estimated, recommendations have been given for choosing the optimal structure and the amount of training data.Conclusion. Neural models of semiconductor carbon monoxide and hydrogen sensors have been obtained, conclusions have been drawn about the possibility of using this ANN structure in solving typical problems. Based on the analysis of the errors obtained, the effectiveness of using neural models of sensors to generate training data has been shown. The maximum relative error of modeling the TGS2442 semiconductor carbon monoxide sensor did not exceed 5% for the main characteristic and 2% for additional ones. The maximum relative error of modeling of the TGS2442 semiconductor hydrogen sensor did not exceed 3% for the main characteristic and 1% for additional ones.
The authors declare that there are no conflicts of interest present.