مدلسازی پدیده خودگرمایی و مشخصه غیر خطی سنسور NTC

Transcript

1 مجله علم ي-ژپو هش ي رايا ن ش رنم و فن آوري اطالعات جلد 6 شماره 1 بهار سال 1936 شاپا: مدلسازی پدیده خودگرمایی و مشخصه غیر خطی سنسور با استفاده از شبکهه یا عصبی برای اندازه گیری مستقیم دما 3 *1 جمال قاسمی محمد مهدی پور 1- دانشکده فنی و مهندسی دانشگاه مازندران بابلسر ایران. 3- دانشکده فنی و مهندسی موسسه غیرانتفاعی آمل آمل ایران. j.ghasem@umz.ac.r, mmahdpour7@gmal.com تاریخ دریافت: 11 مهر 193۱ تاریخ بازنگری اول: 1 آذر 193۱ تاریخ بازنگری دوم: 3 دی 193۱ تاریخ پذیرش: 3 تیر 193۱ * نشانی نویسنده مسئول: جمال قاسمی بابلسر خیابان شهید بهشتی خیابان دانشگاه پردیس دانشگاه مازندران دانشکده فنی و مهندسی کد پستی: ۱9۱ چکیده- یکی از مهمترین پارامترهای قابل اندازه گیری در سیستم های مهندسی دما است. برای اندازه گیری دما با توجه به میزان دقت مورد نیاز و شرایط فیزیکی سنسورهای مختلفی از جمله hermocouple PC RD و... وجود دارد. یکی از مهمترین این سنسورها است که علی- رغم داشتن مزایای زیاد اما به دلیل غیرخطی بودن کمتر از آن استفاده میشود. پدیده خودگرمایی در ها یکی از مهمترین عواملل بازدارنلده در استفاده از آن در کاربردهای عملی میشود. در این تحقیق ساختاری جدید مبتنی بر استفاده از شبکه های عصبی برای مدلسازی پدیدههای غیرخطی و خودگرمایی در سنسور پیشنهاد شده است. در ساختار پیشنهادی این تحقیق با استفاده از داده های آزمایشگاهی و واقعی شبکههلای عصلبی آموزش و آزمایش میشوند. میانگین مربعات خطای /۱3 و /91 بهترتیب برای شبکه های مدلسازی رفتار غیرخطی سنسور است. واژههای کلیدی: دما سنسور پدیده خودگرمایی مدلسازی شبکهه یا عصبی. MLP و بیانگر موفقیت روش پیشلنهادی در Self-heatng Phenomenon and Nonlnear Characterstc Modelng of Usng Artfcal Neural Network for Drect Measurement of emperature Jamal Ghasem 1*, Mohammad Mahdpour 2 1-Faculty of Engneerng and echnology, Unversty of Mazandaran, Babolsar, Iran. 2- Department of Electrcal Control, Amol Insttute of Hgher Educaton, Amol, Iran j.ghasem@umz.ac.r, mmahdpour7@gmal.com Abstract- In the engneerng systems, one of the most mportant measurable parameters s temperature. For measurement of temperature as for senstvty, accuracy and term of physcal requred, dfferent sensors as RD,, PC, hermo-couple are exst. One of the most mportant sensors s that despte the many benefts, less than t used to be. Nonlnearty characterstc and self-heatng phenomenon n the are the bggest deterrents n practcal applcatons. In ths study, a new structure based on applcaton of artfcal neural network (ANN) has been suggested for modelng of the nonlnear and the self-heatng phenomenons of. Smulaton results based on read generated laboratory data are presented to demonstrate the performance of the proposed structure. Mean square error of.48 and.37 are acheved based on MLP and neural network, respectvely. Keywords- emperature, sensor, Self-heatng, Artfcal Neural Network. Journal of Soft Computng and Informaton echnology (JSCI) Vol. 6, No. 1, Sprng 216, ISSN:

2 مدلسازی پدیده خودگرمایی و مشخصه غیر خطی سنسور با استفاده از شبکه های عصبی... قاسمی و مهدیپور 1- مقدمه در همه علوم اندازه گیری پارامترهای مختلف فیزیکی از جمله بخش های مهم سیستم است. اکثر سیستم های اندازه گیری دارای قسمت های مشابه ای هستند و اختالف اساسی آنها در نوع سنسور بهکلللار رفته و مدارات مربللوط به راه اندازی سنسور خطی سازی سنسور و... است. به طورکلی سنسورها را میتوان به دوگللروه متفاوت تقسیم کرد: 1- سنسورهای خطی که دارای خروجی متناسب با مقدار کمیت اندازه گیری شونده هستند. 3- سنسورهای غیرخطی که خروجی آنها به صورت غیر خطی تابع مقدار کمیت اندازه گیری شونده است. غیرخطی بودن سنسورها یکی از مشکالت اساسی تحلیل سیستم- ها است. در یک نگاه کالن میتوان گفت که عموم سیستمهای طبیعی غیرخللطی هستند. به دللیل رفتارهای غیرخطی برخورد با این سیستمها همواره دشوار است. معموال در مهندسی در صورت امکان سللعی میشود با خطی سازی حول نقطه کار و به قلیمت از دست دادن میلزانی از دقت رفتار سیستمها مدلسازی خطی شده تا تحلیل آنها با سهولت بیشتر و با هزینه کمتری انجام گیرد. برای مثال در مباحث کنترلی با انجام خطی سازی در اکثر مواقع یک کنترلر PID ساده کفایت میکند ]1[. البته موفقیت این رهیافت کامال بستگی به روش خطی سازی و میزان خطای ناشی از آن دارد. در صورتی که روشهای خطی خطای زیادی را ایجاد کند تحلیلهای غیرخطی با استفاده از مدلهای غیرخطی میتواند چاره کار باشد. یکی از مهمترین پارامترهای فیزیکی در سیستم های مهندسی دما است که با توجه به اهمیت و دقت مورد نیلللاز از روشهای مختلفی برای سنجش و انللدازهگیلری آن استفاده میشود. این روشهای مختلف با توجه به وضعیت فیزیکی سیستم دقت مورد نیاز و... میتوانند در انتخاب نوع المان های اندازهگیری لحاظ گردند. بر این اساس چند سنسور متداول در اندازه گیری دما از جمله PC RD و hermocouple اصلی حرارتی شان جهت مقایسه در روابط آورده شده است. تا 1 به همراه روابط ۱ 2 3 ( ) )1( )به ترتیب( با توجه به روابط فوق مشخص است که با توجه به وجود عوامل درجه دوم و یا نمایی هر یک از سنسورها دارای عملکرد غیرخطی با مقادیر متفاوت هستند ]۱-3[. هر یک از سنسورهای فوق الذکر دارای مزایا و معایبی هستند که منجر به کارکرد های ویژه ای شده است. در بین این سنسورها ترمیستور )( بدلیل خصوصیات جالبی که دارد بسیار مورد توجه مهندسین قرار گرفته اسلت. مزایای مهم سنسللللور عبارت است از: 1- حسلاسلیت بلاال حلدود 9 تا ۱ درصلللد که خیلی بیشتر از سنسورهای دیگر است. -3 کوچکی اندازه آن باعث شللده تا به تغییرات دمایی خیلی سریع پاسخ دهد. استحکام مکانیکی 9- باعللث شده تا نسبت به سلللایر سنسورها شوکهای مکانیکی حرارتی و لرزش را بهتر تحمل کند. ۱ -مقاومت اهمی زیاد باعث شده تا در اتصلللال به کابلهای بلند نسبت به سایر سنسورها عملکرد بهتری داشته باشد. ۱ -قیمت بسیار ارزانتری نسبت به سایر سنسورها دارد. 6 -قابلیت تعویض بهتری نسبت به سایر سنسورها دارند چون که با تلرانسهای خیلی نزدیک به هم ساخته میشوند ]۱-9[. با توجه به خصوصیات مذکور به نظر میرسد که باید سهم باالیی از کاربردهای اندازه گیری دما را به خود اختصاص دهد اما بهدلیل دو مشکل اساسی آن یعنی پدیده خودگرمایی قطعه و عمللکرد غیر خطی شدیدی که دارد استفاده از آن هملللواره به مدارت خطی ساز پیچیده و گللران قیمتی نیاز دارد که کللاربرد آن را محدود و بسیار اندک نموده است. در مسائل مهندسی شبلکه عصبی مصنوعللی )ANN( با الهام از نورونهای عصبی مغز انسان ها برای مدلسازی پدیدههای مختلف از روی نمونه های موجود بکار گرفته میشوند. یکی از مهمترین کاربردهای ANN برای تقریب توابع غیر خطی است. شبللکههای عصبی چنلد الیه به عنلوان تقریب زننده های عمومی قابل استفاده اند چندین قضیه ریاضی وجود دارد که میتوان به وسیله آنها ادعای فوق را تضمین کرد که مهمترین آنها قضیههای کولموگلروف اسپلرچر و قضیه هچ-نیلسون است] ۱ [. تاکنون محققین زیادی با پیاده سازی شبکههای عصبی در کامپیوترها بسیاری از مسایل دنیای واقعی را حل نمودهاند ]3-6[. در این بین پژوهشگران زیادی سعی در پیاده سازی سخت افزاری شبکههای عصبی در انواع تراشههای الکترونیکی مانند FPGA R R R A B C R R R e 2 1 r r R R e E a b c 2 )3( )9( )۱( 9

3 مجله علمی-پژوهشی رایانش نرم و فناوری اطالعات (JSCI)... جلد 6 شماره 1 بهار سال 1936 میکروکنترلرها و تراشه های DSP نموده اند ]3-6[. در برخی از منابع از شبکههای عصبی برای کمک به سیستم اندازه گیری و اصالح مشکالت خطی سازی استفاده شده است ]11-1[. هدف این مقاله مدلسازی رفتار غیرخطی به همراه پدیده خودگرمایی با استفاده از شبکههای عصبی مصنوعی برای اندازه گیری مستقیم دما بدون استفاده از اجزای اضافی مانند مدارات مختلف خطی ساز است. عالوه بر آن در این مقاله روشی برای کنترل پدیده خود گرمایی و استفاده از آن برای افزایش حساسیت سیستم ارائه میشود. ساختار این مقاله در ادامه به این صورت است که در بخش دوم ابتدا خصوصیات سنسور روشهای مختلف استخراج اطالعات و پدیده خود گرمایی مورد بررسی قرار میگیرد. سپس شبکههای عصبی مورد استفاده در این تحقیق معرفی میگردد. بخش سوم شامل معرفی روش پیشنهادی و تولید دادههای آزمایشگاهی است. در نهایت مقاله با ارائه نتایج و نتیجه گیری در بخشهای چهار و پنج به اتمام میرسد. 2- ادبیات موضوع با توجه به اینکه در این تحقیق سنسورغیرخطی به همراه پدیده خودگرمایی با استفاده از شبکه عصبی مدلسازی شده است لذا در این بخش ابتدا مورد بررسی قرار گرفته و سپس شبکههای عصبی معرفی میشود ترمیستور )( مقاومت اهمی ترمیستور )( با افزایش دما بصورت لگاریتمی کاهش مییابد که این پدیده به نوبه خود باعث ایجاد حساسیت باال نسبت به دما و در نتیجه ایجاد کاربردهای فراوان برای شده است. این کاربردها به سه گروه عمده تقسیم میشوند: 1- کاربردهای مبتنی بر منحنی تغییرات مقاومت ترمیستور به تغییرات دما ( ) : مثل کنترل حرارت کوره تجهیللزات R / توزیع خیلی داغ اندازه گیری دما و کاربردهای مبتنی بر تغییرات ولتاژ به تغییرات جریان) I/V (: مثل کنترل اتوماتیک سطح اندازه گیری توان در حوزه امللواج رادیویی )RF( جبران حرارتی ترانزیستورها و کاربردهای مبتنی بر منحنی تغییرات جریان به زمان ) I( / : مثل وسایل تاخیر زمانی توالی در سوییچینگ حذف ضللربههای ناگهانی ولتاژ و جریان و... دارای مشخصه های و پارامترهای مهمی است که در ادامه بطور مختصر شرح داده میشود. 1 -دمای مرجع) r (: به دمایی از بدنه ترمیستور گفته میشود که مقاومت نامی دمای صفر آن در این دما )معموال 3۱ درجه سانتیگراد( اندازهگیری می- شود. : ) 2- مقاومت توان صفر) Rr مقدار مقاومت DC یک ترمیستور است که در یک دمای معین و در شرایط توان صفر اندازه گیری میشود. 9 -ضریب مقاومت : برابر با نسبت مقدار مقاومت توان صفر ترمیستور در مقدار مقاومت آن در ۱ -ضریب حرارتی α( ) : 25 C o 125 C o گفته میشود. به برابر نسبت تغییرات مقاومت به تغییرات درجه حرارت ترمیستور است و از رابطه زیر بدست میآید: R 1 r dr d )۱( در رابطه R مقاومت ۱ در دمای محیط است و Rr مقاومت در دمای مرجع r همانطوری است. که از رابطه فوق مشاهللده میشود مقلللدار در α ترمیستورها به شدت به حرارت وابسته بوده لذا در محاسبات ترمیستورها برخالف سایر مقاومت هلللا به جللای ترمیستور یا β استفاده میشود. ۱ -ثابت ترمیستور β( ) : α β به جنس ماده سازنده ترمیستور و شیب منحنی بستگی دارد و از رابطه زیر بدست میآید: از ثابت R /. 2 )6( 6 -ضریب تلفاتی )thσ( : این فاکتور رابطه تغییرات توان تلفاتی حرارت بدنه آن را نشان میدهد. واحد آن رابطه زیر بدست میآید: آن به تغییرات درجه mw / K O )1( در رابطه فوق بوده و از th V. I P a a = 85 C O است. همچنین a دمای محیط و P V. I توان تلفاتی ترمیستور است. در روشهای مرسوم معموال برای تولید داده پدیده خود گرمایی لحاظ نشده و از تقریب های خاصی استفاده میشود. چند روش متعارف در ادامه شرح داده میشود. 1- استفاده از معادله تغییرات مقاومت نسبت به دما: با استفاده از معادله شماره 9 میتوان مقدار مقاومت (R ) β مقدار یعنی را در دمای درجه کلوین بدست آورد. در این روش بایستی ثابت ترمیستور و Rr مقاومت ترمیستور در دمای مرجع r را از روی جداول مشخصه کارخانه سازنده مشخص نمود و سپس 1

4 مدلسازی پدیده خودگرمایی و مشخصه غیر خطی سنسور با استفاده از شبکه های عصبی... قاسمی و مهدیپور به ازای دماهای مختلف با استفاده از رابطه فوق مقاومت بدست آورد. را 3- استفاده از بسط معادله مقاومت حرارتی : در کاربردهای مهندسی با بسط رابطه اصلی فرم جدید زیر را بدست میآورند: B1 B2 B3 LnR )3( B 2 3 چون جمله توان سوم آن بسیار ناچیز است میتوان از آن صرفنظر نمود. بدین ترتیب با داشتن B, B 1,B 2 تکمیل نموده و سپس از طریق نقطه یابی منحنی را ترسیم نمود. میتوان معادله فوق را ترمیستور R / برای محاسبه سه پارامتر فوق یا از طریق بدست آوردن مقدار دقیق مقاومت در سه دمای مختلف در آزمایشگاه و یا استفاده از اطالعات موجود در برگه مشخصات اقدام میشود. با جایگذاری این دادهها در معادله فوق یک دستگاه سه معادله سه مجهولی تشکیللل شده و با حللل آن میتوان ضرایب را بدست آورد. سپس با رسم منحنی و یا بطور مستقیم از طریق رابطه فوق میتوان اطالعات مورد نظر را بدست آورد. هر چند که این روش قابلیت کاربردی بیشتری دارد ولی به علت حذف عوامل با درجه باالتر از از دقت کمتری برخوردار است ]۱-9[. 9- استفاده از جداول و منحنی های : در این روش بدون استفاده از محاسبات و فقط با استفاده از جداول و منحنیهایی که توسط کارخانه سازنده در اختیار کاربران قرار میگیرد میتوان نقاط آزمایشی مورد نظر را بدست آورد. یک نمونه از این منحنی ها در شکل زیر آورده شده است. شکل 1 : منحنی تغییرات مقاومت ]13[ نسبت به حرارت معموال استهالک سنسورها بر اثرگذشت زمان موجب تغییر در مشخصه آنها و در نتیجه کاهش دقت در استفاده از منحنیهای فوق میشود شبکه عصبی مصنوعی )ANN( شبکه های عصبی مصنوعی در واقع مدلهایی از ساختار عصبی مغز انسان است. عنصلر اصلی هردوی آنلها سلولهای عصبی یعنی نورونها )Neuron( هستند. در یک نگاه سللاده مدل یک نورون باید شامل ورودیهایی شبیه سیناپسها باشد. این ورودیها در وزنهایی ضرب میشوند تا قدرت سیگنال را تعیین کنند و نهایتا یک عمللگر ریاضی با انجام عملیلاتی روی ورودیهای وزن دار تصمیم میگیرد که نورون فعلال شود یا خیر و در نهایت متناسب با آن میزان خروجی را مشخص میکند. بدین ترتیب ساده ترین مدل یک نورون به صورت زیر خواهد بود: شکل 2: مدل یک نورون به طورکلی یک شبکه عصبی میتواند پارامترهای خلللود را به گونه ای تغییر دهد که بهترین شبیه سازی را انجام دهد به این فرایند یادگیری میگویند. از نظر تئوری اگر شبکه های عصبی مصنوعی با تعلداد مناسب و کافلی از داده ها آموزش ببیند قلادر به تقریب هر تابع پیچیده ای خواهد شد. شبکه های عصبی بر اساس ساختارشان به دو دسته شبکه های رو به جلو و شبکه های فیدبکی تقسیم بندی میشوند. در بین شبکه- های رو به جلو شبکه های عصبی پرسپترون چند الیه )MLP( و شبکههای عصبی تابع شعاعی )( از پرکاربردترین شبکهها هستند که در این تحقیق نیز مورد استفاده قرار گرفته اند پرسپترون چند الیه )MLP( نوعی شبکه عصبی پیشرو بوده که از روش جداسازی با بیش از یک خط )استفاده از چندین نورون( استفاده میکند. معموال در فرایند یادگیری MLP از قانون یادگیری پس انتشار خطا که مبتنی بر قانون یادگیلللری اصالح خطا )حرکت در جهت خالف گرادیان تابع خطا( است استفاده میشود. در قانون پس انتشار خطا از دو گام اصلی و به روش تکراری برای تنظیم اوزان شبکه استفاده میشود: 11

5 مجله علمی-پژوهشی رایانش نرم و فناوری اطالعات (JSCI)... جلد 6 شماره 1 بهار سال مسیر پیش رو: با ارائه بردار ورودی به شبکه به صورت روبه جلو با توجه به وزنهای موجود و توابع فعللال سلاز خروجی سیستم در هر الیه بدست میآید. 3- مسیر برگشت: )پس انتشار خطا( در این مرحله ابتدا خطا در الیه آخر محاسبه شده و به صورت برگشتی مرحله به مرحله خطای هر الیه محاسبه و اوزان جدید بر مبنای آن بدست میآیند. شکل زیر یک شبکه پرسپترون سه الیه را نشان میدهد. شکل 3: شبکه پرسپترون سه الیه با توجه به شکل خروجی نورون صورت زیر نوشت: ام در الیه آخر را میتوان به O h O f f X W lm W m )3( m l h و O به ترتیب نشان دهنده الیه پنهان و الیه خروجی هستند و W وزن الیه ها را نشان میدهد f های شبکه است. معمولی ترین تابع سیگمویید است که به صورت زیر تعریف میشود: )1( شبکه عصبی تابع شعاعی )( ایده شبکههای عصبی نیز بیانگر تابع فعال ساز نورون- فعال ساز تابع غیرخطی sgm x 1 1 e x استفاده از مجموع وزن دار توابع هستهای )کرنل( برای مدلسازی داده ها است. خروجی یک را میتوان به صورت رابطه زیر نمایش داد: m y W. ( x ) y ( ) )11( 1 x در شبکه برای مدلسازی اطالعات ورودی Ø بصورت توابع شعاعی طوری تعریف میشوند که خروجی آنها به فاصله مرکز x ( x ) f ( r) f ( x ) μ قرار گیرد: )13( با جایگذاری رابطه 13 در رابطه 11 به رابطه اصلی شبکه بصورت زیر میتوان رسید. از یک y m 1 ( x ) )19( شمای کلی یک شبکه در شکل ۱ نمایش داده شده است. همانطور که در شکل ۱ نیز نشان داده شده است شبکه عصبی از نوع پیشرو با یک الیه میانی است که تابع محرک آن در الیه میانی از نوع گوسی و در الیه خروجلی خطلی است. -3 بررسی مشکالت و روش پیشنهادی: در این بخش قبل از بیان ایده و روش پیشنهادی مشکالت مورد بررسی قرار میگیرد. در دو مشکل اساسی غیر خطی بودن و پدیده خودگرمایی از کاربردهای گسترده آن علیرغم مزایای باالیی که دارد جلوگیری میکند شبکه عصبی مصنوعی )ANN( همانطوریکه در بخش های قبلی شرح داده شده است طبق رابطه شماره 9 مقاومت با افزایش دما به صورت نمایی کاهش مییابد که نشان دهنده عملکرد غیرخطی شدید آن است. اصالح این عملکرد غیرخطی نیازمند کاربرد مدارات مختلف سخت افزاری و نرم افزاری است که جدا از افزایش هزینه و حجم مدار به خاطر استفاده از تقریب های مختلف و حذف اثر خودگرمایی از دقت و حساسیت اندازه گیری کاسته میشود. شکل 4: مدل شبکه عصبی 2-3- پدیده خود گرمایی در هر قطعه الکتریکی با عبور جریان از آن به خاطر ایجاد تلفللات گرم میشود که به آن پدیده خودگرمایی میگویند. این پدیده در به خاطر کاهش مقاومت آن به دنبلللال افزایش دمللا موجب افزایش جریان عبوری از ترمیستور و افزایش مجدد تلفات و در نتیجه افزایش مجدد حرارت میگردد. یعنی به صورت یک فیدبک مثبت حرارت بدنه مستقل از دمای محیط شروع به افزایش نموده و باعث ایجاد خطا و کاهش دقت در اندازه گیری و حتی سوختن آن میشود خطای مربوط به فرض حالت توان صفر در تبدیل تغییرات مقاومت به ولتلللاژ و اعملال آن به سیستمهای مختلف نیازمند عبور جریان از است که پی آمد آن پدیده 12

6 مدلسازی پدیده خودگرمایی و مشخصه غیر خطی سنسور با استفاده از شبکه های عصبی... قاسمی و مهدیپور خود گرمایی است با این حال معموال کارخانههای سازنده مشخصات و روابط را در حالت توان صفلر یعنی در شرایطی که جریان عبوری از آنقدر کم است که منجر به تولید پدیده خود گرمایی نمیشود ارائه میکنند. هرچند که این فرض برای RDها به خاطر حساسیت بسیار پایینشان با وجود تشدید پدیده خود گرمایی و کاهش مقاومت آن بر اثر افزایش حرارت با تقریب مناسبی قابل قبول است ولی در ها به خاطر حساسیت چندین برابری که دارند دیگر نمیتواند تقریب مناسبی باشد. هرچند که شرایللط توان صفر اساسا منطقی به نظر نمیرسد چون توان مصرفی هرچند کوچک هم که باشد هرگز صفر نمی- شود پدیده خودگرمایی و افزایش حساسیت سیستم عالوه بر موارد فوق عمال با کاهش بیش از اندازه جریان حساسیت سیستم به شدت افت میکند. به طور کلی عبور جریان ترمیستور تغییرات ولتاژ به ازای تغییرات R بر اثر تغییرات حرارت از V= R. و تلفات P=R. 2 را ایجاد میکند. بدین ترتیب مقدار حساسیت را میتوان به صورت زیر نشان داد: V R. S )1۱( حال اگر بتوان جریان را n برابر نمود حساسیت نیز n برابر می- شود: R. n. S. )1۱( n n S اما مقدار تلفات n 2 برابر شده و پدیده خودگرمایی نیز تقریبا به همین نسبت افزایش مییابد و دیگلر شلرایلط تلوان صفر را نخواهیم داشت. با توجه به مشکالتی که از گفته شده است اهمیت و لزوم مدلسازی پدیده خود گرمایی در این تحقیق به جهت افزایش دقت و حساسیت سیستم مشخص میشود ساختار پیشنهادی روش پیشنهادی این مقاله استفاده از شبکههای عصبی مصنوعی برای مدلسازی سنسور در ذیل آورده شده است: است. بلوک دیاگرام ایده پیشنهادی شکل 5: ساختار کلی با شبکه عصبی همانطوری که در ساختار پیشنهادی نشان داده شده است روش پیشنهادی سه بخش متمایز شامل سنسور منبع جریان و شبکه عصبی دارد. منبع جریان بکارگرفته شده در ساختار پیشنهادی یک منبع جریان آیینه ای بوده که مدار معادل آن در شکل زیر آورده شده است: شکل 6: مدار منبع جریان قابل تنظیم روابط منبع جریان بکار گرفته شده عبارت است از: V I R R CC ref mn max 1 I ref IC 1 IC 2 V 2, V.6 BE V V V V R R I CC BE CC BE 2.6 ma ma K k V ref )16( )11( )13( )13( )3( برای کنترل پدیده خود گرمایی در محدوده /1 تا 1 میلی آمپر برای یک با مقاومت 1 کیلو اهم مطابق روابط فوق حداقل و حداکثر مقاومت R به ترتیب 1/3۱ و 13۱ کیلو اهم بدست می- آید که با استاندارد کردن از یک مقاومت 3 کیلو و یک پتانسیومتر 13 کیلو اهمی استفاده شده است. از همین منبع جریان برای استخراج داده ها نیز استفاده شده است. از جمله نکات عملی در زمان آزمایش این است که بهمنظور کاهش تاثیر دما بر عملکرد منبع جریان باید فاصله مناسب منبع جریان نسبت به رعایت گردد. اساسی ترین بخش ساختار پیشنهادی شبکه عصبی مصنوعی است که وظیفه مدل سازی کل سیستم را برعهده دارد. شبکه عصبی مصنوعی برای عملکرد مناسب به آموزش مناسب نیاز دارد که این نیز به نوبه خود عالوه بر تنظیم مناسب پارامترهای 13

7 مجله علمی-پژوهشی رایانش نرم و فناوری اطالعات (JSCI)... جلد 6 شماره 1 بهار سال 1936 شبکه به داده های مناسب آموزشی بستگی دارد. 4- نتایج شبیه سازی با داده های آزمایشگاهی با استفاده از امکانات آزمایشگاهی در 13۱ نقطه مختلف به ازای جللریان های بایاس مختلف )پدیلده خودگرملایی( و دملاهلای متفاوت جریان و ولتاژ دو سر اندازه گیری و ذخیره گردید. برای درک بیشتر پدیده خودگرمایی منحنی تغییرات مقاومت نسبت به تغییرات جریان حاصل از داده های آزمایشگاهی در شکل زیر نمایش داده شده است. تعیین تعداد نورون های میانی شبیه سازی های مختلفی انجام شده است که نتایج آن در جدول 1 آورده شده است. در این جدول میانگین مربعات خطا )MSE( با تغییر تعداد نورون های الیه میانی و به ازای 1 بار تکرار آورده شده است. جدول 1: نتایج شبیه سازی به ازای تغییر تعداد نورون های الیه تعداد نورون های الیه میانی میانی MSE پاسخ به ازای 1 بار تکرار 2/267 2/277 2/2442 2/244 2/2644 2/627 2/ شکل 7: تاثیر پدیده خودگرمایی در با بررسی منحنی فوق میتوان مشاهده نمود که با تغییر جریان عبوری از تغییلرات نسبتللا زیاد و غیر خطی در مقاومت ایجاد میشود. این مساله تاثیر پدیده خودگرمایی نشان میدهد. برای مدلسازی را با شبکه های عصبی از 13 نقطلله از داده های آزمایشگاهی تولید شده )شامل دو ورودی جللریان و ولتلاژ و یک خلروجی دما( برای آموزش شبکه و از 6۱ نقطه از داده های باقی مانده برای آزمایش عملکرد شبکه عصبی استفاده شده است. در ادامه نتایج حاصل از شبیه سازی با پرسپترون چند الیه )MLP( و شبکه های مبتنی بر توابع شعاعی ( ) بررسی میشود نتایج شبیه سازی با شبکه MLP در شبکه MLP پارامترهای قابل تنظیم شامل موارد مربوط به ساختار شبکه از جمله تعداد الیه ها نوع و تعداد نورون های الیههای مختلف و همچنین اوزان الیهها است. در این بخش از شبیه سازی ها از یک شبکه عصبی MLP سه الیه ای شامل یک الیه ورودی با دو نورون یک الیه میانی و یک الیه نهایی با یک نورون استفاده شده است. نورون های ورودی ولتاژ و جریان را گرفته و نورون نهایی دمای مورد نظر را نشان میدهد. برای همانطور که در جدول نیز نشان داده شده است شبکه با ۱ نورون با میانگین مربعات خطا /۱3 توانست دما را پیش بینی کند که دستاورد ارزنده ای به حساب میآید. همچنین افزایش بیش از حد نورونهای میانی در شبکه باعث یادگیری بیش از حد و از دست رفتن قدرت تعمیم شبکه و در نتیجه خطای بیشتر شده است نتایج شبیه سازی با شبکه در ادامه شبیه سازی ها از شبکه غیرخطی استفاده شده است. شبکه نیز برای مدل سازی رفتار دارای پارامترهای مهمی است که از آن جمله میتوان به نوع توابع شعاعی و پارامترهای آن )شامل تعداد محل مرکز وپراکندگی( و همچنین اوزان الیهها اشاره نمود. در این تحقیق از توابع شعاعی گوسین استفاده شده است. برای تعیین تابع گوسین به عنوان تابع شعاعی دو پارامتر تعداد توابع و پراکندگی توابع باید تعیین گردد. این بار نیز سعی شده است تا با شبیه سازیهای مختلف بهترین تعداد و بهترین پراکندگی مشخص گردد. در شبیه سازی صورت گرفته در این بخش تعداد نورونها از 1 تا 9 پراکندگی توابع شعاعی نیز در بازه ]3 تغییر داده شد. همچنین ۱[ و تغییر داده شد. نتایج این شبیه سازی در جدول 3 و شکل 3 نشان داده شده است. با بررسی جدول 3 و مطالعه شکل 3 مشخص میشود که بهترین پاسخ شبکه با میانگین خطای /91 به ازای تعداد ۱ تابع گوسی با پراکندگی /3۱ حاصل میشود. در آخرین شبیهسازی با فرض تایید ۱ تابع گوسی به عنوان تعداد توابع شعاعی بهینه و پراکندگی /3۱ برای آنها این بار با تغییر پراکندگی در اطراف /3۱ و با هدف یافتن پاسخ بهتر در نهایت 14

8 مدلسازی پدیده خودگرمایی و مشخصه غیر خطی سنسور با استفاده از شبکه های عصبی... قاسمی و مهدیپور میانگین مربعات خطا سنسور برابر با /91 به ازای پراکندگی /3۱6 حاصل شد. با مقایسه نتایج بین دو شبکه MLP و مشخص میشود که شبکه در مدلسازی پدیدههای غیرخطی در دادههای واقعی )آزمایشگاهی( نسبت به شبکه MLP موفق تر عمل نموده است. جدول 2: نتایج شبیه سازی به ازای تغییر تعداد و پراکندگی توابع شعاعی در شبکه عصبی تعداد پراکندگی /333 /116 /133۱ /331 /399 /336 1/15 شکل 8: نمودار عملکرد شبکه به ازای تغییرات پراکندگی و تعداد نورون /33۱ /3636 /6۱9 /33 /1131 /1691 /663 /13۱ /۱33 /۱16 /91 /۱9 /1133 /13۱۱ /۱63 /319 /۱13 /6۱6 1/15 1/25 1/35 /۱۱۱3 /1۱1 /۱۱6 /3۱ /1331 /۱۱3 1/45 /9111 /993۱ /1113 /993۱ /13۱ /۱۱3 1/55 مراجع /611 /31۱ /3 /1333 /31۱ /693 /1۱11 /1۱93 /13۱ /1933 /1۱۱ /113 1/81 1/11 [1] N. J. cotton and B. M. Wlamowsk, Compensaton of Sensors Nonlnearty wth Neural Networks, 24th IEEE Internatonal Conference on Advanced Informaton Networkng and Applcatons Auburn, Perth, Australa, 28. /6161 /93۱ /۱911 /393۱ /۱۱3۱ /393۱ /۱3۱ /1۱9 /39۱ /16۱1 /1693 /16۱ /1۱9۱ /1۱9۱ /3۱ /33 /336 /3۱3 1/31 1/61 1/81 [2] (spectrum sensors & controls). /3339 /39۱9 /36 /1669 /3۱3 /3۱9 2/11 [3] P. R. N. Chlds and B. Henemann, Practcal emperature Measurement Oxford, 21. [4] W. Conshohocken, emperature Measurement Annual Book of ASM Standards, Volume 14.3 of the Amercan Socety for estng and Materals, 23 [5] S. Haykn, Neural Networks: A Comprehensve Foundaton, 2nd Edton, Prentce-Hall, [6] B. K. Bose, neural network n power Electroncs and Motor Drves- An ntroducton and Perspectve, IEEE ransacton on Industral Electrons vol. 54, No. 1, pp. 14:33, 27. [7] J. F. Martns, P. J. Santos, A. J. Pres, L. E. B. da Slva and R. V. Mendes, Entropy-Based Chose of Neural Network Drve Model, IEEE ransacton on Industral Electrons, vol. 54, No. 1, pp. 11:116, 27 [8] H. Zhuang, K. Low and W Yau, A Pulsed Neural Network wth on Chp Learnng and ts Practcal Applcatons, IEEE ransacton on Industral Electrons, vol. 54, No. 1, pp. 34:42, 27 [9] B. Sngh, V. Verma and J. Solank, Neural Network-Based Selectve Compensaton of Current Qualty problem n Dstrbuton System, IEEE ransacton on Industral Electrons, vol. 54, No. 1, pp. 53:6, 27 [1] J. C. Parta, G. Chakraborty and P. K. Meher, Neural Networkbased Robust Lnearzaton and Compensaton echnque for Sensor under Nonlnear Envronmental Influences IEEE ransacton on Crcuts and Systems I, vol. 55, No. 5, pp , 28 [11] S. A. Khan, D.. Shahan and A. K. Agarwala Comments the "Sensor Calbraton and Compensaton usng Artfcal Neural Network", ISA ransacton, vol. 42, No. 3, pp. 337:352, نتیجهگیری در این تحقیق نشان داده شده است که استفاده از سنسور با وجود داشتن ویژگیهای خوب به دلیل رفتارهای غیرخطی آن در عمل محدود است. مشکالتی مانند پدیده خودگرمایی و فرضیات ساده شونده از دقت عملکرد سیستمهایی که از برای اندازه گیری دما استفاده میکنند میکاهد. روش پیشنهادی این تحقیق نشان داده است که شبکههای عصبی مصنوعی به ویژه تواند با دقت باالیی رفتار غیرخطی می- را به همراه پدیده خودگرمایی مدلسازی کند. از آنجاییکه ساختار پیشنهادی اجازه افزایش دمای را به مقدار مطلوب بدون نگرانی از تاثیر نامطلوب پدیده خودگرمایی میدهد لذا روش پیشنهادی حساسیت سیستم را هم تا حد قابل قبولی افزایش میدهد. این دستاورد که با دادههای آزمایشگاهی و واقعی مورد ارزیابی قرار گرفت نشان میدهد که میتوان با استفاده از ساختار پیشنهادی این تحقیق از سنسور از این ممکن به نظر نمیرسید استفاده نمود. در کاربردهای بسیار زیادی که پیش [12] product.tdk.com/en/catalog/datasheets/eb221_ntc_sum.pdf 15