Algoritmos inteligentes para sua auto-correção, auto-verificação e auto-validação de medidas em sensores/
Resumo: Neste trabalho é apresentado um conjunto de algoritmos inteligentes que têm como objetivo a correção de erros de calibração em sensores e a diminuição da periodicidade de suas calibrações. Tais algoritmos foram desenvolvidos utilizando Redes Neurais Artificiais devido a sua grande capacidade...
Na minha lista:
| Principais autores: | , , |
|---|---|
| Formato: | Dissertação |
| Publicado em: |
|
| Assuntos: | |
| Endereço do item: | https://repositorio.ufrn.br/bitstream/123456789/15181/1/DavidRVP.pdf |
| Tags: |
Adicionar Tag
Sem tags, seja o primeiro a adicionar uma tag!
|
| Resumo: | Resumo: Neste trabalho é apresentado um conjunto de algoritmos inteligentes que têm como objetivo a correção de erros de calibração em sensores e a diminuição da periodicidade de suas calibrações. Tais algoritmos foram desenvolvidos utilizando Redes Neurais Artificiais devido a sua grande capacidade de aprendizado, adaptação e aproximação de funções. Serão mostradas duas abordagens, a primeira utiliza redes Perceptron de MÚltiplas Camadas para aproximar as diversas formas da curva de calibração do sensor que se descalibra em diferentes instantes do tempo. Tal abordagem exige o conhecimento do tempo de funcionamento do sensor, informação que nem sempre está disponível. Para superar essa necessidade, uma outra abordagem utilizando Redes Neurais Recorrentes foi proposta. As Redes Recorrentes possuem uma grande capacidade de aprender a dinâmica do sistema para o qual ela foi treinada e, assim, podem aprender a dinâmica de descalibração do sensor. Conhecendo o tempo de funcionamento do sensor ou a sua dinâmica de descalibração, é possível determinar o quanto um sensor está descalibrado e corrigir o valor medido, proporcionando urna medição mais exata. Os algoritmos aqui propostos podem ser implementados em ambientes de redes industriais Foundation Fieldbus, que possuem uma boa capacidade de programação de dispositivos através dos blocos funcionais, possibilitando aplicações nos processos de medição.#$&Abstract: This work presents a set of intelligent algorithms with the purpose of correcting calibration errors in sensors and reducting the periodicity of their calibrations. Such algorithms were designed using Artificial Neural Networks due to its great capacity of learning, adaptation and function approximation. Two approaches will be shown, the first one uses Multilayer Perceptron Networks to approximate the many shapes of the calibration curve of a sensor which discalibrates in different time points. This approach requires the knowledge of the sensor's functioning time, but this information is not always available. To overcome this need, another approach using Recurrent Neural Networks was proposed. The Recurrent Neural Networks have a great capacity of learning the dynamics of a system to which it was trained, so they can learn the dynamics of a sensor's discalibration. Knowing the sensor's functioning time or its discalibration dynamics, it is possible to determine how much a sensor is discalibrated and correct its measured value, providing then, a more exact measurement. The algorithms proposed in this work can be implemented in a Foundation Fieldbus industrial network environment, which has a good capacity of device programming through its function blocks, making it possible to have them applied to the measurement process. |
|---|