No abstract

No abstract

Розроблено штучну нейронну мережу для визначення складових похибок вимірювання кутів автоматизованими гоніометричними системами, зміна яких у часі являє собою нестаціонарний випадковий процес. Процедури обробки результатів вимірювань та нормування систематичних і випадкових складових похибок вимірювання відомі, мають багаторічну практику застосування, добре обґрунтовані, максимально формалізовані, є принципово різними та регламентуються відповідними нормативними документами. Проте досить складною та трудомісткою залишається аналітично-розрахункова процедура із застосуванням дисперсійного критерію Фішера для визначення яка саме складова похибки вимірювання наявна. З метою автоматизації процедури визначення складових похибок вимірювання та підвищення продуктивності виконуваних робіт розроблено штучну нейронну мережу (ШНМ) та досліджено її роботу. Визначено, що пропонована ШНМ може бути успішно використана замість відомої аналітично-розрахункової процедури із застосуванням дисперсійного критерію Фішера. Застосування ШНМ дозволяє суттєво зменшити трудомісткість та підвищити продуктивність визначення систематичних та випадкових складових похибок вимірювання. Це обумовлюється можливістю ШНМ здійснювати паралельну обробку вимірювальної інформації в режимі реального часу. Практична реалізація ШНМ здійснена з використанням нейроімітатору Neural Analyzer, аналітичного пакета Deductor Professional компанії BaseGroupLabs. Навчання ШНМ та перевірка її працездатності проводилась на множині результатів імітаційного моделювання та реальних багаторазових спостереженнях при вимірюванні плоского кута 24-гранної призми. Можливість ШНМ швидкого та правильного визначення складових похибок вимірювання на етапі аналізу вимірювальної інформації, дозволяє в наступному визначати методи її подальшої обробки у відповідності до нормативних вимог. Це в перспективі забезпечить підвищення точності та достовірності результатів вимірювання тому, що дозволить уникнути некоректних та неточних обчислень при нормуванні похибок вимірювання Ключові слова: штучна нейронна мережа, випадкова складова похибки, систематична складова похибки, гоніометр UDC 004.

The article is devoted to the topical problem: increasing accuracy and performance of angle measurements necessary in various branches of science and technology. One of the ways of increasing accuracy and performance of angle measurements is using modern algorithmic methods and mathematic devices for processing measurement information. Thus, in order to increase accuracy and speed of angle measurements on the example of the well-known goniometric precision instrument system (GPIS), it was offered quaternion calculation of angle values while performing goniometric measurements in the work. The efficiency of quaternion calculation is unquestioned as quaternions unlike other traditional methods (in particular matrix with the use of Euler angles, direction cosines) are presented only with four parameters describing angle positions of the objects and have only one connection equation unlike six equations for matrix methods, in particular for direction cosines. The suggested quaternion calculation is used in GPDS as general theoretic and information basis of contactless precision goniometric measurements in preliminary setting navigation sensitive elements (NSE), plane angles, pyramid prisms etc. The usage of the developed quaternion calculation enabled to increase accuracy by 0,25 (in 3 times) and measurement performance in 9 times (up to 6.5 sec.) in comparison with the famous ones. Applying quaternion calculation of angle values implies using a smaller RAM capacity of PC that increases performance of system work. Besides, a smaller amount of mathematic operations performed in quaternion way of calculating angles, except increasing performance, enables to decrease a rounding error in calculation results that is accumulated in multiple measurements and may reach great values. Thus, accuracy and performance of measurements increase.

An artificial neural network (ANN) is proposed, which allows to make express-analysis of the chemical composition of production objects metalcontaining materials in automatic mode with high accuracy and real-time performance. The proposed ANN for automatic recognition of chemicals (ANN ARoC) is an alternative to traditional high-cost and time-consuming physical and chemical methods and labelling analysis, which are significantly complicate and slow down technological processes, as well as environmentally hazardous to human health and environment. The mean square error of proposed ANN ARoC does not exceed 5%, the time of determining the chemical composition of production objects metal-containing materials is not more than 2.5 s. ANN ARoC is built on the principle of a multilayer perceptron