Neural-Network-Based Smart Sensor Framework Operating in a Harsh Environment

Patra, J.C.; Ang, Ee Luang; Chaudhari, Narendra S.; Das, A.

doi:10.1155/asp.2005.558

Cited by 17 publications

(9 citation statements)

References 17 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…8 where the CHS is represented by C h . The purpose of the SCC is to obtain a voltage signal proportional to capacitance change in the sensor due to applied humidity to the CHS [15]. The circuit operation can be controlled by a reset signal Φ.…”

Section: Switched Capacitor Circuitmentioning

confidence: 99%

ANN modeling of a smart MEMS-based capacitive humidity sensor

Kouda

Dibi

Barra

et al. 2011

Int. J. Control Autom. Syst.

View full text Add to dashboard Cite

This paper presents a design of a smart humidity sensor. First we begin by the modeling of a Capacitive MEMS-based humidity sensor. Using neuronal networks and Matlab environment to accurately express the non-linearity, the hysteresis effect and the cross sensitivity of the output humidity sensor used. We have done the training to create an analytical model CHS 'Capacitive Humidity Sensor'. Because our sensor is a capacitive type, the obtained model on PSPICE reflects the humidity variation by a capacity variation, which is a passive magnitude; it requires a conversion to an active magnitude, why we realize a conversion capacity/voltage using a switched capacitor circuit SCC. In a second step a linearization, by Matlab program, is applied to CHS response whose goal is to create a database for an element of correction 'CORRECTOR'. After that we use the bias matrix and the weights matrix obtained by training to establish the CHS model and the CORRECTOR model on PSPICE simulator, where the output of the first is identical to the output of the CHS and the last correct its nonlinear response, and eliminate its hysteresis effect and cross sensitivity. The three blocks; CHS model, CORRECTOR model and the capacity/voltage converter, represent the smart sensor.

show abstract

Section: Switched Capacitor Circuitmentioning

confidence: 99%

ANN modeling of a smart MEMS-based capacitive humidity sensor

Kouda

Dibi

Barra

et al. 2011

Int. J. Control Autom. Syst.

View full text Add to dashboard Cite

show abstract

“…Weremczuk (1997) utiliza algoritmos genéticos para ajustar os pontos de calibração de um sensor com relaçãoàs condições de ambiente. Mais recentemente (Patra et al, 2004;Patra et al, 2008) Este artigo propõe um sistema que realize a linearização entre sinal de entrada e saída de um sensor de temperatura, cuja relaçãoé não-linear, utilizando redes neurais artificiais de funções de base radiais, com treinamento multiobjetivo. A abordagem multiobjetivo para o treinamento de RNAś e apresentada e discutida em (Teixeira et al, 2000a;Teixeira et al, 2000b;Braga et al, 2006;Jin and Sendhoff, 2008).…”

Section: Introductionunclassified

Linearização De Sensores De Temperatura Com Treinamento Multiobjetivo De Redes De Funções De Base Radiais

Almeida¹,

Guimarães²,

Ramírez³

2016

Anais Do 9. Congresso Brasileiro De Redes Neurais

View full text Add to dashboard Cite

Abstract-In this paper, we present the employment of radial basis function neural networks for the linearization of the input-output relationship of a temperature sensor (thermocouple), trained with multiobjective learning. The network weights are determined by using the multiobjective least squares method. By varying the width of the radial basis functions, different Pareto sets are obtained. We propose a decision-making strategy over the nondominated set based on linear regression, in order to choose the network with the best structure for the problem. The advantage of multiobjective learning in the context of sensor linearization is providing an adequate network for the problem that also presents low structural complexity, thus reducing the hardware implementation cost.Keywords-Radial basis functions, multi-objective learning, sensor linearization, intelligent sensors, thermocouple.Resumo-Neste artigo, apresentamos a utilização de redes neurais artificiais de funções de base radiais para a linearização da relação entrada e saída de um sensor de temperatura (termopar), usando treinamento multiobjetivo. Os pesos da rede são determinados por meio da técnica de mínimos quadrados multiobjetivo. Variando-se a largura das funções de base, diferentes conjuntos de soluções de Pareto são obtidos. Nós propomos uma estratégia de decisão sobre o conjunto não dominado baseada em regressão linear para selecionar a rede com a estrutura mais adequada para o problema. A vantagem do treinamento multiobjetivo no contexto de linearização de sensoresé determinar uma rede adequada para o problema e que apresente baixa complexidade estrutural, assim reduzindo o custo de implementação em hardware.Keywords-Redes de funções de base radiais, treinamento multiobjetivo, linearização de sensores, sensores inteligentes, termopar. IntroduçãoEm um ambiente industrial, diversas operações ou sequências de operações envolvendo uma mudança de estado, de composição ou outras propriedades de um sistema devem ser realizadas com o objetivo de geração de um produto. Variáveis que são constantemente monitoradas neste ambiente são a vazão, a viscosidade, a umidade, a pressão, o nível, o pH, a densidade, a temperatura dos processos, dentre outras, com o objetivo de monitorar e controlar processos. Para que este controle e monitoramento seja realizado de formaótima,é de fundamental importância o conhecimento do comportamento dos sensores utilizados para medição destas variáveis. Cada sensor possui valores caracterís-ticos para uma grande variedade de parâmetros, sejam eles: precisão, resolução, especificidade, linearidade, histerese. Deseja-se, assim, na grande maioria dos processos, que o comportamento dos medidores apresente linearidade entre seu sinal de entrada e saída. O problemaé que grande parte dos princípios físicos utilizados para medição não possuem esta relação linear. Além disso, os sinais produzidos pelos sensores estão, na maior parte das situações, submetidos a condições de operação variáveis, degradação de componentes e ruídos de medição....

show abstract

“…The software compensation may divide into two methods, separately based on numerical analytic and artificial intelligence (expert system, neural network, genetic algorithm and fuzzy system). At present, neural network, software compensation way is wildly applied to compensate for the above drift [8][9][10][11][12]. It has so strong ability to function approximation that it is used for sensor to compensate for the various nonlinear error.…”

Section: Introductionmentioning

confidence: 99%

Digital embedded refractometer with temperature compensation

Ziani

Laghrouche

Mellah

2011

Sens. & Instrumen. Food Qual.

View full text Add to dashboard Cite

Temperature is one of the single most important factors influencing accurate refractometer readings and is one of the largest sources of error in measurement. A model based on neural networks, has been implemented to generate solution concentration data, knowing fluid temperature measurements in this solution. The neural network chosen in this study, is the hidden layer feed forward network. Its learning rule is based on the backpropagation of the error. Its training basis consists of concentration measurement, temperature data recorded every time. An in-line process measurement of refractive index (RI) works as a real-time predictive tool for the final concentration in process parameters is proposed. The acquired signal is transmitted, via the Bluetooth, to the processing and diagnostic unit. A predictive modelling using the neural networks enables us to predict its operation under various conditions within a temperature range from 0 up to 40°C.

show abstract

Neural-Network-Based Smart Sensor Framework Operating in a Harsh Environment

Cited by 17 publications

References 17 publications

ANN modeling of a smart MEMS-based capacitive humidity sensor

ANN modeling of a smart MEMS-based capacitive humidity sensor

Linearização De Sensores De Temperatura Com Treinamento Multiobjetivo De Redes De Funções De Base Radiais

Digital embedded refractometer with temperature compensation

Contact Info

Product

Resources

About