Розробка штучної нейронної мережі визначення складових похибок вимірювання кутів гоніометричним програмно-технічним комплексом

Автор(и)

  • Irina Cherepanska Житомирський державний технологічний університет вул. Чуднівська, 103, м. Житомир, Україна, 10005, Україна https://orcid.org/0000-0003-0741-7194
  • Olena Bezvesilna Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» пр. Перемоги, 37, м. Київ, Україна, 03056, Україна https://orcid.org/0000-0002-6951-1242
  • Artem Sazonov Житомирський державний технологічний університет вул. Чуднівська, 103, м. Житомир, Україна, 10005, Україна https://orcid.org/0000-0001-7124-5863
  • Sergii Nechai Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» пр. Перемоги, 37, м. Київ, Україна, 03056, Україна https://orcid.org/0000-0002-7821-6472
  • Oleksandr Pidtychenko Житомирський державний технологічний університет вул. Чуднівська, 103, м. Житомир, Україна, 10005, Україна https://orcid.org/0000-0003-1748-8068

DOI:

https://doi.org/10.15587/1729-4061.2018.141290

Ключові слова:

штучна нейронна мережа, випадкова складова похибки, систематична складова похибки, гоніометр

Анотація

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

Біографії авторів

Irina Cherepanska, Житомирський державний технологічний університет вул. Чуднівська, 103, м. Житомир, Україна, 10005

Кандидат технічних наук, доцент

Кафедра автоматизації та комп`ютерно-інтегрованих технологій ім. проф. Б. Б. Самотокіна

Olena Bezvesilna, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» пр. Перемоги, 37, м. Київ, Україна, 03056

Доктор технічних наук, професор

Кафедра приладобудування

Artem Sazonov, Житомирський державний технологічний університет вул. Чуднівська, 103, м. Житомир, Україна, 10005

Житомирський державний технологічний університет

вул. Чуднівська,103, м. Житомир, Україна, 10005

Sergii Nechai, Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» пр. Перемоги, 37, м. Київ, Україна, 03056

Кандидат технічних наук, доцент

Кафедра приладобудування

Oleksandr Pidtychenko, Житомирський державний технологічний університет вул. Чуднівська, 103, м. Житомир, Україна, 10005

Кандидат технічних наук

Кафедра автоматизації та комп`ютерно-інтегрованих технологій ім. проф. Б. Б. Самотокіна

Посилання

  1. Cherepanska, I., Bezvesilna, E., Sazonov, A., Lavrischev, A. (2015). Automated technological complex to precise angles measurement based on goniometer. Technological Complexes, 1/2 (12), 38–45.
  2. Barinova, E. A., Ivashchenko, E. M., Pavlov, P. A. (2010). Rezul'taty issledovaniya pogreshnosti goniometricheskoy sistemy. Izvestiya SPbGETU «LETI», 5, 98–103.
  3. Shevchuk, V. P., Kaplya, V. I., Zheltonogov, A. P., Lyasin, D. N. (2005). Metrologiya intellektual'nyh izmeritel'nyh sistem. Volgograd, 210.
  4. DSTU 8.009:2008. Derzhavna systema zabezpechennia yednosti vymiriuvan. Normovani metrolohichni kharakterystyky zasobiv vymiriuvan (2008). Kyiv, 20.
  5. DSTU-N RMH 63:2013. Derzhavna systema zabezpechennia vymiriuvan. Zabezpechennia efektyvnosti vymiriuvan pry upravlinni tekhnolohichnymy protsesamy (2013). Kyiv, 18.
  6. Cherepanska, I., Bezvesilna, O., Sazonov, A., Nechai, S., Khylchenko, T. (2017). The procedure for determining the number of measurements in the normalization of random error of an information­measuring system with elements of artificial intelligence. Eastern-European Journal of Enterprise Technologies, 5 (9 (89)), 58–67. doi: https://doi.org/10.15587/1729-4061.2017.109957
  7. Farrance, I., Frenkel, R. (2012). Uncertainty of Measurement: A Review of the Rules for Calculating Uncertainty Components through Functional Relationships. Clin. Biochem. Rev., 33 (2), 49–75.
  8. Bennett, C. L., Odom, C., Ben-Asher, M. (2013). Knee Angle Estimation based on IMU data and Artificial Neural Networks. 2013 29th Southern Biomedical Engineering Conference. doi: https://doi.org/10.1109/sbec.2013.64
  9. Cherepanska, I., Bezvesilna, E., Sazonov, A. (2016). Artificial Neural Network as a Basic Element of the Automated Goniometric System. Advances in Intelligent Systems and Computing, 43–51. doi: https://doi.org/10.1007/978-3-319-48923-0_6
  10. Shrirao, N. A., Reddy, N. P., Kosuri, D. R. (2009). Neural network committees for finger joint angle estimation from surface EMG signals. BioMedical Engineering OnLine, 8 (1), 2. doi: https://doi.org/10.1186/1475-925x-8-2
  11. Angel, A. D., Glavic, M., Wehenkel, L. Using Artificial Neural Networks to Estimate Rotor Angles and Speeds from Phasor Measurements. Available at: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.151.7413&rep=rep1&type=pdf
  12. Zhang, J., Li, H., Lv, L., Zhang, Y. (2017). Computer-Aided Cobb Measurement Based on Automatic Detection of Vertebral Slopes Using Deep Neural Network. International Journal of Biomedical Imaging, 2017, 1–6. doi: https://doi.org/10.1155/2017/9083916
  13. Di Noia, A., Hasekamp, O. P., van Harten, G., Rietjens, J. H. H., Smit, J. M., Snik, F. Et. al. (2015). Use of neural networks in ground-based aerosol retrievals from multi-angle spectropolarimetric observations. Atmospheric Measurement Techniques, 8 (1), 281–299. doi: https://doi.org/10.5194/amt-8-281-2015
  14. Otağ, I., Akkoyun, S., Taştemur, Y., Çimen, M. (2015). Boehler’s Angle Estimations in Calcaneus Bone by Using Artificial Neural Networks. Cumhuriyet Science Journal, 36 (5), 57.doi: https://doi.org/10.17776/csj.56855
  15. Manivannan, N., Neil, M. A. A. (2011). Automatic angle measurement of a 2D object using optical correlator-neural networks hybrid system. Optical Pattern Recognition XXII. doi: https://doi.org/10.1117/12.883653
  16. Li, Y., Fu, P., Li, Z., Li, X., Lin, Z. (2015). Biaxial Angle Sensor Calibration Method Based on Artificial Neural Network. Chemical Engineering Transactions, 46, 361–366. doi: http://doi.org/10.3303/CET1546061
  17. Kas'yanik, V. V., Dunec, A. P., Dunec, I. P., Shut', V. N. Primenenie neyrosetevogo podhoda dlya ocenki pogreshnosti odometrov mobil'nogo robota. Available at: http://robotics.bstu.by/mwiki/images/8/8d/Neuroinformatika_2012.pdf
  18. Golygin, N. H., Hinoeva, O. B., Yambaev, H. K. (2005). Vozmozhnosti povysheniya tochnosti geodezicheskih izmereniy na osnove iskusstvennyh neyrosetey. Izv. VUZov. Geodeziya i aerofotos'emka, 5, 17–27.
  19. Skvorcov, M. G., Zryumov, E. A., Pronin, S. P. (2011). Neyrosetevoy izmeritel'nyy preobrazovatel'. Izvestiya VolgGTU, 6 (5), 88–90.
  20. Zryumov, P. A. (2009). Issledovanie pogreshnosti opticheskogo metoda kontrolya chastoty vibracii ob'ekta, osnovannogo na primenenii geneticheskogo algoritma. Polzunovskiy al'manah, 2, 123–125.
  21. Herbert, L. T., Hansen, Z. N. L. (2016). Restructuring of workflows to minimise errors via stochastic model checking: An automated evolutionary approach. Reliability Engineering & System Safety, 145, 351–365. doi: https://doi.org/10.1016/j.ress.2015.07.002
  22. Vaysenzee, K., Pol'te, G. A., Lins, G. (2011). Avtomatizirovannoe opredelenie pogreshnosti geometricheskih izmereniy. Izvestiya vysshih uchebnyh zavedeniy. Priborostroenie, 54 (12), 47–49.
  23. Cherepanska, I. Yu. Kyrylovych, V. A., Bezvesilna, O. M., Sazonov, A. Yu. (2016). Teoriya i pryntsypy pobudovy avtomatyzovanoi systemy dlia liniynykh i kutovykh peremishchen obiektiv vyrobnytstva z vykorystanniam matematychnoho aparatu kvaternioniv i elementiv shtuchnoho intelektu. Zhytomyr: ZhDTU, 326.
  24. Cherepanska, I. Yu., Bezvesilna, O. M., Sazonov, A. Yu. (2017). Pat. No. 124155 UA. Sposib vymiriuvannia kutiv. No. 201709792; declareted: 09.10.2017; published: 26.03.2018, Bul. No. 6.
  25. Rojas, R. (1996). Neural Networks. A Systematic Introduction. Springer-Verlag Berlin Heidelberg, 502.
  26. D'yakonov, V. P., Kruglov, V. V. (2006). Matlab 6.5 SP1/7/7 SP1/7 SP2 + Simulink 5/6. Instrumenty iskusstvennogo intellekta i bioinformatiki. Moscow: SOLON-PRESS, 456.

##submission.downloads##

Опубліковано

2018-09-12

Як цитувати

Cherepanska, I., Bezvesilna, O., Sazonov, A., Nechai, S., & Pidtychenko, O. (2018). Розробка штучної нейронної мережі визначення складових похибок вимірювання кутів гоніометричним програмно-технічним комплексом. Eastern-European Journal of Enterprise Technologies, 5(9 (95), 43–51. https://doi.org/10.15587/1729-4061.2018.141290

Номер

Том 5 № 9 (95) (2018): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2018 Irina Cherepanska, Olena Bezvesilna, Artem Sazonov, Sergii Nechai, Oleksandr Pidtychenko

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.