Розробка штучної нейронної мережі визначення складових похибок вимірювання кутів гоніометричним програмно-технічним комплексом
DOI:
https://doi.org/10.15587/1729-4061.2018.141290Ключові слова:
штучна нейронна мережа, випадкова складова похибки, систематична складова похибки, гоніометрАнотація
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
Посилання
- 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.
- Barinova, E. A., Ivashchenko, E. M., Pavlov, P. A. (2010). Rezul'taty issledovaniya pogreshnosti goniometricheskoy sistemy. Izvestiya SPbGETU «LETI», 5, 98–103.
- Shevchuk, V. P., Kaplya, V. I., Zheltonogov, A. P., Lyasin, D. N. (2005). Metrologiya intellektual'nyh izmeritel'nyh sistem. Volgograd, 210.
- DSTU 8.009:2008. Derzhavna systema zabezpechennia yednosti vymiriuvan. Normovani metrolohichni kharakterystyky zasobiv vymiriuvan (2008). Kyiv, 20.
- DSTU-N RMH 63:2013. Derzhavna systema zabezpechennia vymiriuvan. Zabezpechennia efektyvnosti vymiriuvan pry upravlinni tekhnolohichnymy protsesamy (2013). Kyiv, 18.
- 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
- 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.
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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.
- Skvorcov, M. G., Zryumov, E. A., Pronin, S. P. (2011). Neyrosetevoy izmeritel'nyy preobrazovatel'. Izvestiya VolgGTU, 6 (5), 88–90.
- Zryumov, P. A. (2009). Issledovanie pogreshnosti opticheskogo metoda kontrolya chastoty vibracii ob'ekta, osnovannogo na primenenii geneticheskogo algoritma. Polzunovskiy al'manah, 2, 123–125.
- 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
- Vaysenzee, K., Pol'te, G. A., Lins, G. (2011). Avtomatizirovannoe opredelenie pogreshnosti geometricheskih izmereniy. Izvestiya vysshih uchebnyh zavedeniy. Priborostroenie, 54 (12), 47–49.
- 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.
- 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.
- Rojas, R. (1996). Neural Networks. A Systematic Introduction. Springer-Verlag Berlin Heidelberg, 502.
- 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
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2018 Irina Cherepanska, Olena Bezvesilna, Artem Sazonov, Sergii Nechai, Oleksandr Pidtychenko
![Creative Commons License](http://i.creativecommons.org/l/by/4.0/88x31.png)
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.