Радіоелектроніка та радіоелектронне апаратобудування

РОЗРОБКА МОДЕЛІ З ВИКОРИСТАННЯМ БАГАТОШАРОВОГО ПЕРЦЕПТРОНА ДЛЯ СИСТЕМИ ВИМІРЮВАННЯ КОНЦЕНТРАЦІЇ МЕТАНУ НА ОСНОВІ БЕЗДРОТОВОГО ОПТИКО-ЕЛЕКТРОННОГО СЕНСОРА

Автор(и)

Б. П. Книш
Вінницький національний технічний університет ROR
Я. А. Кулик
Вінницький національний технічний університет ROR
DOI https://doi.org/10.31649/1997-9266-2025-182-5-192-199

Ключові слова

метан оптико-електронний сенсор концентрація нейронна мережа багатошаровий перцептрон

Анотація

Для системи вимірювання концентрації метану на основі бездротового оптико-електронного сенсора запропоновано модель з використанням багатошарового перцептрона (MLP). В середовищі контролю, яке може бути небезпечним для людини, розташовується сенсор, що дистанційно передає інформацію про концентрацію метану на комп’ютер, де нейронна мережа здійснює обробку отриманої інформації. Запропоновано використати оптико-електронний сенсор концентрації метану, зважаючи на його високу чутливість, точність, надійність та стабільність, а також швидку реакцію, безконтактність вимірювань, стійкість до завад, можливість дистанційного моніторингу та мінімальне технічне обслуговування. Як нейронну мережу запропоновано використати багатошаровий перцептрон завдяки простоті у реалізації та високій ефективності для задач оцінки концентрації газу в умовах невеликого або середнього обсягу навчальної вибірки, коли залежність між характеристиками сенсора і концентрацією газу добре апроксимується сумою базових нелінійностей без складних динамічних ефектів, а також у випадку низького рівня шумів та завад, якщо вони мають помірний рівень фонових флуктуацій. Такі системи дають змогу вимірювати концентрацію метану з високою точністю, шляхом збору оптико-електронним сенсором даних у режимі реального часу, що в поєднанні з обробкою зібраних даних з використанням нейронної мережі демонструє великий потенціал у вимірюванні концентрації метану, а, отже, і раннього попередження про його витік. Також в роботі запропоновано використовувати модель багатошарового перцептрона для обробки даних бездротового оптико-електронного сенсора концентрації метану. Основними показниками ефективності запропонованої моделі багатошарового перцептрона, що визначалися в процесі дослідження, вибрано такі характеристики як середньоквадратична похибка (MSE) та середня абсолютна похибка (MAE). Для аналізу цих показників проведено моделювання зміни MSE та точності під час навчання та перевірки моделі, порівняння даних з оптичного сенсора та з моделі, а також оцінки зміни MSE та MAE в процесі вимірювання.

194 71

Як цитувати

[1]
«РОЗРОБКА МОДЕЛІ З ВИКОРИСТАННЯМ БАГАТОШАРОВОГО ПЕРЦЕПТРОНА ДЛЯ СИСТЕМИ ВИМІРЮВАННЯ КОНЦЕНТРАЦІЇ МЕТАНУ НА ОСНОВІ БЕЗДРОТОВОГО ОПТИКО-ЕЛЕКТРОННОГО СЕНСОРА», Вісник ВПІ, вип. 5, с. 192–199, Жов 2025, doi: 10.31649/1997-9266-2025-182-5-192-199.

Біографії авторів

автор Б. П. Книш, афіліація Вінницький національний технічний університет

 канд. техн. наук, доцент кафедри загальної фізики

автор Я. А. Кулик, афіліація Вінницький національний технічний університет

 канд. техн. наук, доцент кафедри автоматизації та інтелектуальних інформаційних технологій

Посилання

Метан — отримання, властивості та застосування. [Електронний ресурс]. Режим доступу: https://www.products.pcc.eu/uk/blog/%d0%bc%d0%b5%d1%82%d0%b0%d0%bd-%d0%be%d1%82%d1%80%d0%b8%d0%bc%d0%b0%d0%bd%d0%bd%d1%8f-%d0%b2%d0%bb%d0%b0%d1%81%d1%82%d0%b8%d0%b2%d0%be%d1%81%d1%82%d1%96-%d1%82%d0%b0-%d0%b7%d0%b0%d1%81/ . Дата звернення 07.07.2025.
Г. Ю. Бахарєва, «Аналіз трьох основних джерел викидів метану як основа розробки технологій очистки повітря,» в Тезах доп. XXII міжнар. наук.-практ. конф., Харків, 15-17 жовт. 2014 р., у 4 ч. НТУ «ХПІ», № 18, 2014. http://www.kpi.kharkov.ua/archive/microcad/2014/S18/p250-p250.pdf .
K. Zhou, and Y. Liu, “Early-Stage Gas Identification Using Convolutional Long Short-Term Neural Network with Sensor Array Time Series Data,” Sensors, no. 21, рр. 1-17, 2021. https://doi.org/10.3390/s21144826 .
A.G. Howard, et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” ArXiv, no. 04, рр. 1-9, 2017. https://doi.org/10.48550/arXiv.1704.04861 .
X. Zhang, X. Zhou, M. Lin, and J. Sun, “ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018, рр. 18-23. https://doi.org/10.48550/arXiv.1707.01083 .
M. Zhou, S. Wang, J. Li, Z. Wei, and L. Shui, “A Wireless Sensor Network-Based Combustible Gas Detection System Using PSO-DBO-Optimized BP Neural Network,” Sensors, no. 10, рр. 1-23, 2025. https://doi.org/10.3390/s25103151 .
S. Song, et al., “Research on a working face gas concentration prediction model based on LASSO-RNN time series data,” Cell Press, no. 9, рр. 1-10, 2023. https://doi.org/10.1016/j.heliyon.2023.e14864 .
K. Gao, Z. Zhou, and Ya. Qin, “Gas concentration prediction by LSTM network combined with wavelet thresholding denoising and phase space reconstruction,” Cell Press, no. 10, рр. 1-10, 2024. https://doi.org/10.1016/j.heliyon.2024.e28112 .
Б. Р. Водяник, М. Г. Лорія, і Є. В. Кобзарев, «Застосування фізично обґрунтованих нейронних мереж (PINN) у контролі якості продукту процесу Габера-Боша,» Вісник Східноукраїнського університету імені Володимира Даля, № 6, с. 190-198, 2024. https://doi.org/10.33216/1998-7927-2024-286-6-190-198 .
S. Hoffman, and R. Jasinski, “The Use of Multilayer Perceptrons to Model PM2.5 Concentrations at Air Monitoring Stations in Poland,” Atmosphere, no. 14, рр. 1-19, 2023. https://doi.org/10.3390/s25103151 .
J. D. Kim, H. G. Byun, and K. C. Persaud, “Application of a multilayer perceptron based on the Levenberg-Marquardt algorithm to odour pattern classification and concentration estimation using odour sensing system,” in 7th International Symposium on Olfaction and Electronic Noses, 2000. [Electronic resource]. Available: https://research.manchester.ac.uk/en/publications/application-of-a-multilayer-perceptron-based-on-the-levenberg-mar .
M. Tutak, T. Krenicky, R. Pirnik, J. Brodny, and W. Grebski, “Predicting Methane Concentrations in Underground Coal Mining Using a Multi-Layer Perceptron Neural Network Based on Mine Gas Monitoring Data,” Sustainability, no. 16, рр. 1-23, 2024. https://doi.org/10.3390/su16198388 .
T. Jia, et al., “Mixed Natural Gas Online Recognition Device Based on a Neural Network Algorithm Implemented by an FPGA,” Sensors, no. 19, рр. 1-11, 2019. https://doi.org/10.3390/s19092090 .
Q. Chi, et al., “Dual-Comb Gas Sensor Integrated with a Neural Network-Based Spectral Decoupling Algorithm of Overlapped Spectra for Gas Mixture Sensing,” ACS OMEGA, no. 8, рр. 14648-14655, 2023. https://doi.org/10.1021/acsomega.3c00518 .
Б. П. Книш, Й. Й. Білинський, і В. Р. Гладишевський, «Оптичний сенсор концентрації газу», Патент України G01N 21/81. № 61667МПК (2011), 25.07.2011.
Й. Й. Білинський, Б. П. Книш, і О. А. Павлюк, «Інфрачервоний двохвильовий сенсор контролю концентрації газу,» Наукові праці Вінницького національного технічного університету, № 3, 2011. [Електронний ресурс]. Режим доступу: http://praci.vntu.edu.ua/index.php/praci/article/view/290 .
ДСТУ EN 16723-1:2023. «Природний газ і біометан для використання в транспорті та біометан для закачування в мережу природного газу. Частина 1. Технічні характеристики біометану для закачування в мережу природного газу.» Чинний від 2023-11-01. Вид. офіц. Київ : УкрНДНЦ, 2023. 32 с.

Статті цього автора (цих авторів), які найбільше читають

1 2 > >>