RU2730367C1 - Method of calibrating intelligent sensors - Google Patents
Method of calibrating intelligent sensors Download PDFInfo
- Publication number
- RU2730367C1 RU2730367C1 RU2019117879A RU2019117879A RU2730367C1 RU 2730367 C1 RU2730367 C1 RU 2730367C1 RU 2019117879 A RU2019117879 A RU 2019117879A RU 2019117879 A RU2019117879 A RU 2019117879A RU 2730367 C1 RU2730367 C1 RU 2730367C1
- Authority
- RU
- Russia
- Prior art keywords
- sensor
- signal
- calibration
- output
- input
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D18/00—Testing or calibrating apparatus or arrangements provided for in groups G01D1/00 - G01D15/00
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
Description
Данное изобретение относится к автоматической, либо автоматизированной калибровке систем и датчиков путем «обучения» интеллектуального датчика в процессе калибровки.This invention relates to automatic or automated calibration of systems and sensors by "teaching" a smart sensor during the calibration process.
Инженерная задача калибровки часто решается как задача параметрической идентификации, суть которой состоит в определении параметров известной математической модели датчика, как правило, линейной, для последующей алгоритмической компенсации его систематических погрешностей. Под математической моделью датчика при калибровке понимают некоторую функцию преобразования датчика, ставящую в соответствие измеряемому физическому воздействию на входе датчика некоторый «сигнал» на его выходе в установившемся режиме работы в форме, удобной для последующего использования (например, ток, напряжение, цифровой код и т.п.). Линейность функции преобразования датчика, с одной стороны, позволяет существенно упростить процедуры калибровки, но, с другой стороны, достигается достаточно сложными конструкторскими приемами и отбраковкой большого числа датчиков, характеристики моделей которых не отвечают общим для данного типа датчиков техническим условиям. Параметры линейных моделей датчиков, прошедших процедуру отбраковки, для повышения точности измерений дополнительно доуточняются индивидуально для каждого датчика как раз в процессе выполнения процедуры калибровки, что обеспечивает алгоритмическую компенсацию систематических погрешностей этого датчика при последующем его функционировании в рабочих режимах.An engineering calibration problem is often solved as a parametric identification problem, the essence of which is to determine the parameters of a known mathematical model of a sensor, usually linear, for subsequent algorithmic compensation for its systematic errors. The mathematical model of the sensor during calibration is understood as a certain function of the sensor transformation, which puts in correspondence to the measured physical effect at the sensor input a certain "signal" at its output in a steady state of operation in a form convenient for subsequent use (for example, current, voltage, digital code, etc.) .P.). The linearity of the sensor conversion function, on the one hand, makes it possible to significantly simplify the calibration procedures, but, on the other hand, it is achieved by rather complex design techniques and the rejection of a large number of sensors, the model characteristics of which do not meet the technical conditions common for this type of sensors. The parameters of linear models of sensors that have passed the rejection procedure are additionally refined individually for each sensor in order to increase the measurement accuracy just during the calibration procedure, which provides algorithmic compensation for systematic errors of this sensor during its subsequent operation in operating modes.
Модель (функцию преобразования) большинства применяемых на практике скалярных (один вход-один выход) и векторных (много входов - много выходов) систем, как правило, стремятся получить в линейной параметрической форме видаThe model (transformation function) of most scalar (one input - one output) and vector (many inputs - many outputs) systems used in practice, as a rule, tend to be obtained in a linear parametric form of the form
где X - вектор входных сигналов системы, т.е. измеряемая векторная физическая величина, воздействующая на систему; U - вектор сигналов на выходе системы, соответствующий (пропорциональный) вектору входных сигналов, K - матричный коэффициент пропорциональности векторов выходных и входных сигналов системы, называемый масштабным коэффициентом, С - вектор «нулевых сигналов», называемых «смещением нуля», измеряемых на выходе системы при отсутствии векторного сигнала на его входе, точнее, при заведомо известном нулевом векторе сигналов на входе системы. Такая модель, по сути, представляет собой полином минимальной (первой) степени для аппроксимации значений векторного выходного сигнала и требует откалибровать лишь двух параметров - С и К. Следует иметь в виду, что для случая векторной системы матрицы С и К могут быть не обязательно диагональными.where X is the vector of input signals of the system, i.e. measured vector physical quantity affecting the system; U is the vector of signals at the output of the system, corresponding to (proportional) to the vector of input signals, K is the matrix coefficient of proportionality of the vectors of the output and input signals of the system, called the scale factor, C is the vector of "zero signals" called "offset of zero", measured at the output of the system in the absence of a vector signal at its input, more precisely, with a known zero vector of signals at the input of the system. Such a model, in fact, is a polynomial of the minimum (first) degree for approximating the values of the vector output signal and requires calibrating only two parameters - C and K. It should be borne in mind that for the case of a vector system the matrices C and K may not necessarily be diagonal ...
Простота линейной модели позволяет определять (идентифицировать) ее параметры с использованием достаточно простой процедуры калибровки и даже надежно и с известной точностью предсказывать (на основе паспортных данных) показания датчика вообще без калибровки, если требования к точности его показаний не высоки и лежат в пределах погрешностей, характерных для множества датчиков данного типа. Еще одним достоинством линейной функции преобразования вида (1) является то, что восстановление и предсказание значений измеряемой датчиком физической величины осуществляется по весьма просто получаемой из (1) обратной функции преобразования датчикаThe simplicity of the linear model makes it possible to determine (identify) its parameters using a fairly simple calibration procedure and even predict reliably and with a known accuracy (based on passport data) the sensor readings without calibration at all, if the requirements for the accuracy of its readings are not high and lie within the error limits. typical for many sensors of this type. Another advantage of the linear transformation function of the form (1) is that the restoration and prediction of the values of the physical quantity measured by the sensor is carried out using the inverse sensor transformation function obtained from (1) quite simply
Однако, линейность модели, как указывалось выше, достигается в прямом смысле дорогой ценой, которую приходится платить за сложные конструкторские ухищрения (специально направленные на обеспечение линейности датчика) и высокий коэффициент отбраковки датчиков. Это является недостатком подавляющего большинства всех современных датчиков, измеряющих самые разные физические величины. Достаточно простые способы избавления датчиков от этого недостатка до настоящего времени практически не известны.However, the linearity of the model, as indicated above, is literally achieved at a high price, which one has to pay for complex design tricks (specifically aimed at ensuring the linearity of the sensor) and a high rejection rate of sensors. This is a disadvantage of the overwhelming majority of all modern sensors that measure a variety of physical quantities. Rather simple ways of getting rid of this drawback of sensors are practically unknown up to now.
В отличие от традиционно применяемых датчиков, у которых функция преобразования (1) почти всегда линейна и обязательно всегда обратима в обычном смысле, у «интеллектуальных» датчиков, функционирующих на основе общего принципа изоморфизма, функция преобразования ƒ (Фиг. 1) может быть не только нелинейной, но и необратимой в обычном смысле. На ƒ накладывается лишь одно требование-ограничение - она должна быть мономорфным отображением вида ƒ: Хэт→U. Это условие легко выполнить при калибровке (оно выполняется и для обычных «линейных датчиков»): каждому значению эталонного сигнала Хэт должно строго соответствовать одно единственное значение выходного сигнала U и, наоборот, в множестве значений выходного сигнала U должно существовать подмножество U*⊂U таких значений сигнала U, каждому из которых обязательно соответствует единственное значение калибровочного эталонного сигнала из множества Хэт. Тогда обязательно будет существовать эпиморфное отображение ƒ-1: U→Хвост, позволяющее восстанавливать значения сигналов из множества Хвост, точно и взаимно однозначно отображающих соответствующие сигналы из множества Хэт.Unlike traditionally used sensors, in which the transformation function (1) is almost always linear and always necessarily reversible in the usual sense, in "smart" sensors operating on the basis of the general principle of isomorphism, the transformation function ƒ (Fig. 1) can be not only nonlinear, but also irreversible in the usual sense. Only one requirement is imposed on - it must be a monomorphic map of the form ƒ: X et → U. This condition is easy to fulfill during calibration (it is also fulfilled for conventional "linear sensors"): each value of the reference signal X et must strictly correspond to one single value of the output signal U and, conversely, in the set of values of the output signal U there must be a subset U * ⊂U such values of the signal U, each of which necessarily corresponds to a single value of the calibration reference signal from the set X et . Then there will necessarily be an epimorphic mapping ƒ -1 : U → X east , which allows you to restore the values of signals from the set X east , which accurately and one-to-one display the corresponding signals from the set X et .
Известен Способ оценки ошибок и контроля датчиков первичной информации в составе бесплатформенной инерциальной навигационной системы в наземных условиях и устройство для его осуществления, патент РФ №2537513, МПК G01C 21/10, опубл. 10.01.2015 г., бюл. №1. Оценку ошибок и контроля датчиков первичной информации (ДЛИ) в составе БИНС производят путем установки БИНС на платформу с основанием, осуществляют начальную выставку БИНС, после чего переводят ее в режим автономной работы. В этом режиме БИНС последовательно поворачивают на определенные углы по крену и тангажу, после чего производится допусковый контроль ошибок БИНС.A known Method for assessing errors and monitoring sensors of primary information as part of a strapdown inertial navigation system in ground conditions and a device for its implementation, RF patent No. 2537513, IPC G01C 21/10, publ. 10.01.2015, bul. # 1. Evaluation of errors and control of primary information sensors (LSI) as part of SINS is carried out by installing SINS on a platform with a base, an initial exhibition of SINS is carried out, after which it is transferred to an autonomous mode. In this mode, SINS is sequentially rotated at certain angles in roll and pitch, after which the SINS error tolerance control is performed.
Известен Способ калибровки инклинометрических систем, РФ №2611567, МПК G01V 3/36, опубликован 28.02.2017, бюллетень №7. Определяют углы отклонения гравичувствительных осей трехкомпонентного акселерометрического преобразователя от его собственных геометрических осей ортогонального базиса за счет выполнения операций, когда последовательно на поворотном столе задают шесть пространственных положений корпуса скважинного прибора инклинометрической системы с трехкомпонентными акселерометрическими и феррозондовыми датчиками, характеризующихся визирным углом φ, зенитным углом θ и азимутальным углом α=0°.The known Method of calibration of inclinometric systems, RF No. 2611567, IPC G01V 3/36, published 02/28/2017, bulletin No. 7. Determine the deflection angles of the gravitational axes of the three-component accelerometric transducer from its own geometric axes of the orthogonal basis by performing operations when six spatial positions of the body of the downhole tool inclinometric system with three-component accelerometric and fluxgate sensors, characterized by the sight angle θ and zenith angle φ, are set sequentially on the rotary table azimuth angle α = 0 °.
Практически все применяемые на практике способы калибровки одиночных датчиков и «векторных» датчиков используют модели датчиков в линейной параметрической форме и осуществляют параметрическую идентификацию.Almost all methods of calibration of single sensors and "vector" sensors used in practice use sensor models in linear parametric form and carry out parametric identification.
Цель изобретения - упрощение процедуры разработки датчиков на основе применения предложенной в способе новой технологии их индивидуальной калибровки и обучения, в результате которой может быть получен «интеллектуальный» датчик, обеспечивающий как восстановление воздействующей на него физической величины с заданной точностью во всем диапазоне условий рабочего функционирования, так и уникальное для датчика конкретного типа избирательное повышение чувствительности в интересующем диапазоне изменения измеряемой физической величины.The purpose of the invention is to simplify the procedure for developing sensors based on the application of the proposed in the method a new technology for their individual calibration and training, as a result of which an "intelligent" sensor can be obtained, which provides both restoration of the physical quantity acting on it with a given accuracy in the entire range of conditions of working functioning, and a selective increase in sensitivity, unique for a sensor of a specific type, in the range of interest in the measured physical quantity.
Поставленная цель достигается способом калибровки интеллектуальных датчиков путем подачи на вход определенных сигналов и наблюдением выходного сигнала, использующим искусственные нейронные сети, дополнительно, калибровку осуществляют согласно коммутативной диаграмме, показанной на фиг. 1, где обозначены: ex - изоморфное в обычном смысле отображение (в данном случае единичное), характеризующее желаемое тождество между некоторым известным эталонным сигналом Хэт, подаваемым на вход калибруемого «интеллектуального» датчика, и восстановленным на его выходе сигналом Хвост; ƒ - неизвестная функция преобразования (измерительная характеристика) входного сигнала Хэт датчика в сигнал U на его выходе (на выходе «чистого» датчика, т.е. до «интеллектуальной» обработки сигнала); ƒ-1 - функция восстановления измеряемой датчиком физической величины Хвост, представляющая собой обратную функцию преобразования датчика, характеризующую некоторую процедуру «интеллектуальной» обработки его выходного сигнала U; используют искусственные нейронные сети для формирования обратной функции преобразования ƒ-1 датчика и осуществляют «обучение» интеллектуального датчика в процессе калибровки с целью реализации изоморфного отображения еХ: Хэт→Хвост, обеспечивающего существование этой обратной функции и позволяющего восстанавливать с заданной точностью реальные значения физической величины, действующей на вход датчика.This goal is achieved by the method of calibrating smart sensors by supplying certain signals to the input and observing the output signal using artificial neural networks; additionally, the calibration is carried out according to the commutative diagram shown in FIG. 1, where indicated: e x - isomorphic in the usual sense of the display (in this case, single), characterizing the desired identity between some known reference signal X et , supplied to the input of the calibrated "smart" sensor, and the signal X east restored at its output; ƒ - unknown conversion function (measurement characteristic) of the input signal X et of the sensor into the signal U at its output (at the output of the "clean" sensor, ie before the "intelligent" signal processing); ƒ -1 - function of restoration of the physical quantity Tail measured by the sensor, which is the inverse function of the sensor transformation, characterizing some procedure of "intelligent" processing of its output signal U; use artificial neural networks to form the inverse transformation function of the датчика -1 sensor and carry out the "training" of the smart sensor during the calibration process in order to implement the isomorphic mapping e X : X et → X east , which ensures the existence of this inverse function and allows the real values to be restored with a given accuracy physical quantity acting on the sensor input.
Сущность изобретения поясняется чертежами, где на фиг. 1 представлена коммутативная диаграмма отображений в задаче калибровки, на фиг. 2 и на фиг. 3 представлена примерная структура реализации способа в режимах «работа» и «Калибровка-Обучение», соответственно.The essence of the invention is illustrated by drawings, where FIG. 1 shows a commutative diagram of mappings in the calibration problem, FIG. 2 and in FIG. 3 shows an exemplary structure of the implementation of the method in the modes "work" and "Calibration-Teach", respectively.
Суть изобретения излагается ниже. С точки зрения теории систем калибровка датчиков, имеющих линейную модель, относится к классу относительно простых классических задач параметрической идентификации [8]. По множеству X входных сигналов и множеству U сигналов на выходе датчика в рамках лабораторной процедуры калибровки при различных условиях его функционирования (чаще всего при изменении температуры в широких пределах, характерных для ожидаемых условий эксплуатации) по результатам проведения серии экспериментов определяются истинные значения нулевого сигнала С и масштабного коэффициента K (или поправки к паспортным значениям этих параметров), которые в дальнейшем используются при рабочем функционировании датчика, обеспечивая алгоритмическую компенсацию его систематических погрешностей в установившихся режимах функционирования по формуле вида (2).The essence of the invention is outlined below. From the point of view of the theory of systems, the calibration of sensors with a linear model belongs to the class of relatively simple classical problems of parametric identification [8]. From the set X input signals and the set U signals at the sensor output as part of the laboratory calibration procedure under various conditions of its operation (most often when the temperature changes over a wide range typical for the expected operating conditions), based on the results of a series of experiments, the true values of the zero signal C and scale factor K (or amendments to the passport values of these parameters), which are subsequently used in the operating operation of the sensor, providing algorithmic compensation for its systematic errors in steady-state modes of operation according to the formula of the form (2).
Таким образом, в представленной интерпретации традиционная задача калибровки может рассматриваться как частный случай классической задачи параметрической идентификации модели датчика для всего множества установившихся режимов его работы,Thus, in the presented interpretation, the traditional calibration problem can be considered as a special case of the classical problem of parametric identification of the sensor model for the entire set of steady-state modes of its operation,
Для избавления от недостатка, обусловленного необходимостью обеспечения линейности модели датчика, задачу идентификации его модели и, соответственно, задачу калибровки, общий принцип изоморфизма [1, 6] позволяет рассматривать в более широкой, фундаментальной постановке.To get rid of the drawback caused by the need to ensure the linearity of the sensor model, the problem of identifying its model and, accordingly, the calibration problem, the general principle of isomorphism [1, 6] allows us to consider in a broader, fundamental setting.
Можно исходить из того, что датчики не отбраковываются и их модели существенно индивидуальны (уникальны), нелинейны, а в наиболее общем случае и вообще не известны. Тогда нужно ставить задачу идентификации (в общем случае - задачу непараметрической идентификации) модели датчика по известным данным, поступающим на его вход и данным, непосредственно измеряемым на выходе. Такая задача в классической теории систем [7], известна как задача реализации модели датчика, рассматриваемого в качестве «черного ящика», по известным данным. Однако длительное время такая задача практически не имела решения, т.к., как указывал в [7] Р. Калман, не удавалось в достаточно общем виде не только доказать, но и сформулировать «теорему о реализации».It can be assumed that the sensors are not rejected and their models are essentially individual (unique), nonlinear, and in the most general case are not known at all. Then it is necessary to set the identification problem (in the general case, the problem of nonparametric identification) of the sensor model according to the known data arriving at its input and data directly measured at the output. Such a problem in classical systems theory [7] is known as the problem of implementing a sensor model, considered as a "black box", according to known data. However, for a long time this problem practically did not have a solution, because, as R. Kalman pointed out in [7], it was not possible in a sufficiently general form not only to prove, but also to formulate the "implementation theorem".
В рамках новой парадигмы в теории систем [6], основанной на общем принципе изоморфизма, теорему о реализации удалось доказать в форме основной (фундаментальной) леммы [6]. На основе этой леммы применительно к задаче калибровки можно построить коммутативную диаграмму, показанную на фиг. 1, где обозначены: ех - изоморфное в обычном смысле отображение (в данном случае единичное), характеризующее желаемое тождество между некоторым известным эталонным сигналом Хэт, подаваемым на вход калибруемого «интеллектуального» датчика, и восстановленным на его выходе сигналом Хвост; ƒ - неизвестная функция преобразования (измерительная характеристика) входного сигнала Хэт датчика в сигнал U на его выходе (на выходе «чистого» датчика, т.е. до «интеллектуальной» обработки сигнала); ƒ-1 - функция восстановления измеряемой датчиком физической величины Хвост, представляющая собой обратную функцию преобразования датчика, характеризующую некоторую процедуру «интеллектуальной» обработки его выходного сигнала U.Within the framework of a new paradigm in systems theory [6] based on the general principle of isomorphism, the realization theorem was proved in the form of the main (fundamental) lemma [6]. Based on this lemma, as applied to the calibration problem, one can construct the commutative diagram shown in Fig. 1, where it is indicated: e x - isomorphic mapping in the usual sense (in this case single) characterizing the desired identity between some known reference signal fl applied to the input calibrated "smart" transmitter and restored at its output the X signal east; ƒ - unknown conversion function (measurement characteristic) of the input signal X et of the sensor into the signal U at its output (at the output of the "clean" sensor, ie before the "intelligent" signal processing); ƒ -1 is the recovery function of the physical quantity X east measured by the sensor, which is the inverse function of the sensor transformation, which characterizes a certain procedure of "intelligent" processing of its output signal U.
В соответствии с теоремой о реализации (основной леммой), доказанной в [6], в рамках коммутативной диаграммы на фиг. 1 должны выполняться условия:In accordance with the implementation theorem (main lemma), proved in [6], within the framework of the commutative diagram in Fig. 1 the following conditions must be met:
где ƒ-1 - обратное с точностью до изоморфизма ех отображение-изоморфизм к отображению ƒ, характеризующему неизвестную функцию преобразования (модель) датчика; еХэт лев, ехэт прав, ехвост лев, ехвост прав, еU лев, еUправ - соответственно левая и правая единицы на множествах сигналов Хэт, Хвост, U. Причем, в соответствии с условиями и результатами доказательства основной (фундаментальной) леммы [6], матричные единицы еU лев=еUправ=eU, определяемые на множестве U в рамках коммутативной диаграммы, не обязательно должны быть обычными единичными матрицами. Несмотря на кажущуюся громоздкость выражений (3), в использовании их на практике при калибровке датчиков нет необходимости.where ƒ -1 - reverse up to isomorphism e x-isomorphism mapping to the mapping ƒ, characterizing the unknown transform function (model) of the sensor; e Hat lion , e hat right , e tail lion , e tail right , e U lev , eU right - respectively left and right units on the sets of signals X et , X east , U. Moreover, in accordance with the conditions and results of the proof, the main ( of the fundamental) lemma [6], the matrix units e U lev = eU right = e U , defined on the set U in the framework of a commutative diagram, do not have to be ordinary identity matrices. Despite the seeming cumbersomeness of expressions (3), there is no need to use them in practice when calibrating sensors.
Кроме того, в отличие от традиционно применяемых датчиков, у которых функция преобразования (1) почти всегда линейна и обязательно всегда обратима в обычном смысле, у «интеллектуальных» датчиков, функционирующих на основе общего принципа изоморфизма, функция преобразования ƒ (Фиг. 1) может быть не только нелинейной, но и необратимой в обычном смысле. На ƒ накладывается лишь одно требование-ограничение [6] - она должна быть мономорфным отображением вида ƒ: Хэт→U. Это условие легко выполнить при калибровке (оно выполняется и для обычных «линейных датчиков»): каждому значению эталонного сигнала Хэт должно строго соответствовать одно единственное значение выходного сигнала U и, наоборот, в множестве значений выходного сигнала U должно существовать подмножество U*⊂U таких значений сигнала U, каждому из которых обязательно соответствует единственное значение калибровочного эталонного сигнала из множества Хэт. Тогда обязательно будет существовать эпиморфное отображение ƒ-1: U→Хвост, позволяющее восстанавливать значения сигналов из множества Хвост, точно и взаимно однозначно отображающих соответствующие сигналы из множества Хэт. Как следует из доказательства основной леммы в [6], отображение ƒ будет в этом случае изоморфным с точностью до изоморфизма ех: Хэт→Хвост. Доказательство рассматриваемого утверждения об обязательном существовании эпиморфного отображения ƒ-1 и изоморфности отображения ƒ внутри коммутативной диаграммы здесь приводить не будем, так как оно во многом опирается на доказательство основной леммы, подробно изложенное в [6].In addition, unlike the traditionally used sensors, in which the transformation function (1) is almost always linear and always necessarily reversible in the usual sense, in "smart" sensors operating on the basis of the general principle of isomorphism, the transformation function ƒ (Fig. 1) can be not only nonlinear, but also irreversible in the usual sense. Only one constraint requirement is imposed on ограничение [6] - it must be a monomorphic mapping of the form ƒ: X et → U. This condition is easy to fulfill during calibration (it is also fulfilled for conventional "linear sensors"): each value of the reference signal X et must strictly correspond to one single value of the output signal U and, conversely, in the set of values of the output signal U there must be a subset U * ⊂U such values of the signal U, each of which necessarily corresponds to a single value of the calibration reference signal from the set X et . Then there will necessarily be an epimorphic mapping ƒ -1 : U → X east , which allows you to restore the values of signals from the set X east , which accurately and one-to-one display the corresponding signals from the set X et . As follows from the basic proof of the lemma in [6], the mapping ƒ will be isomorphic in this case, up to an isomorphism e x: X → X et east. We will not present here the proof of the assertion under consideration about the obligatory existence of the epimorphic map -1 and the isomorphism of the map ƒ inside the commutative diagram, since it is largely based on the proof of the main lemma, presented in detail in [6].
Далее, в качестве модели обратной функции преобразования ƒ-1 выбирается искусственная нейронная сеть, обучаемая на полученных в результате проведения калибровочных экспериментов примерах таким образом, чтобы каждому уникальному значению выходного сигнала датчика из множества U строго отвечало единственное восстановленное значение физической величины из множества Хвост, точно соответствующее тому значению входной физической величины на множестве Хэт, которому точно соответствует значение сигнала из множества U, вызвавшее указанный отклик нейронной сети (значение сигнала из множества Хвост). После обучения нейронной сети на всем множестве калибровочных сигналов-примеров для проверки точности модели ƒ-1 проводят серию контрольных экспериментов с подачей на вход датчика таких значений сигналов, которые не вошли в множество Хэт обучающих эталонных входных сигналов. При необходимости для повышения точности работы «интеллектуального» датчика нейронная сеть дообучают на результатах дополнительных экспериментов, позволяющих сформировать промежуточные обучающие точки-сигналы. Такая процедура обучения позволяет получить изоморфное отображение ех: Хэт→Хвост и в неявной форме (в форме нейронной сети) - обратную функцию преобразования ƒ-1, позволяющую восстанавливать с заданной точностью реальные значения физической величины, действующей на вход датчика.Further, as a model of the inverse transformation function ƒ -1 , an artificial neural network is selected that is trained on the examples obtained as a result of calibration experiments in such a way that each unique value of the sensor output signal from the set U strictly corresponds to the only reconstructed value of the physical quantity from the set X east , exactly corresponding to the value of the input physical quantity on the set X et , which exactly corresponds to the value of the signal from the set U, which caused the specified response of the neural network (the value of the signal from the set X east ). After training the neural network on the entire set of calibration example signals, to check the accuracy of the -1 model, a series of control experiments is carried out with the input of the sensor with such signal values that were not included in the set X et of the training reference input signals. If necessary, to improve the accuracy of the "smart" sensor, the neural network is retrained on the basis of the results of additional experiments, which make it possible to form intermediate training points-signals. Such training procedure allows to obtain an isomorphic mapping e x: X → X et vost in latent form (in the form of a neural network) - inverse transformation function ƒ -1, allows to recover with precision the actual predetermined value of the physical quantity acting on the sensor input.
Нейронная сеть (обратная функция преобразования ƒ-1), сформированная и обученная в процессе проведения калибровочных экспериментов (фиг. 3), записывают в память процессора «интеллектуального» датчика и в дальнейшем используют в процессе его рабочего функционирования. Обратим внимание также на то, что необходимость идентификации самой функции преобразования датчика ƒ, а также необходимость решения сложной системы алгебраических уравнений (3) для определения обратной функции преобразования ƒ-1 при рассмотренном подходе отсутствует. Функция ƒ может оставаться вообще неизвестной. К функции преобразования ƒ «интеллектуального» датчика предъявляется лишь традиционное и для обычного «линейного» датчика требование - высокая стабильность ƒ при длительных сроках эксплуатации. При этом ƒ может изменяться (трансформироваться) при изменении в широких пределах ожидаемых условий эксплуатации датчика. В этом случае искусственная нейронная сеть должна быть обучена применительно ко всем этим условиям будущего применения датчика путем проведения дополнительных калибровочных экспериментов. Кроме того, у конструкторов, в отличие от традиционного подхода, связанного с необходимостью обеспечения линейности функции ƒ, появляется свобода выбора таких ее видов, которые обеспечивают, например, избирательное повышение чувствительности датчика в некоторых, интересующих разработчика, диапазонах изменения измеряемой физической величины. Если таких требований нет, конструктор, в принципе, может вообще не задаваться каким-либо видом функции ƒ, ориентируясь лишь на приемлемую чувствительность датчика во всем диапазоне изменения измеряемой физической величины. Если же возникнет необходимость идентификации самой функции преобразования датчика ƒ, то для этого может быть использована либо та же искусственная нейронная сеть, что и в случае идентификации обратной функции преобразования ƒ-1, либо некоторая другая. В этом случае процедура обучения позволяет получить изоморфное отображение eu: U→Uвост и в неявной форме (в форме нейронной сети) - функцию преобразования ƒ, позволяющую восстанавливать с заданной точностью значения Uвост сигнала датчика, непосредственно наблюдаемые на выходе датчика. При калибровке идентифицировать функцию преобразования ƒ не требуется, так как она не используется в рабочем режиме функционирования откалиброванного датчика для восстановления физической величины, действующей на его вход.The neural network (inverse transformation function ƒ -1 ), formed and trained in the process of carrying out calibration experiments (Fig. 3), is written into the memory of the processor of the "smart" sensor and further used in the process of its working functioning. We also pay attention to the fact that there is no need to identify the sensor transformation function ƒ itself, as well as the need to solve a complex system of algebraic equations (3) to determine the inverse transformation function ƒ -1 with the considered approach. The function ƒ may remain completely unknown. The conversion function ƒ of an “intelligent” sensor is only required for the traditional requirement for a conventional “linear” sensor - high stability ƒ with long service life. In this case, ƒ can change (transform) when the expected operating conditions of the sensor change over a wide range. In this case, the artificial neural network must be trained in relation to all these conditions for the future use of the sensor by performing additional calibration experiments. In addition, designers, in contrast to the traditional approach associated with the need to ensure the linearity of the function ƒ, have the freedom to choose such types of it that provide, for example, a selective increase in the sensitivity of the sensor in some ranges of variation of the measured physical quantity that are of interest to the developer. If there are no such requirements, the designer, in principle, may not be assigned any kind of function ƒ at all, focusing only on the acceptable sensitivity of the sensor in the entire range of variation of the measured physical quantity. If it becomes necessary to identify the transformation function of the sensor ƒ itself, then either the same artificial neural network as in the case of identifying the inverse transformation function ƒ -1 or some other can be used. In this case, the training procedure allows one to obtain an isomorphic mapping e u : U → U ost and in an implicit form (in the form of a neural network) - a transformation function ƒ, which allows restoring with a given accuracy the values U ost of the sensor signal directly observed at the sensor output. During calibration, it is not necessary to identify the conversion function ƒ, since it is not used in the operating mode of the calibrated sensor to restore the physical quantity acting on its input.
Принцип работы нейросетевой системы показан на фиг. 2. Эталонный сигнал Хэт, поступая на вход первичного измерительного преобразователя (ПИП), преобразуется с помощью функции ƒ в цифровой сигнал U на выходе ПИП. Затем сигнал U поступает на нейросеть, где после преобразования функцией ƒ-1 становится восстановленным сигналом Хвост. Если нейросеть обучена, то по сигналам кода U она должна выдавать тот же сигнал, который поступает на вход.The principle of operation of the neural network system is shown in Fig. 2. The reference signal X et , arriving at the input of the primary measuring transducer (PIM), is converted using the function ƒ into a digital signal U at the output of the PIM. Then the signal U enters the neural network, where, after transformation by the function ƒ -1, it becomes the restored signal X east . If the neural network is trained, then according to the signals of the U code, it should produce the same signal that comes to the input.
Процесс обучения «интеллектуального» датчика можно описать следующим образом (фиг. 3). В процессе калибровки ставятся эксперименты, позволяющие получить для каждого значения эталонного сигнала Хэт некоторое единственное значение сигнала из множества U выходных сигналов датчика (например, некоторый уникальный цифровой код). Калибровочный стенд задает эталонные сигналы Хэт, на выходе ПИП получаются кодовые сигналы U. Чтобы обучить нейросеть, необходимо сформировать на выходе системы такой же вектор Хвост, как и на ее входе Хэт. Весовые коэффициенты нейросети необходимо настроить так, чтобы входной сигнал совпадал с выходным. Параллельно этому эталонный сигнал Хэт поступает на автоматизированное рабочее место (АРМ) обучения-калибровки (процессор), в котором происходит обучение и формирование искусственной нейронной сети (ИНС), на вход ИНС и сравнивается с восстановленным сигналом Х'вост, полученным на выходе из АРМ. Для обучения системы создается структура ИНС S инс , которая загружается в АРМ.The learning process of the "smart" sensor can be described as follows (Fig. 3). In the process of calibration, experiments are carried out to obtain for each value of the reference signal X et some unique signal value from the set U of the sensor output signals (for example, some unique digital code). The calibration stand sets the reference signals X et , the code signals U are obtained at the output of the PIP. To train the neural network, it is necessary to form the same vector X east at the output of the system as at its input X et . The weighting coefficients of the neural network must be adjusted so that the input signal matches the output. In parallel to this, the reference signal X et goes to the automated workstation (AWS) of training-calibration (processor), in which the training and formation of an artificial neural network (ANN) takes place, to the input of the ANN and is compared with the recovered signal X ' east received at the output from AWP. To train the system, the structure of the ANN S ins is created , which is loaded into the AWP.
По окончании обучения нейросети калибровочный стенд подает на вход ПИП известный контрольный вектор, значения которого сравниваются с полученными значениями восстановленного сигнала на выходе датчика. Если данные сигналы не совпадают, то на выходе появляется ошибка ΔХ, и алгоритм обучения должен быть построен таким образом, чтобы такую ошибку свести к нулю. Если ошибка меньше допустимой, то обучение считается законченным, в противном случае сигнал возвращается на АРМ и обучение нейросети продолжается до тех пор, пока ошибка ΔХ не сведется к допустимой (близкой к нулю).At the end of the neural network training, the calibration stand sends a known control vector to the PIP input, the values of which are compared with the obtained values of the reconstructed signal at the sensor output. If these signals do not match, then an error ΔX appears at the output, and the learning algorithm should be built in such a way as to reduce such an error to zero. If the error is less than the allowable one, then the training is considered complete, otherwise the signal is returned to the AWP and the neural network training continues until the error ΔX is reduced to an acceptable one (close to zero).
Таким образом предложен способ калибровки, опирающейся на общий эффект от применения двух технологий - технологии идентификации систем на основе общего принципа изоморфизма [1-6] и технологии разработки и обучения искусственных нейронных сетей [12].Thus, the proposed method of calibration, based on the overall effect of the use of two technologies - the technology of identification of systems based on the general principle of isomorphism [1-6] and the technology of development and training of artificial neural networks [12].
На множестве значений выходного сигнала U датчика допускается существование некоторых «зашумленных» значений сигнала, ни одно из которых не отвечает какому-либо эталонному значению сигнала из множества Хэт. Тем не менее, «интеллектуальная» обработка зашумленных значений сигнала U посредством обратной функции преобразования ƒ-1: U→Хвост позволит восстановить точные значения сигнала Хвост, однозначно отвечающие соответствующим значениям сигнала из множества Хэт посредством выделения в U указанного выше подмножества U*⊂U.On the set of values of the output signal U of the sensor, the existence of some "noisy" signal values is allowed, none of which corresponds to any reference signal value from the set X et . Nevertheless, the "intelligent" processing of noisy signal values U by means of the inverse transformation function ƒ -1 : U → X east will allow restoring the exact values of the signal X east , which unambiguously correspond to the corresponding signal values from the set X et by extracting in U the above subset U * ⊂U.
Указанное утверждение и его доказательство справедливы лишь в том случае, когда изоморфность отображения ex: Хэт→Хвост обеспечена заранее, например, путем «обучения» интеллектуального датчика в процессе калибровки. Процесс обучения позволяет одновременно решить две задачи: сформировать обратную функцию преобразования ƒ-1 датчика, то есть решить задачу калибровки его модели, и получить изоморфное отображение ех: Хэт→Хвост, обеспечивающее существование этой обратной функции.The indicated statement and its proof are valid only in the case when the isomorphism of the mapping e x : X et → X vost is provided in advance, for example, by "teaching" the smart sensor during the calibration process. The learning process can simultaneously solve two problems: to form an inverse transformation function ƒ -1 sensor, that is, to solve the problem of calibrating the model, and get an isomorphic mapping of Laughter: X → X floor east, ensuring the existence of the inverse function.
Техническим результатом является упрощение процедур разработки датчиков на основе применения предложенной в изобретении новой технологии их индивидуальной калибровки и обучения, в результате которой может быть получен «интеллектуальный» датчик, обеспечивающий как восстановление воздействующей на него физической величины с заданной точностью во всем диапазоне условий рабочего функционирования, так и уникальное для датчика конкретного типа избирательное повышение чувствительности в интересующем диапазоне изменения измеряемой физической величины. Полученные результаты позволяют разработать принципиально новые способы конструирования и калибровки датчиков различного назначения.The technical result is to simplify the procedures for developing sensors based on the application of the proposed in the invention a new technology for their individual calibration and training, as a result of which an "intelligent" sensor can be obtained, which provides both the restoration of the physical quantity acting on it with a given accuracy in the entire range of operating conditions, and a selective increase in sensitivity, unique for a sensor of a specific type, in the range of interest in the measured physical quantity. The results obtained make it possible to develop fundamentally new methods of designing and calibrating sensors for various purposes.
ЛитератураLiterature
1. Кулабухов B.C. Принцип изоморфности в задаче реализации и его приложения к анализу свойств систем управления // В сборнике: XII Всероссийское совещание по проблемам управления ВСПУ-2014. Институт проблем управления им. В.А. Трапезникова РАН. 2014. С. 438-448. URL: http://vspu2014.ipu.ru/prcdngs1. Kulabukhov B.C. The principle of isomorphism in the problem of implementation and its applications to the analysis of the properties of control systems // In the collection: XII All-Russian meeting on control problems VSPU-2014. Institute for Management Problems. V.A. Trapeznikov RAS. 2014.S. 438-448. URL: http://vspu2014.ipu.ru/prcdngs
2. Кулабухов B.C. Изоморфные наблюдатели состояния и робастная фильтрация сигналов систем // Радиотехника. 2017. №8. С. 50-55.2. Kulabukhov B.C. Isomorphic state observers and robust filtering of system signals // Radiotekhnika. 2017. No. 8. S. 50-55.
3. Кулабухов B.C. Синтез регуляторов для следящих систем на основе принципа изоморфности // Мехатроника, автоматизация, управление. 2017. Том 18, №8. С. 507-515.3. Kulabukhov B.C. Synthesis of controllers for servo systems based on the principle of isomorphism // Mechatronics, automation, control. 2017. Volume 18, No. 8. S. 507-515.
4. Kulabukhov V. Linear Isomorphic Regulators // CMTAI2016. MATEC Web of Conf. 2017. T. 99. C. 03008. (doi:10.1051/matecconf/20179903008). URL:https://www.matec-conferences.org/articles/matecconf/pdf/2017/13/matecconf_cmtai2017_03008.pdf4. Kulabukhov V. Linear Isomorphic Regulators // CMTAI2016. MATEC Web of Conf. 2017. T. 99. C. 03008. (doi: 10.1051 / matecconf / 20179903008). URL: https: //www.matec-conferences.org/articles/matecconf/pdf/2017/13/matecconf_cmtai2017_03008.pdf
5. Kulabukhov V.S. Isomorphic observers of the linear systems state // Workshop on Materials and Engineering in Aeronautics (MEA2017) 15-16 November 2017, Moscow, Russian Federation. doi:10.1088/1757-899X/312/l/012016. p. 012016. URL: http://iopscience.iop.org/issue/1757-899X/312/15. Kulabukhov V.S. Isomorphic observers of the linear systems state // Workshop on Materials and Engineering in Aeronautics (MEA2017) 15-16 November 2017, Moscow, Russian Federation. doi: 10.1088 / 1757-899X / 312 / l / 012016. p. 012016. URL: http://iopscience.iop.org/issue/1757-899X/312/1
6. Кулабухов B.C. Общий принцип изоморфизма в теории систем // Cloud of Science. 2018. Т. 5. №3. С. 400-472. URL:6. Kulabukhov B.C. General principle of isomorphism in systems theory // Cloud of Science. 2018.Vol. 5.No.3. S. 400-472. Url:
https://cloudofscience.ru/sites/default/files/pdf/CoS_5_400.pdfhttps://cloudofscience.ru/sites/default/files/pdf/CoS_5_400.pdf
7. Калман Р.Е. Идентификация систем с шумами // УМН. 1985. Т. 40. Вып. 4 (244). С. 27-41.7. Kalman R.E. Identification of systems with noises // UMN. 1985. T. 40. Issue. 4 (244). S. 27-41.
8. Цыпкин Я.З. Информационная теория идентификации. - М.: Наука. Физматлит, 1995. - 336 с.8. Tsypkin Ya.Z. Information theory of identification. - M .: Science. Fizmatlit, 1995 .-- 336 p.
9. URL: https://search.rsl.ru/ru/record/010067441949.URL: https://search.rsl.ru/ru/record/01006744194
10. ГОСТР 8.879-2014 Государственная система обеспечения единства измерений. Методики калибровки средств измерений. Общие требования к содержанию и изложению.10. GOST 8.879-2014 State system for ensuring the uniformity of measurements. Calibration techniques for measuring instruments. General requirements for content and presentation.
11. Хайкин С. Нейронные сети. Полный курс. 2-е изд. Пер. с англ. - М.: Издательский дом «Вильямс», 2006. - 1104 с.11. Khaikin S. Neural networks. Complete course. 2nd ed. Per. from English. - M .: Publishing house "Williams", 2006. - 1104 p.
12. Кулабухов B.C. Модель нейробионической сети для бортовых систем искусственного интеллекта // В сборнике: III Всероссийская научно-техническая конференция «Моделирование авиационных систем». Сборник тезисов докладов. ФГУП «ГосНИИАС», 21-22 ноября 2018 г., г. Москва. С. 339-341.12. Kulabukhov B.C. Model of a neurobionic network for onboard artificial intelligence systems // In the collection: III All-Russian Scientific and Technical Conference "Modeling of Aviation Systems". Collection of abstracts. FSUE "GosNIIAS", November 21-22, 2018, Moscow. S. 339-341.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019117879A RU2730367C1 (en) | 2019-06-10 | 2019-06-10 | Method of calibrating intelligent sensors |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019117879A RU2730367C1 (en) | 2019-06-10 | 2019-06-10 | Method of calibrating intelligent sensors |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2730367C1 true RU2730367C1 (en) | 2020-08-21 |
Family
ID=72237863
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2019117879A RU2730367C1 (en) | 2019-06-10 | 2019-06-10 | Method of calibrating intelligent sensors |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2730367C1 (en) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5606124A (en) * | 1996-05-20 | 1997-02-25 | Western Atlas International, Inc. | Apparatus and method for determining the gravitational orientation of a well logging instrument |
| WO2005052315A1 (en) * | 2003-11-21 | 2005-06-09 | Baker Hughes Incorporated | Method and apparatus for downhole fluid analysis using molecularly imprinted polymers |
| RU2537513C2 (en) * | 2012-12-06 | 2015-01-10 | Открытое акционерное общество Арзамасское научно-производственное предприятие "ТЕМП-АВИА" (ОАО АНПП "ТЕМП-АВИА") | Method of estimating errors and controlling raw information sensors in gimballess inertial navigation system in ground conditions and apparatus therefor |
| WO2016093853A1 (en) * | 2014-12-12 | 2016-06-16 | Halliburton Energy Services, Inc. | Optical computing device diagnostics and treatment |
| RU2611567C1 (en) * | 2015-12-09 | 2017-02-28 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Уфимский государственный авиационный технический университет" | Method of calibrating inclinometer systems |
| RU2655053C1 (en) * | 2017-03-02 | 2018-05-23 | Акционерное общество Московский научно-производственный комплекс "Авионика" имени О.В. Успенского (АО МНПК "Авионика") | Method of the integrated sensors unit calibration coefficients determining |
-
2019
- 2019-06-10 RU RU2019117879A patent/RU2730367C1/en active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5606124A (en) * | 1996-05-20 | 1997-02-25 | Western Atlas International, Inc. | Apparatus and method for determining the gravitational orientation of a well logging instrument |
| WO2005052315A1 (en) * | 2003-11-21 | 2005-06-09 | Baker Hughes Incorporated | Method and apparatus for downhole fluid analysis using molecularly imprinted polymers |
| RU2537513C2 (en) * | 2012-12-06 | 2015-01-10 | Открытое акционерное общество Арзамасское научно-производственное предприятие "ТЕМП-АВИА" (ОАО АНПП "ТЕМП-АВИА") | Method of estimating errors and controlling raw information sensors in gimballess inertial navigation system in ground conditions and apparatus therefor |
| WO2016093853A1 (en) * | 2014-12-12 | 2016-06-16 | Halliburton Energy Services, Inc. | Optical computing device diagnostics and treatment |
| RU2611567C1 (en) * | 2015-12-09 | 2017-02-28 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Уфимский государственный авиационный технический университет" | Method of calibrating inclinometer systems |
| RU2655053C1 (en) * | 2017-03-02 | 2018-05-23 | Акционерное общество Московский научно-производственный комплекс "Авионика" имени О.В. Успенского (АО МНПК "Авионика") | Method of the integrated sensors unit calibration coefficients determining |
Non-Patent Citations (1)
| Title |
|---|
| КУЛАБУХОВ B.C. ОБЩИЙ ПРИНЦИП ИЗОМОРФИЗМА В ТЕОРИИ СИСТЕМ. Cloud of Science. 2018, Т. 5(3), стр. 400-472. * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106125026B (en) | A kind of three axis magnetometer total error parameter identification and bearing calibration independent of earth's magnetic field amount | |
| US10982959B2 (en) | Fused sensor ensemble for navigation and calibration process therefor | |
| CN106959105B (en) | Method for calibrating compass and device | |
| Sushchenko et al. | Processing of redundant information in airborne electronic systems by means of neural networks | |
| CN113176529B (en) | Magnetic gradiometer correction method, magnetic gradiometer correction device and storage medium | |
| CN111458573A (en) | Method, device and system for measuring electric parameters of conducting wire and computer equipment | |
| CN113532397A (en) | Regional elevation anomaly fitting method based on extension algorithm | |
| CN103983278A (en) | Method for measuring factors influencing precision of satellite attitude determination system | |
| CN113609749A (en) | Current calculation method based on magnetic field signal and suitable for multiple scenes | |
| Geist et al. | Gravity-based characterization of three-axis accelerometers in terms of intrinsic accelerometer parameters | |
| Marinov et al. | Analysis of sensors noise performance using Allan deviation | |
| CN118191687B (en) | Self-adaptive triaxial fluxgate magnetic interference compensation method in time-varying noise environment | |
| CN103344252B (en) | A kind of Airborne Hyperspectral imaging system analysis of Positioning Error method | |
| RU2730367C1 (en) | Method of calibrating intelligent sensors | |
| RU2626288C1 (en) | Method for determining errors in basic characteristics of inertial measuring device unit | |
| CN112528418A (en) | Evaluation system for semi-physical simulation test under non-reference condition | |
| RU2714612C1 (en) | Method of identifying nonlinear systems | |
| CN116415458A (en) | TMR current sensor array arrangement method based on digital twinning | |
| Yu et al. | Synchronous correction of two three-axis magnetometers using FLANN | |
| Neymann et al. | Minimization of Parameter Sensitivity to Pre-Estimation Errors and its Application to the Calibration of Magnetometer Arrays | |
| CN108332739A (en) | Method for determining principal component factor response boundary of star sensor on-orbit attitude measurement accuracy | |
| RU2714039C1 (en) | Smart sensor development system | |
| Rahimi et al. | Improving the calibration process of inertial measurement unit for marine applications | |
| Laoué et al. | Neural Network Calibration of Airborne Magnetometers | |
| CN111123406A (en) | Handheld meteorological instrument temperature data fitting method |