г. Минск
Minsk
Адрес для переписки:Белорусский национальный технический университет, пр-т Независимости, 65, г. Минск 220013,Беларусь
e-mail: tyavlovsky@bntu.by
Address for correspondence:Tyavlovsky A.K.Belarusian National Technical University, Nezavisimosty Ave., 65,Minsk 220013, Belarus e-mail: tyavlovsky@bntu.by
г. Минск
Minsk
Представлен комплексный анализ перспектив применения термопар хромель-алюмель (тип К) в сочетании с нормирующими преобразователями на основе нейронных сетей для повышения точности температурных измерений. Проведён детальный анализ физических и технических ограничений термопар типа К, включая нелинейность статической характеристики, необратимый дрейф параметров при высокотемпературной эксплуатации, обратимую нестабильность (гистерезис), а также влияние температуры холодных спаев. Осуществляется сравнительный анализ традиционных методов линеаризации и компенсации погрешностей с инновационными подходами, основанными на искусственных нейронных сетях. В качестве наиболее эффективных архитектур для решения поставленных задач обоснованы многослойный перцептрон (MLP) для компенсации статических погрешностей и рекуррентные сети с долгой краткосрочной памятью (LSTM) для учёта динамических эффектов. Показано, что нейросетевые методы позволяют осуществлять комплексную адаптивную компенсацию погрешностей, недостижимую для классических методов, и открывают путь к созданию нового поколения интеллектуальных датчиков температуры. Делается вывод о высокой конкурентоспособности и перспективности термопар типа К в современных промышленных системах в условиях Industry 4.0 при условии оснащения их интеллектуальными нейросетевыми преобразователями.
The object of study is implementation of normalizing converters based on neural network methods to increase the accuracy of temperature measurements with Chromel-Alumel thermocouples (Type K). Detailed analysis of physical and technical limitations of Type K thermocouples is conducted including nonlinearity of characteristic curve, irreversible parameters drift during high-temperature exploitation, reversible instability (hysteresis), as well as influence of cold junction temperature. Traditional linearization and error compensation methods are compared with innovative approaches based on artificial neural networks. Multilayer perceptrons (MLPs) for static error compensation and recurrent networks with long short-term memory (LSTM) for dynamic effects accounting are validated as the most effective architectures for solving the stated problems. The study demonstrates that neural network methods enable complex adaptive error compensation that can not be achieved by traditional methods, which paves the way for the development of a new generation of intelligent temperature sensors. It is concluded that type K thermocouples are highly competitive and promising in modern industrial systems in an Industry 4.0 environment, provided they are equipped with intelligent neural network converters.
The authors declare that there are no conflicts of interest present.