Перспективы применения термопар хромель-алюмель ТХА (тип К) с нормирующими преобразователями, основанными на нейросетевых методах линеаризации и компенсации нестабильностей термоЭДС. Краткий обзор

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.

1. "ITS-90 Thermocouple Database, Web Version 2.0", Srdata.nist.gov, 2017. Available: https://srdata.nist.gov/its90/main/

2. NIST Special Publication 250-35. Thermocouple Calibration. URL: https://www.nist.gov

3. Preston-Thomas, H., “The International Temperature Scale of 1990 (ITS90). Metrologia 27, 3-10 (1990). DOI: 10.1088/0026-1394/27/1/002

4. Gungor, V. C., & Hancke, G. P. (2009). Industrial Wireless Sensor Networks: Applications, Protocols, and Standards. CRC Press. ISBN: 978-1-4665-0052-5 (eBook – PDF)

5. Yu, Jungwon & Yoo, Jaeyeong & Jang, Jaeyel & Park, June & Kim, Sungshin. (2017). A Novel Plugged Tube Detection and Identification Approach for Final Super Heater in Thermal Power Plant Using Principal Component Analysis. Energy. 126. DOI: 10.1016/j.energy.2017.02.154

6. Hai, Zhenyin & Chen, Yue & Su, Zhixuan & Ji, Hongwei & Zhang, Yihang & Gong, Shigui & Gao, Shanmin & Xue, Chenyang & Gao, Libo & Liu, Zhichun. (2025). Application of the Composite Electrical Insulation Layer with a Self-Healing Function Similar to Pine Trees in K-Type Coaxial Thermocouples. Sensors. 25. DOI: 10.3390/s25165210

7. Guo Keying, Lu Yazhong, Liu, Zhihui. (2025). High-temperature thin-film thermocouple for aero-engines. PLOS One. 20. DOI: 10.1371/journal.pone.0329462

8. Salleh, Zuraidah. Temperature Measurement of Ballistic Evaluation Motor Using K-Type Thermocouple. Journal of Mechanical Engineering (2024). DOI: 10.24191/jmeche.v13i1.1245

9. L. Rogelberg, V.M. Beylin. Alloys for Thermocouples. Reference. Moscow, Metallurgy publ., 1983. 360 p.

10. Sloneker K. Life Expectancy Study of Small Diameter Type E, K, and N Mineral-Insulated Thermocouples Above 1000 °C in Air. International Journal of Thermophysics. 2011;(32):537-547. DOI: 10.1007/s10765-011-0942-x

11. Abdelaziz, Yasser & Hammam, M. & Megahed, Faten & Qamar, Ebtesam. Characterizing Drift Behavior in Type K and N Thermocouples After High Temperature Thermal Exposures. Journal of Advanced Research in Fluid Mechanics and Thermal Sciences. 2022;(9):62-74. DOI: 10.37934/arfmts.97.1.6274

12. Kriukiene, Rita & Tamulevičius, Sigitas. (2004). High Temperature Oxidation of Thin Chromel-Alumel Thermocouples. Mater. Sci. 16.

13. R. Anandanatarajan U. Mangalanathan1 U. Gandhi (2022) Linearization of Temperature Sensors (K-Type Thermocouple) Using Polynomial Non-Linear Regression Technique and an IoT-Based Data Logger Interface. DOI: 10.1007/s40799-022-00599-w

14. Analog Devices. MAX31856 Datasheet.

15. J. Agee, S. Masupe, D. Setlhaolo, "Feedforward Neural-Network Conditioning of Type-B Thermocouple with Variable ReferenceJunction Temperature", 2nd International Conference on Adaptive Science & Technology. 2009;296-300 pp.

16. Maseko Moses, Agee John, Davidson Innocent. (2022). Thermocouple Signal Conditioning Using Augmented Device Tables and Table Look-Up Neural Networks, with Validation in J-Thermocouples. DOI: 10.1109/SAUPEC55179.2022.9730718

17. Bolar, Sourav & Corns, Steven & Pundhir, Nayan & Chandrashekhara, K. (2025). Long Short-Term Memory (LSTM) -Based Neural Network Model for Optimizing Composite Manufacturing Process using Autoclave. DOI: 10.33599/nasampe/c.25.91

18. Zhao Tianren & Zhang, Yanhui & Wang, Minghao & Feng, Wei & Cao, Shengxian & Wang, Gong. (2025). A hybrid LSTM-transformer model for accurate. Frontiers in Electronics. 6. DOI: 10.3389/felec.2025.1654344

19. Wang, Meng & Zhang, Zhongkai & Lei, Jiaming & Li, Le & Li, Bo & Zhaojun, Liu & Xia, Yong & Liu, Dan & Tian, Bian & Jing, Weixuan. (2025). Performance evaluation and correction of Al2O3 and YSZ-doped In2O3 /In2O3 multilayer heterogeneous thinfilm thermocouples up to 1850 °C. Journal of Advanced Ceramics. 14. DOI: 10.26599/JAC.2025.9221071

20. Wang, Yujie & Zhuang, Dongling & Xu, Jinghui & Wang, Yemin. Soil Temperature Prediction Based on 1D-CNN-MLP Neural Network Model. Journal of the ASABE. 2023;(66):381-392. DOI: 10.13031/ja.15354

21. Tahmasebi Moradi, Axel & Ren, Vincent & LeCreurer, Benjamin & Mang, Chetra. (2025). Feasibility Study of CNNs and MLPs for Radiation Heat Transfer in 2-D Furnaces with Spectrally Participative Gases. DOI: 10.48550/arXiv.2506.08033

22. Maroz A, Frolov N, Tyavlovsky K. The use of neural networks to increase the accuracy of measuring thermal EMF of thermocouples URI: https://rep.bntu.by/handle/data/153011