مدلسازي پديده خودگرمايي و مشخصه غير خطي سنسور NTC با استفاده از شبكه هاي عصبي براي اندازه گيري مستقيم دما

Self-heating Phenomenon and Nonlinear Characteristic Modeling of NTC Using Artificial Neural Network for Direct Measurement of Temperature

يكي از مهمترين پارامترهاي قابل اندازه گيري در سيستم هاي مهندسي، دما است. براي اندازه گيري دما با توجه به ميزان دقت مورد نياز و شرايط فيزيكي، سنسورهاي مختلفي از جمله RTD، NTC، PTC، Thermocouple و ... وجود دارد. يكي از مهمترين اين سنسورها NTC است، كه عليرغم داشتن مزاياي زياد، اما به دليل غيرخطي بودن كمتر از ان استفاده مي شود. پديده خودگرمايي در NTC ها يكي از مهمترين عوامل بازدارنده در استفاده از آن در كاربردهاي عملي مي شود. در اين تحقيق ساختاري جديد مبتني بر استفاده از شبكه هاي عصبي براي مدلسازي پديده هاي غيرخطي و خودگرمايي در سنسور NTC پيشنهاد شده است. در ساختار پيشنهادي اين تحقيق با استفاده از داده هاي آزمايشگاهي و واقعي، شبكه هاي عصبي آموزش و آزمايش مي شوند. ميانگين مربعات خطاي 0/0480 و 0/0370 به ترتيب براي شبكه هاي MLP و RBF بيانگر موفقيت روش پيشنهادي در مدلسازي رفتار غيرخطي سنسور NTC است.

In the engineering systems, one of the most important measurable parameters is temperature. For measurement of temperature as for sensitivity, accuracy and term of physical required, different sensors as RTD, NTC, PTC, Thermo-couple are exist. One of the most important sensors is NTC that despite the many benefits, less than it used to be. Nonlinearity characteristic and self-heating phenomenon in the NTC are the biggest deterrents in practical applications. In this study, a new structure based on application of artificial neural network (ANN) has been suggested for modeling of the nonlinear and the self-heating phenomenons of NTC. Simulation results based on read generated laboratory data are presented to demonstrate the performance of the proposed structure. Mean square error of 0.0480 and 0.0370 are achieved based on MLP and RBF neural network, respectively.