Розробка моделі з використанням багатошарового перцептрона для системи вимірювання концентрації метану на основі бездротового оптико-електронного сенсора

Abstract

The work proposes a model using a multilayer perceptron (MLP) for methane concentration measurement system based on a wireless optoelectronic sensor. In the controlled environment that may be dangerous to humans, a sensor is located, it remotely transmits information regarding the methane concentration to a computer, where a neural network processes the received data. As a sensor, it is proposed to use optoelectronic methane concentration sensor due to its high sensitivity, accuracy, reliability, and stability, as well as fast response, non-contact measurements, resistance to interference, the possibility of remote monitoring, and minimal maintenance. As a neural network, it is proposed to use a multilayer perceptron due to its simplicity in implementation and high efficiency for gas concentration estimation tasks in conditions of a small or medium training sample size, when the sum of basic nonlinearities well approximates the relationship between the sensor characteristics and the gas concentration without complex dynamic effects, and in case of low noise and interference, if the data has a moderate level of background fluctuations. Such systems allow measuring methane concentration with high accuracy by collecting data by means of optoelectronic sensor in real time, which, in combination with processing of the collected data using a neural network, demonstrates great potential in measuring methane concentration, and, consequently, early warning of its leakage. The work also proposes to use a multilayer perceptron model for processing data from a wireless optoelectronic sensor of methane concentration. The main indicators of the effectiveness of the proposed multilayer perceptron model, which were determined during the research, were selected such characteristics as the mean square error (MSE) and the mean absolute error (MAE). To analyze these indicators, the change in MSE and accuracy during model training and validation, the comparison of data from the optical sensor and the model, as well as the assessment of the change in MSE and MAE during the measurement process, were carried out.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.