Научная статья на тему 'Идентификация атомов газов по спектрам излучения с использованием принципов искусственных нейронных сетей'

Идентификация атомов газов по спектрам излучения с использованием принципов искусственных нейронных сетей Текст научной статьи по специальности «Компьютерные и информационные науки»

CC BY
518
49
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ИДЕНТИФИКАЦИЯ / IDENTIFICATION / ДЛИНА ВОЛНЫ / WAVELENGTH / ИНТЕНСИВНОСТЬ ИЗЛУЧЕНИЯ / INTENSITY OF RADIATION / СПЕКТРОМЕТР / SPECTROMETER / АТОМЫ ГАЗА / GAS ATOMS / ЦЕЛЕВАЯ ФУНКЦИЯ / OBJECTIVE FUNCTION / ФУНКЦИЯ АКТИВАЦИИ / ACTIVATION FUNCTION

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Щербакова Анна Алексеевна, Соловьев Владимир Александрович

Актуальность и цели. Объектом исследования является информационно-измерительная система для идентификации газов. Предметом исследования являются способ достоверной идентификации газов по спектрам излучения, основанный на принципах искусственных нейронных сетей. Целью работы является разработка способа достоверной идентификации атомов газов на основе анализа спектров излучения с использованием принципов искусственных нейронных сетей. Материалы и методы. Для решения поставленных задач использовались методы решения некорректных задач при спектральном анализе, методы математического моделирования, статистической обработки данных, теория искусственных нейронных сетей, метод обратного распространения ошибки, моделирование математической модели производилось в программной среде Visuаl Ваsiс fоr Аррliсаtiоns (VВА) Мiсrоsоft Ехсеl. Результаты. На основе спектрометрической лабораторной установки разработан способ идентификации газов с использованием принципов искусственных нейронных сетей и спектральных характеристик в видимом диапазоне длин волн, разработаны структура и математическая модель искусственной нейронной сети идентификации газа по его спектральным характеристикам; определены параметры функции активации, позволяющей производить обучение искусственной нейронной сети, где в качестве учителя используются эталонные значения интенсивных длин волн различных газов. Выводы. Использование предлагаемой системы и способа идентификации атомов газов позволит: производить достоверную идентификацию газов с использованием искусственных нейронных сетей с обучением измерительной системы учителем; учителем выступают эталонные газы с известными длинами волн; при обучении минимизируются целевые функции, устанавливающие связь между интенсивностями и длинами волн в видимом диапазоне длин волн. Предложены рекомендации по модернизации структурной схемы и оборудования информационно-измерительной системы идентификации веществ в зависимости от решаемой задачи.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Щербакова Анна Алексеевна, Соловьев Владимир Александрович

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

THE IDENTIFICATION OF THE GASES ATOMS IN THE EMISSION SPECTRA USING THE PRINCIPLES OF ARTIFICIAL NEURAL NETWORKS

Background. The object of the study is an information-measuring system for the identification of gases. The subject of the study is a method of reliable identification of gases by emission spectra based on the principles of artificial neural networks. The aim of the work is to develop a method for reliable identification of gas atoms based on the analysis of radiation spectra using the principles of artificial neural networks. Materials and methods. To solve the set tasks we used methods of solving ill-posed problems in spectral analysis, mathematical modeling, statistical data processing, the theory of artificial neural networks, back-propagation, simulation of the mathematical model were performed in the software environment of Visual Basic for Applications (VBA) in Microsoft Excel. Results. On the basis of spectrometric laboratory setup the method of gas identification using the principles of artificial neural networks and spectral characteristics in the visible wavelength range is developed, the structure and mathematical model of the artificial neural network of gas identification by its spectral characteristics are developed; the parameters of the activation function allowing to train the artificial neural network, where the reference values of the intense wavelengths of different gases are used as a teacher. Conclusions. The use of the proposed system and the method for gas atoms identification will allow: to make a reliable identification of gases using artificial neural networks with the training of the measuring system by the teacher; the teacher is the reference gases with known wavelengths; the training minimizes the target functions that establish a relationship between the intensities and wavelengths in the visible wavelength range. Recommendations on modernization of the structural scheme and equipment of the information and measuring system of identification of substances depending on the solved problem are offered.

Текст научной работы на тему «Идентификация атомов газов по спектрам излучения с использованием принципов искусственных нейронных сетей»

ИДЕНТИФИКАЦИЯ АТОМОВ ГАЗОВ ПО СПЕКТРАМ ИЗЛУЧЕНИЯ С ИСПОЛЬЗОВАНИЕМ ПРИНЦИПОВ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ

THE IDENTIFICATION OF THE GASES ATOMS IN THE EMISSION SPECTRA USING THE PRINCIPLES OF ARTIFICIAL NEURAL NETWORKS

Аннотаци я. Актуальность и цели. Объектом исследования является информационно-измерительная система для идентификации газов. Предметом исследования являются способ достоверной идентификации газов по спектрам излучения, основанный на принципах искусственных нейронных сетей. Целью работы является разработка способа достоверной идентификации атомов газов на основе анализа спектров излучения с использованием принципов искусственных нейронных сетей. Материалы и методы. Для решения поставленных задач использовались методы решения некорректных задач при спектральном анализе, методы математического моделирования, статистической обработки данных, теория искусственных нейронных сетей, метод обратного распространения ошибки, моделирование математической модели производилось в программной среде Visual Basic for Applications (VBA) Microsoft Excel. Результаты. На основе спектрометрической лабораторной установки разработан способ идентификации газов с использованием принципов искусственных нейронных сетей и спектральных характеристик в видимом диапазоне длин волн, разработаны структура и математическая модель искусственной нейронной сети идентификации газа по его спектральным характеристикам; определены параметры функции активации, позволяющей производить обучение искусственной нейронной сети, где в качестве учителя используются эталонные значения интенсивных длин волн различных газов. Выводы. Использование предлагаемой системы и способа идентификации атомов газов позволит: производить достоверную идентификацию газов с использованием искусственных нейронных сетей с обучением измерительной системы учителем; учителем выступают эталонные газы с известными длинами волн; при обучении минимизируются целевые функции, устанавливающие связь между интенсивностями и длинами волн в видимом диапазоне длин волн. Предложены рекомендации по модернизации структурной схемы и оборудования информационно-измерительной системы идентификации веществ в зависимости от решаемой задачи.

Abstract. Background. The object of the study is an information-measuring system for the identification of gases. The subject of the study is a method of reliable identification of gases by emission spectra based on the principles of artificial neural networks. The aim of the work is to develop a method for reliable identification of gas atoms based on the analysis of radiation spectra using the principles of artificial neural networks. Materials and methods. To solve the set tasks we used methods of solving ill-posed problems in spectral analysis, mathematical modeling, statistical data processing, the theory of artificial neural networks, back-propagation, simulation of the mathematical model were performed in the software environment of Visual Basic for Applications (VBA) in Microsoft Excel. Results. On the basis of spectrometric labora-

УДК 004.942

DOI 10.21685/2307-5538-2018-2-5

А. А. Щербакова, В. А. Соловьев

A. A. Shcherbakova, V. A. Solov'ev

2018, № 2 (24)

35

tory setup the method of gas identification using the principles of artificial neural networks and spectral characteristics in the visible wavelength range is developed, the structure and mathematical model of the artificial neural network of gas identification by its spectral characteristics are developed; the parameters of the activation function allowing to train the artificial neural network, where the reference values of the intense wavelengths of different gases are used as a teacher. Conclusions. The use of the proposed system and the method for gas atoms identification will allow: to make a reliable identification of gases using artificial neural networks with the training of the measuring system by the teacher; the teacher is the reference gases with known wavelengths; the training minimizes the target functions that establish a relationship between the intensities and wavelengths in the visible wavelength range. Recommendations on modernization of the structural scheme and equipment of the information and measuring system of identification of substances depending on the solved problem are offered.

Ключевые слова: идентификация, длина волны, интенсивность излучения, спектрометр, атомы газа, целевая функция, функция активации.

Key words: identification, wavelength, intensity of radiation, spectrometer, gas atoms, objective function, the activation function.

Спектральный анализ используется для идентификации веществ в нефтеперерабатывающей, химической, фармацевтической промышленности и дает возможность произвести контроль качества веществ с достоверной идентификацией компонентного состава. Спектры излучения атомов газов, как и других веществ, отличаются друг от друга наборами спектральных линий и интенсивностью на каждой длине волны.

Проблема идентификации веществ является актуальной научно-технической задачей (идентификация отравляющих газов в воздухе, анализ качества топлива и др.), что приводит к созданию измерительных систем идентификации образцов веществ, основанных на системах технического зрения. Одним из современных научных и промышленных методов количественного и качественного анализа вещества материала является спектрометрический метод, используемый в данной работе. Наблюдение линейчатых спектров атомов позволяет понять суть и практическую направленность метода эмиссионного (спектрального) анализа [1-3].

Атомы различных химических элементов характеризуются различными наборами энергетических уровней. Поэтому спектры излучения различных атомарных газов содержат отличающиеся друг от друга наборы спектральных линий. Измерив длины волн спектральных линий излучения, можно определить химический состав излучающего газа, т.е. осуществить так называемый качественный спектральный анализ. Яркость линий в спектрах определяется частотой осуществления соответствующего квантового перехода между энергетическими уровнями излучающих атомов. Сравнивая яркости спектральных линий различных химических элементов, можно определить, в каких пропорциях в газовую смесь входят атомы тех или иных химических элементов, т.е. осуществить количественный спектральный анализ вещества. Так как атомы способны поглощать фотоны тех же частот, какие испускаются при излучении, то спектральный анализ может быть проведен не только по спектрам излучения горячих газов, но и по спектрам поглощения холодных газов.

Идентификацию атомов газа можно произвести построением градуировочного графика зависимости длины волны X спектральных линий от градусных делений N отсчетного барабана монохроматора Х = f (N). Для этого необходимо выявить несколько (4-6) наиболее характерных линий спектра газа, сравнить их с данными справочных таблиц и определить, какой газ находится в трубке [4]. Однако изменяются интенсивности и на других длинах волн, и эти изменения дают дополнительную информацию о составе вещества.

Применение измерительной системы (рис. 1), включающей спектрометр EnSpectr L405 с волоконно-оптическим кабелем, ПК с программным обеспечением позволяет измерять зависимость длины волны X от интенсивности в числе счетов в секунду в 3600 точках диапазона длин волн 400-760 нм. Регистрация и обработка спектра ведется с помощью сопровождающей спектрометр программы Enhanced Spectrometry Educational. При этом идентификацию компонентов

можно произвести по значениям длин волн ^ наиболее интенсивных линий Y = max [счет/с] и принципа искусственных нейронных сетей. Для идентификации газов предварительно создают базу данных спектральных коэффициентов поглощения эталонных компонентов.

Защитный кожух из оргстекла

Газоразрядная трубка Волоконно-оптический кабель

Спектрометр USB

гч

Источник питания Тумблер вкл./выкл.

питания Кнопка вкл. газоразрядной трубки

Рис. 1. Вид измерительной спектрометрической системы

Спектрометр представляет собой прибор, состоящий из входящего через волоконно-оптический кабель излучения, дифракционной решетки, спектрометра типа Czemy-Tumer, ПЗС-линейки, которая является детектором для регистрации амплитудных и спектральных характеристик рассеянного излучения и входит в систему сбора, фильтрации и анализа информации прибора. Доступ к аппаратным средствам прибора и получаемым данным осуществляется посредством встроенного микроконтроллера с ^В-интерфейсом [5].

Волоконно-

оптический кабель —

Источник излучения (газоразрядная трубка с газом)

Волоконн о' оптический разъем

Спектрометр

Рис. 2. Структурная схема измерительной спектрометрической системы

Настройка спектрометра для идентификации длин волн анализируемого излучения производится по спектру калиброванного источника света. Спектры электрических разрядов в одном и том же газе могут отличаться друг от друга при разном давлении. Наиболее часто для калибровки спектрометров видимого и ультрафиолетового диапазона используется газоразрядная ртутная лампа низкого давления. В данной работе предполагается проверка длин волн регистрируемых спектрометром при получении спектра ртути, парами которой заполнена одна из газоразрядных трубок.

На рис. 3 представлена структура искусственной нейронной сети идентификации атомов газа, представляющая собой: умножители ® (коэффициенты синаптических связей ы . ), сумматор ^ ] (целевая функция и]) и нелинейный преобразователь / (функция активации Я нейрона).

Рис. 3. Структура искусственной нейронной сети идентификации газа

Идентификацию газов производят по минимуму целевой функции длинам волн с максимальными интенсивностями и значениям длин волн эталонов газов Хэтл-, при этом изменяются коэффициенты синаптических связей ю^. , для чего используют, например, алгоритм

обратного распространения ошибки [4]:

U = IIM]2 ^min. (1)

i=1

Значения функции активации нейронов искусственной нейронной сети идентификации R вычисляют в соответствии с функцией активации, например:

R = в~и'т, (2)

где а - коэффициент, учитывающий наклон функций активации; s - погрешность измерения спектрометра (0,1 нм).

График зависимости целевой функции от функции активации представлен на рис. 4. При активном состоянии нейрона идентификации исключаются газы, для которых значения функции активации R < 0,9.

и,

Рис. 4. График функции активации нейрона искусственной нейронной сети идентификации

Проверку адекватности математической модели произведем на примере газоразрядной трубки с названием X и идентифицируем, атомами какого газа заполнена трубка, снимая ее спектральные характеристики спектрометром в диапазоне длин волн 400-760 нм. В результате измерения получим зависимость интенсивности (счет в секунду) от длины волны (нм) ДХ).

Установить в держатель источника питания трубку X, включить источник и зафиксировать спектральную характеристику лампы в программе при таком времени экспозиции, при котором интенсивность линии с максимальной интенсивностью не превышает 64 000 счетов в секунду.

Измерение. Мониторинг. Управление. Контроль ■о-.............................................................................................

Рис. 5. Спектральная характеристика атомов ртути /(X,),

полученная в программе Enhanced Spectrometry Educational

Выбрав наиболее интенсивные линии в полученной спектральной характеристике лампы и используя целевую функцию (1), идентифицируем газ, который находится в трубке в соответствии с функцией активации (2). Газ, находящийся в трубке, идентифицирован, когда значение функции активации 0,9 < R < 1. В табл. 1 представлены длины волн с наибольшими интенсивностями, характерные для атомов различных газов [5].

Таблица 1

Идентифицированные газы по спектрам излучения

Газ нм Х2, нм Х3, нм Х4, нм Х5, нм Х6, нм

Гелий 447,1 492,2 501,6 587,6 667,8 706,6

Аргон 420,0 696,5 706,7 738,4 750,4 751,5

Неон 585,2 607,4 614,3 640,2 650,6 703,2

Криптон 427,4 432,0 437,6 446,4 557,0 587,1

Водород 397,0 410,2 434,0 486,1 656,27 656,29

Кислород' 436,7 441,5 459,1 464,9 664,1 672,1

Азот 399,5 463,0 500,5 568,0 648,2 661,0

Для уточнения погрешности измерения спектрометра, заявленной производителем 0,1 нм, перед началом работы необходимо произвести калибровку спектрометра с помощью ртутной лампы. Для этого необходимо считать спектральные характеристики установленной лампы и сделать вывод, с какой точностью спектрометр воспроизводит и измеряет длину волны на «синем» и «красном» краях регистрируемого спектра, в середине видимого диапазона. Для этого вычислена относительная погрешность измерения, которая составила 0,037 %. Результаты экспериментальных данных представлены в табл. 2.

Технические характеристики ИИС следующие: диапазон регистрации длин волн спектрометра - 400-760 нм, разрешение спектрометра - 0,3 нм, точность спектрометра - 0,1 нм, ширина входной щели спектрометра - 30 мкм, количество пикселей в линейной ПЗС-матрице -3600, напряжения питания спектрометра - 5 В (USB), напряжение питания источника - 220 В, напряжение питания газоразрядных трубок - не более 5 кВ, габариты установки -450x300x410 мм.

2018, № 2 (24)

Таблица 2

Экспериментальные данные, полученные при калибровке спектрометра ртутной газоразрядной трубкой

39

Длина волны эталонное значение, Хэт., нм Измерение 1 Хизм1, нм Измерение 2 Хизм2, нм Измерение 3 Хизм3, нм Хср., нм 5, % ,% ¡11 £

690,7 692,689 692,651 692,701 692,680 0,287

612,3 612,384 615,376 612,297 613,352 0,002

579 584,01 584,164 582,289 583,488 0,008

576,9 565,914 565,845 565,912 565,890 0,019

546 545,013 548,2 546,847 546,687 0,001 0,037

491,6 491,643 491,235 496,56 493,146 0,003

435,8 437,8 435,815 435,798 436,471 0,002

407,8 405,824 405,765 405,912 405,834 0,005

404,6 402,647 402,689 402,698 402,678 0,005

Результаты измерений спектральных характеристик соответствуют заявленной точности.

Проверка адекватности математической модели идентификации газов с помощью разработанной программы в VBA Microsoft Excel показала, что атомы газов могут быть идентифицированы при погрешности измерения спектральных характеристик до 3 %.

При отклонении спектров излучения на 3 % функция активации для азота составляет Root = 0,900025555, при отклонении на 4 % функция активации азота Лазот < 0,9 - азот не идентифицируется. Для остальных исследованных газов (гелий, аргон, неон, криптон, ртуть, водород, кислород) функции активации принимали значения R < 0,9, при отклонении спектров излучения более, чем на 6 %, а при отклонении в 16 % ни один газ не идентифицируется.

Использование данной информационно-измерительной системы для идентификации атомов газов позволит:

1) проводить достоверную идентификацию газов с использованием искусственных нейронных сетей с обучением измерительной системы учителем; учителем выступают эталонные газы с известными длинами волн; при обучении минимизируются целевые функции, устанавливающие связь между интенсивностями и длинами волн в видимом диапазоне длин волн;

2) выполнять модернизацию структуры информационно-измерительной системы для идентификации веществ в зависимости от решаемой задачи, например, для идентификации компонентов, определения состава и детонационной стойкости товарного бензина в процессе производства в режиме реального времени [6, 7] (рис. 6);

3) проводить автоматическую калибровку и переобучение информационно-измерительной системы идентификации веществ, работающей на принципах искусственных нейронных сетей.

Волоконно-

Рис. 6. Структурная схема ИИС для идентификации компонентов, определения состава и детонационной стойкости товарного бензина в процессе производства в режиме реального времени

Библиографический список

1. Шмидт, В. Оптическая спектроскопия для химиков и биологов / В. Шмидт. - М. : Техносфера, 2007. - 368 с.

2. Chabot, P. A spectrum of applications Process Analysis using FT-NIR Spectroscopy / P. Chabot, M. Simpson, F. De Melas // Special Report Instrumentation & Analytics. ABB Review. - 2006. - P. 54-60.

3. Bakeev, K. A. Process Analytical Technology. - Blackwell Publishing Ltd, 2005. - 445 p.

4. Никифоров, И. К. Нейросетевой импедансный метод и устройства идентификации и определения параметров жидких нефтепродуктов : диса ... канд. техн. наук / Никифоров И. К. - Чебоксары : ЧГУ им. И. Н. Ульянова, 2005. - 172 с.

5. Андреянов, В. В. Физика. Лабораторный практикум : учеб. пособие / В. В Андреянов, В. Я. Савицкий. - Пенза : ПАИИ, 2009. - С. 134-139.

6. Щербакова, А. А. Искусственная нейронная сеть для идентификации компонентов, определения состава топлива по спектральным коэффициентам поглощения / А. А. Щербакова, В. А. Соловьев, Д. В. Артамонов // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2015. - № 3 (35). - С. 36-45.

7. Щербакова, А. А. Информационно-измерительная система определения состава и октанового числа бензинов в промышленных условиях на основе параметрического квантового генератора / А. А. Щербакова // Измерения. Мониторинг. Управление. Контроль. -2015. - № 4 (14). - С. 38-42.

Щербакова Анна Алексеевна

программист, кафедра приборостроения, Пензенский государственный университет (Россия, г.Пенза, ул.Красная, 40) E-mail: [email protected]

Соловьев Владимир Александрович

доктор технических наук, профессор, кафедра общепрофессиональных дисциплин, Пензенский филиал Военной Академии материально-технического обеспечения имени генерала армии А. В. Хрулева (Россия, г. Пенза-5, Военный городок) E-mail: [email protected]

Shcherbakova Anna Alekseevna

programmer,

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

sub-department of instrument engineering,

Penza State University

(40 Krasnaya street, Penza, Russia)

Solov'ev Vladimir Aleksandrovich

doctor of technical sciences, professor, sub-department of general professional disciplines Penza branch of Military academy of material-support logistics named after army general A. V. Khrulev (Military town, Penza-5, Russia)

УДК 004.942 Щербакова, А. А.

Идентификация атомов газов по спектрам излучения с использованием принципов искусственных нейронных сетей / А. А. Щербакова, В. А. Соловьев // Измерение. Мониторинг. Управление. Контроль. - 2018. - № 2 (24). - С. 34-40. - БО! 10.21685/2307-5538-2018-2-5.

í.........................................................................................

Measuring. Monitoring. Management. Control

i Надоели баннеры? Вы всегда можете отключить рекламу.