هوش مصنوعی | متن کامل رایگان | شبکه های عصبی مصنوعی سیگنال های نویزدار را در مدارهای الکترونیکی پیش بینی می کنند: مدلی برای پیش بینی روند سیگنال در سیستم های تقویت

۱٫ معرفی

در سیستم‌های صنعتی و فرآیندهای تولیدی معاصر، توانایی پیش‌بینی دقیق و کاهش اثرات نویز بر سیگنال‌های الکترونیکی از اهمیت بالایی برخوردار است. سیگنال‌های نویز می‌توانند بر عملکرد مدارهای تقویت‌کننده تأثیر منفی بگذارند و منجر به اختلال در خروجی‌ها و به خطر افتادن کنترل عملیات‌های حیاتی شوند. شبکه‌های عصبی مصنوعی (ANN) به عنوان ابزار قدرتمندی برای پردازش و پیش‌بینی سیگنال ظاهر شده‌اند و آن‌ها را به یک رویکرد مناسب برای مقابله با این چالش تبدیل کرده‌اند. مطالعه پیشنهادی به بررسی کاربرد شبکه‌های عصبی مصنوعی در پیش‌بینی سیگنال‌های ولتاژ نویزدار در مدارهای الکترونیکی، با تمرکز بر شبیه‌سازی رفتار تقویت‌کننده‌های عملیاتی در معرض سیگنال‌های نویز افزایشی می‌پردازد.

تحقیقات قبلی استفاده از شبکه های عصبی مصنوعی را برای کاربردهای مختلف در الکترونیک و مکاترونیک، از جمله پیش بینی توزیع ولتاژ مورد بررسی قرار داده است. [۱,۲]طبقه بندی نویز صدا [۳,۴]و تخمین پارامتر در سناریوهای Industry 4.0 [5]. شبکه های عصبی مصنوعی نیز برای پیش بینی توان در منابع انرژی تجدیدپذیر به کار گرفته شده اند [۶]تشخیص قدرت [۷]و سیستم های تشخیص عیب [۸]. با این حال، کاربرد خاص شبکه‌های عصبی مصنوعی برای پیش‌بینی سیگنال‌های نویزدار در مدارهای تقویت‌کننده، حوزه‌ای است که نیازمند بررسی بیشتر است.

علاوه بر این، ANN ها برای خودکارسازی طراحی مدار مفید هستند [۹] و سیستم های کنترل الکترونیکی [۱۰,۱۱]. یک کاربرد خاص از شبکه های عصبی مصنوعی در تشخیص و طبقه بندی خطاهای پارامتریک/نرم موثر بر مدارهای مجتمع آنالوگ است. [۱۲,۱۳]. برخی از نویسندگان مطالعه مدارهای آنالوگ را که به‌عنوان «جعبه‌های سیاه» توسط شبکه‌های عصبی مصنوعی عمل می‌کنند، پیشنهاد کردند و سیگنال‌ها را تنها از ورودی‌ها و خروجی‌های مدارها تحلیل می‌کردند. [۱۴]. شبکه‌های عصبی مصنوعی نیز برای پیش‌بینی سیگنال‌های جاری استفاده می‌شوند [۱۵]و برای طبقه بندی سیگنال های نویز [۱۶] با فیلتر کردن آنها از مزاحمت ها یا تداخل های ناخواسته [۱۷]. شبکه های عصبی مصنوعی نیز برای پیش بینی رفتار مدارهای الکترونیکی که طراحی مدار را بهبود می بخشد، استفاده می شوند [۱۸,۱۹] و برای طراحی تقویت کننده ترانزیستورهای با تحرک الکترون بالا (HEMTs). [20]. کاربردهای بیشتر شبکه‌های عصبی مصنوعی شامل پیش‌بینی پارامتر کیفیت انتقال (QoT) در سیستم‌های چند کاناله است. [۲۱]و مدل سازی سیگنال های کوچک الکترونیکی [۲۲,۲۳] و صداها [۲۴,۲۵]. در این راستا، مدل‌های SPICE همراه با الگوریتم‌های ANN برای تنظیم تقویت‌کننده‌ها برای مدل‌سازی مدارهای آنالوگ استفاده می‌شوند. [۲۶]. تقویت‌کننده‌های عملیاتی (Op. Amp.) معمولاً در سیستم‌های کنترل‌شده تولید صنعتی استفاده می‌شوند، جایی که تقویت‌کننده‌های کم نویز نقش مهمی دارند. [۲۷]. Op. آمپر دارای عملکردهای زیادی مانند افزایش سیگنال جریان متناوب/جریان مستقیم (AD/DC)، سیگنال های رانندگی، فیلتر کردن و غیره. به طور خاص، Op. آمپر برای مدل‌سازی مدارهای تقویت‌کننده تحت تأثیر نویزهای افزایشی با جمع کردن سیگنال‌های افزایشی سیگنال‌های ورودی مختلف، از جمله نویز، مناسب هستند. یک روش برای مدل‌سازی نویزهای افزایشی در سیستم‌های تقویت مداری، در نظر گرفتن عنصر «افزودن» به عنوان تقویت‌کننده است. [۲۸].

هدف از این مطالعه توسعه یک مدل مستقل قادر به پیش‌بینی سیگنال‌های ولتاژ نویز در مدارهای الکترونیکی بدون دانش قبلی از مشخصات نویز است. با در نظر گرفتن مدار به عنوان یک “جعبه سیاه” و تجزیه و تحلیل تنها سیگنال های ولتاژ ورودی و خروجی، هدف رویکرد پیشنهادی شبیه سازی اثرات نویز افزایشی بر سیگنال های تقویت شده، شبیه سازی سناریوهای دنیای واقعی است که در آن منابع نویز اغلب ناشناخته یا غیرقابل پیش بینی هستند.

ساختار مقاله در بخش های زیر است:

بخش “مواد و روش ها” که جمع کننده را توضیح می دهد. آمپر مدل مداری، برنامه ریزی شبیه سازی شامل نویزهای مختلف به عنوان مثال، و گردش کار پردازش داده کاشت پردازش داده های ANN.
بخش «نتایج» شامل نتایج حوزه زمان و دامنه فرکانس مدل جمع‌کننده مداری و پیش‌بینی‌های ANN سیگنال‌های خروجی.
بخش «بحث» در مورد مزایا، دیدگاه‌ها، معایب، محدودیت‌ها و معیارهای استفاده از رویکرد پیشنهادی در سیستم‌های تعبیه‌شده و خودکار که اقدامات اصلاحی را ممکن می‌سازد، بحث می‌کند.
بخش “نتیجه گیری” نتایج را خلاصه می کند و دیدگاه ها را تقویت می کند.

همه بخش ها توضیح می دهند که چگونه می توان یک ANN را در رویکرد SPICE حوزه زمانی با ارائه معیارهای کاربردی و خواندن کلیدهای کل مدل ارائه شده ادغام کرد.

۲٫ مواد و روشها

تقویت سیگنال یک عملیات معمولی است که توسط مدارها، حسگرها و کنترلرها اجرا می شود و در سیستم های خودکار صنعتی بسیار مهم است. از سوی دیگر، بهره سیگنال نیز نویزهای مختل کننده خروجی مدارها را افزایش می دهد. در این راستا، مدل‌سازی سیستم‌های متاثر از نویزهای افزودنی که مشخصه‌های سناریوهای صنعتی تولید هستند، که معمولاً مبتنی بر سیستم‌های کنترل‌شده تقویت‌کننده سیگنال‌های ولتاژ ورودی هستند که قادر به حرکت روبات‌ها یا فعال کردن پردازش ماشین هستند، مفید است. مدل مورد مطالعه برای شبیه سازی اثرات نویز افزایشی در مدارهای تقویت کننده در شکل ۱a ترسیم شده است. این مدل برای کار به عنوان یک مدار جعبه سیاه طراحی شده است. هدف در نظر گرفتن تنها ورودی است (V₁) و خروجی (V_بیرون) سیگنال های ولتاژ بدون دانستن سیگنالی که بر خروجی تقویت شده برای پیش بینی سیگنال ولتاژ مختل اثر می گذارد. ANN قادر است تمام داده‌های ورودی را که روند خروجی سیگنال را پیش‌بینی می‌کنند محاسبه کند، بنابراین از تنظیم یا تنظیم احتمالی سیگنال ورودی (به شکل ۱a مراجعه کنید) برای کاهش اثرات نویز مانند تنظیم دامنه سیگنال یا فیلتر کردن به عنوان اقدامات اصلاحی پشتیبانی می‌کند. طرح نظری شکل ۱a مدل شبیه سازی کار پیشنهادی را نشان می دهد. شبیه‌سازی‌هایی که باید انجام شوند، اختلال سیگنال را در حین عمل جذب انجام شده توسط تقویت‌کننده عملیاتی در نظر می‌گیرند. مدل عملکردی شکل ۱a توسط مدل مداری الکترونیکی شکل ۱b (مدل مدار LTspice) که قادر به بدست آوردن مجموع سه سیگنال است، ترجمه شده است. V₁ (سیگنال ورودی)، V₂ (نویز۱) و V₃ (نویز ۲)، از طریق یک تقویت کننده عملیاتی که به عنوان یک “افزودن” عمل می کند و ولتاژ خروجی زیر را تولید می کند:

$V_{O U تی} = - {آر}_{f} \sum_{من} \frac{V_{من}}{{آر}_{من}}$

(۱)

جایی که V_من سیگنال های ورودی (سیگنال ساعت کنترل کننده مدار) سیستم جعبه سیاه است، آر_من مقاومت الکتریکی ورودی ها است و آر_f مقاومت الکتریکی بازخورد منفی است. با فرض مقاومت ها (مانند مدل تحلیل شده) آر_f = آر_۱ = آر_۲ = آر_۳ = ۱۰ کیلو اهم، ولتاژ خروجی می شود V_خارج =-(V₁ +V₂ +V₃).

برای هر دو سیگنال ورودی و نویز، سیگنال های سینوسی با معادله زیر تعریف می شوند:

$V (تی) = \{\begin{matrix} V_{O f f س ه تی} + V_{آ متر پ} \cdot س ه n (\frac{پی}{۱۸۰} \cdot فی) ، تی \leq {تی}_{د} \\ V_{O f f س ه تی} + V_{آ متر پ} \cdot ه ایکس پ (- ϑ \cdot (تی - {تی}_{د}) \cdot فی) \cdot س ه n (۲ پی \cdot f \cdot (تی - {تی}_{د}) + \frac{پی}{۱۸۰} \cdot فی) ، تی > {تی}_{د} \end{matrix}$

(۲)

جایی که تی_د تاخیر زمانی است V_انحراف ولتاژ افست است V_آمپر دامنه ولتاژ است، فی فاز سیگنال بر حسب درجه بیان می شود، f فرکانس سیگنال است و ϑ ضریب میرایی است که بر حسب s بیان می شود^-۱.

شبیه سازی ها با در نظر گرفتن، به عنوان مثال، سیگنال های نویز زیر انجام شده است:

سیگنال ورودی (V₁): سیگنال سینوسی خالص با f 1 کیلوهرتز، V_انحراف = ۱ ولت و V_آمپر = ۲ ولت؛
نویز (الف): سیگنال پالس سینوسی با f 1 کیلوهرتز، تی_د = ۱۰^-۲ س ϑ = ۵۰۰ ثانیه^-۱، فی = ۴۵ درجه، و V_آمپر = ۲ ولت؛
نویز (ب): سیگنال پالس سینوسی با f 1 کیلوهرتز، تی_د = ۰ ثانیه، ϑ = ۵۰۰ ثانیه^-۱، فی = ۴۵ درجه، و V_آمپر = ۲ ولت؛
نویز (c): سیگنال پالس سینوسی با f 4 کیلوهرتز، تی_د = ۰٫۰۰۲ ثانیه، ϑ = ۰ ثانیه^-۱، فی = ۰ درجه، و V_آمپر = ۲٫۴ ولت؛
نویز (d): سیگنال پالس سینوسی با f 4 کیلوهرتز، تی_د = ۰٫۰۰۸ ثانیه، ϑ = ۵۰۰ ثانیه^-۱، فی = ۴۵ درجه، و V_آمپر = ۲ ولت؛
نویز (e): سیگنال پالس سینوسی با f 3.3 کیلوهرتز، تی_د = ۰٫۰۰۳ ثانیه، ϑ = ۰ ثانیه^-۱، فی = ۰ درجه، و V_آمپر = ۲٫۴ ولت؛
نویز (f): سیگنال پالس سینوسی با f 1 کیلوهرتز، تی_د = ۰٫۰۰۸ ثانیه، ϑ = ۵۰۰ ثانیه^-۱، فی = ۴۵ درجه، و V_آمپر = ۲ ولت؛
نویز (g): سیگنال پالس سینوسی با f 8 کیلوهرتز، تی_د = ۰٫۰۰۲ ثانیه، ϑ = ۰ ثانیه^-۱، فی = ۰ درجه، و V_آمپر = ۲٫۴ ولت؛
نویز (h): سیگنال پالس سینوسی با f 8 کیلوهرتز، تی_د = ۰٫۰۰۸ ثانیه، ϑ = ۵۰۰ ثانیه^-۱، فی = ۴۵ درجه، و V_آمپر = ۲ ولت

شبیه سازی انجام شده مدار شکل ۱b از پیکربندی جدول ۱ پیروی می کند.

شبیه‌سازی‌ها با استفاده از ابزار LTspice، یک نرم‌افزار متن‌باز شبیه‌ساز مدار الکترونیکی آنالوگ مبتنی بر SPICE انجام می‌شوند. [۲۹] (نسخه x64: 24.0.11) ارائه نتایج دامنه زمانی (تحلیل گذرا) و دامنه فرکانس. نتایج حوزه فرکانس با استفاده از پلاگین LTspice Fast Fourier Transform (FFT) اجرا می شود. FFT یک الگوریتم بهینه شده برای اجرای تبدیل فوریه گسسته (DFT) است که امکان محاسبه سریعتر داده ها را فراهم می کند. DFT دنباله ای از ن اعداد (نمونه های حوزه زمانی):

$\{{ایکس}_{ن}\} = {ایکس}_{۰} ، {ایکس}_{۱} ، \dots ، {ایکس}_{ن - ۱}$

(۳)

به دنباله ای از مجموعه دیگری از اعداد مختلط:

$\{{ایکس}_{ک}\} = {ایکس}_{۰} ، {ایکس}_{۱} ، \dots ، {ایکس}_{ن - ۱}$

(۴)

DFT با استفاده از FFT را می توان با استفاده از فرمول زیر نوشت:

${ایکس}_{ک} = \frac{۱}{n} \sum_{n = ۰}^{ن - ۱} ایکس (n) \cdot ه^{- جی \frac{۲ پی}{n} ک n}$

(۵)

جایی که ن اندازه دامنه برای نتایج حاصل از مجموع یک مقدار است n.

داده های خروجی (V_بیرون) به دست آمده با افزودن نویزها (به پیکربندی شبیه سازی جدول ۱ مراجعه کنید) به صورت محلی توسط Konstanz Miner (KNIME) وارد شده است. [۳۰] گردش کار شکل ۲ که ANN را اجرا می کند V_بیرون پیش بینی. به طور خاص، گردش کار شکل ۲ از طریق توابع کلان ساختار یافته است:

پیش پردازش داده ها: وارد کردن داده ها در مخزن محلی، دستکاری داده ها و فیلتر کردن داده ها.
پردازش داده ها: آموزش ANN و مدل های تست ANN.
خروجی داده: تجسم داده ها، امتیازدهی عملکرد الگوریتم، و صادرات داده.

شکل ۲٫
پیش‌بینی گردش کار KNIME V_بیرون سیگنال های مدار شکل ۱b.

بلوک‌ها (گره‌های نام‌گذاری شده) که جریان کار را ساختار می‌دهند به شرح زیر هستند:

–: “فایل خوان”: وارد کردن txt مقادیر شبیه سازی ها (خروجی های ابزار LTspice)؛
–: 'RowID': ایجاد ویژگی های زمان (مراحل زمانی به عنوان ستون جدید).
–: “دستکاری رشته” و “رشته به عدد”: تنظیم ستون زمان به نوع ویژگی عدد صحیح.
–: 'فیلتر ستونی': انتخاب تنها مراحل زمانی و V_بیرون ستون ها؛
–: عادی کردن: عادی کردن V_بیرون علامت
–: “پارتیشن بندی”: پارتیشن بندی مجموعه داده به مجموعه داده های آموزشی و آزمایشی.
–: 'آموزنده Rprop MLP': مدل آموزشی ANN بر اساس پرسپترون چند لایه (MLP) با الگوریتم RPROP تطبیقی [۳۱];
–: “پیش بینی کننده پرسپترون چند لایه”: آزمایش مدل ANN-MLP.
–: 'Column Appender': الحاق متفاوت V_بیرون سیگنال های شبیه سازی های فهرست شده در جدول ۱٫
–: “امتیازگر عددی”: ارزیابی عملکرد ANN (R²میانگین خطای مطلق، میانگین مربع خطا، ریشه میانگین مجذور خطا، میانگین اختلاف علامت، میانگین درصد مطلق خطا، R تعدیل شده^۲)
–: “نقشه خط”: رسم نتایج پیش بینی.
–: «Excel Writer»: صادرات نتایج پیش‌بینی در قالب فایل اکسل توسط سایر داشبوردها یا افزونه‌های تجسم داده ترسیم می‌شود.

مدل‌سازی معیارهای استفاده از کل رویکرد توسط نمادهای گرافیکی استاندارد (ISO/IEC 19510:2013) مدل‌سازی و نمادگذاری فرآیند کسب‌وکار (BPMN) با استفاده از ابزار منبع باز Draw.io ترسیم شده است.

۳٫ نتایج

نتایج ارائه شده در این بخش به موارد زیر مربوط می شود:

۳٫۱٫ نتایج LTspice

ابزار LTspice برای شبیه سازی مدل جعبه سیاه شکل ۱b استفاده شده است. تجزیه و تحلیل گذرا با استفاده از زمان توقف ۰٫۰۲ ثانیه، ۰ ثانیه به عنوان زمان شروع ذخیره داده ها و حداکثر گام زمانی ۰٫۱ ثانیه انجام می شود. شکل ۳ حوزه زمانی چهار شبیه سازی برنامه ریزی شده را نشان می دهد که نویزها را همانطور که در جدول ۱ برنامه ریزی شده است، ترکیب می کند. هر شبیه سازی سه ورودی تقویت کننده عملیاتی شکل ۱b را در نظر می گیرد که تخمین زده می شود V_بیرون علامت. ورودی های افزودنی سینوسی خالص هستند V₁ سیگنال و دو سیگنال نویز ورودی را تحریف می کنند V_1. این V₁ خروجی مطلوبی است که باید تقویت شود و مانند حاملی است که ماشین یا ابزار پردازش را کنترل می کند (سیگنال سینوسی خالص معمولاً برای مدارهای کنترل شده توسط یک حامل خاص اتخاذ می شود).

نمونه ای از تحلیل فرکانس LTspice در پیوست A نشان داده شده است: تجزیه و تحلیل تبدیل فوریه سریع (FFT) طیف سیگنال ورودی را مقایسه می کند. V₁ با طیف a V_بیرون سیگنال مختل شده توسط نویزهایی که با پیک در پاسخ فرکانسی مشخص می شود. نتایج پیوست A یک نمودار لگاریتمی با سطح سیگنال (dB) در محور عمودی و فرکانس (Hz) در محور افقی است که مقادیر طیف معادله (۵) را نشان می دهد. با اجرای چهار شبیه سازی جدول ۱ به طور مستقل، ولتاژهای خروجی سیگنال (V_بیرون) بدست آمده به صورت زیر برآورد می شوند:

$V_{O تو تی پ تو تی} (تی) = - (V_{۱} (تی) + ن O من س ه ۱ (تی) + ن O من س ه ۲ (تی)) = - (V_{۱} (تی) + V_{۲} (تی) + V_{۳} (تی))$

(۶)

تمام خروجی های محاسبه شده ولتاژ (با ورودی V₁ سیگنال و متغیر زمان) کل مجموعه داده ای که باید توسط گردش کار KNIME شکل ۲ با اجرای الگوریتم ANN پردازش شود.

۳٫۲٫ ANN نتایج را پیش بینی کرد

مجموعه داده پردازش شده برای پیش‌بینی سیگنال نویزدار توسط چهار مورد تشکیل می‌شود V_بیرون سیگنال های شبیه سازی (شکل ۴ را ببینید)، از جمله ولتاژ سینوسی خالص V₁ و مرحله زمانی که تغییرات زمانی را فراهم می کند (کاربرد پیش بینی سری های زمانی). شکل ۵ تصویری از مجموعه داده تجزیه و تحلیل شده را نشان می دهد که دارای ۶۵۷ رکورد و ۶ ویژگی (گره ورودی شبکه عصبی) ANN است.

شبکه ANN-MLP به گونه ای پیکربندی شده است که حداقل خطای محاسباتی را برای رفع پارامترهای فوق زیر به دست آورد: حداکثر تعداد تکرار برابر با ۴۰۰، ۷ لایه پنهان، و ۲۵ به عنوان تعداد نورون های پنهان در هر لایه. معماری مدل ANN-MLP بهینه شده در ضمیمه B ترسیم شده است. همانطور که ANN نتیجه می گیرد، شکل ۶a روند روند را نشان می دهد. V₁ سیگنال ورودی و سیگنال خروجی پیش بینی شده V_بیرون در مقابل مرحله زمانی زوم شده پیش بینی کرد V_بیرون استفاده از اندازه های مختلف مجموعه داده آموزشی (۷۰%، ۷۵% و ۸۰%) در شکل ۶B نشان داده شده است. از شکل ۶b مشاهده می شود که سیگنال پیش بینی شده روند خود را با اندازه مجموعه داده آموزشی تغییر می دهد. مجموعه داده آزمایشی است که از آخرین مقادیر و از آخرین مقادیر استخراج شده است V_بیرون تحت تأثیر نویزها نیستند، انتخاب اندازه نسبی مجموعه داده آموزشی ۷۰٪ بهترین پیش بینی را ارائه می دهد زیرا مقادیر آزمایش به شدت تحت تأثیر نویزها هستند. این جنبه به وضوح با مشاهده بزرگنمایی مقادیر پیش بینی شده در شکل ۶b افزایش می یابد و روند افزایشی حداقل مقادیر را برجسته می کند. V_بیرون.

عملکرد خوب الگوریتم ANN-MLP با پارامترهای خطای برآورد شده در جدول ۲ ثابت شده است، جایی که عملکرد جنگل تصادفی (RF) نیز نشان داده شده است (به گردش کار KNMIE در پیوست B مراجعه کنید).

روش اتخاذ شده برای انتخاب پارامترهای ANN در مراحل متوالی زیر خلاصه می شود: (۱) تعداد لایه های پنهان که حداقل خطای MAE را بررسی می کنند متفاوت است. (۲) سپس تعداد دوره‌ها در شرایط حداقل مرحله قبل از (۱) تأیید مجدد حداقل MAE بیشتر برای هر دو مرحله (۱) و (۲) تغییر می‌کند. (۳) در نهایت، تعداد نورون های پنهان در هر لایه تنظیم می شود و دوباره حداقل MAE را پیدا می کند. برای تجزیه و تحلیل مرحله (۲)، روند نمودار خطا (به پیوست B یک مثال مراجعه کنید) تجزیه و تحلیل می شود. علاوه بر این، مشاهده می‌شود که با انتخاب یک پارتیشن مجموعه داده آموزشی ۸۰% (بهترین پارتیشن بندی حداقل خطا را ارائه می‌کند)، خطای MAE برای آزمایش برگرفتن مجموعه داده از آخرین مقادیر مجموعه داده، که به صورت خطی در کل انتخاب شده است، ثابت باقی می‌ماند (MAE = 0.2). مجموعه داده و با استفاده از نمونه گیری تصادفی. اطلاعات بیشتر در مورد رویکرد اعتبار سنجی متقابل در پیوست B موجود است.

۴٫ بحث

پیش بینی از V_بیرون سیگنال یک دستگاه کنترل کننده اطلاعات مفیدی در مورد عوارض احتمالی در کنترل ماشین ارائه می دهد. مدل پیشنهادی روشی را برای تخمین سیگنال کنترلی پیش‌بینی‌شده در خروجی تقویت‌کننده عملیاتی برجسته می‌کند، و تقویت تمام سیگنال‌ها (سیگنال ورودی و نویزها) را که به‌عنوان یک جعبه سیاه رفتار می‌کنند، مدل‌سازی می‌کند. مزایا و معایب رویکرد پیشنهادی عمدتاً بر آموزش مدل ANN، نگهداری پیش‌بینی‌کننده در صورت اختلالات ورودی قوی، تنظیم ماشین برای مداخله احتمالی برای فعال کردن، و موارد نویزهای پیچیده بیشتر که بر روند سیگنال نهایی تأثیر می‌گذارند متمرکز است. به عنوان صداهای ضربی مزایا و معایب مدل ANN در جدول ۳ آورده شده است.

با اعمال پیش‌بینی ANN، محدودیت‌های مختلف مربوط به زمان محاسباتی برای انجام پردازش داده‌های بلادرنگ، در دسترس بودن مجموعه داده‌ها، کارایی مجموعه داده‌های آموزش و آزمایش، و امکان طبقه‌بندی صحیح نویزهای مؤثر بر مدارهای کنترلی است. دیدگاه‌های مهم در داده‌های افزوده و تکنیک‌های پاک‌سازی داده‌ها برای بهبود مدل‌های آموزشی و استفاده از فناوری‌های پیشرفته مانند محاسبات کوانتومی و لبه‌ای یافت می‌شود. دیدگاه ها در سناریوهای پیشرفته Industry 4.0/Industry 5.0 تعریف شده اند. محدودیت ها و دیدگاه های پیش بینی ANN در جدول ۴ خلاصه شده است.

علی‌رغم این محدودیت‌ها، این مطالعه یک رویکرد جدید برای پرداختن به یک چالش مهم در طراحی مدارهای الکترونیکی و سیستم‌های کنترل ارائه می‌کند. با در نظر گرفتن مدار به عنوان یک “جعبه سیاه” و تنها با تکیه بر سیگنال های ولتاژ ورودی و خروجی، مدل پیشنهادی یک راه حل همه کاره ارائه می دهد که می تواند بدون نیاز به دانش قبلی از ویژگی های نویز، با پروفایل های مختلف نویز و تنظیمات مدار سازگار شود.

اشکال مدل جعبه سیاه پیشنهادی مربوط به دشواری درک چگونگی تولید خروجی توسط مدل است. این مشکلات بیشتری را در شناسایی و تصحیح سوگیری ها و سایر پارامترهای فوق برای مدل آموزشی ایجاد می کند. از سوی دیگر، محدودیت اصلی این است که مدل شفاف نیست. این جنبه باعث اشتباهات احتمالی در تفسیر و متوالی عدم قطعیت در مورد دقت ANN می شود.

روش مورد بحث را می توان با تمایز مراحل مختلف متوالی اجرا کرد. جدول ۵ تمام شش مرحله دنبال شده در کار را خلاصه می کند و معیارهای استفاده را تعریف می کند و اقدامات اصلاحی ممکن را برای بهینه سازی اجرای صحیح مدل ANN پیشنهاد می کند.

پروفیل های سیگنال اغتشاش به عنوان اجزای سینوسی در نظر گرفته می شوند که معمولاً در سیستم های قدرت و همچنین در سیستم های ولتاژ پایین مشاهده می شوند. [۴۴,۴۵,۴۶,۴۷]; هارمونیک ها گاهی اوقات به تداخل های الکترومغناطیسی و “آلودگی الکتریکی” که مشخصه سیستم های پیچیده الکتریکی و الکترونیکی است، اشاره می کنند.

معیارهای استفاده، از جمله اقدامات اصلاحی احتمالی، فهرست شده در جدول ۵ توسط مدل BPMN در شکل ۷ ترسیم شده است و تمام مراحل متوالی دنبال شده در مدل سازی را نشان می دهد.

یک کاربرد عملی برای رویکرد پیشنهادی در فرمول‌بندی یک دوقلو دیجیتالی خاص برای تنظیم ماشین و تنظیم برای فرآیندهای تولید است، که در آن پیش‌بینی سیگنال خروجی برای بهبود کیفیت محصول در کاهش عیوب اساسی است. کاربردهای بالقوه آینده در ادغام مدل پیش‌بینی ANN در سیستم‌های الکترونیکی پیشرفته صنعت ۵٫۰ است، جایی که الگوریتم‌های هوش مصنوعی قادرند تنظیمات ماشین را مطابق با سیگنال خروجی پیش‌بینی‌شده خودکار کنند. موضوعات تحقیقاتی آینده می‌تواند بر تحلیل همزمان تحلیل‌های حوزه زمان و دامنه فرکانس متمرکز شود.

در سناریوهای صنعتی، نمونه هایی از رفتارهای مشابه آنالیز انجام شده به شرح زیر است: سوئیچینگ ناشی از (امواج نوسانی میرایی مکرر)، روشنایی، عملیات در کلیدهای فشار ضعیف، تبدیل انرژی (وجود صداهای شیار در ژنراتورها)، تداخل (تابش الکترومغناطیسی) ، و تزریق سیگنال های اضافی توسط ابزارهای مختلف.

۵٫ نتیجه گیری ها

این مقاله یک رویکرد مبتکرانه مبتنی بر ANN را برای پیش‌بینی سیگنال ولتاژ خروجی مدارهای تقویت‌کننده مختل شده توسط نویزها پیشنهاد می‌کند. به طور خاص، با اعمال مفهوم جعبه سیاه، مدل اثرات معمول نویزهای به دست آمده توسط یک مدار تقویت کننده را در نظر می گیرد که روند سیگنال نویز را بدون اطلاع از نوع نویز پیش بینی می کند. به منظور آزمایش مدل ANN، یک مدار “Adder” مبتنی بر اپراتور عملیاتی که قادر به دریافت سیگنال ورودی و نویزها است، طراحی و شبیه سازی شده است. مدل ارائه شده را می توان برای پیش بینی صداهای نامنظم و آشفته نیز گسترش داد و برای ساختار یک چارچوب دیجیتال دوقلو برای سناریوهای Industry 5.0، از جمله خودکارسازی های هوشمند و بهینه سازی روش های تنظیم ماشین، مناسب است. تلاش‌های تحقیقاتی آتی می‌تواند بر اعتبارسنجی عملکرد مدل در طیف وسیع‌تری از طراحی‌های مدار و شرایط نویز، و همچنین بررسی ادغام آن با سیستم‌های کنترل موجود و روش‌های تنظیم خودکار تمرکز کند. علاوه بر این، بررسی مقیاس‌پذیری و کارایی محاسباتی مدل برای اجرای عملی آن در برنامه‌های نظارت و کنترل بلادرنگ مفید خواهد بود.

منبع: https://www.mdpi.com/2673-2688/5/2/27