A Neural Network Approach to Fluid Quantity Measurement in Dynamic Environments

Sloshing باعث نوسان مایع می‌شود و در محیط‌های دینامیکی بدست آوردن دقیق سطح را دشوار می‌کند. سیستم اندازه‌گیری توصیف‌شده از یک سنسور خازنی تک لوله‌ای برای به دست آوردن سطح آنی سطح سیال استفاده می‌کند، در نتیجه مقدار سیال را در حضور شلوغی به دقت تعیین می‌کند. یک تکنیک طبقه‌بندی مبتنی بر شبکه‌های عصبی برای پیش‌بینی مقدار واقعی سیال موجود در یک مخزن در شرایط شلختگی استفاده شده است.

در رویکرد شبکه عصبی برای اندازه‌گیری کمیت سیال در محیط‌های دینامیکی، اثرات تغییرات دما و آلودگی بر حسگر خازنی مورد بحث قرار می‌گیرد و نویسندگان پیشنهاد می کند که این اثرات را نیز می توان با سیستم طبقه بندی مبتنی بر شبکه عصبی پیشنهادی حذف کرد. برای بررسی عملکرد سیستم طبقه‌بندی، آزمایش‌های میدانی زیادی بر روی یک وسیله نقلیه در حال اجرا در سطوح مختلف حجم مخزن انجام شد که از 5 تا 50 لیتر متغیر است. اثربخشی افزایش سیگنال بر روی سیستم طبقه‌بندی سیگنال مبتنی بر شبکه عصبی نیز بررسی می‌شود. نتایج به‌دست‌آمده از این تحقیق با روش‌های میانگین‌گیری آماری مورد استفاده سنتی مقایسه می‌شود و ثابت می‌کند که سیستم اندازه‌گیری مبتنی بر شبکه عصبی می‌تواند اندازه‌گیری‌های کمیت سیال بسیار دقیق را در یک محیط پویا تولید کند. اگرچه در این مورد از یک حسگر خازنی برای نشان دادن سیستم اندازه گیری استفاده شد، این روش برای همه انواع حسگرهای الکترونیکی معتبر است.

رویکرد نشان داده شده در رویکرد شبکه عصبی به اندازه گیری کمیت سیال در محیط های دینامیکیرا می توان در طیف وسیعی از کاربردهای اندازه گیری کمیت سیال در صنایع خودروسازی، دریایی و هوانوردی برای تولید خوانش دقیق سطح سیال اعمال کرد. دانشجویان، مدرسان و کارشناسان شرح تحقیقات فعلی در مورد اندازه‌گیری دقیق سطح سیال در محیط‌های پویا با استفاده از رویکرد شبکه عصبی را مفید خواهند یافت.

Sloshing causes liquid to fluctuate, making accurate level readings difficult to obtain in dynamic environments. The measurement system described uses a single-tube capacitive sensor to obtain an instantaneous level reading of the fluid surface, thereby accurately determining the fluid quantity in the presence of slosh. A neural network based classification technique has been applied to predict the actual quantity of the fluid contained in a tank under sloshing conditions.

In A neural network approach to fluid quantity measurement in dynamic environments, effects of temperature variations and contamination on the capacitive sensor are discussed, and the authors propose that these effects can also be eliminated with the proposed neural network based classification system. To examine the performance of the classification system, many field trials were carried out on a running vehicle at various tank volume levels that range from 5 L to 50 L. The effectiveness of signal enhancement on the neural network based signal classification system is also investigated. Results obtained from the investigation are compared with traditionally used statistical averaging methods, and proves that the neural network based measurement system can produce highly accurate fluid quantity measurements in a dynamic environment. Although in this case a capacitive sensor was used to demonstrate measurement system this methodology is valid for all types of electronic sensors.

The approach demonstrated in A neural network approach to fluid quantity measurement in dynamic environments can be applied to a wide range of fluid quantity measurement applications in the automotive, naval and aviation industries to produce accurate fluid level readings. Students, lecturers, and experts will find the description of current research about accurate fluid level measurement in dynamic environments using neural network approach useful.