| Summary: | === In this work, a general system for self-calibration and linearization of sensors is proposed, involving hardware and software solutions. The hardware is responsible for the data acquisition and signal conditioning. The software solutions employs radial basis function neural networks for the linearization of the input-output relationship of a temperature sensor (thermocouple), trained with multiobjective least square method. By varying the width of the radial basis function, di erent Pareto sets are obtained. A decision-making strategy over the nondominated set is proposed based on linear regression, in order to choose the network with best structure for the problem. The advantage of multiobjective learning in the context of sensor linearization is providing an adequate network for the problem that also presents low structural complexity, reducing the hardware implementation cost. Four experiments are presented for the validaton of the multiobjective learning algorithm. The three rst experiments involve temperature sensors in di erents ranges of operation. The fourth experiment involves a capacitive balance, in which the voltage is related to the variation of the capacitance. The results show that the proposed methodology is suitable for the linearization problem, allowing the selection of a neural network structure with a low implementation cost. === Neste trabalho é proposto um sistema que é capaz de realizar a calibração automática e linearização de sensores em um equipamento que une soluções em hardware e software. O hardware desenvolvido faz a leitura e condicionamento dos sinais dos sensores a serem linearizados. Já a solução implementada em software apresenta o treinamento multiobjetivo das redes neurais artificiais de funções de base radiais para realizar a linearização da curva sinais de entrada versus sinais de saída de sensores. Os pesos da rede neural são determinados por meio da técnica de mínimos quadrados multiobjetivo. Variando-se a largura das funções de base, diferentes conjuntos de Pareto são obtidos. Utiliza-se a técnica de decisão baseada em regressão linear sobre o conjunto de pontos não dominados para a escolha da solução que apresente a estrutura de rede mais adequada ao problema. A vantagem do treinamento multiobjetivo no contexto de linearização de sensores e determinar uma rede adequada para o problema e que apresente baixa complexidade estrutural, reduzindo, assim, o custo de implementação em hardware. São apresentados, em seguida, quatro experimentos realizados em laboratorio para validação do algoritmo de treinamento da rede neural. Os três primeiros experimentos são realizados a partir da medição da variavel temperatura em faixas distintas de operação e o quarto experimento e realizado a partir da medição do sinal de tensão gerado em uma balança capacitiva. São apresentadas também as soluções de treinamento mono-objetivo para os quatro experimentos e comparações entre as soluções mono-objetivo e multiobjetivo. Os resultados obtidos mostram que a metodologia proposta e adequada ao problema de linearização, permitindo a escolha de uma estrutura com menor custo de implementação.
|
|---|
