Sensör Lineerleştirme Amalı Mikrodenetleyicili Tasarım

Abstract

Bu çalışmada, uygulamada sıklıkla kullanılan sensör karakteristiği lineerleştirme teknikleri incelenmiş, yöntemler kendi aralarında karşılaştırılmış ve yeni bir yöntem uygulanmıştır. Uygulamalarda mikrodenetleyicili sistemler temel alınmıştır. Bu nedenle yöntemler, mikrodenetleyicide kaplanan bellek alanı, kullanılan lineerleştirme algoritması sonucu elde edilen sensör verileri ile gerçek veriler arasındaki ortalama karesel hatalar açısından değerlendirilmiştir. Aynı anda birden fazla sensörün kullanıldığı sistemlerde belirtilen kriterler açısından en uygun sonuçlara radyal taban fonksiyonları tabanlı Yapay Sinir Ağı algoritmaları ile ulaşılmıştır. Bu yeni yöntemin mikrodenetleyicilerde sensör karakteristiği lineerleştirme amaçlı olarak kullanılması ile tasarlanan sistem çıktısındaki sensör değeri ile gerçek değer arasındaki ortalama karesel hata değeri sensörün tüm çalışma aralığı boyunca daha az seviyelere düşürülmüştür. Ayrıca, sistem için bellekte kaplanan alan değeri birden fazla sensörün aynı anda kullanıldığı uygulamalarda daha alt seviyelere indirilmiştir. Sonuçları literatürdeki çalışmalarla karşılaştırdığımızda, önerilen yöntem sensörün tüm çalışma aralığı göz önüne alındığında, sağladığı daha düşük ortalama karesel hata ile daha doğru ve daha yüksek hassasiyette sonuçlar vermekte, bellekte kaplanan daha düşük bellek alanı nedeni ile tasarım maliyeti anlamına gelen mikrodenetleyici maliyetlerini düşürmektedir.

In this study frequently used sensor linearization methods at literature are discussed. Each of the methods are compared with each other and a new method of sensor linearization is suggested. Experimental works are done on a specifically designed microcontroller based hardware. Experimental works are compared according to the mean square error between linear sensor output and desired sensor output. Optimum results are evaluated by Radial Base Functions Neural Networks for the systems containing multiple sensors for the mentioned criterias. By using this linearization method, mean square error between desired sensor output and linear system sensor output has been smaller for the whole sensor output range. In addition to this, memory allocation of the system in the microcontroller by radial base functions neural Networks is less than other linearization methods. Finally, radial base functions neural networks method in sensor linearization provides more economical hardware design due to low amount of memory allocation and more linear sensor output than other frequently used linearization methods.