Интеллектуальная прецизионная гониометрическая система анализа интенсивности спектрального распределения для определения химического состава металлосодержащих веществ

И. Ю. Черепанская$^{1}$, Е. Н. Безвесильная$^{2}$, Ю. Н. Коваль$^{3}$, А. Ю. Сазонов$^{1}$

$^{1}$Житомирский государственный технологический университет, ул. Чудновская, 103, 10005 Житомир, Украина
$^{2}$Национальный технический университет Украины «Киевский политехнический институт имени Игоря Сикорского», просп. Победы, 37, 03056 Киев, Украина
$^{3}$Институт металлофизики им. Г. В. Курдюмова НАН Украины, бульв. Академика Вернадского, 36, 03142 Киев, Украина

Получена: 10.12.2018. Скачать: PDF

Статья посвящена актуальной проблеме — определению химического состава металлосодержащих веществ. На основе анализа метода спектроскопии, нейросетевых технологий и физических принципов работы фотоэлементов предложена новая прецизионная интеллектуальная гониометрическая система на основе лазерного гониометра, CMOS-матрицы и искусственной нейронной сети (ИНС). Система позволяет проводить анализ интенсивностей спектрального распределения. Она объединяет такие преимущества как безопасность для здоровья людей и окружающей среды, высокую производительность, простоту использования, универсальность, возможность автоматизированной обработки измерительной информации. Высокая производительность работы системы достигается за счёт возможности ИНС осуществлять одновременную обработку множества цифровых данных методами параллельной обработки. Безопасность системы обеспечивается за счёт применения принципов лазерной спектроскопии и исключения вредного рентгеновского излучения. Высокая точность системы достигается за счёт использования CCD- и CMOS-матриц с большой разрешающей способностью в качестве чувствительных элементов.

Ключевые слова: лазерный гониометр, химический состав, спектральное распределение, искусственная нейронная сеть, ток насыщения, длина световой волны, чувствительность фотоэлементов.

URL: http://mfint.imp.kiev.ua/ru/abstract/v41/i02/0263.html

PACS: 07.05.Mh, 07.60.-j, 78.30.Er, 78.40.Kc, 81.70.Jb, 82.80.-d


ЦИТИРОВАННАЯ ЛИТЕРАТУРА
  1. V. A. Purtskhvanidze, Gistokhimicheskie i Morfologicheskie Osobennosti Khrustalika Gidrobiontov pri Deystvii Lazernogo i Rentgenovskogo Oblucheniya (Disser. … for the Degree of Cand. Biolog. Sci.) (Moscow: Moscow State Technol. Academia: 2003) (in Russian).
  2. R. I. Filyaevskikh and M. A. Gan, Videotsifrovaya Sistema Opticheskogo Refraktometra (in Russian), http://docplayer.ru/32750438-Videocifrovaya-sistema-opticheskogo-refraktometra.html
  3. K. Rehan, I. Rehan, S. Sultana, M. Zubair Khan, Z. Farooq, A. Mateen, and M. Humayun, Int. J. Spectrosc., 2017: 1614654 (2017). Crossref
  4. F. Capitelli, F. Colao, M. R. Provenzano, R. Fantoni, G. Brunetti, and N. Senesi, Geoderma, 106, Iss. 1–2: 45 (2002). Crossref
  5. P. Diwakar, P. Kulkarni, and M. E. Birch, Aerosol Sci. Technol., 46, Iss. 3: 316 (2012). Crossref
  6. M. Achouri, T. Baba-Hamed, S. A. Beldjilali, and A. Belasri, Plasma Phys. Rep., 41, Iss. 9: 758 (2015). Crossref
  7. Programmnoe Obespechenie dlya Spektrometrov (in Russian), www.directindustry.com.ru/proizvoditel-promyshlennyj/programmnoe-obespecenie-spektrometrov-109161.html
  8. Programmnoe Obespechenie SATO (in Russian), www.sp-an.com/software.htm
  9. Optiko-Emissionnyy Spektrometr ARL 4460 (in Russian), https://thermotechno.ru/catalog/143/396/
  10. Atomnye Optiko-Emissionnye Spektrometry (in Russian), www.iskroline.ru/spectrometers/
  11. Spektrofotometr ULAB 102 (325–1000 nm, Programmiruemyy) (in Russian), https://prom.ua/p99301350-spektrofotometr-ulab-102.html
  12. I. Yu. Cherepanska, O. M. Bezvesilna, and A. Yu. Sazonov, Shtuchni Neyronni Merezhi pry Vyrishenni Zadach Tehnologichnoyi Pidgotovky Gnuchkogo Vyrobnytstva [Artificial Neural Networks in Solving Problems of Technological Preparation of Flexible Manufacturing] (Kyiv: NTUU ‘Igor Sikorsky KPI’: 2018) (in Ukrainian).
  13. I. Cherepanska, E. Bezvesilna, and A. Sazonov, Proc. of the Int. Conf. ‘Advances in Systems, Control and Information Technology’ (May 20–21, 2016, Warsaw, Poland) (Warsaw: Springer Int. Publ.: 2017), p. 43.
  14. C. L. Bennett, C. Odom, and M. Ben-Asher, 29th Southern Biomedical Eng. Conf. ‘Knee Angle Estimation Based on IMU Data and Artificial Neural Networks’ (May 3–5, 2013, Miami, FL, USA) (Miami: IEEE: 2013). Crossref
  15. N. A. Shrirao, N. P. Reddy, and D. R. Kosuri, BioMedical Engineering OnLine, 8: 2 (2009). Crossref
  16. A. D. Angel, M. Glavic, and L. Wehenkel, Using Artificial Neural Networks to Estimate Rotor Angles and Speeds from Phasor Measurements, http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.151.7413&rep=rep1&type=pdf
  17. J. Zhang, H. Li, L. Lv, and Y. Zhang, Int. J. Biomedical Imaging, 2017, Article ID 9083916 (2017). Crossref
  18. M. N. Libenson, E. B. Yakovlev, and G. D. Shandybina, Vzaimodeystvie Lazernogo Izlucheniya s Veshchestvom (Silovaya Optika) [Interaction of Laser Radiation with a Substance (Power Optics)] (Saint Petersburg: NIU ITMO: 2008) (in Russian).