Analysis of Algorithms for Implementing Self-Diagnostic Procedures in Analog-to-Digital Converters Using Neural Networks

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Introduction. In modern digital control systems, ensuring the reliability of ADCs is topical. Self-diagnosis algorithms are commonly employed to detect and address failures, thereby enhancing reliability. This research aims at developing a novel approach by harnessing the capabilities of a local fragmented control device (LFCD) to identify failures in the main measuring neuron (MMN) system, followed by the exclusion of the failed MMN from the neural network.

Materials and Methods. The study applied self-diagnosis algorithms to identify failed MMNs for two neural network structures: the "Internal Feedback Structure" and the "Redundant Link Structure." Graphical interpretations of the operation sequence are provided for cases of complete uncertainty, where the state of all neurons from the base group is unknown, and for cases of the unknown state of one neuron. The concept of the base group is introduced as the minimum number of neurons required for self-diagnosis.

Results and Conclusion. In the MatLab Simulink environment, we developed a model to compare neural network structures and self-diagnosis algorithms. We utilized this model to investigate the algorithm complexity and total time required for neural network analysis based on the number of tested neurons. Our findings demonstrated that for the "Internal Feedback Structure," the base group consists of 2m MMNs, where m represents the ADC resolution during self-diagnosis, while for the "Redundant Link Structure," it is 2m+1. The analysis highlighted that the "Redundant Link Structure" and selecting parameter m=3 represent the most optimal solution, offering shorter verification time and requiring less hardware resources while maintaining other characteristics.

Practical Significance. Research findings will enable subsequent self-diagnosis of control system elements and developing a diagnostic algorithm that ensures parallel checking in different areas of neural networks and the process of analog-to-digital conversion on the free part.

Толық мәтін

Рұқсат жабық

Авторлар туралы

Anton Naborshikov

Perm National Research Polytechnic University

Хат алмасуға жауапты Автор.
Email: anton.naborshikov@gmail.com
ORCID iD: 0000-0002-8386-7376
SPIN-код: 5585-1141

PhD student at the Department of Automation and Telemechanics

Ресей, 29, Komsomolsky avenue, Perm, 614013

Anton Posyagin

Perm National Research Polytechnic University

Email: anton.naborshikov@gmail.com
SPIN-код: 4544-9816

Candidate of Engineering Sciences, Associate Professor at the Department of Automation and Telemechanics

Ресей, 29, Komsomolsky avenue, Perm, 614013

Alexander Yuzhakov

Perm National Research Polytechnic University

Email: anton.naborshikov@gmail.com
ORCID iD: 0000-0003-1865-2448
SPIN-код: 4820-8360

Doctor of Engineering Sciences, Professor, Head of the Department of Automation and Telemechanic

Ресей, 29, Komsomolsky avenue, Perm, 614013

Әдебиет тізімі

  1. Liu G, LiG, Peng Z, Pan H. Adaptive neural network dynamic surface control algorithm for pneumatic servosystem. Proceedings of the 11th International Conference on Modelling, Identification and Control (ICMIC2019). Lecture Notes in Electrical Engineering. Tianjin, China; 2019:821-829.
  2. Daponte P, De Vito L, Mazzilli G. et al. Metrology for drone and drone for metrology: Measurement systems on small civilian drones. 2015 IEEE Metrology for Aerospace (MetroAeroSpace). 2015:306-311.
  3. Tetenkin YuG. Analog-digital converter for embedded systems with correction of nonlinearity of sensing devices (sensors). Vestnik of Volzhsky University named after V.N. Tatischev. 2011;(17);72-77. (In Russ.).
  4. Baidarov AA. Adaptive measuring converter of parameters of harmonious signals as diagnostics and analysis means. Information-measuring and Control Systems. 2010;8(12);112-115. (In Russ.).
  5. Posyagin AI, Yuzhakov AA. Development of an analog-to-digital converter based on a neural network. Jelektrotehnika. 2012;(11);18-24. (In Russ.).
  6. Glinkin EI, Glinkin ME. Technology of analog-to-digital converters. Tambov, Tambov State Technical University; 2008. 140 p. (In Russ.).
  7. Walt Kester. The Data Conversion Hand-book. Elsevier/Newnes; 2005. 953 р.
  8. Rudy J. van de Plassche. CMOS Integrated Analog-to-Digital and Digital-to-Analog Converters. The Springer International Series in Engineering and Computer Science. 2nd ed; 2003. 583 р.
  9. Kalchenko SB, Melnikov VA, Kharchenko VS. Dynamic architecture and modular computing systems for LIC. Zarubezhnaja radiojelektronika. 1990;(1);63-84. (In Russ.).
  10. Sandberg S. Homing and Synchronizing Se-quences. Model-Based Testing of Reactive Systems, Ser. LNCS. Springer. 2005;3472:5–33.
  11. Spirina EA, Chabdarov ShM. Distribution of information flows in systems operating in the information field. Vestnik of Volga State University of Technology. Series “Radio Engineering and Infocommunication Systems”. 2019;(4);6-15. (In Russ.)
  12. Makagonov NG, Posyagin AI, Yuzhakov AA. Principles of self-routing of signals in an analog-to-digital converter based on a single-layer neural network. Jelektrotehnika. 2016;(11);3-6. (In Russ.).
  13. Vasbieva AF, Oniskiv LM, Posjagin AI et al. Structure of the main measuring neuron in a self-routing analog-to-digital converter. Information-measuring and Control Systems. 2015;13(9);3-8. (In Russ.).
  14. Artemev IA, Posjagin AI, Cygancev VA. Development of the main measuring neuron based on the STM8 microcontroller for a self-routing analog-to-digital converter. Proceedings of Russian scientific and technical conference Automated control systems and Information technologies, June,2022. Perm: Perm National Research Polytechnic University; 2022:19-25. (In Russ.).
  15. Pasquale Daponte, Linus Michaeli. ADC & DAC modelling and testing. Measurement. 2007. Vol.,40, Iss. 5. Pp. 459-462.
  16. Naborshchikov AA, Yuzhakov AA, Posyagin AI. Possible Approaches to Organizing Self-Test of a Self-Routing Analog-To-Digital Converter Based on a Neural Network. Proceedings of the 2022 Conference of Russian Young Researchers in Electri-cal and Electronic Engineering, ElConRus 2022, St. Petersburg; 2022:391–394.
  17. Smirnov DN. Analysis of neuron AD conversion in golden ratio codes. Electrosvyaz Magazine. 2007;(8);20-22. (In Russ.).
  18. Chelebaev SV, Melnik OV, Chelebaeva YA. Application of simulation modeling for the analysis of neurons of converters of time-and-frequency parameters of signals in a digital code. 2018 7th Mediterranean Conference on Embedded Computing, MECO 2018 – Including ECYPS 2018, Proceedings: 7, Budva. Budva; 2018:1-4.
  19. Katsko EV, Posyagin AI, Yuzhakov AA. An autocontrol system based on neurons in a self-routing analogue converter. Russian Electrical Engineering. 2014;85(11):703-707.
  20. Kleiman LA, Kon EL, Freiman VI et al. Improving the Reliability of Information Control System Elements Using Embedded Diagnostic Tools. Vestnik of Volga State University of Technology. Series “Radio Engineering and Infocommunication Systems”. 2019;(3);29-40. (In Russ.).

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу
2. Fig. 1. Structure of the hidden layer in the self-organizing ADC neural network

Жүктеу (171KB)
Метадеректер
3. Fig. 2. Self-diagnosis for the "Internal Feedback Structure" at m=3 (a – MMN sample for the first measurement, b – potentially faulty MMNs after the first measurement, c, d – identification of the faulty MMN based  on the results of the second measurement)

Жүктеу (279KB)
Метадеректер
4. Fig. 3. Self-diagnosis procedure algorithms for the "Internal Feedback Structure", considering the reduction of tests with 2m-1 functional neurons

Жүктеу (204KB)
Метадеректер
5. Fig. 4. Self-diagnosis for the "Redundant Link Structure" at m=3 (a – MMN sample for the first measurement, b – potentially faulty MMNs after the first measurement, c, d – identification of the faulty MMN based on the results of the second measurement)

Жүктеу (337KB)
Метадеректер
6. Fig. 5. Algorithm for the self-diagnosis procedure for the "Redundant Link Structure", taking into account the reduction of tests  with 2m-1 functional neurons

Жүктеу (244KB)
Метадеректер
7. Fig. 6. Dependency of algorithm complexity (number of clock cycles) on the bit depth (m) of DAC/ADC structure

Жүктеу (128KB)
Метадеректер
8. Fig. 7. Dependency of algorithm complexity (number of clock cycles) on the bit depth (m) of DAC/ADC structure for testing one neuron

Жүктеу (120KB)
Метадеректер
9. Fig. 8. Dependency of time spent on testing neural networks of different sizes

Жүктеу (135KB)
Метадеректер

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».