Implementation Analog Neural Network for Electronic Nose using Field Programable Analog Arrays (FPAA)

Widyantara, Helmy; Rivai, Muhammad; Purwanto, Djoko

doi:10.11591/ijece.v2i6.1501

Cited by 14 publications

(7 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Pembelajaran menggunakan ANN digunakan untuk mengenali tingkat aktivitas kaki subyek. ANN merupakan metode pembelajaran yang cukup sering digunakan dalam berbagai riset, seperti pengenalan suara [4], pendeteksian kualitas kesegaran daging [5], dan hidung elektronik [6]- [8]. ANN merupakan metode pembelajaran yang cocok untuk digunakan karena memiliki tingkat kesukesan yang tinggi dengan jumlah kanal yang minimum [9], [10].…”

Section: Perancangan Perangkat Lunak Komputerunclassified

See 1 more Smart Citation

Kontrol Kecepatan Motor Sepeda Listrik Menggunakan Force Sensor dan Elektromiografi (EMG)

Gunawan¹,

Rivai²,

Tasripan³

2019

JTITS

View full text Add to dashboard Cite

A343Abstrak-Torque Assisted Bicycle (TAB) merupakan sebuah sepeda dengan penambahan motor listrik sebagai bantuan bagi penggunanya. Sepeda TAB ini dapat mempermudah pengguna dalam berkendara dan ramah lingkungan karena tidak menghasilkan gas emisi. Namun, sepeda TAB masih belum terlalu diminati di Indonesia. Salah satu penyebabnya ialah penggunaan sensor torsi yang mahal. Pada penelitian ini sensor tekanan dan sensor EMG digunakan untuk mengganti sensor tersebut. Sensor EMG yang digunakan memiliki keluaran antara 0 -5V single channel dan sensor tekanan menggunakan Force Sensitive Resistor (FSR) dengan keluaran antara 0 -3.5V. Data dari dua sensor ini digunakan untuk mengenali tingkat aktivitas otot dari pengguna dengan menggunakan metode Artifical Neural Network dan metode pembelajaran backward propagation. Dari hasil penelitian yang telah dilakukan, penempatan elektroda optimal untuk sensor EMG pada Vastus Lateralis dan FSR pada bagian medial dari telapak kaki. Dalam pengujian statis, subyek melakukan gerakan mengayuh selama 10 detik dengan beban berupa tekanan dari rem. Hasil pengujian pada empat subyek menghasilkan tingkat ketelitian deteksi aktivitas kaki sebesar 83,33%. Pada pengujian dinamis di permukaan dengan 4 tingkat kemiringan berbeda, sistem mampu mendeteksi beban dengan tingkat ketelitian 75%.Kata Kunci-EMG, ANN, TAB, Sensor Tekanan, Sepeda Listrik.

show abstract

Section: Perancangan Perangkat Lunak Komputerunclassified

“…Nilai masukan yang telah dinormalisasi akan diolah kedalam suatu jaringan hidden layer dengan menggunakan sebuah fungsi aktivasi. Fungsi aktivasi yang digunakan pada program ini adalah fungsi log sigmoid karena fungsi log sigmoid ini merupakan fungsi yang mendekati cara kerja otak manusia [6].…”

Section: Feedforward Propagationunclassified

Kontrol Kecepatan Motor Sepeda Listrik Menggunakan Force Sensor dan Elektromiografi (EMG)

Gunawan¹,

Rivai²,

Tasripan³

2019

JTITS

View full text Add to dashboard Cite

show abstract

“…Hasil FFT kemudian dikelompokkan ke dalam sejumlah bin (1.024, 128 atau 64 bin) dan dinormalisasi. Kemudian, fitur dikenali framework Accord.NET, pustaka pembelajaran mesin untuk C# yang dibuat oleh César Roberto de Souza [16], dengan Mesin Vektor Pendukung yang mengklasifikasikan dengan class boundaries [17], dan Jaringan Syaraf Tiruan (JST) yang terdiri dari neuron yang berperan sebagai sebuah syaraf biologis [18]. Berbagai penelitian sebelumnya telah menggunakan JST untuk pengenalan pola hasil ekstraksi dari fitur Mel Frequency Cepstrum Coefficient dan Fast Fourier Transform [19], pengenalan pola suara sinyal kerusakan motor listrik [14], dan lain-lain.…”

Section: Perancangan Perangkat Lunakunclassified

Sistem Autentikasi Biometrik berbasis Fitur Spektrum Sinyal Elektroensefalografi

Gaol¹,

Rivai²,

Tasripan³

2019

JTITS

View full text Add to dashboard Cite

Sistem autentikasi terkini memiliki kelemahan, seperti kehilangan kartu dan kunci, dan rentannya keamanan saat memasukkan sandi dan Personal Identification Number. Sistem autentikasi biometrik, sidik jari dan retina, juga memiliki kelemahan, yaitu dapat ditiru penipu. Pada penelitian ini, digunakan sinyal elektroensefalografi (EEG) sebagai modalitas baru dalam autentikasi biometrik, karena sifatnya yang tidak sadar dan sulit diimitasi dengan artefak yang bukan organisme hidup. Konfigurasi elektroda yang digunakan adalah Fp2 untuk sinyal masukan, A1 referensi, dan A2 common-mode. Elektroda yang digunakan adalah elektroda Ag/AgCl sekali pakai. Perangkat keras instrumentasi sinyal EEG melingkupi filter radio frequency interference, proteksi, penguat instrumentasi, common-mode rejection, penghilang tegangan DC diferensial, penguat tak membalik, low-pass filter frekuensi cutoff 72Hz, high-pass filter 0,23Hz, notch filter 50Hz, isolasi, adder, dan dikonversi digital dengan ADS1115. Total penguatannya adalah 30.375,62x. Sinyal digital kemudian dikirim ke Arduino Nano dan diproses Personal Computer untuk pengolahan sinyal. Sinyal kemudian difilter Butterworth orde 3 frekuensi cutoff 4-14Hz, diberi window Hamming, dianalisis spektrum frekuensinya menggunakan Fast Fourier Transform, dikelompokkan dalam 128 bin, dan dinormalisasi. Fitur disimpan menggunakan Microsoft SQL Server dan dikenali Jaringan Syaraf Tiruan. Persentase keberhasilan verifikasi mencapai 96% untuk autentikasi lima subyek. Pembelajaran mesin kemudian diintegrasikan dengan antar-muka real-time, dan didapati keberhasilan verifikasi 80%.

show abstract

“…The proposed approach is based on a new method based on optical fiber polarization controller signal feedback coupled with articial neural networks model (ANN) for monitoring the electrical and mechanical EMS parameters (resistence of coil R, and K, B respectively the stiffness and the coefficient of friction of the spring), considered in this approach as health indices to characterize the failure of the solenoid valve. NN has the advantages of controlling complex and non-linear systems [33,34], has high accuracy of prediction capability [35], and it is of great importance to find the high speed electromagnetic switching valve [36].…”

mentioning

confidence: 99%

Monitoring of solenoid parameters based on neural networks and optical fiber squeezer for solenoid valves diagnosis

Zahidi

Amrane

Azami

et al. 2021

IJECE

View full text Add to dashboard Cite

As crucial parts of various engineering systems, solenoid valves (SVs) operated by electromagnetic solenoid (EMS) are of great importance and their failure may lead to cause unexpected casualties. This failure, characterized by a degradation of the performances of the SVs, could be due to a fluctuations in the EMS parameters. These fluctuations are essentially attributed to the changes in the spring constant, coefficient of friction, inductance, and the resistance of the coil. Preventive maintenance by controlling and monitoring these parameters is necessary to avoid eventual failure of these actuators. The authors propose a new methodology for the functional diagnosis of electromagnetic solenoids (EMS) used in hydraulic systems. The proposed method monitors online the electrical and mechanical parameters varying over time by using artificial neural networks algorithm coupled with an optical fiber polarization squeezer based on EMS for polarization scrambling. First, the MATLAB/Simulink model is proposed to analyze the effect of the parameters on the dynamic EMS model. The result of this simulation is used for training the neural network, then a simulation is proposed using the neural net fitting toolbox to determine the solenoid parameters (Resistance of the coil R, stiffness K and coefficient of friction B of the spring) from the coefficients of the transfer function, established from the model step response. Future work will include not only diagnosing failure modes, but also predicting the remaining life based on the results of monitoring.

show abstract

Implementation Analog Neural Network for Electronic Nose using Field Programable Analog Arrays (FPAA)

Cited by 14 publications

References 12 publications

Kontrol Kecepatan Motor Sepeda Listrik Menggunakan Force Sensor dan Elektromiografi (EMG)

Kontrol Kecepatan Motor Sepeda Listrik Menggunakan Force Sensor dan Elektromiografi (EMG)

Sistem Autentikasi Biometrik berbasis Fitur Spektrum Sinyal Elektroensefalografi

Monitoring of solenoid parameters based on neural networks and optical fiber squeezer for solenoid valves diagnosis

Contact Info

Product

Resources

About