Abstract
This paper presents a robust optimization technique for the reconfigurable measurement of sensory electronics for industry 4.0 to obtain a robust solution even in the presence of observer uncertainty using a cost-effective performance measurement method. The extrinsic evaluation of the proposed methodology is performed on an indirect current-feedback instrumentation amplifier (CFIA), which is a fundamental part of sensory systems. To reduce the CFIA device performance evaluation set-up cost, a low-cost test stimulus is applied to the circuit under test, and the output response of the circuit is examined to correlate with the device’s performance parameters. Due to the complexity of the smart sensory electronics search space, the meta-heuristic optimization algorithm is being selected as an optimizer. For objective space or observer uncertainty, the Gaussian process regression from the Bayesian statistical regression process is used to estimate the uncertainty level efficiently. Six different classical metrics have been used to evaluate the regression model accuracy. The highest achieved average expected error metrics value is 0.313, and the minimum value of correlation performance metrics is 0.908. The device is implemented using 0.35 μm austriamicrosystems technology.
Zusammenfassung
In diesem Beitrag wird ein robustes Optimierungsverfahren für die rekonfigurierbare Messung von sensorischer Elektronik für Industrie 4.0 vorgestellt, um eine robuste Lösung auch bei Unsicherheit des Beobachters mit einer kostengünstigen Leistungs- bzw. Tauglichkeitsmessmethode. Die extrinsische Bewertung der vorgeschlagenen Methodik wird an einem indirekten stromrückgekoppelten Instrumentenverstärker (CFIA) durchgeführt, der ein grundlegender Bestandteil von sensorischen Systemen ist. Um die Einrichtungskosten für die Bewertung der CFIA-Geräteleistung zu reduzieren, wird ein kostengünstiger Teststimulus auf den zu prüfenden Schaltkreis angewendet und die Ausgangsreaktion des Schaltkreises wird untersucht, um mit den Leistungsparametern des Geräts zu korrelieren. Aufgrund der Komplexität des Suchraums der intelligenten sensorischen Elektronik wird der meta-heuristische Optimierungsalgorithmus als Optimierer gewählt. Für den Zielraum oder die Beobachterunsicherheit wird die Gaußsche Prozessregression aus dem Bayes’schen statistischen Regressionsverfahren verwendet, um das Unsicherheitsniveau effizient zu schätzen. Es wurden sechs verschiedene klassische Metriken verwendet, um die Genauigkeit des Regressionsmodells zu bewerten. Der höchste erreichte durchschnittliche erwartete Fehler liegt bei 0,313, während die minimale Größe der PerformanceKorrelationsmetriken 0,908 beträgt. Der Baustein ist in 0,35 μm austriamicrosystems technology realisiert.
© 2021 Walter de Gruyter GmbH, Berlin/Boston
