Search Results

You are looking at 1 - 3 of 3 items

  • Author: Mikhail Shamonin x
Clear All Modify Search

Zusammenfassung

Es werden Herstellung und Charakterisierung eines faseroptischen Elementarsensors zur Temperaturmessung vorgestellt. Der Sensorkopf in Form eines Prismas aus Indiumphosphid nutzt die Temperaturabhängigkeit der Absorptionskante des Halbleitermaterials. Aufgrund der Abmessungen des Prismas im Grenzbereich von Feinmechanik zu Mikrosystemtechnik ist ein angepasstes Herstellungsverfahren notwendig.

Zusammenfassung

Ein auf optischer Reflektion basierendes Abstandssensorsystem für die „Weiße Ware“ wird hier vorgestellt. Die technische Lösung greift auf ein allseits bekanntes Intensitätsreferenzierungsprinzip – die optische Brücke – zurück. Der Einfluss der Umgebungstemperatur kann kompensiert werden. Störeffekte wie alterungsbedingte Drift der optischen Elemente oder Systemvariationen der Empfindlichkeit verursacht durch die Streuung der einzelnen Komponenten können erfolgreich gehandhabt werden. Ein Algorithmus zur Ausgangslinearisierung und dessen Optimierung in Hinblick auf einen kostengünstigen Mikrokontroller wird beschrieben. Zum Schluss wird ein Prototyp eines Fertigungsautomaten, der zur Herstellung dieses Sensors dient, und dessen grundlegende Funktion vorgestellt.

Abstract

To support a rational and efficient use of electrical energy in residential and industrial environments, Non-Intrusive Load Monitoring (NILM) provides several techniques to identify state and power consumption profiles of connected appliances. Design requirements for such systems include a low hardware and installations costs for residential, reliability and high-availability for industrial purposes, while keeping invasive interventions into the electrical infrastructure to a minimum. This work introduces a reference hardware setup that allows an in depth analysis of electrical energy consumption in industrial environments. To identify appliances and their consumption profile, appropriate identification algorithms are developed by the NILM community. To enable an evaluation of these algorithms on industrial appliances, we introduce the Laboratory-measured IndustriaL Appliance Characteristics (LILAC) dataset: 1302 measurements from one, two, and three concurrently running appliances of 15 appliance types, measured with the introduced testbed. To allow in-depth appliance consumption analysis, measurements were carried out with a sampling rate of 50 kHz and 16-bit amplitude resolution for voltage and current signals. We show in experiments that signal signatures, contained in the measurement data, allows one to distinguish the single measured electrical appliances with a baseline machine learning approach of nearly 100 % accuracy.