диплома / lucki-vs1

Дипломна робота спеціаліста групи КСМзсд-52

Луцького Михайла Ярославовича

Вимірювальний канал ультрафіолетових фотодіодів на базі мікроконвертора

ВСТУП

Актуальність теми.

В зв’язку з руйнуванням озонового шару Землі вимірювання інтенсивності ультрафіолетового випромінювання стало одним із важливих видів вимірювань. Адже підвищений рівень ультрафіолетового випромінювання може спричинити (лише щодо людини!):

1. опіки шкіри в людини. Такі опіки не тільки болючі, вони можуть бути місцем легкого проникнення інфекцій, що ведуть до запалення шкіри та інших хвороб шкіри, а також інших органів;

2. систематичне передозування ультрафіолетового випромінювання веде до раку шкіри;

3. опіків склери ока людей. Ефект від таких опіків акумулюється, в подальшому це може вести до виникнення таких хвороб як катаракта та помутніння кристалика.

4. погіршення функціонування сітківки ока через її опіки. Поширення пластикових лінз в окулярах сприяє підвищеному проникненню ультрафіолетового випромінювання до сітківки;

5. ослаблення імунної системи людини.

Аналогічні захворювання виникають у тварин, що веде до проблем з їх виживанням.

Слід відзначити, що сумарна енергія ультрафіолетового випромінювання складає не більше 1,5% від всієї сонячної енергії, що досягає поверхні Землі. Однак інтенсивність хімічної дії випромінювання різко росте зі скороченням довжини хвилі. При цьому зростання рівня біологічної дії, згідно досліду Штерна-Герлаха, проходить стрибкоподібно. Це вимагає контролю інтенсивності ультрафіолетового випромінювання при його дії на людину.

Крім природного, штучне ультрафіолетове випромінювання широко використовується в терапевтичних цілях. Загальнооздоровча дія ультрафіолетового випромінювання є широко відомою, але передозування веде до перелічених вище проблем.

Штучне ультрафіолетове випромінювання широко використовується в хімічній промисловості, де також потрібний контроль його інтенсивності. В промисловості також існує чимало джерел мимовільного виникнення ультрафіолетового випромінювання, наприклад, зварювальні та інші електродугові пристрої, інтенсивність дії такого ультрафіолетового випромінювання теж необхідно контролювати.

Сучасний стан вимірювання інтенсивності ультрафіолетового випромінювання характеризується великими похибками. При цьому склалася ситуація, коли у вимірювальних каналах всіх приладів і систем домінує похибка сенсорів, в якості яких на сьогодні використовують практично виключно напівпровідникові фотодіоди різних типів. Однак використання різних методів корекції стримується тим, що виробники систем, з огляду на велику похибку сенсорів, випускають доволі неточні та недосконалі прилади і системи. В таких умовах методи корекції будуть не ефективними.

Для підвищення точності вимірювання інтенсивності ультрафіолетового випромінювання за допомогою ультрафіолетових фотодіодів необхідно спочатку розробити високоякісний вимірювальний канал. Він повинен створювати режим короткого замикання для фотодіодів під час вимірювання інтенсивності ультрафіолетового випромінювання, та створювати можливість корекції температурної похибки за температурою кристалу, на який діє ультрафіолетове випромінювання – інакше похибка від різниці температур кристалу фотодіода та сенсора температури буде сильно впливати на ефективність корекції.

Найкращою елементною базою для пропонованого високоякісного вимірювального каналу на сьогодні є мікроконвертори фірми Analog Devices. Ці мікроконвертори є доволі досконалими мікросхемами, що поєднують високоякісні аналого-цифрові та цифро-аналогові перетворювачі (АЦП та ЦАП) із популярним мікроконтролером серії І51.

Метою даної дипломної роботи є розроблення високоякісного апаратного забезпечення приладів та інформаційно-вимірювальних систем вимірювання ультрафіолетового випромінювання за допомогою напівпровідникових фотодіодів та створення, на базі підходу до напівпровідникових фотодіодів як до багатопараметричних сенсорів.

Об’єктом дослідження є процес вимірювання рівня ультрафіолетового випромінювання.

Предметом дослідження є підвищення точності вимірювального каналу приладів і систем вимірювання інтенсивності ультрафіолетового випромінювання.

ВИСНОВКИ

1. У дипломній роботі проведено аналіз відомих засобів вимірювання ультрафіолетового випромінювання, який показав, що у вимірювальному каналі домінує похибка сенсора. Через те виробники інформаційно-вимірювальних систем ультрафіолетового випромінювання не дбають належним чином про забезпечення високої точності вимірювальних каналів цих систем. Тому, для підвищення точності вимірювання інтенсивності ультрафіолетового випромінювання запропоновано розробити високоякісний вимірювальний канал засобів вимірювання ультрафіолетового випромінювання.

2. Вибраний за основу розроблюваного високоякісного вимірювального каналу засобів вимірювання ультрафіолетового випромінювання мікроконвертор ADuC-834 є доволі досконалою мікросхемою, що поєднує високоякісний 24-х розрядний сигма-дельта аналого-цифровий перетворювач із популярним мікроконтролером серії І51.

3. Пропонований високоякісний вимірювальний канал засобів вимірювання ультрафіолетового випромінювання забезпечує режим короткого замикання фотодіода при вимірюванні інтенсивності ультрафіолетового випромінювання та режим його неробочого ходу при вимірюванні температури. При цьому забезпечено можливість вимірювання струму через фотодіод при вимірюванні його температури.

4. Було розраховано елементи схеми вимірювальний канал засобів вимірювання ультрафіолетового випромінювання та проведено його дослідження з використанням програмного симулятора електронних схем Electronic Workbench 5.12. Дослідження показали, що схема розроблена і розрахована правильно, і є повністю працездатною.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ:

1. Biological sensors for solar ultraviolet radiation. Yagura T, Makita K, Yamamoto H, Menck CF, Schuch AP. Sensors (Basel). 2011;11(4):4277-94. Epub 2011 Apr 12.

2. Journal of Photochemistry and Photobiology B: Biology Volume 53, Issues 1–3, 1 November 1999, Pp. 1–6.

3. G. Ronto, S. Gaspar, A. Berces. Phage T7 in biological UV dose measurement. Journal of Photochemistry and Photobiology B Biology. DOI:10.1016/1011-1344(92)85030-X. 03/1992; 12(3), pp. 285-94.

4. E. B. Podgorsak. Radiation oncology physics: a handbook for teachers and students. Vienna: International Atomic Energy Agency, 2005. ISBN 92–0–107304–6. 696p.

5. Полупроводниковые фотоприемники: Ультрафиолетовый, видимый и ближний инфракрасный диапазоны спектра / И.Д. Анисимова, И.М. Викулин, Ф.А. Заитов, Ш.Д. Курмашев; Под ред. В.И.Стафеева. M.: Радио и связь, 1984. 216с.

6. http://ru.wikipedia.org/wiki/Радиометр

7. http://ru.wikipedia.org/wiki/Дозиметр

8. http://jp.hamamatsu.com/products/sensor-etd/pd011/C9536/index_en.html

9. http://www.hamamatsu.com/jp/en/product/category/3100/4001/4103/S1226-18BU/index.html

10. http://www.sglux.com/products_of_sglux_SiC_photodio.22.0.html?&tx_ttproducts_pi1%5Bcat%5D=10

11. http://www.sglux.com/uploads/tx_ttproducts/datasheet/UV-Surface-D_02.pdf

12. http://www.sglux.com/uploads/tx_ttproducts/datasheet/SG01L-18ISO90_01.pdf

13. http://www.sglux.com/Products.2.0.html?&tx_ttproducts_pi1[cat]=7

14. http://www.uv-groebel.com/pmr_rm22.php

15. http://www.uv-groebel.com/ps1_rm11s.php

16. http://www.apogeeinstruments.co.uk/compare/50/48/49

17. http://www.apogeeinstruments.co.uk/uv-sensor-su-100/

18. http://www.gigahertz-optik.de/207-1-X1sub4sub.html

19. http://www.gigahertz-optik.de/files/radiometer_dse_x1-4.pdf

20. http://www.cureuv.com/spdiuv-control-4c-uv-radiometer.html

21. Jingjing Xie, Jo Shien Ng, and Chee Hing Tan, ”An InGaAs/AlAsSb Avalanche Photodiode With a Small Temperature Coefficient of Breakdown”, IEEE Photonics Journal. Vol. 5, No. 4, August 2013. DOI: 10.1109/JPHOT.2013.2272776. pp. 6800706–6800706.

22. T. F. Refaat and H. E. Elsayed-Ali, “Advanced atmospheric water vapor DIAL detection system,” Nat. Aeronaut. Space Admin., Langley Res. Center, Hampton, VA, USA, NASA 210 301, Jun. 2000.

23. http://www.hamamatsu.com/

24. http://www.sglux.com/

25. http://www.lasercomponents.com/

26. http://www.ams.com/eng/Products

27. http://www.hamamatsu.com/resources/pdf/ssd/s1226_series_kspd1034e08.pdf

28. http://www.hamamatsu.com/resources/pdf/ssd/s2592-03_etc_kspd1003e07.pdf

29. http://www.hamamatsu.com/resources/pdf/ssd/s4111-16r_etc_kmpd1002e07.pdf

30. http://www.hamamatsu.com/resources/pdf/ssd/s4349_kmpd1007e02.pdf

31. http://www.hamamatsu.com/resources/pdf/ssd/s5980_etc_kpin1012e04.pdf

32. http://www.hamamatsu.com/jp/en/product/category/3100/4003/index.html

33. http://www.hamamatsu.com/resources/pdf/ssd/s12023-02_etc_kapd1007e11.pdf

34. http://www.hamamatsu.com/resources/pdf/ssd/g8931-04_kapd1018e03.pdf

35. http://www.hamamatsu.com/resources/pdf/ssd/s8550-02_kapd1031e01.pdf

36. http://www.sglux.com/uploads/tx_ttproducts/datasheet/SG01M-18_01.pdf

37. http://www.sglux.com/uploads/tx_ttproducts/datasheet/SG01XL-5ISO90_01.pdf

38. http://www.lasercomponents.com/fileadmin/user_upload/home/Datasheets/lcd/sae-series_red-enhanced.pdf

39. http://www.lasercomponents.com/fileadmin/user_upload/home/Datasheets/lcd/ig17-series.pdf

40. О. Рощупкін. Сучасний стан і перспективи розвитку детекторів ультрафіолетового випромінювання. Науковий вісник Чернівецького університету. 2009. Випуск 438. Фізика. Електроніка.– С.122-132.

41. http://www.dexterresearch.com

42. A. Taner, J. Brignell, “Virtual instrumentation and intelligent sensors”, Sensors and Actuators A: Physical, Vol. 61, No. 1-3. 1997, pp. 427-430.

43. Mihiar Ayoubi, Rolf Isermann and Jiirgen Huber, “Identification And Supervision Of A Thermal Works With Locally Distributed Dynamics Plant Based On Multi-Layer Perceptron Net” Proceedings of the 34th Conference on Decision & Control New Orleans, LA - December 1995. pp. 1825-1830.

44. Isermann Rolf. Fault-Diagnosis Systems / Springer Berlin Heidelberg. 2006. ISBN: 978-3-540-24112-6. 475 p.

45. Eykhoff, P. System identification. John Wiley, London, 1974.

46. Isermann, R., Lachmann, K.-H.. and Matko. D. Adaptive control systems. Prentice Hall International UK, London, 1992.

47. Ljung, L. System identification - theory for the user. Prentice Hall, Englewood Cliffs, 1987.

48. Isermann, R. Mechatronic systems -fundamentals. Springer, London, 2003.

49. E. Brignell, “Digital compensation of sensors”, Scientific Instruments. Vol. 20, N 9, 1987. Pp. 1097-1102.

50. McCluney, Ross. 1994. Introduction to Radiometry & Photometry. Norwood, MA: Artech House.

51. http://www.ifac-control.org/

52. IFIP. Proc. of the IF IP 9th World Computer Congress, Paris, France, September 19-23. Elsevier, 1983;

53. Profos, P. and Pfeifeij, T. Handbuch der industriellen Messtechnik. Oldenbourg, Munchen, 1992.

54. Turchenko I. Simulation Modelling of Neural Control System for Coal Mine Ventilation / Turchenko I., Kochan V., Sachenko A. // Proceedings of the 4th International Conference on Neural Networks and Artificial Intelligence (ICNNAI`2006). – 2006. – Brest (Belarus). – P. 93-98.

55. Turchenko V. Estimation of Computational Complexity of Sensor Accuracy Improvement Algorithm Based on Neural Networks / Turchenko V., Kochan V., Sachenko A. // Ed. G.Dorffner, H.Bischof, and K.Hornik // Lecture Notes in Computing Science, Springer-Verlag. – 2001. – No. 2130. – P. 743-748.

56. Auge J., Dierks K., Eichelbaum F., Hauptmann P. High-speed multi-parameter data acquisition and web-based remote access to resonant sensors and sensor arrays // Sensors and Actuators B. - 2003. - Vol. 95, No. 1-3. - Pp. 32 - 38.

57. Hohmann, H. Automatische Überwachung und Fehlerdiagnose an Werkzeugmaschinen. PhD thesis, Technische Hochschule, Darmstadt, 1987.

58. Bakiotis, C., Raymond, J., and Rault, A. Parameter and discriminiant analysis for jet engine mechanical state diagnosis. In Proc. of The 1979 IEEE Conf on Decision & Control, Fort Lauderdale, USA, 1979.

59. Isermann, R. Methoden zur Fehlererkennung für die Überwachung technischer Prozesse. Regelungstechnische Praxis, (9 & 10):321-325 & 363-368, 1980.

60. Isermann, R. Parameter-adaptive control algorithms - a tutorial. Automatica,18(5):513-528, 1982.

61. Isermann, R. Process fault detection on modeling and estimation methods – a survey. Automatica, 20(4):387-404, 1984.

62. Filbert, D. and Metzger, L. Quality test of systems by parameter estimation. In Proc. 9th IMEKO-Congress, Berlin, Germany, May 1982.

63. Filbert, D. Fault diagnosis in nonlinear electromechanical systems by continuous-time parameter estimation. ISA Trans., 24(3):23-27, 1985.

64. Eykhoff, P. System identification. John Wiley, London, 1974.

65. Haber, R. and Unbehauen, H. Structure identification of nonlinear dynamic systems - a survey on input/output approaches. Automatica, 26(4):651-677, 1990.

66. Isermann, R. Identifikation dynamischer Systeme. Springer, Berlin, 1992.

67. Isermann, R., Lachmann, K.-H. and Matko, D. Adaptive control systems. Prentice Hall International UK, London, 1992.

68. Lachmann, K.-H. Parameteradaptive Regelalgorithmen für bestimmte Klassen nichtlinearer Prozesse mit eindeutigen Nichtlinearitäten. volume Fortschr.-Ber. VDI Reihe 8. 66. VDI Verlag. Düsseldorf, 1983.

69. Lachmann, K.-H. Parameteradaptive Regelalgorithmen für bestimmte Klassen nichtlinearer Prozesse mit eindeutigen Nichtlinearitäten. volume Fortschr.-Ber. VDI Reihe. 8. 66. VDI Verlag. Düsseldorf, 1983.

70. Rivera-Mejia, J.; Carrillo-Romero, M.; Herrera-Ruiz, G., "Self-compensation to build reconfigurable measurement systems," Instrumentation & Measurement Magazine, IEEE, vol.16, no.2, doi: 10.1109/MIM.2013.6495675, April 2013, pp.10,19

71. G. Van der Horn and J. L. Huijsing, Integrated Smart Sensors Design and Calibration, Norwell, MA, USA: Kluwer Academic Publisher, ISBN 0-7923-8004-5,1998.

72. J. Schoukens, J. G. Nemeth, G. Vandersteen, R. Pintelon and P. Crama, "Linearization of nonlinear dynamics systems," IEEE Trans. Instrum. Meas., vol. 53, no. 4, pp. 1245-1248, Aug. 2004.

73. M. J. Rivera, R. G. Herrera, M. M. Chacon, P. Acosta and R. M. Carrillo, "Improved progressive polynomial algorithm for self- adjustment and optimal response in intelligent sensors," Sensors, vol. 8, pp. 7410-7427, Nov. 2008.

74. M. J. Rivera, R. M. Carrillo, and R. G. Herrera, "Quantitative evaluation of self-compensation algorithms applied in intelligent sensors," Proc 2010 IEEE International Instrumentation and Measurement Technology Conference, Austin, TX, USA. ISSN-1091- 5281/ ISBN 978-1-4244-2833-5. pp. 3-6, May 2010.

75. Derde M. P. Supervised pattern recognition: the ideal method? / Derde M. P., Massart D. L. // Analytica Chimica Acta. – 1986. – Vol. 191. – P. 1-

76. Michie D. Machine Learning, Neural and Statistical Classification / Michie D., Spiegelhalter D.J., Taylor C.C. – New York: Ellis Horwood, 1994.

77. Lavine B. K. Source Identification of Underground Fuel Spills by Pattern Recognition Analysis of High-Speed Gas Chromatograms / Lavine B. K., Mayfield H., Kromann P. R., Faruque A. // Analytical Chemistry. – 1995. – Vol. 67 (21). – P. 3846-3852.

78. Werther W. Classification of mass spectra: A comparison of yes/no classification methods for the recognition of simple structural properties / Werther W., Lohninger H., Stancl F. and Varmuza K. // Chemometrics and Intelligent Laboratory Systems. – 1994. – Vol. 22, No. 1. – P. 63-76.

79. Turchenko I. Accurate Recognition of Multi-Sensor Output Signal Using Modular Neural Networks / Turchenko I., Kochan V., Sachenko A. // International Journal of Information Technology and Intelligent Computing. – 2007. – Vol. 2, No. 1. – P. 27- 47.

80. Tou J. T. Pattern Recognition Principles / Tou J. T., Gonzalez R. C. – Reading, MA: Addison-Wesley, 1974.

81. Duda R. O. Pattern Classification and Scene Analysis / Duda R. O., Hart P. E. – New York: Wiley, 1973.

82. Bishop C. M. Neural Networks for Pattern Recognition / Bishop C. M. – New York: Oxford University Press, 1995.

83. Chtioui Y. Reduction of the size of the learning data in a probabilistic neural network by hierarchical clustering. Application to the discrimination of seeds by artificial vision / Chtioui Y., Bertrand D., Barba D. // Chemometrics and Intelligent Laboratory Systems. – 1996. – Vol. 35, No. 2. – P. 175-186.

84. Specht D. F. Probabilistic neural networks / Specht D. F. // Neural Networks. – 1990. – Vol. 3, No. 1. – P. 109-118.

85. Kohonen T. Self-organizing maps / Kohonen T. – 2nd edition. – Berlin, Springer- Verlag, 1997. – 501 P.

86. Shaffer R. E. A comparison study of chemical sensor array pattern recognition algorithms / Shaffer R. E., Rose-Pehrsson S. L., McGill A.R. // Analytica Chimica Acta. – 1999. – Vol. 384, No. 3. – P. 305-317.

87. Turchenko V. Estimation of Computational Complexity of Sensor Accuracy Improvement Algorithm Based on Neural Networks / Turchenko V., Kochan V., Sachenko A. // Ed. G.Dorffner, H.Bischof, and K.Hornik // Lecture Notes in Computing Science, Springer-Verlag. – 2001. – No. 2130. – P. 743-748.

88. Bangalore A. S. Automated Detection of Trichloroethylene by Fourier Transform Infrared Remote Sensing Measurements / Bangalore A. S., Small G. W., Combs R. J., Knapp R. B, Kroutil R. T. // Analytical Chemistry. – 1997. – Vol. 69, No. 2. – P. 118-129.

89. Daqi G. An electronic nose and modular radial basis function network classifiers for recognizing multiple fragrant materials / Daqi G., Shuyan W., Yan J. // Sensors and Actuators B. – 2004. – Vol. 97, No. 2-3. – P. 391-401.

90. Zhang H. Improving pattern recognition of electronic nose data with time-delay neural networks / Zhang H., Balaban M., Principe J. // Sensors and Actuators B. – 2003. – Vol. 96, No. 1-2. – P. 385-389.

91. Llobet E. Building parsimonious fuzzy ARTMAP models by variable selection with a cascaded genetic algorithm: application to multisensor systems for gas analysis / Llobet E., Brezmes J., Gualdrón O., Vilanova X., Correig X. // Sensors and Actuators B. – 2004. – Vol. 99, No. 2-3. – P. 267-272.

92. Ortega A. An intelligent detector based on temperature modulation of a gas sensor with a digital signal processor / Ortega A., Marco S., Perera A., Sundic T., Pardo A., Samitier J. // Sensors and Actuators B. – 2001. – Vol. 78, No. 1-3. – P. 32-39.

93. Guo D. Application of artificial neural network technique to the formulation design of dielectric ceramics / Guo D., Wang Y., Nan C., Li L., Xia J. // Sensors and Actuators A. – 2002. – Vol. 102, No. 1-2. – P. 93-98.

94. Luo D. Application of ANN with extracted parameters from an electronic nose in cigarette brand identification / Luo D., Hosseini G., Stewart J. // Sensors and Actuators B. – 2004. – Vol. 99, No. 2-3. – P. 253-257.

95. Martin M. Application of artificial neural networks to calculate the partial gas concentrations in a mixture / Martín M., Santos J., Agapito J. // Sensors and Actuators B. – 2001. – Vol. 77, No. 1-2. – P. 468-471.

96. Srivastava A.K. Detection of volatile organic compounds (VOCs) using SnO2 gassensor array and artificial neural network / Srivastava A.K. // Sensors and Actuators B. – 2003. – Vol. 96, No. 1-2. – P. 24-37.

97. Capone S. Analysis of CO and CH4 gas mixtures by using a micromachined sensor array / Capone S., Siciliano P., Bârsan N., Weimar U., Vasanelli L. // Sensors and Actuators B: Chemical. – 2001. – Vol. 78, No. 1-3. – P. 40-48.

98. Hahn S. Investigation of CO/CH4 mixture measured with differently doped SnO2 sensors / Hahn S., Barsan N., Weimar U. // Sensors and Actuators B. – 2001. – Vol. 78, No. 1-3. – P. 64-68.

99. M. Bicego, G. Tessari, G. Tecchiolli, and M. Bettinelli, “A comparative analysis of basic pattern recognition techniques for the development of small size electronic nose,” Sens. Actuators B, vol. 85, pp. 137–144, 2002.

100. M.C. Lonergan, E.J. Severin, B.J. Doleman, S.A. Beaber, R.H. Grubbs, N.S. Lewis, Array-based vapor sensing using chemically sensitive carbon black-polymer resistors, Chem. Mater. 8 (1996) 1198-1312.

101. B.J. Doleman, M.C. Lonergan, E.J. Severin, T.P. Vaid, N.S. Lewis, Quantitative study of the resolving power of arrays of carbon black- polymer composites in various vapor-sensing tasks, Anal. Chem. 70 (1998) 4177-4190.

102. S. Theodoridis, K. Koutroumbas, Pattern Recognition, Academic Press, New York, 1999.

103. J. Hertz, A. Krogh, R.G. Palmer, Introduction to the Theory of Neural Computation, Addison-Wesley, Reading, MA, 1991.

104. D. Pantazopoulos, P. Karakitsos, A. Pouliakis, A. Iokim-Liossi, M.A. Dimopoulos, Static cytometry and neural networks in the discrimination of lower urinary system lesions, Urology 51 (1998) 946-950.

105. F. Rosenblatt, Principle of Neurodynamics: Perceptions and the Theory of Brain Mechanisms, Spartan, Washington, DC, 1962.

106. R. Battiti, G. Tecchiolli, Training neural nets with the reactive Tabu search, IEEE Trans. Neural Network 6 (5) (1995) 1185-1200.

107. I.T. Jollife, Principal Component Analysis, Springer, New York, 1986.

108. K. Fukunaga, Introduction to Statistical Pattern Recognition, 2nd Edition, Academic Press, New York, 1990.

109. R.A. Fisher, The use of multiple measurements in taxonomic problems, Ann. Eugen. 7 (1936) 179-188. Re-printed on Contributions to Mathematical Statistics, Wiley, New York, 1950.

110. W. Zhao, Discriminant component analysis for face recognition, in: IEEE Proceedings of International Conference on Pattern Recognition, Barcelona, 2000.

111. L. Devroye, L. Gyorfi, G. Lugosi, A Probabilistic Theory of Pattern Recognition, Springer, New York, 1996.

112. D. Wettschereck, T.G. Dietterich, Locally adaptive nearest neighbor algorithms, Adv. Neural Inform. Process. Syst. 6 (1994) 184-191.

113. T. Hastie, R. Tibshirani, Discriminant adaptive nearest neighbor classification, IEEE Trans. Pattern Anal. Mach. Intell. 18 (6) (1996) 607-616.

114. http://www.neuricam.com/Neuricam/Products/totem.htm.

115. Артюков. И. Детекторы ультрафиолетового излучения // Фотоника, т. 5. 2008. с.26 – 33.

116. P.Bykovyy, V.Kochan, Y.Kinakh, A.Sachenko, O.Roshchupkin, S.Aksoy, G.Markowsky. Data communication crypto protocol for security systems sensor networks. IEEE international workshop on intelligent data acquisition and advanced computing systems: technology and applications 21-23 September 2009, Rende (Cosenza), Italy. p. 375-379.

117. V. Dorosh, O. Roshchupkin, I. Turchenko, V. Kochan, A. Sachenko. Identification method of multisensor conversion characteristics based on neural networks. // Proceedings of the International Conference TCSET’2010 X-th International Conference “Modern problems of radio engineering, telecommunications and computer science”– Lviv-Slavsko, Ukraine, 2010. – CD, A.314.

118. Рощупкін О.Ю., Дорош В. І., д. т. н. Саченко А. О., к. т. н. Кочан В. В., к. т. н. Турченко. І. В. Нейромережевий метод обробки даних калібрування багатопараметричних сенсорів // Материалы XI международной научно-практической. конференции «Современные информационные и электронные технологии» (СИЭТ-2010). – Одесса, 2010. – С.43.

119. Рощупкін О.Ю., Кочан В.В., Саченко А.О., (Україна); Патент на корисну модель № 53188 України, видано 27.09.10, бюлетень № 18; заявлено 06.04.2010, заявка № u201003999; Багатомодульна система відображення інформації з самоідентифікацією вузлів.

120. Рощупкін О.Ю., Кочан В.В., Саченко А.О., (Україна); Патент на винахід № 97173, зареєстровано 10.01.2012, бюлетень № 1. Заявлено 06.04.10, заявка № а201003905; Багатомодульна система відображення інформації з самоідентифікацією вузлів.

121. О. Рощупкін. Сучасний стан і перспективи розвитку детекторів ультрафіолетового випромінювання. Науковий вісник Чернівецького університету. 2009. Випуск 438. Фізика. Електроніка.– С.122-132.

122. О. Рощупкін. Сенсори ультрафіолетового випромінювання інформаційно -вимірювальних систем. Сучасний стан і перспективи розвитку. // Матеріали IV міжнародної науковій конференції молодих вчених «Комп'ютерні науки та інженерія 2010». (CSE-2010). – Львів, 2010. ­– С. 318-319.

123. О. Рощупкін. Використання нейронних мереж у 8-розрядних мікроконтролерах. // Матеріали міжнародної науково-технічної конференції молодих учених та студентів «Актуальні задачі сучасних технологій», 21-22 грудня 2010 року Тернопіль. – С. 99.

124. O. Roshchupkin, A. Sachenko, V. Kochan. Neural Processing of Multisensor Signals at the 8-bit Microcontroller. // Proceedings of the 6th IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS-2011). – Prague (Czech Republic), 2011. – pp. 383-387.

125. І.В. Турченко, О.Ю. Рощупкін, В.В. Кочан. Нейромережевий метод ідентифікації характеристики перетворення мультисенсора. Науковий вісник ЧНУ. Том №2, випуск №3. Комп’ютерні системи та компоненти. - Чернівці: ЧНУ 2011. – С. 36-41.

126. Рощупкін О. Ю., Кочан В. В., Саченко А. О. Патент України на винахід № 103802. Зареєстровано 25.11.2013. Заявка № a201113840; Заявлено 24.11.2011. Спосіб ідентифікації індивідуальної функції перетворення багатопараметричного сенсора.

127. Рощупкін О. Ю., Кочан В. В., Саченко А. О. Патент України на корисну модель № 71181, зареестровано 10.07.2012. Заявлено 28.11.11, заявка № u201113963; Спосіб ідентифікації індивідуальної функції перетворення багатопараметричного сенсора.

128. Г.І Воробець, С.Л Воропаєва, Р.Д. Гуржуй, Ю.Г. Добровольський, М.А. Кузь, С.В. Мельничук, Р.В. Рогов, О.Ю. Рощупкін, Б.Г. Шабашкевич, В.Г. Юрьєв. Оптимізація апаратно – програмного забезпечення системи контролю параметрів ультра-фіолетового випромінювання // Матеріали 1-ї Всеукраїнської науково-практичної конференції “Фізико - технологічні проблеми радіотехніки пристроїв, засобів телекомунікацій, нано- та мікроелектроніки”, 13-15 жовтня – Чернівці, Чернівецький національний університет імені Юрія Федьковича, 2011 – С. 69-71.

129. Oleksiy Roshchupkin, Radislav Smid, Volodymyr Kochan, Anatoly Sachenko. Reducing the Calibration Points of Multisensors. // Proceedings of the 9th IEEE International Multi-Conference on Systems, Signals and Devices (SSD’2012). – Chemnitz (Germany), March 20 - 23, 2012. – Digital Object Identifier : 10.1109/SSD.2012.6197987., Pp. 1-6.

130. І.Д. Яковлєва, М.А. Кузь, О.Ю. Рощупкін, Ю.О. Галін, В.В. Сидорчук, О.О. Пшеничний. Апаратна реалізація модуля збору та обробки інформації телеметричного дослідницького комплексу. // Матеріали III-ї Міжнародної науково-практичної конференції «Інформаційні технології та захист інформації» (20 - 21 квітня 2012 року). Харків. 2012 - С. 194.

131. І.Д. Яковлєва, М.А. Кузь, О.Ю. Рощупкін, Ю.О. Галін, В.В. Сидорчук, О.О. Пшеничний. Апаратна реалізація модуля збору та обробки інформації телеметричного дослідницького комплексу. Тематичний збірник «Системи обробки інформації». Випуск 4 (102), том 1, с. 92-96.

132. Р. Ю. Юсипчук, А. О. Саченко, О. Ю. Рощупкін. Дослідження адаптивної нейро-нечіткої системи логічного виведення для багатопараметричного сенсора в інтелектуальному контролері. // Матеріали другої міжнародної наукової конференції студентів та молодих вчених “Сучасні Інформаційні Технології 2012”, 26 – 27 квітня 2012 р. Інститут комп'ютерних систем. – Одеса: ОНПУ, 2012. – С.7.

133. Кочан О., Васильків Н., Кочан В., Рощупкін О. Дослідження невиключеної похибки неоднорідності термоелектричного перетворювача з керованим профілем температурного поля. // Збірник праць ІХ Міжнародної науково-технічної конференції “Методи і засоби вимірювань фізичних величин” - “Температура - 2012”. 25–28 вересня 2012 року Національний університет «Львівська політехніка» Львів – с. 150-152.

134. Pavliuk D.D., Sachenko A.S., Madani K., Roshchupkin O.Y. Improved genetic algorithm for neural networks training with parallelization. // Матеріали 2-ї Всеукраїнської науково-практичної конференції “Фізико - технологічні проблеми радіотехніки пристроїв, засобів телекомунікацій, нано- та мікроелектроніки”, 25-27 жовтня – Чернівці, Чернівецький національний університет імені Юрія Федьковича, 2012 – с. 148.

135. О.Ю. Рощупкін, А.О. Саченко, В.В. Кочан Прецизійна інформаційно-вимірювальна система ультрафіолетового випромінювання Науковий вісник Чернівецького університету. Комп’ютерні системи та компоненти. 2012. Т. 3. Вип. 2. с. 97-100.

136. Roshchupkin Oleksiy, Radislav Smid, Volodymyr Kochan, Anatoly Sachenko. Multisensors Signal Processing Using Microcontroller and Neural Networks Identification. // Sensors & Transducers Journal, Vol.24, No.8, 2013, pp. 1-6.

137. А.Ю. Рощупкин, А.В. Никорак, А.А. Саченко. Усовершенствованная подсистема стабилизации и маневрирования мобильного балансирующего робота. // Материалы международной научно-практической. конференции «Современные информационные и электронные технологии» (СИЭТ-2013). 27 – 31 травня – Одесса, 2013. С. 172 - 173.

138. Nataliya Roshchupkina, Radislav Smid, Oleksiy Roshchupkin, Anatoly Sachenko, Volodymyr Kochan. Multisensors Signal Processing Using ANFIS. // Proceedings of the 7th IEEE International Workshop on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS-2013). – Berlin (Germany), 2013. ISBN: 978-1-4799-1426-5. pp. 315 - 318.

139. Turchenko I. Neural-based Control of Mine Ventilation Networks / Turchenko I., Kochan V., Sachenko A. // Proceedings of the 4th IEEE International Workshop of Intelligent Data Acquisition and Advanced Computing Systems: Technology and Application (IDAACS’07). – 2007. – Dortmund (Germany). – P. 219-224.

140. Turchenko I. Neural-Based Recognition of Multi-Parameter Sensor Signal Described by Mathematical Model / Turchenko I., Kochan V., Sachenko A. // International Scientific Journal of Computing. – 2004. – Vol. 3., Issue 2. – P. 140-147.

141. Turchenko I. Neural-Network Based Method of Control Influence Forming for Section of Mine Ventilation Network / Turchenko I., Kochan V., Sachenko A. //Proceedings of the 5th International Conference on Neural Networks and Artificial Intelligence (ICNNAI'08). – 2008. – Minsk (Belarus). - P. 343 – 350.

142. Turchenko I. Recognition of MPS Output Signal Described by Different Mathematical Models / Turchenko I., Kochan V., Sachenko A. // Proceedings of the 2005 IEEE International Workshop of Intelligent Data Acquisition and Advanced Computing Systems: Technology and Application (IDAACS’05). – 2005. – Sofia (Bulgaria). – P. 89-94.

143. Turchenko I. Recognition of Multi-Sensor Output Signal Using Modular Neural Networks Approach / Turchenko I., Kochan V., Sachenko A. // Proceedings of the International Conference “Modern Problems of Radio-Engineering, Telecommunications and Computer Science” TCSET’2006. – 2006. – Lviv-Slavsko (Ukraine). – P. 155-158.

144. Turchenko I. Simulation Modeling of Multi-Parameter Sensor Signal Identification Using Neural Networks / Turchenko I. // Proceedings of the Second IEEE International Conference on Intelligent Systems. – 2004. – Varna (Bulgaria). – Vol. 3. – P. 48-53.

145. Turchenko I. Simulation Modeling of Neural Control System for Section of Mine Ventilation Network / Turchenko I., Kochan V., Sachenko A. // Computing. – 2006. – Vol. 5, Issue 2. – P. 106-116.

146. Turchenko I. Simulation Modeling of Neural-Based Method of Multi-Sensor Output Signal Recognition / Turchenko I., Kochan V., Sachenko A., Kochan R., Stepanenko A., Daponte P., Grimaldi D. // Proceedings of the 2006 IEEE Instrumentation and Measurement Technology Conference (IMTC/06). – 2006. – Sorrento (Italy). – P. 1530-1535.