Оптимизация чувствительности магнитоимпедансного датчика малых магнитных полей методами последовательного приближения и роя частиц

Рассмотрено использование многопараметрической оптимизации неизвестной дискретной функции при разработке прикладных решений для физических систем. Такая оптимизация практически реализуется в режиме реального времени с применением современных протоколов передачи данных при высокой скорости передачи в условиях непрерывно увеличивающейся вычислительной мощности. В качестве прикладной задачи рассмотрена оптимизация чувствительности современного магнитного датчика на основе эффекта высокочастотного магнитоимпеданса в ферромагнитных микропроводах. Для оптимизации использованы итеративные методы глобального поиска максимума – методы последовательного приближения и роя частиц. Выходной сигнал датчика нелинейно зависит как от внутренних магнитных свойств микропровода, так и от режима возбуждения, что требует определённой калибровки для установления оптимальных параметров возбуждения. С использованием автоматизированной установки измерены выходные сигналы датчика для различных параметров возбуждения и внешних магнитных полей. Представлены результаты поиска глобального максимума чувствительности датчика методами последовательного приближения и роя частиц. Установлено, что метод роя частиц эффективнее и точнее метода последовательного приближения. При различных параметрах возбуждения методом роя частиц всегда определялась максимальная чувствительность датчика при варьировании трёх основных параметров сигнала возбуждения: частоты, амплитуды и постоянной составляющей. Полученные результаты будут полезны при разработке высокочувствительных интеллектуальных магнитных датчиков и систем на их основе.

1. Xie G., Sunden B., Wang Q., Applied Thermal Engineering, 2008, vol. 28, no. 8-9, pp. 895–906. https://doi.org/10.1016/j.applthermaleng.2007.07.008

2. Abdulwhab A. et al., Electric Power Components and Systems, 2004, vol. 32, no. 12, pp. 1239–1254. https://doi.org/10.1080/15325000490446601

3. Jahangirian A., Shahrokhi A., Computers & Fluids, 2011, vol. 46, no. 1, pp. 270–276. https://doi.org/10.1016/j.compfluid.2011.02.010

4. Diab A. A. Z. et al., Energy Reports, 2022, vol. 8, no. 10, pp. 384–393. https://doi.org/10.1016/j.egyr.2022.05.168

5. Kennedy J., Eberhart R. C., Shi Y., Swarm Intelligence, Morgan Kaufmann Publishers, San Francisco, Calif, USA, 2001, pp. 287–368.

6. Poli R., Journal of Artifi cial Evolution and Applications, 2008, vol. 10, pp. 1–10. https://doi.org/10.1155/2008/685175

7. Gerginov V., Pomponio M., Knappe S., IEEE Sensors Journal, 2020, vol. 20, no. 21, pp. 12684–12690. https://doi.org/10.1109/jsen.2020.300219

8. Zhang R., Mhaskar R., Smith K., Prouty M., Applied Physics Letters, 2020, vol. 116, no. 14, pp. 1–5. https://doi.org/10.1063/5.0004746

9. Han C. et al., Virtual Reality & Intelligent Hardware, 2022, vol. 4, no. 1, pp. 38–54. https://doi.org/10.1016/j.vrih.2022.01.003

10. Tehranchi M. M., Ranjbaran M., Eftekhari H., Sensors and Actuators A: Physical, 2011, vol. 170, no. 1–2, pp. 55–61. https://doi.org/10.1016/j.sna.2011.05.031

11. Zhang D. et al., Sensors and Actuators A: Physical, 2016, vol. 249, no. 1, pp. 225–230. https://doi.org/10.1016/j.sna.2016.09.005

12. Tsuyoshi U., Jiaju M., Journal of Magnetism and Magnetic Materials, 2020, vol. 514, no. 15, pp. 1–7. https://doi.org/10.1016/j.jmmm.2020.167148

13. Makhnovskiy D., Panina L., Mapps D. J., Physical Review B, 2002, vol. 63, pp. 1–17. https://doi.org/10.1103/PhysRevB.63.144424

14. Ipatov M., Zhukova V., Zhukov A., et al., Applied Physics Letters. AIP Publishing, 2010, vol. 97, no. 25, pp. 1–4. https://doi.org/10.1063/1.3529946

15. Zhukov A. et al., Journal of Alloys and Compounds, 2019, vol. 814, pp. 1–17. https://doi.org/10.1016/j.jallcom.2019.152225

16. Gudoshnikov S. et al., Physica Status Solidi A, 2014, vol. 211, no. 5, pp. 980–985. https://doi.org/10.1002/pssa.201300717

17. Panina L. V., et al., Physica Status Solidi A, 2015, vol. 213, no. 2, pp. 341-349. https://doi.org/10.1002/pssa.201532578