مبتدی (مناسب برای درک مفهوم کلی مطلب) 

برای دستیابی به یک توصیف جامع از کرنش سنج های یکپارچه، بررسی های ساختاری و مترولوژی با استفاده از چندین نمونه استاندارد (250 mm × 40 mm × 2 mm) ساخته شده از مواد کربن اپوکسی انجام شده است. الیاف کربن با کشش بالا و رزین اپوکسی برای تولید دکل سکان، برای بدست آوردن لمینیت تک جهته که خواص آن در جدول 1 گزارش شده است، استفاده می شوند. هشت لایه به صورت متقارن در یک صفحه شبه ایزوتروپیک (همسانگرد) انباشته شده تا 20 نمونه از آن ها بدست آید، که از هرگونه اتصال مکانیکی بین بار درون صفحه ای و تغییر شکل های خارج از صفحه و بالعکس جلوگیری می کند (جونز، 1998).
در میان آن ها، 10 نمونه برای انجام تست های خمش با شکاف (ENF) با هدف ارزیابی چقرمگی حالت دوم GIIC مجهز شده اند (Sham Prasad و همکاران، 2011). آن ها مطابق با استاندارد مربوطه (ASTM D7905 / D7905M-14، 2014)، یک فیلم پلی تترا فلورو اتیلن (PTFE) 13 میکرومتری را در امتداد صفحه خنثی معرفی می کنند. نیروها از طریق یک فیکسچر مخصوص خمش سه نقطه ای تحت بارگذاری جابجایی کنترل شده که توسط یک دستگاه تست 10-KN Zwick-Roell Z010 ارائه شده، به نمونه اعمال می شوند. ثبت نیروی اعمال شده در مقابل جابجایی غلتک مرکزی با استفاده از ثبت کننده زمان واقعی آنالوگ به دیجیتال (A/D) X-Y دستگاه و تعیین نرخ نمونه برداری از 50 هرتز بدست می آید. GIIC با استفاده از روش کالیبراسیون سازگاری (CC) بدست می آید (Jagannathan و همکاران، 2015)، که اعتقاد بر این است که نرخ آزاد شدن انرژی کرنش بحرانی برای رشد ترک از فیلم جاسازی شده را نشان می دهد (Bru et al.، 2016). میانگین نتایج GIIC از پنج آزمایش مشابه در هر یک از ساختارهای مسطح و یکپارچه انجام شده است. آن ها به ترتیب در حدود 217 و J/m2 201 هستند، با پراکندگی در حدود 7٪ که مانع از هرگونه اثر بحرانی بر رفتار شکست می شود در حالی که حسگرهای تعبیه شده برای نمونه تحت آزمایش است.

با استفاده از همان ترتیب، 10 آزمایش دیگر طبق استاندارد D7264 / D7264M-15 (2015) انجام می شود. مدول خمشی الاستیک به عنوان مدول وتر الاستیسیته از بار و جابجایی ثبت شده محاسبه می شود. مقدار میانگین از پنج آزمایش مشابه در ساختارهای مسطح و یکپارچه به ترتیب حدود 5/12 و GPa 5/13 است. با وجود پراکندگی حدود 9٪ هنوز هم قابل قبول است، اما به طور غیر منتظره نشان می دهد که سفتی خمشی در حین قرار دادن سنسور به دلیل پیکربندی عمودی پین ها افزایش می یابد (برای موقعیت کرنش سنج و پین ها به شکل 3 مراجعه کنید).
نکته مهم برای هدف این تحقیق، کارآیی مترولوژی سنسور تعبیه شده است. مقایسه اندازه گیری با انجام تست های خمشی بر روی نمونه های یکپارچه ریز مطابق استاندارد D7264 / D7264M-15 (2015) انجام شده است. نتایج حاصل از کرنش سنج های تعبیه شده به صورت مناسب برای بدست آوردن حداکثر تغییر شکل مورد انتظار در سطح فوقانی، جایی که یک کرنش سنج معمولی دیگر نصب شده، قابل درجه بندی است. کرنش سنج LY46- 10 / 350A نصب شده در سطح توسط HBM برای مطابقت با مشخصات محلول تعبیه شده انتخاب شده است. از سیستم تقویت کننده متراکم چند کاناله PICAS برای تقویت کرنش سنج ها با یک پیکربندی چند بخشی استفاده می شود، در حالی که اسیلوسکوپ OnoSokki CF3600 سیگنال های ولتاژ را با نرخ نمونه گیری 10 هرتز دیجیتالی می کند. یک نتیجه معمولی بدست آمده در شکل 4 گزارش شده است. توزیع پروانه ای کرنش از طریق ضخامت نمونه منجر به خروجی ولتاژهای مختلف می شود. از این رو، یک عامل هم ارزی β با توجه به اینکه توزیع به منظور دستیابی به تغییر شکل معادل نشان داده شده، محاسبه می شود. اندازه گیری های مختلف در پنج نمونه انجام شده است، که تکرارپذیری و همچنین تکثیرپذیری آزمایش ها را نشان می دهد. جدول 2 β را با نسبت (α) بین حداکثر تغییر شکل های اندازه گیری شده توسط هر دو کرنش سنج مقایسه می کند. با توجه به جزئیات، وقتی α از β بزرگتر باشد، کرنش سنج معمولی تغییر شکل بزرگتر از داده های معادل حاصل از سنسور تعبیه شده را بر می گرداند. عامل هم ارزی کرنش سنج بستگی به ضخامت نمونه (h) و فاصله از سطح (d) دارد که در اینجا محاسبه شده است و همچنین ضخامت کرنش سنج (t). درصد خطایی که در همان جدول گزارش شده است تفاوت بسیار ناچیزی را در حین استفاده از مورد دومی نشان می دهد. شایان ذکر است که خطا به دلیل ناهمراستایی محتمل سنسورها که در اینجا به شدت با توالی لایه ای شدن محدود شده، استفاده می شود (Horoschenkoff و همکاران، 2006).

طیف سنجی EMI
یک دستگاه اندازه گیری به وضوح برای التراسوند SHM در مواد بسیار ضعیف طراحی شده است. این دستگاه قادر به انجام هر دو اندازه گیری EMI و نصب در حداکثر 12 کانال با تسهیم تقسیم زمان است. ولتاژ القایی بالا تا 100 Vpp و جریان ها تا A 2 توسط محرک پیزو PD200 تولید شده توسط PiezoDrive فراهم می شوند. تبدیل A / D با استفاده از گستره دستی HS3 در 10 MSPS انجام می شود. دستگاه برای فعال سازی EMI تا حداکثر 1 مگاهرتز مشخص شده است. هر کانال تسهیم کننده از دو قطب همراه با دو پرتابه مکانیکی تشکیل شده است تا هم سیگنال های فعال سازی و هم سیگنال های پایه را تغییر دهند (شکل 5). این طراحی پیچیده فقط برای قابلیت اضافه شدن گیره به زمین ضروری است، که نیاز به قابلیت مسیریابی دو سیگنال مستقل به کانال های پیزو دلخواه دارد. تمام مسیرهای سیگنال استفاده نشده برای جلوگیری از برخورد متقابل بین کانال ها پایه گذاری شده-اند. پیزوها به کابل های هم محور متصل هستند، زیرا سیگنال های پرقدرت برای تأثیرگذاری بر تجهیزات دیگر بدون حفاظ مناسب، به اندازه کافی قوی خواهند بود. مدار EMI از یک مقاومت شانت برای اندازه گیری جریان از طریق مبدل استفاده کرده و همزمان ولتاژ تحریک را اندازه می گیرد. ایده اصلی طراحی کار پیرس و همکاران (2004) را دنبال می کند، همراه با برخی از اصلاحات اساسی برای بکار بردن سیگنال های دامنه بالا. مقدار مقاومت شانت بسیار کم تر از Ω 0.05 برای به حداقل رساندن اتلاف انرژی استفاده می شود، که به یک مدار تقویت کننده پیچیده تر نیاز دارد (شکل 6). ولتاژ تحریک با ضریب 10 کاهش می یابد تا از تداخل بین ولتاژ و کانال های جریان داخل واحد مبدل آنالوگ به دیجیتال (ADC) جلوگیری شود.
راه اندازی آزمایشی
نقشه و تصویری از نمونه دکل سکان به ترتیب در شکل های 7 و 8 نشان داده شده است. این نمونه شامل یک هسته CFRP با سطح مقطع مستطیل شکل و یک قسمت فلزی در هر دو انتهای آن است که برای اصلاح صحیح نمونه در دستگاه تست الکترو هیدرولیکی Schenck 2500-kN اتصال پیچی شده است. علاوه بر این، یک پین فلزی به فلانج های فلزی متصل است. این پین فلزی بخشی از طراحی واقعی دکل سکان برای اتصال قطعات CFRP به جزء فلزی است که تیغه سکان را به دکل وصل می کند. تشخیص خرابی پین برای عملکرد ایمن کشتی مهم است.

دو مبدل پیزوالکتریک در سطح نمونه نصب می شوند. مبدل مستطیلی (GmbH سرامیک PI) DuraAct با اندازه 16 mm × 13 mm × 0.5 بر روی مواد CFRP با استفاده از چسب سیانوآکریلات با ضخامت چند میکرون چسبانده شده است. یک مبدل دایره ای PIC255 (PI Ceramic GmbH) با قطر 10 میلی متر و ضخامت 0.25 میلی متر در قسمت فولادی به همراه سنسور دمایی DS18B20 قرار داده شده است که دمای جریان را روی سطح نمونه ثبت می کند تا اثرات مربوط به دما را بتوان شناسایی کرد.
شکل 9 تصویری از سیستم کسب داده برای کرنش و EMI را نشان می دهد. کرنش سنج به یک تقویت کننده وصل شده که سیگنال کرنش DC تقویت شده را به ADC می فرستد. در این حالت، ما از Handyscope HS3 از مهندسی TiePie استفاده کرده ایم که از کنترل از راه دور MATLAB پشتیبانی می کند. طیف های هر دو کانال EMI و دمای جریان از طریق اترنت به رایانه منتقل می شوند. تمام داده های اندازه گیری به طور همزمان و در یک فایل HDF5 واحد ذخیره می شوند.

نتایج تجربی
شکل 10 نمودارهای نیرو-جابجایی آزمایشات را برای 5 نمونه دکل سکان که در این مطالعه استفاده می شوند، نشان می دهد. در آغاز، همه منحنی ها رفتار تقریباً خطی الاستیک را نشان می دهند، که به رنگ سبز مشخص شده است. در این مرحله می توان نمونه را سالم در نظر گرفت و تاکنون با بازرسی بصری و عدم وجود وقایع انتشار آکوستیک تایید شده که هیچ آسیبی به آن وارد نشده است. با افزایش بیشتر بار، می توان با تغییر در شیب نمودارهای نیرو-جابجایی، کاهش سفتی را که به رنگ نارنجی مشخص شده است، مشاهده کرد (Puck، 1996؛ Schu¨ rmann، 2007). در CFRP، کاهش سفتی در اثر شکست بین الیافی ایجاد می شود، یعنی ترک های کوچکی در زمینه اپوکسی ایجاد می شود. در قطعات فولادی، کاهش سفتی در اثر پلاستیک شدن (نرم سازی) مواد ایجاد می شود. هر دو پدیده با آسیب غیرقابل برگشت در ماده مرتبط هستند که تشخیص آن ها هدف اصلی این مطالعه است. هنگامی که این مرحله اتفاق می افتد، یک افت ناگهانی معمولی در منحنی به طور جزئی ظاهر می-شود (ASTM D7905 / D7905M-14 ، 2014)، اما افزایش بیشتر نیرو ممکن است. دوباره شیب خیلی سریع افزایش یافته، اما خیلی زود به سمت شکست کامل کاهش می یابد. هنگامی که اولین ترک های شدید در فولاد یا پارگی های اولیه الیاف کربن رخ می دهد، می توان افت سطح نیرو را تشخیص داد. در این حالت که به رنگ قرمز مشخص شده است، اتصال معمولاً شکسته شده و دیگر قادر به نگه داشتن نیرو نیست. در سناریوی واقعی، وقتی بار با جابجایی دستگاه هدایت نشود، جدا کردن قطعات متصل امکان پذیر است و در هر صورت با تشخیص آسیب قبل از رسیدن به سطح شکست کامل، باید از آن جلوگیری کرد. در حین آزمایش، روندها برای 180 ثانیه در نقاط مشخص شده با فلش متوقف شده اند، تا اندازه گیری های EMI را بدون دخالت در نویزهای دستگاه تست انجام دهند. در طی این توقف ها، یک آرامش جزئی از سطح نیرو مشاهده می شود، اما سطح اصلی خیلی سریع پس از ادامه آزمایش بدست می آید.
منحنی کرنش که در شکل 10 رسم شده است، کرنش را در مقابل امتداد جابجایی از سنسور تعبیه شده در نمونه 4 نشان می دهد. این مثال به روشنی نشان می دهد که بار را می توان با استفاده از کرنش سنج تعبیه شده تا زمان شکست، کنترل کرد، که اطلاعات صحیحی در مورد افزایش بار، متوقف شدن طی روند بارگذاری و شکست وخیم را ارائه می کند. همانطور که در بالا بحث شد، هر دو نیرو و کرنش در مقابل طرح های جابجایی به وضوح نوعی از شکست لایه اولیه را از طریق افت ناگهانی و جزئی در منحنی نشان می دهند (ASTM D7905 / D7905M-14، 2014). این رفتار در شکل 10 از توزیع کرنش کاملاً واضح است (حدود mm/m 0.7). با افزایش بیشتر بار، تغییر شکل دوباره و خیلی سریع به سمت شکست کامل شروع می شود اما شیب منحنی خیلی زود به دلیل کاهش سفتی کلی کاهش می یابد.

الگوریتم ژنتیک برای خوشه بندی و مسیریابی مقرون به صرفه از لحاظ انرژی در شبکه های سنسور بی سیم

Genetic Algorithm for Energy-Efficient Clustering and Routing in Wireless Sensor Networks

چکیده
1- مقدمه
2- کار مرتبط
2-1 WSNها با CHهای موقت
2-2 WSNها با CHهای دائمی
3- مدل شبکه و اصطلاحات
3-1 توپولوژی شبکه
3-2 مدل انرژی
3-3 اصطلاح شناسی
4- مقدمات
4-1 مرور اجمالی بر GA
4-2 فرمولاسیون مسئله
5- الگوریتم پیشنهاد شده
5-1 نمایندگی کروموزوم
5-2 راه اندازی (مقداردهی) جمعیت
5-4 تقاطع و جهش
6- نتایج تجربی
6-1 تنظیمات پارامتری
6-2 مقایسه وزن λ
6-3 ساختار خوشه بندی و مسیریابی
6-4 تعادل بار
6-5 چرخه عمر شبکه
6-6 مصرف انرژی
6-7 نتایج تجربی در OMNeT ++
7- نتایج

چکیده
شبکه های حسگر بی سیم به طور گسترده ای در زمینه های مختلف از جمله نظامی، مراقبت های بهداشتی و کاربردهای ساخت و تولید به کار گرفته شده اند. با این حال، گره های حسگر از نظر تامین انرژی، توانمندی ذخیره سازی و توان محاسباتی خود محدود هستند. بنابراین، به منظور بهبود بهره وری (مقرون به صرفگی) انرژی و طویل شدن چرخه عمر شبکه، یک رویکرد خوشه بندی و مسیریابی مقرون به صرفه از لحاظ انرژی مبتنی بر الگوریتم ژنتیک به نام GECR ارائه می دهیم. ما راه حل بهینه به دست آمده در دور شبکه قبلی را به جمعیت اولیه برای دور کنونی اضافه می کنیم و به این ترتیب کارایی جستجو را بهبود می بخشیم. علاوه بر این، طرح خوشه بندی و مسیریابی در یک کروموزوم تک به منظور محاسبه کل مصرف انرژی ترکیب می شود. ما تابع تناسب را مستقيماً بر اساس مصرف انرژي کلی می سازیم و بدین ترتیب بهره وري انرژي را بهبود مي بخشیم. علاوه بر این، تعادل بار در هنگام ساخت تابع تناسب در نظر گرفته می شود. بنابراین، مصرف انرژی در میان گره ها می تواند متعادل شود. نتایج تجربی نشان داد که GECR بهتر از سایر پنج روش عمل نمود. GECR بهترین تعادل بار را با کمترین واریانس ها در بارها در سرهای خوشه تحت سناریوهای مختلف حاصل نمود. علاوه بر این، GECR, بیشترین بهره وری (مقرون به صرفگی) انرژی را با کمترین انرژی متوسط مصرف شده توسط سرهای خوشه و کمترین انرژی مصرف شده توسط تمام گره ها در برداشت.
1- مقدمه
شبکه های حسگر بی سیم (WSNs), فناوری سنسور، فناوری محاسبات جاسازی شده، فناوری پردازش اطلاعات توزیع شده و فناوری ارتباطات را ادغام می کنند. WSN ها در زمینه های مختلف، از جمله نظامی، دفاع ملی، نظارت بر محیط زیست، مدیریت ترافیک، مراقبت های بهداشتی، تولید و برنامه های پیشگیری از بلایا، به طور گسترده ای مورد استفاده قرار گرفته اند [1]. در یک WSN، گره های حسگر به طور همکارانه, اطلاعات فیزیکی و زیست محیطی را از منطقه تحت پوشش شبکه جمع آوری و پردازش می کنند و اطلاعات را به ناظران ارسال می کنند [2]. یک ناحیه نظارت اغلب نیاز به استقرار تعداد زیادی از گره های حسگر دارد، اما گره های حسگر از لحاظ ظرفیت های محاسباتی، ذخیره سازی و توانایی های ارتباطی خود در کاهش هزینه ها محدود هستند. به عنوان مثال،Micaz [3] که توسط CrossBow توسعه داده شده است، یک نوع نماینده از گره حسگر است که با میکروپروسسور (ریزپردازنده) Atmegal28L، تراشه CC2420، 128 کیلوبایت فلش و 4 کیلوبایت RAM مجهز شده است. گره حسگر با قدرت باتری محدودی تامین می شود و فراهم نمودن ثانویه انرژی برای گره ها دشوار است. بنابراین، پس از مردن بیشتر از یک درصد معینی از گره ها، خرابی شبکه رخ می دهد. بنابراین، کاهش مصرف انرژی گره های حسگر و افزایش چرخه عمر شبکه، چالشی کلیدی برای WSN ها است.
مطالعات قبلی نشان داده اند که مصرف انرژی مورد نیاز برای انتقال 1 بیت, بسیار بیشتر از مصرف انرژی مورد نیاز برای پردازش داده 1 بیتی است [4]. بنابراین، کاهش اندازه داده های ارسال شده یا دریافت شده برای گره های حسگر و بهینه سازی مسیریابی انتقال داده ها بین گره ها می تواند به طور موثر انرژی مصرف شده توسط شبکه را کاهش دهد. الگوریتم خوشه بندی [5], شبکه را به چند خوشه مستقل تقسیم می کند، جایی که هر خوشه شامل یک گره سر خوشه ای (CH) و گره های عضو چند خوشه ای(CM) می باشد. گره CH, مسئول دریافت داده ها از گره های CM است. با استفاده از الگوریتم های جمع آوری داده موثر، CH می تواند داده های بیش از حد یا نادرست را حذف کند، بنابراین مقدار زیادی از داده های جمع آوری شده به مقدار کمی از اطلاعات معنی دار ادغام می شوند. بنابراین، الگوریتم های خوشه بندی کارآمد می توانند ترافیک داده را کاهش داده و توپولوژی را بهینه سازی کنند، و در نتیجه بهره وری انرژی WSN ها را بهبود بخشند.

Abstract

Wireless sensor networks have been employed widely in various fields, including military, health care, and manufacturing applications. However, the sensor nodes are limited in terms of their energy supply, storage capability, and computational power. Thus, in order to improve the energy efficiency and prolong the network life cycle, we present a genetic algorithm-based energy-efficient clustering and routing approach GECR. We add the optimal solution obtained in the previous network round to the initial population for the current round, thereby improving the search efficiency. In addition, the clustering and routing scheme are combined into a single chromosome to calculate the total energy consumption. We construct the fitness function directly based on the total energy consumption thereby improving the energy efficiency. Moreover, load balancing is considered when constructing the fitness function. Thus, the energy consumption among the nodes can be balanced. The experimental results demonstrated that the GECR performed better than other five methods. The GECR achieved the best load balancing with the lowest variances in the loads on the cluster heads under different scenarios. In addition, the GECR was the most energy-efficient with the lowest average energy consumed by the cluster heads and the lowest energy consumed by all the nodes.

1- Introduction

Wireless sensor networks (WSNs) integrate sensor technology, embedded computing technology, distributed information processing technology, and communication technology. WSNs have been employed widely in various fields, including military, national defence, environmental monitoring, traffic management, health care, manufacturing, and disaster prevention applications [1]. In a WSN, the sensor nodes collaboratively collect and process environmental and physical information from the area covered by the network and send the information to observers [2]. A monitoring area often requires the deployment of a large number of sensor nodes, but the sensor nodes are limited in terms of their computational, storage, and communication capacities in order to reduce costs. For instance, Micaz [3] developed by CrossBow is a representative type of sensor node, which is equipped with an Atmegal28L microprocessor, CC2420 chip, 128 KB Flash, and 4 KB RAM. The sensor node is supplied with limited battery power and it is difficult to provide secondary energy to the nodes. Thus, network failure occurs after more than a certain percentage of the nodes die. Therefore, reducing the energy consumption of sensor nodes and prolonging the network life-cycle is the key challenge for WSNs.

Previous studies have shown that the energy consumption required for transferring 1-bit is much more than that for processing 1-bit data [4]. Thus, reducing the transmitted or received data sizes for sensor nodes and optimizing data transmission routing between the nodes can effectively reduce the energy consumed by the network. Clustering algorithms [5] divide the network into multiple independent clusters, where each cluster comprises a cluster head (CH) node and multiple cluster member (CM) nodes. The CH node is responsible for receiving data from the CM nodes. By using effective data aggregation algorithms, the CH can remove redundant or incorrect data so the large amounts of collected data are merged into a small amount of meaningful information. Therefore, efficient clustering algorithms can reduce the data traffic and optimize the topology, thereby improving the energy efficiency of WSNs.

ارزیابی پارامترهای موتور القایی سه فاز با تکامل دیفرانسیل

Parameters estimation of three-phase induction motors using differential evolution

Abstract

Three-phase induction motors are extensively used in the industry due to their robustness characteristics, low cost and easy maintenance. Usually, it is necessary to implement drive and control systems for such motors, which requires the knowledge of their mechanical and electrical parameters. However, in some cases, these data are not immediately available, or the values of the parameters may change due to the wear of motor components. Such problems can be circumvented if an efficient parameter estimation technique is available. In order to automatically estimate the parameters efficiently, the present work proposes a method, based on the differential evolution algorithm, aimed at the estimation of the electrical and mechanical parameters of three-phase induction motors. Such algorithm is capable of estimating the parameters of the equivalent electrical circuit, such as stator and rotor resistances and leakage inductances, the magnetizing inductance, and also mechanical parameters, such as moment of inertia and the friction coefficient. The performance of the proposed parameter estimation technique is evaluated for three different input signals: (i) current signal of a phase associated with the speed measured from a tachogenerator, (ii) current signal of a phase associated with the speed acquired from a torquemeter, and (iii) only the current signal of one phase. Finally, a series of simulated and experimental results are presented to validate the proposed technique, and the results show the good performance of the proposed strategies.

1 Introduction

Three-phase induction motors (TIM) are widely used in the industrial sector, mainly for the operation of pumps, compressors and fans, representing 68% of the Brazilian industrial energy consumption, which corresponds to 35% of the total consumed electrical energy [1]. In general, such motors operate under approximately 60% of their nominal load, consequently working with reduced efficiency, which results in energy waste [2,3]. The efficiency graph of a TIM, for the nominal frequency, can be found in its datasheet. However, these motors are often driven by frequency inverters, resulting in operating frequencies different from their nominal values. One way of analyzing TIM efficiency, and consequently of defining which operating region is more appropriate for a given situation, is to perform calculations that depend on the electrical and mechanical parameters of the motor, since such parameters, when applied to a mathematical model, may represent the operating dynamics of the TIM [4]. However, in several situations the parameters may not be informed by the manufacturer, or external and internal influences, such as electrical and mechanical wear or heating [5], may modify the values of the parameters. In addition to problems related to energetic efficiency, a proper estimation of the TIM parameters may influence the AC drives performance, since the values of the motor parameters are fundamental for controller tuning [6–8], especially the mechanical parameters, which are related to the dynamic response during the transient [9]. Even fault diagnosis methods can be accomplished by monitoring the parameters of a TIM [10]. In this context, the development of techniques for the estimation of the electrical and mechanical parameters of TIM has become an important topic of recent researches. The data for the symmetric equivalent electrical circuit are typically obtained through blocked and no-load rotor experiments, as stated in the IEEE norm [11], where the machine operates under steady state. Although such method is simple and commonly used, its approximation may not be precise. Additionally, the mechan ical parameters are not estimated in this approach. In this sense, computational methods rise as attractive alternatives, due to their capability of yielding more precise estimations of both electrical and mechanical parameters. In [12] two methods are proposed to calculate the equivalent electrical circuit parameters. The methods are respectively based on Artificial Neural Networks (ANN) and Adaptive Neuro-Fuzzy Inference Systems (ANFIS), and the input data are the torque, active and reactive power, starting current, maximum torque, full load speed and efficiency, given by the manufacturer. The technique proposed in [13] is based on the use ofthe Adaline network to identify the rotor time constant and the leakage factor of the TIM under steady state (highfrequencies), as well as the leakage resistance and inductance of the stator (low frequencies). In [14] the use of variable frequency tests on the computation ofthe equivalent electrical circuit parameters is also proposed. In the last years, estimation techniques for electrical and mechanical parameters of TIM, based on the use of computational methods, have been reported in the literature with interesting results. For instance, the work in [15] proposes the identification of the moment of inertia of the TIM using only a voltage sensor, which is modeled in terms of the parameters to be estimated, resulting in a simple and low cost technique. The use of online parameters estimation algorithms is also proposed in [16], which consists of a predictive control technique based on an Euler approximation to estimate the stator resistance from the induction motor linear model. In [17], a Particle Swarm Optimization (PSO) technique is applied to the estimation of the equivalent electrical circuit parameters of TIM, comparing the torque and the specifications provided by the manufacturer. Another class of heuristic computational methods is the class of evolutive algorithms, which are based on defining and changing populations of solutions to minimize an objective function. The application of evolutive algorithms in the TIM parameters estimation has also been reported on the recent literature. In [18], the use of genetic algorithms to simultaneously identify mechanical and electrical parameters is proposed, using as input only the corresponding starting current and voltage. The method proposed in [19] consists of using the Differential Evolution (DE) algorithm to estimate the rotor and stator resistances, as well as the rotor and stator leakage inductances, by comparing the nominal, starting and stop measured torques with the values resultant from the estimated parameters. In [20], the influence of the temperature variation of the electrical and mechanical parameters of TIM using only a current signal is analyzed. Additionally, in [21]the authors propose the analysis of five different DE approaches to verify which is the best parameter estimation technique for the equivalent electrical circuit of TIM, by using simulated signals of three-phase input and output voltages. Finally, in [22] the DE is used to estimate the parameters of the equivalent electrical circuit and of the moment of inertia, considering as input signal the simulated three-phase currents of two different motors. In a general analysis, the main difficulty reported on some of the proposed methods is the acquisition of the necessary information for the parameter identification, as speed and torque [12,17,19]. Such papers use more sophisticated sensors, implying higher costs of developing the project and consequently decreasing their attractiveness. Besides, the presented methods propose alternatives for the parameters estimation of either the TIM equivalent electrical circuit [12,14,17,21] or the mechanical parameters [15], instead of considering their combination. The works presented in [18,20,22] propose approaches for the estimation of both electrical and mechanical parameters. However, the method in [18] requires the three-phase voltage and current data, consequently demanding six sensors, and [20] uses only computational data. In the present paper, we propose a technique capable of estimating the values of the rotor and stator resistances and leakage inductances, the magnetizing inductances (parameters of the equivalent electrical circuit), moment of inertia and friction coefficient of the three-phase induction motor. Three distinct sets of input signals are applied to the proposed algorithm: (i) current signal of one phase along with the speed measured from a tachogenerator, (ii) current signal of one phase along with the speed measured from a torquemeter, and (iii) only the current signal of one phase. The method consists of a function approximator for parameter estimation using the Differential Evolution algorithm, combined with the TIM dynamical model, as described in [23,24]. In order to verify the efficiency and validate the proposed estimation method, tests based on computational models executed with experimental data were also performed.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

.Cطراحی هندسی SSD
بر اساس معادله 3، ضخامت اولیه غشاء سیلیکونی H 19 میکرومتر طراحی شده است. از یک طرف، غشاء را می توان با استفاده از KOH با عملکرد بالا ساخت. از سوی دیگر، غشا میتواند به وسیله شوریکن برای توزیع تنش مناسب ساخته شود.
نتایج شبیه سازی FEM برای حسگر فشار دیافراگم 19μm در شکل 2 نشان داده شده است. حداکثر Sx_y تنها حدود 6 مگاپاسکال بود. هنگامی که فاصله از مرکز پرتو افزایش یافته است، استرس Sx_y از 5.86 به 5.72 مگاپاسکال کاهش یافته است، که حدود 2.4٪ از 5.86 مگاپاسگال است.
از شکل 2d می توان دید که هرچند خطی بودن حسگر خوب بود (0.07٪ FSO) حساسیت بسیار بد بود. این را می توان به طور مستقیم از شکل 2c مشاهده کرد که حساسیت حدود 1.33 mV / kPa / V بود، که برای استفاده بیش از حد کوچک بود. بر اساس نظريه غير خطي بودن، انحراف بزرگ و توزيع تنش نشان داده شده در شکل 2b، غير خطي بودن عمدتا توسط عدم تقارن استرس منطقه اي پيزورسيست ايجاد شده است، اما انحراف بزرگ غشاء ايجاد نمي شود.

بر اساس اثر پیزورسیست (معادله 1)، تنش مربوط Sx_y باید تقریبا 20 مگاپاسکال باشد تا فاز 70 mV FSO تحت فشار هوا 3 kPa و منبع تغذیه 5V DC تامین شود. این را می توان از شبیه سازی ANSYS بدست آورد. استرس زیاد Sx_y تقریبا روی لبه دیافراگم که در آن پیزورسیستورها قرار می گیرند، قرار می گرفت. محدودیت پیکربندی پیزورسیستور در [11]، عرض پرتو M1 در لبه دیافراگم 220 میکرومتر طراحی شده است. H5 و نسبت، با معادله 5 و 6 تعیین شدند. با توجه به L = 1900 μm، SH و نسبت تنها دو متغیر در شکل 1 بودند.

تنها باید SH و نسبت طراحی می شدند. و ابتدا SH باید طراحی می شد. برای رسیدن به ضخامت مناسب شوریکن SH ما نسبت را (معادله 6) = 0 فرض کردیم. شبیه سازی حساسیت و خطی بودن با ضخامت های متفاوت شوریکن از 2 تا 18 میکرومتر در شکل 3 نشان داده شده است. دیده می شود که اگر ضخامت شوریکن افزایش یابد، حساسیت و خطای غیر خطی در همان زمان افزایش یافت. نهایتا ضخامت شوریکن 16 میکرو متر برای تولید خروجی مقیاس تقریبا 70 mV طراحی شد. اما خطای غیر خطی حدود 0.7٪ FSO بود و هنوز هم رضایت بخش نبود.

نسبت یکی از مهمترین پارامترهای ساختار SSD بود. بهینه سازی عملکرد حسگر با نسبت 20 / 20-10 / 20 در شکل 4 نشان داده شده است. شکل 4a نشان داد که هنگامی که نسبت افزایش یابد، Sx_y در لبه پرتو به تدریج کاهش می یابد. در لبه پرتو، استرس Sx_y به طور ناگهانی افزایش می یابد جایی که پیزورسیست ها نباید قرار داده شوند. مسیر استرس در شکل 4b در دو ضلع از پیزورسیستورهای عرضی، موازی با لبه SSD قرار گرفته است. به دور از مرکز پرتو (حدود 100 میکرومتر) که در شکل 4b نشان داده شده است، فشار Sx_y سریعا کاهش می یابد، جایی که جفت پیزورسیستورها ها نباید قرار گیرد، زیرا هر دو به خطا و حساسیت دستگاه آسیب می رسانند. علاوه بر این، شکل 4b نشان داد که استرس کلی کاهش یافته و توزیع استرس با افزایش نسبت تغییر کرده است. این رابطه در نهایت 3/20 تعیین شد. شبیه سازی نشان داد که حسگر SSD حساسیت بالای 4.67 mV / kPa / V و غیرخطی بودن کمتر از 0.1٪ FSO. دارد. بهینه سازی نسبت، باعث کاهش غیرخطی بودن نسبت به FSO 0.7٪ تا 0.1٪ FSO شد.
سطح نازک SSD 3 میکرون ضخامت داشت. نتایج شبیه سازی FEM برای حسگر فشار دیافراگم 3 μm در شکل 5 نشان داده شده است. هنگامی که فاصله از مرکز دیافراگم افزایش می یابد، استرس Sx_y افزایش می یابد، به خصوص با سرعت بیشتری از 800 μm . هنگامی که فاصله از مرکز پرتو افزایش یافت، استرس Sx_y به سمت بالا و پایین شناور شد، اما هنوز در محدوده 70-71.5 مگاپاسکال بود که حدود 2.1٪ از 71.5 مگاپاسکال است. از شکل 5c می توان دید که اگرچه حساسیت حسگر بسیار بالا است (حدود 16.7 mV / kPa / V)، اما خطی بودن بسیار بد است. این را می توان به طور مستقیم از شکل 5d مشاهده کرد که خطای غیر خطی حدود 18٪ FSO بود، که برای کاربردهای حسگر غیر قابل قبول بود. بر اساس نظریه انحراف بزرگ غیرخطی و توزیع تقریبا یکنواخت استرس که در شکل5b نشان داده شده، خطی بودن بد به طور عمده بوسیله انحراف بزرگ، و عدم تقارن استرس ناحیه پیزورسیستی ایجاد شد.

به طور کلی، برای فیلم های با ضخامت 3 میکرون، هر چند حساسیت رضایت بخش بود (16.7 mV / kPa / V) خطای غیر خطی بد بود (18٪ FSO). برای فیلمهای با ضخیم 19 میکرون، اگر چه خطای غیر خطی مناسب بود (0.07٪ FSO)، حساسیت ضعیف بود (1.33 mV / kPa / V). همانطور برای سنسور پیشنهاد SSD، حساسیت 4.67 mV / kPa / V بود و خطای غیر خطی کمتر از 0.1٪ FSO بود. اینگونه حساسیت بالا و خطی بودن به طور همزمان به دست آمد.

D. تجزیه و تحلیل FEM برای کاهش فشار استرس تحت تاثیر شیشه ی آب بندی
تراشه های حساس فشار را می توان تنها پس از اتصال به پایه های مختلف با چسب بسته بندی، استفاده کرد. سخت شدن چسب می تواند به افزایش قدرت اتصال بین تراشه های سنسور و پایه ها کمک کند. با این وجود، فشردگی چسب نیز حجم چسب را تغییر داده و در نتیجه باعث ایجاد استرس مخاطی می شود. استرس بسته بندی را می توان به غشاء حساس گسترش داد و آن را تغییر شکل داد. بی ثباتی زمان و دمای چسب می تواند عملکرد سنسور را تحت تأثیر قرار دهد. همانطور که برای ویژگی های استاتیک، استرس غشای حساس را بدون فشار بارگذاری تغییر شکل داد و بنابراین ولتاژ خروجی صفر حسگر را افزایش داد.
مهم نیست که چه تعداد عوامل بر تراشه تاثیر گذاشته اند ، استرس بسته بندی باید بر روی غشای حساس توسط بدنه ی تراشه پخش شود. بنابراين، تنوع بسته بندي ويژگي هاي تراشه سنسور مهم بود. به راحتی می توان دانست که قابلیت گسترش استرس ضعیف برای عملکرد بهتر سنسور مورد نیاز است.
توانایی انتشار استرس سنسور برای سنسورهای SSD با شیشه ضعیف تر از سنسورهای بدون شیشه بود. اما عملکرد سنسور برای سنسورهای SSD با شیشه بهتر بود. برای روند سخت شدن چسب، در ابتدا چسب بین تراشه های سنسور و پایه ها قرار داده شد و فشار آن صفر بود، سپس چسب اصلاح شد و حجم آن تغییر یافت، در نهایت تنش بین پایین سنسور و چسب ایجاد شد. در مورد پدیده عدم انطباق حرارتی، در ابتدا، غشای نازک توسط LPCVD در دمای بالا قرار گرفت و استرس صفر بود، سپس درجه حرارت به دمای اتاق کاهش یافت و حجم غشا با توجه به عدم هماهنگی حرارتی تغییر یافت، و در نهایت باعث ایجاد استرس شد. تنش بسته بندی و تنش نامطلوب حرارتی هر دو استرس دو جانبه صفحه بودند. تا حدودی، استفاده از تنش نامناسب حرارتی برای شبیه سازی استرس بسته بندی منطقی بود.

شکل 6 اثرات ضد انعطاف پذیری شیشه را بررسی می کند. در شکل 6a و 6c استرس در نقاط با تغییرات ناگهانی هندسه بالا بود و توزیع استرس مشابه بود. با توجه به تنش بسته بندی مشابه، تنش غشایی با شیشه آب بندی بسیار کمتر از آن بدون شیشه بود. با توجه به اثرات ضد انعطاف پذیری شیشه، استرس به میزان 62.5٪ کاهش یافت که این بدان معنی است که خروجی صفر تا 5/62٪ کاهش می یابد. خروجی نقطه صفر محدودیت-هایی را برای برنامه های کم قدرت اعمال می کند. بنابراین، سنسور با شیشه باند شده به راحتی تحت تأثیر تنش بسته بندی قرار نگرفت و عملکرد بهتری داشت.

E . تجزیه و تحلیل FEM برای اثر فیلم های پاسیوایی
تراشه های سنسور فشار باید توسط فیلم های پاسیوایی پوشش داده شوند. این فیلم ها برای جلوگیری از ورود بخار آب و ناخالصی ها و آلودگی تراشه ها استفاده می شود. آنها همچنین به عنوان لایه بین فلزی دی الکتریک کار می کنند تا خواص الکتریکی پل ویتستون را تامین کنند. با این حال، اثرات بدی نیز ایجاد شد [9]. فیلم های پاسیوایی توسط LPCVD رسوب بخار شیمیایی کم فشار ساخته شدند. هنگامی که فیلم ها در دماي 720 درجه سانتیگراد قرار می گیرند، استرس به 0 می رسد. اما زمانی که درجه حرارت به 25 درجه سانتی گراد کاهش یافت، استرس بواسطه تفاوت ضرایب انبساط حرارتی بستر سیلیکون و فیلم های پاسیوایی ایجاد می شود

مقاله انگلیسی رایگان

ترجمه فارسی رایگان 

بخشی از ترجمه فارسی مقاله:

انفارکتوس های شدید میوکاردی(MI) یکی از مهم ترین علت های مرگ و میر و تلفات در سراسر جهان میباشد و تشخیص سریع و به موقع آن میتواند امکان زنده ماندن را افزایش دهد. در این کار، ما یک روش ساده، حساس و بدون برچسب و راه حل های سنسور های سیلیکن غوطه ور در محلول (SIS) مبتنی بر شرایط بدون انعکاس(NRC) برای موج های پلاریزه ی P برای تشخیص زود هنگام MI، استفاده کرده ایم. سنسور های SIS لایه های پلیمری دی الکتریک نازک بر روی سطح سیلیکنی هستند که میتوان آن ها را برای کاربرد های مختلف مورد استفاده قرار داد. در NRC، سنسور های SIS به شدت حساس به افزایش ضخامت لایه های زیستی بر سطح سنسور هستند در حالی که نسبت تغییر شاخص انکسار محیط واسط مستقل میباشد. ازین رو، سیگنال های SIS از نظر از نویز های گرمایی مستقل بوده میباشد که این موضوع بر خلاف سنسور های مبتنی بر رزونانس پلاسما میباشد. همچنین ، هیچ نیازی به سیگنال مرجع که اندازه گیری ها را ساده کند وجود ندارد. در اینجا، تکنولوژی SIS برای بررسی دو موضوع در تشخیص MI مورد استفاده قرار گرفته است : حساسیت بالا با ارزیابی مستقیم و توانایی اندازه گیری در سروم انسان. پروتئین های میوگلوبین، کیناز کراتین MB، و تروپونین قلبی (cTnI9 به عنوان نشانه های زیستی قلبی مورد استفاده قرار گرفته است. ما میتوانیم گستره ی غلظت های مختلفی را بر اساس محدوده های اندازه گیری های 5 و 10pg/ml برای cTnI در PBS و سروم خونی، به ترتیب اندازه گیری کنیم. پاسخ زمانی حدود 5 دقیقه میباشد. این روش جدید یکی از کاندید های مناسب برای کاربرد های مقرون به صرفه میباشد.
کلید واژه ها: سنسورهای SIS -انفارکتوس حاد قلب- تروپونین I- میوگلوبین- CK-MB -الیسپومتری -بیوسنسور
1. مقدمه
انفارکتوس های شدید قلبی (MI)، که معمولا به آن حمله ی قلبی گفته میشود، یکی از آسیب های بدون بازگشت به سلول های قلبی است که در اثر تامین خون ناکافی به دلیل بلوکه شدن شریان های کرونری ایجاد میشود. در سال 2012، حمله های قلبی عروقی جان نزدیک به 17.5 میلیون نفر را گرفت که 31 % از کل مرگ جهان را شامل میشود که در میان این افراد 7.4 میلیون نفر از آن ها به دلیل مشکلات کرونری به مرگ مبتلا شده بودند. تشخیص MI بیشتر مبتنی بر نشانه های درد شدید سینه و یا هر ناراحتی کهولت سن میباشد. اما، نزدیک به 28 % از مردان و 35 % از زنان هیچ کدام از این نشانه ها را نشان نمیدهند که به آن ها MI ساکت گفته میشود که این افراد در خطر بالایی هستند. رایج ترین تست ها برای بررسی شرایط این افراد استفاده از ECG و یا MRI است. این روش ها هر کدام فواید و مضرات خودشان را دارند.
بعضی از پروتئین های خاص هستند که زمانی که ماهیچه های خونی دچار مشکل میشوند، در جریان خون بیشتر مشاهده میشود. شناسایی و کمی سازی مقدار زمانی این پروتئین ها میتواند یکی از ابزار غیر تهاجمی برای شناسایی مشکلات MI شود. در میان این پروتئین ها، تروپونین انقباض ماهیچه ها را کنترل میکند که از سه زیر واحد پروتئینی ساخته شده است ؛ تروپونین I که مانع اتصال میوزین ها با اکتین میشود، تروپونین T که با تروپومیوزین فعالیت میکند و تروپونین C که با اتصال پیدا میکند. تروپونین های I و T قلبی نسبت به MI حساسیت و قابلیت تشخیصی بالایی دارند و در جریان خون به مدت طولانی باقی میمانند. ازین رو، این نشانگر های زیستی را میتوان به عنوان استاندارد های اصلی در تشخیص MI در نظر گرفت. cTnI و cTnT میتوانند اطلاعات مشابه در مورد نکروز های میوکاردی فراهم کند. اما، cTnI ها برتری کوچک اما مهمی را نسبت به توانایی تشخیص cTnT در مراحل اولیه ی MI دارند. ما از cTnI ها در کنار ایزوفرم های کراتینی کیناز MB و پروتئین های میوگلوبین به عنوان نشانگر های MI در این کار استفاده میکنیم.
سنسور های زیستی بر اساس تکنیک های رسانش نوری و الکتریکی ساخته میشنود. سنسور های الکتروشیمیایی میتوانند گونه های سیگنال های زیستی را از نظر تغییر رسانش، ظرفیت، و امپدانس شناسایی کنند. ساخت فرآیند های تولید سنسور و دستگاه های بسیار حساس ، پیچیده میباشد که تنظیمات بسیار گرانی را به دنبال دارد.
به طور کلی روش های استفاده شده برای ایجاد تقویت سیگنال و یا حذف کردن سیگنال های گرمایی بسیار پیچیده و گران میباشد. نیاز به روش های ساده تر و مقرون به صرفه تر با توانایی تشخیص مناسب، به شدت مورد نیاز است.
در این جا، ما یک سنسور مبتنی بر ارزیابی مستقیم hs-cTnI با استفاده از SIS را ایجاد کرده ایم. پلت فرم سنجش مورد استفاده مبتنی بر شرایط غیر انعکاسی (NRC) برای موج های پلاریزه ی P میباشد که زاویه های الیپسومتری به شدت حساس به ضخامت لایه ها هستند. سادگی مهم ترین ویژگی تکنولوژی SIS میباشد. چیپ های سنسور های SiS یک لایه ی پوشش یافته ی چرخشی با لایه های پلیمری بر روی یک بستر سیلیکن میباشد که میتوان آن را برای شناسایی انواع مختلفی از مولکول های زیستی مانند پپتید ها/ف پروتئین ها، و DNA استفاده کرد.

بخشی از مقاله انگلیسی:

Abstract

Acute myocardial infarction (MI) is the leading cause of high mortality and morbidity rate worldwide, early and accurate diagnosis can increase the chances of survival. In this work, we report a simple, ultrasensitive, label-free, and high-throughput solution immersed silicon (SIS) immunosensor based on non-reflection condition (NRC) for p-polarized wave for early diagnosis of MI. SIS sensor chips are just a thin dielectric polymer layer on the silicon surface, which can be functionalized for specific application. At NRC, SIS sensors are extremely sensitive to the growing thickness of a bio-layer on the sensor surface while independent of refractive index change of the surrounding medium. Therefore, SIS signal is free from thermal noise, unlike surface plasmon resonance based sensor. Also, there is no need of reference signal which facilitates fast and accurate interaction measurement. Here, SIS technology is applied to tackle two issues in MI diagnosis: high sensitivity with the direct assay and the ability to measure in human serum. Myoglobin, creatine kinase-MB, and cardiac troponin I (cTnI) proteins were used as the MI biomarkers. We were able to measure over a broad concentration range with the detection limit of 5 and 10 pg/ml for cTnI in PBS and blood serum, respectively. The response time is about 5 min. This novel technique is a suitable candidate for cost effective point-of-care application.

1. Introduction

Acute myocardial infarction (MI), commonly called as heart attack, is irreversible damage to the heart cells caused by insufficient blood supply due to blockage in the coronary arteries. In 2012, cardiovascular diseases took nearly 17.5 million lives which were 31% of total global death, among them 7.4 million were due to coronary heart diseases and the number is growing (WHO, 2015). The MI diagnosis mostly relies on its symptoms of severe chest pain or any other anginal discomfort. However, nearly 28% of men and 35% of women do not show any of these symptoms (Gutterman, 2009), known as the silent MI, are at high risk. The most common tests include electrocardiography (ECG) (Richard et al., 2012; Ahmed et al., 2007) and magnetic resonance imaging (Ahmed et al., 2013) in combination with the stress test. These methods suffer several disadvantages such as non-specificity of ST segment changes in ECG, the need of skilled technician, human error source, and time-consuming. Early, accurate, and fast diagnosis can improve risk stratification and treatment, especially during perioperative procedures, which could increase the survival rate. Certain proteins are released into the bloodstream when heart muscles get damaged, known as cardiac biomarkers. Recognition, quantification, and temporal behavior of these markers proven to be a best noninvasive tool for MI diagnosis (Janota, 2014; Jaffe et al., 2006). Among them, troponin complex regulates the muscle contraction, made up of three protein subunits: troponin I; inhibits binding of myosin with actin, troponin T; interact with tropomyosin, and troponin C; binds Ca2þ (Katrukha, 2013). Cardiac troponin I and T (cTnI and cTnT) shows high myocardial specificity and clinical sensitivity for MI (Daubert and Jeremias, 2010; Babuin and Jaffe, 2005), and remains in a bloodstream for prolonged time (Adams et al., 1993) as compared to other cardiac biomarkers. Therefore, they are considered as the gold standard in the MI diagnosis. The cTnI and cTnT can provide similar information about myocardial necrosis (Jaffe et al., 2006). However, cTnI shows small but significant superiority in diagnostic capability than cTnT in the early stage of MI (Gimenez et al., 2014). We used cTnI along with creatine kinase-MB isoform (CK-MB) and myoglobin proteins as the MI biomarkers in this work. Even though myoglobin and CK MB show insufficient myocardial specificity but their behavior can be use as a supportive information in early diagnosis and as an evidence of reinfarction. Biosensors are broadly categorized based on optical and electrical transducing techniques. Electrochemical biosensors detect biological species in terms of change in conductance (Piao et al., 2014), capacitance (Lee et al., 2016), or impedance (Radhakrishnan et al., 2014) on interaction with sensor surface. Fabrication processes of the high-sensitive (hs) electrochemical sensor devices are complex, which need expensive setup such as clean-room (Ventra and Taniguchi, 2016; Ma et al., 2013; Lee et al., 2014). Surface plasmon resonance (SPR) based biosensor are the most studied (Homola, 2008; Park et al., 2014; Lapage et al., 2013) and commercialized (Biocore, 2016) optical biosensors. SPR technique was combined with photonic crystals (Zhang et al., 2014), waveguide (Jin et al., 2016), oxide nanostructures (Tereshchenko et al., 2016), and many other signal amplification methods (Qureshi et al., 2012) to increase their sensitivity and stability. Be as it may, SPR sensors suffer from ineluctable thermal noise (Nizamov and Mirsky, 2011) which restrict their use where low molecular weight and low concentration detection involved. The methods used for signal amplification and/or to suppress thermal noise makes device structure complex and expensive. There is a need of a simple and cost effective alternative with comparable sensitivity. Here, we developed the first hs-cTnI direct assay SIS-based sensor. The sensing platform is based on the non-reflecting condition (NRC) for p-polarized wave (pseudo-Brewster angle) where ellipsometric angles ( Ψ, Δ) are highly sensitive to the overlayer thickness. Simplicity is the best feature of SIS technology. The SIS sensor chip is just a spin-coted thin dielectric polymer layer on the silicon substrate, which can be functionalized to detect a variety of biomolecules such as peptides, proteins, and DNA via affinity binding.

ورقه های نانوکامپوزیت پلیمری با فسفر upconversion غیرآلی و افزودنی های نوری الکتریکی که با ماتریس پرتوی سه گانه هم جریان کمک شده و ته نشست لیزری پالسی مستقیم ایجاد شده است

Polymer nano-composite films with inorganic upconversion phosphor and electro-optic additives made by concurrent triple-beam matrix assisted and direct pulsed laser deposition

Abstract

The work was to investigate polymer nano-composite films with two inorganic additives: upconversion fluorescent phosphor NaYF4:Yb3+, Er3+ and aluminum doped ZnO (AZO). The films were deposited using a new method of concurrent evaporation of the frozen solution of polymer poly(methyl methacrylate) (PMMA) using the matrix assisted pulsed laser evaporation (MAPLE) and the ablation of the phosphor and AZO targets using the pulsed laser deposition (PLD). Three laser beams, an infrared 1064-nm beam for the MAPLE and two 532-nm beams for the PLD targets, were concurrently used in the process. A new target holder with remote control of the target tilt was designed to provide overlapping of the plumes from the three targets and uniform mixing of the additives in the polymer film. The fabricated nano-composite films were characterized using X-ray diffraction, scanning electron microscopy (SEM), and the measurement of the quantum efficiency (QE) of the upconversion fluorescence. The films retained the crystalline structure of the inorganic additives. The size of the nano-particles varied in the range 10–200 nm. Upconversion QE of the films was an order of magnitude less than that of the bulk phosphor, which can be explained by lesser number of the rare-earth ions in the nano-particles in the polymer film than in the micro-grains of the bulk phosphor. The AZO additive increased QE by 1.6 times to (0.072 ± 0.022) % more likely due to the plasmonic enhancement of the local optical infra-red pump (980 nm) field. The proposed triple-beam triple-target MAPLE/PLD method can be potentially used for making a wide variety of nano-composite films.

1 Introduction

There has been an explosive interest in the technique of laser assisted deposition of polymer nano-composite films exploiting the matrix assisted pulsed laser evaporation (MAPLE) with regard to the polymer host as can be judged form the numerous recent publications [1e40]. In MAPLE, a frozen solution of a polymer in a relatively volatile solvent is used as a laser target. The solvent and concentration are selected so that first, the polymer of interest can dissolve to form a dilute, particulate free solution, second, the majority of the laser energy is initially absorbed by the solvent molecules and not by the solute molecules, and third, there is no photochemical reaction between the solvent and the solute. The light-material interaction in MAPLE can be described as a photothermal process. The photon energy absorbed by the solvent is converted to thermal energy that causes the polymer to be heated but the solvent to vaporize. As the surface solvent molecules are evaporated into the gas phase, polymer molecules are exposed at the gas-target matrix interface. The polymer molecules attain sufficient kinetic energy through collective collisions with the evaporating solvent molecules, to be transferred into the gas phase. By careful optimization of the MAPLE deposition conditions (laser wavelength, repetition rate, solvent type, concentration, temperature, and background gas and gas pressure), this process can occur without any significant polymer decomposition. The MAPLE process proceeds layer-by-layer, depleting the target of solvent and polymer in the same concentration as the starting matrix. When a substrate is positioned directly in the path of the plume, a coating starts to form from the evaporated polymer molecules, while the volatile solvent molecules are evacuated by the pump from the deposition chamber. In case of fabrication of polymer nanocomposites, MAPLE targets are usually prepared as nano-colloids of the additives of interest in the initial polymer solutions.

Mixing the components of different nature, organic polymers and inorganic dopants, in the same target at a certain proportion and exposing them to the same laser beam not necessarily brings good quality nano-composite films. The laser pulse energy and wavelength cannot be optimized for each component individually. Also, the mixing proportion in the composite film is dictated by the initial proportion of the target and thus cannot be changed in the process. These limitations were removed in the recently proposed method of multi-beam and multi-target deposition (in its doublebeam/dual-target variation) using a MAPLE polymer target and one inorganic target, each being concurrently exposed to laser beams of different wavelengths [41e50]. Using the method, nanocomposite films of polymer poly(methyl methacrylate) known as PMMA doped with a rare earth (RE) inorganic upconversion phosphor compounds were prepared. Also, a nano-composite film of thermoelectric film of inorganic aluminum-doped ZnO known as AZO was impregnated with PMMA nano-fillers with the purpose of improving electrical conductivity and thermoelectric performance [46,50]. The polymer target was a frozen (to a temperature of liquid nitrogen) PMMA solution in chlorobenzene exposed to a 1064-nm laser beam from a Q-switched Nd:YAG pulsed laser. The inorganic targets were the pellets made of the compressed micro-powders of highly efficient RE-doped NaYF4 or the sintered powder of AZO concurrently ablated with the conventional pulsed laser deposition (PLD) process using the 532-nm frequency doubled beam from the same laser. The major result was that both, the polymer and the inorganic components could be transferred on a substrate during the combined MAPLE/PLD process in the form of a uniformly mixed nano-composite film preserving the chemical/crystalline structure of the components and with the desired new functional properties (highly efficient upconversion emission or the improved thermoelectric energy harvesting). The early work was limited to two laser beams and two targets (polymer MAPLE and inorganic PLD). Also, the target tilt (in order to provide overlapping of the plumes from both targets on the substrate) was adjusted manually inside the open vacuum chamber before the deposition process. Any correction of the plume directions in order to optimize the overlapping required time consuming operations of opening the chamber followed by degassing and reaching high vacuum. This paper presents the results of the further improvements of the proposed method. The number of the laser beams and the targets is increased to three: one polymer MAPLE and two inorganic PLD targets. The MAPLE target is the frozen solution of PMMA. The inorganic targets are made of an upconversion phosphor and aluminum doped oxide ZnO known as AZO. The targets are tilted remotely without opening the chamber in such a way that the plum overlapping can be optimized during the deposition process. The focus is on preserving the chemical and crystalline structure of the components in the resulting polymer nano-composite films with two inorganic additives and gaining the functionalities attributed to the additives and their interaction with the polymer host and with each other.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

گرچه BSN ها به عنوان یک شاخه تحقیقاتی از WSN ها نشات گرفته اند و با توجه به شباهت های ذاتی آنها، بین این شبکه ها تفاوت های زیادی وجود دارد [84].WSN ها معمولا بر اساس تعداد گره ها و به وضوح محدوده جغرافیایی، مقیاس بزرگتری دارند. اما WSN ها می توانند از گره های بیش از حد استفاده کنند بنابراین استحکام فردی اغلب یک اولویت نیست، در حالی که به دلیل نگرانی بالا از پوشیدگی و راحتی کاربر، BSN ها باید از حداقل تعداد گره ها استفاده کنند، هر کدام تضمین از دقت بالا و قابلیت اطمینان دارند. به همین دلیل، گره های BSN از لحاظ ابعاد فیزیکی، وزن، سازگاری با محیط زیست و ارگونومی بسیار مورد توجه است. در مقابل، از لحاظ ذخیره انرژی، از آنجا که باتری های گره های BSN معمولا می توانند ریشارژ شوند یا جایگزین کردن آنها خیلی اسان است، تقارن (trade-off) بین الزامات به سمت دقت می رود، در حالی که WSN ها دارای محدودیت های کم (انرژی)قدرت هستند. علاوه بر این، برنامه های کاربردی BSN معمولا نیاز به نمونه برداری بالایی از حسگرها ، میزان انتقال داده ها و نظارت مستمر دارند. در نهایت، اکثریت قریب به اتفاق BSN ها توپولوژی شبکه ستاره را در نظر می گیرند، در حالی که WSN ها به طور ذاتی چند اکتیو هستند.
به طور معمول، برنامه های کاربردی BSN یک محاسبات توزیع شده را انجام می دهند که پاسخ ها را تجزیه و تحلیل و تلفیق می کنند و داده ها را به یک هاب محلی (به عنوان مثال یک گوشی هوشمند) برای احتمالا پردازش بیشتر می پردازند. هاب محلی می تواند نتایج نهایی را به یک سرور پشتی برای تصمیم گیری بالینی و مداخلات ارسال کند. هر گره حسگر در یک BSN یک سری از وظایف محاسباتی را بر روی سیگنال های فیزیولوژیک جمع آوری شده به ترتیب برای استخراج اطلاعات جزئی در مورد کاربر انجام می دهد [85]. وضعیت کلی کاربر، توسط پردازش توزیع شده و مشترک از این داده ها تعیین می شود.
وظایف اصلی پردازش بر روی داده های سنسور BSN انجام شده ممکن است شامل نمونه گیری داده ها، تقسیم فیلترینگ، استخراج ویژگی ها و طبقه بندی باشد. مثال هایی از تکنیک های نمونه گیری داده ها عبارتند از نرخ ثابت، نرخ متغیر، نمونه گیری تطبیقی، حساسیت فشرده، و تنظیم bit-resolution حسگر [86،87] سطح پیچیدگی الگوریتم فیلترینگ بستگی به کاربرد مورد نظر و نوع و کیفیت خواندن سنسورها دارد [88-90]. الگوریتم های تقسیم بندی جریان داده های پیوسته را به فواصل زمانی گسسته از نوع انتظار توسط مرحله پردازش اطلاعات تقسیم می کند [15،91،92]. هر قطعه یک بردار چند بعدی (ویژگی) از آن استخراج شده است که برای طبقه بندی استفاده می شود [11،93]. الگوریتم های به طور گسترده ای مورد استفاده برای طبقه بندی و تشخیص رویداد عبارتند از: k) (k-NN) نزدیکترین همسایه)، ماشین های بردار پشتیبان (SVM)، مدل های پنهان مارکوف (HMM)، شبکه عصبی (NN)، طبقه بندی درخت تصمیم، Logistic Regression و Naive Bayesian approach [94-99] .

2.2 انگیزه ها برای تلفیق داده های چند سنسور درBSN ها
همانطور که در هر سیستم اندازه گیری، BSN ها متکی به یک تک سنسور و یا بر روی چند سنسور هستند که به صورت جداگانه در نظر گرفته می شوند، از محدودیت ها و مسائل متعددی رنج می برند مانند [100]:
• محرومیت حسگر: خرابی یک حسگر باعث از دست دادن ادراک (اگاهی) بر روی پارامتر فیزیکی مورد نظر می شود.
• پوشش فضایی محدود: یک سنسور پوشیدنی فردی اغلب مکان بدن محدود را پوشش می دهد. به عنوان مثال، یک شتاب سنج که در بازوی چپ جا داده شده است، نمی تواند حرکات مخالف را اندازه گیری کند.
• عدم دقت: اندازه گیری از سنسورهای فردی محدود به دقت آن واحدهای خاص است.
• عدم قطعیت: زمانی رخ می دهد که ویژگی ها از بین رفته باشند، زمانی که یک سنسور تنها نمی تواند تمام ویژگی های مربوط به پدیده / رویداد را اندازه گیری کند یا زمانی که مشاهدات مبهم است [101]. با توجه به مسائل مربوط به پوشش فضایی محدود، سیستم های تک حسگر نمی توانند به طور موثری عدم قطعیت را کاهش دهند.
یک راه حل موثر برای مسائل فوق، با تلفیق چند حسگر نشان داده شده است. در واقع، استفاده از سنسورهای چندگانه (ناهمگن یا همگن) همراه با تکنیک های تلفیق داده، مزایای متعددی را ارائه می دهد، مانند موارد زیر [102،103]:
• نسبت سیگنال به نویز بهبود یافته: تلفیق جریانهای داده چندین سنسور باعث کاهش اثرات نویز می شود.
• کاهش ابهام و عدم قطعیت: استفاده از داده ها از منابع متعدد عدم قطعیت خروجی را کاهش می دهد.
• افزایش اعتماد به نفس: سنسورهای منحصر به فرد(تکی) اغلب برای اماده کردن اطلاعات قابل اعتماد کافی نیستند؛ تلفیق داده های چند سنسور دوباره به کمک می آید.
• بالا بردن استحکام و قابلیت اطمینان: استفاده از سنسورهای همگن چندگانه، افزونگی را فراهم می کند که باعث بالا بردن تحمل خطا سیستم حتی در صورت خرابی سنسور می شود.
• استحکام در برابر تداخل: افزایش ابعاد فضای اندازه گیری (به عنوان مثال اندازه گیری ضربان قلب با استفاده از هر دو سنسور الکتروکاردیوگرام (ECG) و (photoplethysmogram (PPG) به طور قابل توجهی افزایش استحکام در برابر تداخل های محیطی را دارد.
• بهبود وضوح، دقت و تبعیض فرضیه: هنگامی که چندین اندازه گیری مستقل از یک ویژگی / صفت مشابه با هم تلفیق می شوند، دقت(وضوح) مقدار نتیجه بالاتر از آنچه که می تواند با استفاده از یک حسگر به دست آید هست.
• یکپارچه سازی ویژگی های مستقل و دانش پیشین: برای درک بهتر جنبه های خاص دامنه برنامه کاربردی هدف و بهبود کارایی در برابر تداخل منابع داده.
انگیزه بیشتر برای تلفیق سنسور، کاهش پیچیدگی منطق برنامه کاربردی است. در سیستم های مرسوم، اندازه گیری های حسگر بدون نیاز به پردازش اولیه یا به طور سنتی پیش پردازش شده به طور مستقیم به برنامه کاربردی دسترسی پیدا میکند، که باید با جریان های داده نادرست، مبهم و ناقص مقابله شود. در مقابل، پیش پردازش تلفیق حسگر اجازه می دهد تا ورودی برنامه کاربردی را استاندارد سازی کند، بنابراین رشد، نگهداری و توسعه پذیری برنامه کاربردی ساده می شود [104]. در واقع، حرکت (بخشی از) منطق پیش پردازش به یک سطح پایین تر از برنامه کاربردی (به طور معمول، در داخل یا بر روی سطحی از سطح میان افزار، همانطور که در شکل 1 نشان داده شده است) هم مقرون به صرفه است (به عنوان مثال از لحاظ صرفه جویی در وقت / تلاش توسعه، از آنجا که توسعه دهنده برنامه کاربردی نیازی به پیاده سازی منطق پیش پردازش ندارد، بلکه با آن از طریق API ها مقابله می کند) و اغلب کارآمدتر (زیرا منطق پیش پردازش تلفیق می تواند بهتر از آنچه که توسط یک برنامه نویس معمولی انجام می شود بهینه شود). این “جدایی نگرانیها”، علاوه بر این، رویکردی است که از مدولاسیون نرم افزاری و به همین ترتیب قابلیت نگهداری حمایت می کند.

شکل 1: لایه بندی معمولی یک سیستم BSN.

3. استراتژی های تلفیق سنسور در BSN ها
همانطور که در بخش های قبلی مورد بحث قرار گرفته است، سیستم BSN نیاز به عهده برامدن با منابع مختلف اطلاعات در سطوح مختلف دارد. با توجه به مساله خاص و راه حل های متناظر، رویکردهای مختلف تلفیق سنسور اتخاذ می شوند. هدف از این بخش، رسم یک طبقه بندی از انواع مختلف تلفیق سنسور است و به بحث در مورد ویژگی های آنها و استفاده از آنها در برنامه های کاربردی عملی می پردازد.
مستقل از سطح انتزاع، تلفیق سنسور می تواند در رقابتی (competitive)، مکمل (complementary)و مشترک (cooperative)گروه بندی شود [105]. تلفیق رقابتی به معنای استفاده از منبع معادل چندگانه از اطلاعات است و برای به دست آوردن افزونگی و خود درجه بندی استفاده می شود. در سیستم BSN، هر چند، در عمل بسیار غیر معمول است چه حتی زمانی که سنسورهای معادل چندگانه استفاده می شود، آنها معمولا در مکان های مختلف در بدن انسان قرار می گیرند و از این رو هر کدام می توانند عملا اطلاعات مکمل را ارائه دهند. در تلفیق مکمل، در واقع هر سنسور جنبه های مختلف پدیده های تحت کنترل را می گیرد و برای بهبود دقت و قابلیت اطمینان سیستم استفاده می شود. اطلاعات سطح بالا توسط تجزیه و تحلیل مشترک از سیگنال های مکمل به دست آمده است. در نهایت، تلفیق مشترک زمانی که سیگنال های سنسور چندگانه مورد نیاز، برای به دست آوردن اطلاعات که با نگاه کردن به هر یک از این سیگنال ها به طور مستقل نمی تواند به دست اورد، به بازی می اید. همانطور که در زیر بخش های ذیل نشان داده شده است، در حوزه BSN تلفیق مشترک رایج ترین شکل تلفیق سنسور است.
از لحاظ انتزاع سطح پردازش اطلاعات، تلفیق چند سنسور معمولا به سه دسته اصلی تقسیم می شود: تلفیق سطح داده، تلفیق سطح ویژگی و تلفیق سطح تصمیم [106]، [107]. در [108]، سلسله مراتب تلفیق سه سطح ( داده-ویژگی-تصمیم) را به پنج حالت وابسته به I / O فرآیند تلفیق گسترش داد. در زیر یک مجموعه از قراردادها، مدل تلفیق با ماهیت اجزای ورودی مشخص شده است، یعنی، تلفیق گروه خاصی ازموجودیت ها، در حالی که تحت دیگری، مدل تلفیق با ماهیت خروجی مشخص می شود. در این مقاله، ما بر روشی سه گانه شناخته شده (سطح داده، ویژگی و تصمیم) بر اساس سطح پردازش تمرکز خواهیم کرد.
جداول 1 و 2 به ترتیب برخی از ویژگی ها و تکنیک های مربوطه را نشان می دهند. در زیر، ما در مورد هر گروه در جداول جداگانه بحث می کنیم.
بسته به سطح پردازش، روشهای تلفیقی متمرکز، توزیع شده و ترکیبی ممکن است. رویکرد متمرکز متکی بر یک مرکز تلفیقی است که در آن پردازش انجام می شود، در حالی که در رویکرد توزیع شده هر سنسور پردازش مستقل را براساس داده های خود انجام می دهد و نتایج را به یک گره فیوژن انتقال می دهد که در آن تجزیه و تحلیل سراسری در نهایت انجام می شود. تلفیق داده ترکیبی هم پیشنهاد شده است؛ در این مورد، جمع آوری داده ها و پیش پردازش معمولا با یک روش توزیع شده انجام می شود در حالی که یک گره مرکزی هنوز مسئول جمع آوری داده های بدست امده از منابع توزیع شده و برای انجام محاسبات در سطح تصمیم است.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

همه مطالعات فوق تکنیک‌های مختلف برای ذخیره انرژی از سنسورهای اینترنت اشیا را مورد بحث قرار دادند. بااین‌حال، هیچ یک از نویسندگان توجه خود را برای ساخت معماری انرژی کارآمد اینترنت اشیا معطوف نکردند. علاوه براین، هیچ یک از آنها، مکانیزمی برای پیش‌بینی فاصله خواب گره‌های حسگر براساس باقی‌مانده باتری و سابقه استفاده قبلی و افزایش بهره‌برداری از منابع ابر اختصاص داده زمانی که سنسور مربوطه در حالت صرفه‌جویی در انرژی می‌باشد پیشنهاد ندادند.

3. PA
شکل. 2 نشان می‌دهد که PA متشکل از سه لایه، سنجش و لایه کنترل (SCL)، لایه پردازش اطلاعات (IPL) و لایه کاربرد (AL)، همراه با مسائل به کار گرفته شده توسط هر لایه است. SCL داده‌ها را از محیط هدف و به‌صورت انرژی کارآمد جمع‌آوری کرده و آنها را به IPL می‌فرستد. AL از اطلاعات جمع‌آوری شده توسط IPL در حوزه‌های مختلف مانند نظارت بر سلامت، شهر هوشمند، حمل‌ونقل هوشمند و غیره استفاده می‌کند. این سه لایه با جزئیات بیشتر در پایین شرح داده شده است.

A. SCL
SCL متشکل از عناصر سخت‌افزاری یک سیستم اینترنت اشیا است. که داده های خام در حجم بزرگ را جمع‌آوری کرده و آنها را برای تحلیل و بررسی داده می‌فرستد. سه جزء اصلی این لایه، گره‌های حسگر (SNS)، گره‌های دروازه با صرفه‌جویی در انرژی (eGNs) و یک ایستگاه پایه با انرژی کارآمد (که گره تکامل یافته یا eNode نامیده می‌شود) است. هر یک از این اجزا در زیر توضیح داده شده‌اند.
1)SN: SN مسئول جمع‌آوری اطلاعات می‌باشد. آنها محیط را بررسی کرده و معیارهای سنسور را به یک گره دروازه (EGN) ارسال می‌کنند. براساس فرکانس جمع‌آوری و انتقال داده، SN به‌صورت دوره‌ای طبقه‌بندی می‌شود [19]. SN مبتنی بر trigger برای رویداد خاصی و انتقال داده‌ها منتظر می‌ماند. از سوی دیگر، سنسورهای دوره‌ای داده‌ها را در فواصل منظم و یا به هنگام پرس و جو جمع‌آوری و انتقال می‌دهند. هر دو نوع SN داده‌ها را در بافر مربوطه جمع‌آوری می‌کند و سخت‌افزار ارتباطی آنها اطلاعات جمع‌آوری شده را به eGN می‌فرستد.
علاوه براین، SN ها دارای باتری و مقدار انرژی محدود هستند، که به هنگام فعال شدن SN مورد استفاده قرار می‌گیرند. SN زمانی “فعال” است که در انرژی بالا باشد و به طور فعال در حال سنجش و انتقال داد‌ها به eGN باشد. PA به SN اجازه می‌دهد تا انرژی خود را با خاموش کردن فرستنده و گیرنده آن یا تغییر به یک حالت انرژی پایین (همچنین به نام حالت خواب)حفظ کند. SN بلافاصله پس از اتمام انتقال داده به حالت خواب سوئیچ کرده و تا زمانی که eGN یک سیگنال بیدار باش بفرستد در حالت خواب باقی می‎‌ماند. eGN می‌تواند سیگنال بیدار کردن را در سه موقعیت ارسال کند: ابتدا، زمانی که فاصله خواب برای SN تمام شده باشد. سپس، در هنگام پرس‌وجو؛ و در نهایت، زمانی که برخی SN های دیگر خواستار برقراری ارتباط با آن هستند. در دو مورد اولی، SN محیط هدف را برای پر کردن بافر آن نظارت می‌کند، درحالی‌که در مورد سوم، SN داده‌های ورودی را در بافر آن دریافت می‌کند. داده‌های دریافت شده می‌تواند توسط SN به‌عنوان یک محرک استفاده شود. SN بعد از تکمیل عمل مورد نیاز مجددا به حالت خواب سوئیچ می‌کند. SN حتی اگر برای نظارت بر محیط هدف برای مدت زمان طولانی مورد نیاز نباشد به حالت خواب می‌رود. بنابراین، سنسورها از قدرت باتری خود برای سوئیچینگ بین حالت فعال و حالت خواب هنگامی که مورد نیاز هستند استفاده می‌کنند.
2) eGN ها: eGN یکی از عوامل اصلی برای صرفه جویی در انرژی است در SCL. نه تنها رسانه‌های ذخیره‌سازی برای داده‌های دریافتی از حسگرها را فراهم می‌کند بلکه به‌عنوان یک کنترلر از SN متصل به آن عمل می‌کند. که فاصله خواب هر SN متصل به آن در دو مرحله محاسبه می‌شود. در اولین قدم، فاصله تا خواب بعدی هر SN براساس سابقه استفاده قبلی آن پیش‌بینی می‌شود. گام‌های بعدی از این مقدار پیش‌بینی شده برای محاسبه فاصله خواب واقعی براساس عوامل مختلف که در زیر شرح داده شده استفاده می‌کنند.
فرض کنید T_(n+1)^i مقدار پیش‌بینی شده از (N + 1) اُمین فاصله خواب در iاُمین SN (SNi) و t_n^i مقدار واقعی n امین فاصله خواب SNi است. eGN، T_(n+1)^i هر SNi را با استفاده از متوسط نمایی [44] طول اندازه گیری از فواصل قبلی خواب، همانطور که در شکل 1 نشان داده شده است پیش‌بینی می‌کند. عامل Δti برای محاسبه مقدار واقعی N + 1 امین فاصله خواب با استفاده از (2) به T_(n+1)^i اضافه شده است.
در معادله (1)، T_n^i شامل تاریخ گذشته است، درحالی‌که t_n^i اطلاعات اخیر است. مقدار اولیه، به‌عنوان مثال، T0، مستقل از نرم‌افزار و برای هر برنامه ثابت است. α پارامتر کنترلی برای وزن نسبی از تاریخ گذشته و سناریو حاضر در پیش‌بینی است و تعیین می‌کند چگونه گذشته سپری شده است. مقدار α بین 0 و 1 تغییر می‌کند. اگر α = 0، آنگاه سناریوی تازه تاثیر ندارد، و مقدار فاصله خواب بعدی بستگی به تاریخ گذشته دارد. اگر α = 1، فاصله خواب بعدی برابر با فاصله‌های قبلی است. مقدار α با توجه به نوع سنسور استفاده شده تعیین می‌شود. در سنسور تناوبی، سناریوهای گذشته و حال معمولا با اهمیت یکسان در نظر گرفته می‌شوند، از این رو، مقدار α به 0.5 نزدیک می‌شود. در یک سنسور مبتنی بر trigger، تجارب گذشته برای برآورد زمان وقوع رویداد مهم است، از این رو، مقدار α نزدیک به 0 می‌شود.
در (2)، عامل Δti تغییر در فاصله خواب است. مقدار Δti می‌تواند صفر، مثبت یا منفی باشد که به عوامل مختلفی مانند نوع سنسور بستگی دارد. در سنسور تناوبی، عامل Δti به عوامل مختلفی بستگی دارد که در زیر توضیح داده شده است.
(1)کیفیت اطلاعات ∲: با فواصل خواب کوتاه‌تر، حسگر داده‌های بیشتری از محیط مورد ظر دریافت می‌کند، از این رو، کیفیت اطلاعات بهبود می‌یابد، اما باتری بیشتری مصرف می‌شود. به‌طور مشابه، فواصل خواب طولانی موجب کاهش مقدار داده‌های حسگر می‌شود، که به تبع آن منجر به کاهش کیفیت اطلاعات می‌گردد. علاوه براین، فواصل خواب طولانی با صرفه‌جویی در باتری همراه هستند، اما آنها نمی‌توانند کیفیت اطلاعات استخراج شده را که بطور قابل توجهی کاهش می‌یابند افزایش دهند. بنابراین، برای حفظ تعادل بین کیفیت اطلاعات استخراج شده و مصرف انرژی سیستم‌های اینترنت اشیا، eNode با مرکز داده برای استخراج کیفیت اطلاعات ارتباط برقرار می‌کند. کیفیت اطلاعات به L سطح اعم از سطح 1 (بسیار کم) به سطح L (بسیار بالا) تقسیم می‌شود. مقدار ∲(k) با تقسیم سطح اطلاعات به تعداد کل سطوح به دست می‌آید برای مثال، اگر ده سطح از اطلاعات وجود داشته باشد، سطح پنجم از مقدار ∲(k) برابر با 0.5 خواهد بود. مقدار محاسبه شده توسط مرکز تحلیل اطلاعات از IPL به eNode انتقال می‌یابد، سپس به eGN منتقل می‌شود. eGN، به نوبه خود، در مورد فاصله خواب بسته به اطلاعات ارائه شده توسط eNode تصمیم می‌گیرد.
(2)عامل تضاد (ξi): گاهی اوقات، منطقه تحت پوشش دو یا چند سنسور ممکن است با هم تداخل داشته باشند. شکل 3 نشان‌دهنده‌ی چنین موردی است، که در آن خط نقطه‌چین نشان‌دهنده‌ی منطقه‌ی تحت پوشش از هر گره است. در اینجا، منطقه تحت پوشش SN2 در تضاد با منطقه تحت پوشش از SN1 و SN3 است. عامل تضاد (ξi) مقدار منطقه همپوشانی گره i ام را محاسبه می‌کند که در آن R شعاع پوشش SN ، و Dik فاصله بین گره i ام و k ام است.
(3) سطح باتری (EI): به باقی‌مانده سطح باتری SNi مربوط می‌شود. سطح باتری می‌تواند خیلی کم (کمتر از 20٪) به بسیار بالا (بیشتر از 80٪) باشد. وقتی که میزان مصرف باتری بالا باشد، فاصله خواب می‌تواند کاهش یابد. از سوی دیگر، با کاهش میزان مصرف باتری، فاصله خواب به تدریج برای بهره‌وری انرژی افزایش می‌یابد.
(4) ضریب تغییرات (CoV): eGN بر میزان انحراف بین مقادیر حاضر و قبلی نظارت دارد. اگر مقادیر تنوع قابل توجهی نشان ندهد، فاصله خواب را می‌توان برای استفاده بهتر از انرژی طولانی مدت انجام داد. از سوی دیگر، اگر مقادیر انحراف زیادی داشتند، فاصله خواب برای نظارت موثر بر محیط هدف کاهش یافته است.

پس از محاسبه فاصله خواب واقعی هر SN متصل به آن، eGN یک سیگنال از خواب بیدار شدن به SN می‌فرستد. علاوه‌براین، هر گونه ارتباطی بین SN ها از طریق eGN ها انجام شده است. ارتباطات بین دو SN حالت انتقادی به خود می‌گیرد اگر اقدام فوری با دریافت SN در پذیرش پیام مورد نیاز باشد. بااین‌حال، اگر پیام ارتباطی حاوی اطلاعاتی باشد که می‌تواند با دریافت SN در آینده مورد استفاده قرار گیرد، ارتباطات غیر بحرانی نامیده می‌شود. گره فرستنده می‌تواند نوع ارتباطات را با تعبیه یک بیت در عنوان پیام نشان دهد.
هنگامی که SN ها می‌خواهند با یکدیگر ارتباط برقرا کنند، eGN بررسی می‌کند که آیا SN دریافتی فعال است. اگر SN دریافتی در حالت خواب و ارتباطات بسیار مهم باشد، eGN بلافاصله یک سیگنال از خواب بیدار کردن برای اطمینان از عدم وجود فقدان بسته زمانی که ارتباطات آغاز شده است به آن می فرستد. بااین‌حال، اگر ارتباطات به اندازه کافی مهم نباشد، eGN پیام SN ارسالی را در بافر ذخیره کرده و آن را به SN دریافتی به هنگام از خواب بیدار شدن انتقال می‌دهد. علاوه‌براین، زمانی که یک پیام جستجو می‌رسد eGN یک سیگنال از خواب بیدار کردن به SN (اگر در حالت خواب باشد) می‌فرستد. بنابراین، eGN به SN کمک می‌کند تا به‌طور موثر از انرژی خود با تعویض به حالت خواب در هر زمانی که بیکار است و با توجه به الگوریتم 1 استفاده کند.
3) eNode انرژی کارآمد: SCL شامل یک ایستگاه پایه یا یک eNode است که تمام eGN ها را کنترل می‌کند. که هر گونه اطلاعات مورد نیاز [مانند کیفیت اطلاعات (∲)[ را از مرکز تحلیلی ابر اطلاعات بازخوانی کرده و آن را به eGN انتقال می‌دهد. همچنین تمام داده‌های ببه دست آمده با SN را به IPL انتقال می‌دهد، از این رو، یک مسیر ارتباطی بین سنسور و منابع ابر ایجاد می‌کند. علاوه بر این، eNode، SN را به هر eGN بر اساس میزان مصرف باتری و فاصله SN از eGN اختصاص می‌دهد.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

تزریق سوخت الکترونیکی (EFI)
سیستم تزریق بنزین با کنترل الکترونیکی شناخته شده تر با نام تزریق سوخت الکترونیکی (EFI) نامیده می شود، حجم تزریق سوخت بصورت الکترونیکی کنترل می شود. اساس این سیستم پیشرفت های بسیاری را پشت سر گذاشته و توسط برندهای مختلف خودرو، نه تنها در خودروهای ساخت اروپایی بلکه در خودروهای ژاپنی و آمریکایی نیز پیاده سازی شده است. کار تزریق کننده تزریق سوخت توسط یک واحد کنترل الکترونیکی (ECU) تنظیم شده است که به ECM (ماژول کنترل الکترونیکی) معروف است (دیهاتسو، 2010).

سنسور خنک کننده دمای موتور
خنک کننده دمای موتور (WTS/ECT: خنک کننده دمای موتور9 از ترمیستور ساخته شده است، متغیر مقاومت تحت تأثیر دما قرار می گیرد. عملکرد کاری ECT و IAT مشابه است، تفاوت فقط در عملکرد سنسور است. عملکرد ECT برای تشخیص دمای خنک کننده موتور به عنوان ورودی ECM به منظور تصحیح میزان تزریق سوخت بر روی انژکتور می باشد.

همچنین ECT به عنوان کنترل خنک کننده دمای موتور نسبت به محرک از طریق دماسنج که روی صفحه ابزار نصب شده است، عمل می کند. سنسور خنک کننده دمای موتور با عنصر سنجش NTC (ضریب دمای منفی) مقاومت متغیر است که وظیفه آن ارائه اطلاعات به ECU در مورد دمای خنک کننده موتور است. با داشتن این عنصر سنجش بدین ترتیب: دمای خنک کننده کم می شود، مقدار مقاومت حسگر زیاد می گردد. در مقابل، دمای خنک کننده زیاد می شود، مقاومت حسگر کم می گردد.

انتشار گازهای اگزوز خودرو
گاز اگزوز بنزینی در مقایسه با موتور دیزلی خطرناک است. معمولاً، گاز اگزوز بنزینی نامرئی است، هر چند که برای زندگی انسان خطرناک است.
1) موتور بنزینی اکثراً دارای CO ، HC و سرب است.
2) موتور دیزل با عناصر SO2 و کربن باعث کدری دود اگزوز می شود.
تلاش در جهت کاهش اثر منفی انتشار گاز اثبات شده است که می تواند با اضافه کردن سنسور O2 انجام شود
(د سودارنو پوترا دکا، 2015).

مونوکسید کربن (CO)
انتشار مونوکسید کربن (CO) از موتور احتراق به ویژه با نسبت هوا به سوخت قابل کنترل است. حداکثر CO در زمانی که موتور مخلوط با روغن باشد، تولید می شود، مانند زمانی که موتور در وضعیت خنکی موتور روشن می شود یا زمانی که شتاب می یابد. CO (مونوکسید کربن) بی رنگ و بی بو است. این عنصر هنگامی تشکیل می شود که سوخت و عنصر کربن از اتصال کافی با O2 برخوردار نباشند، به این معنی که به این معنی که هوایی که به داخل محفظه سیلندر جریان می یابد از سوخت کمتر یا زیادی برخوردار باشد.

هیدروکربن (HC)
ترکیب انتشار هیدروکربن (HC) توسط اجزای اصلی سوخت، هندسه محفظه احتراق و پارامتر عملیاتی موتور تحت تأثیر قرار گرفته است. اگر انتشار HC وارد جو شود ، تعداد زیادی از آنها عناصر سنجش کارسینوژنیک هستند که می توانند باعث بروز سرطان شوند. HC (هیدروکربن) مایل به سیاه و معطر است. این گاز هنگامی اتفاق می افتد که فرایند احتراق روی محفظه های احتراق به خوبی کار نکند یا منبع سوخت بیش از حد باشد. شکست در سیستم احتراق مهمترین علامت است. این گاز می تواند باعث سوزش چشم، بینی و گلو (ISPA) شود و درنهایت باعث بیماریهای جدی گردد.

دی اکسید کربن (CO2)
هرچه ماده CO2 بیشتر در گاز اگزوز باشد، احتراق بیشتری در داخل موتور رخ می دهد. در غیر این صورت، پایین آمدن سطح CO2 در گازهای خروجی نشان می دهد که راندمان احتراق مناسب نیست و مطابق با عملکرد موتور است. تأثیر دیگر: سطح CO و HC افزایش می یابد و مصرف سوخت نیز افزایش می یابد. سطح CO2 در واحد حجم % اندازه گیری می شود. میانگین سطح CO2 در موتورهای چهار زمانه در شرایط عادی: موتور با کاربراتور: 12-15٪ ولت ، موتور با EFI: 12-16٪ ولت ، موتور EFI با مبدل کاتالیک: 12-17٪.

روش پژوهش
در این پژوهش از طرح تحقیق توصیفی استفاده شده است. این کار به منظور توصیف نقش سنسور خنک کننده دمای موتور با تجزیه و تحلیل داده های به دست آمده در طول آزمایش انجام شده است. علاوه بر این، این پژوهش از موتور تویوتا آوانزا در سال 2011 با دیجیتال ترموکوپل، ابزار اسکن موتور و آنالیزور انتشار گازهای موتور به عنوان ابزار جمع آوری داده ها استفاده می کند.
این آزمایش در زمان صبح انجام می شود که موتور هنوز در حالت خنک است. جمع آوری داده ها با استفاده از طرح جمع آوری داده ها همانطور که در شکل 3 مشاهده می شود، انجام گرفته است.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

2. پلت‌فرم محاسباتی مه
بسترهای نرم‌افزاری برای یک سیستم مدیریت انرژی باید ویژگی‌هایی داشته باشد و پاسخگوی نیازهای ذکر شده در بخش 1 به‌منظور مقرون به صرفه بودن برای مشتریان عادی باشد. اینترنت اشیاء به یک پارادایم جدید برای اتصال دستگاه‌های هوشمند و قابلیت تنظیم در یک پلت‌فرم پویا و جهانی شبکه تبدیل شده است. که بر فاصله بین دنیای فیزیکی و حضور آن در سیستم‌های اطلاعات غلبه می‌کند [28] – [33].
از این رو، اینترنت اشیا به‌عنوان یک پلت‌فرم ممکن برای فن‌آوری‌های مدرن دیده می‌شود، به‌عنوان مثال، سیستم مدیریت انرژی، خانه‌های هوشمند، و شبکه‌های هوشمند. دامنه عملکرد این پلت‌فرم مقیاس‌پذیر و وابسته به برنامه کاربردی است، به‌عنوان مثال، نظارت HEM و کنترل دستگاه‌های داخل یک خانه [28].
علاوه بر این، اینترنت اشیا ممکن است شامل میلیاردها دستگاه باشد که می‌توانند حس، ارتباط، محاسبه و بکار انداخته شوند. با اينكه، تعداد دستگاه‌ها به شدت وابسته به دامنه عملیات اینترنت اشیا است، به‌عنوان مثال خانه و یا ریزشبکه، در طول سال‌ها حتی در درون یک خانه به شدت در حال رشد بوده است. این عملیات موجب تغییر کنترل از روش سنتی و دستی به سمت کنترل یکپارچه شده است. همچنین، این مقدار زیاد از داده‌های تولید شده توسط اینترنت اشیا احتمالا به‌عنوان بخشی از روش مدیریت، پردازش و تجزیه و تحلیل خواهد شد [34]. ازاین رو، محاسبات ابری به‌عنوان یک راه جدید برای محاسبات متمرکز و ادغام با اینترنت اشیا به‌منظور ارائه قدرت محاسباتی خواهد شد [23]. علاوه‌براین، محاسبات ابری برای مشتریان، زیرساخت، پلت‌فرم، نرم افزار و شبکه حسگر را به‌عنوان خدمات فراهم می‌کند [12]، [35] – [43]. این خدمات به‌منظور داشتن قابلیت اطمینان و عملکرد مندرج در توافق نامه، که برای پلت‌فرم مدیریت انرژی ضروری است، تضمین شده هستند.
بااین حال، افزایش تعداد دستگاه‌ها در اینترنت اشیا، به عنوان مثال سیستم مدیریت انرژی، با استفاده از محاسبات ابری، ممکن است موجب افزایش زمان پاسخ‌دهی و زمان تاخیر برای برخی از دستگاه‌های حساس به تاخیر شود [44] – [46]. از این رو، محاسبات مه برای کاهش برخی از مشکلات ذکر شده در بالا معرفی شده است [47].
محاسبات مه پارادایم محاسبات ابریرا به لبه شبکه هدایت می‌کند. این یک پلت‌فرم است که ممکن است اینترنت اشیا با قابلیت پیش پردازش داده‌ها را در حالی که با نیازهای زمان تاخیر کم مواجهه می‌شوند ارائه کند [29].
همانند سیستم مدیریت انرژی، پلت‌فرم باید صرف‌نظر از اندازه سیستم تطبیقی و مقیاس‌پذیر باشد. همچنین باید دستگاه‌هایی با عملکرد، قابلیت همکاری و ویژگی‌های تعامل به‌منظور کمک به انتقال و پردازش داده‌های تولید شده در زمان پاسخ کافی ارائه کند. مدیریت انرژی – مانند یک برنامه کنترل- در پلت‌فرم محاسبات مه پیاده‌سازی شده است. پلت‌فرم مدیریت انرژی را می‌توان برای هر نوع ساختمان و حوزه‌های عملکردی مختلفی استفاده کرد، به‌عنوان مثال، خانه و یا ریزشبکه. مدیریت انرژی ممکن است مقاصد مختلفی داشته باشد مانند: 1) نظارت و اندازه‌گیری مصرف برق هر دستگاه، به‌عنوان مثال مصرف انرژی خانه ؛ 2) مدیریت مصرف انرژی با کنترل دستگاه‌های کارآمد، به‌عنوان مثال، روشنایی هوشمند، شارژر برق خودرو (EV) [48]، گرمایش، مدیریت تهویه و تهویه مطبوع (HVAC) و غیره. پلت‌فرم مدیریت انرژی یک سیستم از سیستم‌ها است. به‌منظور طراحی پلت‌فرم، سخت‌افزار (بخش دوم-الف را مشاهده کنید)، نرم‌افزار (بخش دوم-ب رامشاهده کنید) و معماری ارتباطات (بخش دوم-ج را مشاهده کنید) باید به‌درستی برای این سیستم‌ها تعریف و یکپارچه گردد (به بخش دوم-د نگاه کنید).
A. معماری سخت‌افزار
سخت‌افزار پلت‌فرم مدیریت انرژی شامل دستگاه‌های متعددی است، بسته به دامنه عملیاتی آن، به‌عنوان مثال، خانه و یا ریزشبکه. این دستگاه‌ها ممکن است براساس ویژگی‌های خود به‌صورت زیر طبقه‌بندی شوند:
1) اتصال: این دستگاه‌ها اتصال میان دستگاه‌های موجود و سازگار را ارائه می‌کنند. سیم‌ها، سوکت‌ها و آنتن‌ها در این دسته جای می‌گیرند.
2) دروازه: دستگاه‌های مختلف ممکن است استانداردها و پروتکل‌های اتصال مختلف داشته باشند، به‌عنوان مثال ZigBee، بلوتوث و اترنت [49]. دستگاه‌های دروازه در صورت لزوم یک اتصال سازگار بین دستگاه‌های متعدد ایجاد می‌کنند.
3) سنسور: سیستم مدیریت انرژی نیاز به نظارت محیط زیست برای تغییرات به موقع دارد، به‌عنوان مثال، آب‌و‌هوا، نور، انرژی قیمت و غیره. این حسگرها ممکن است سیگنال آنالوگ تولید شده توسط محیط زیست را نشان دهند.
4) محرک: سیستم مدیریت انرژی ممکن است برای پیکربندی دستگاه‌های متعدد با توجه به تغییرات محیط زیست، به‌منظور بهینه‌سازی یک متغیر، به‌عنوان مثال مصرف انرژی تصمیم بگیرد. این دستگاه با قابلیت تنظیم در نظر گرفته می‌شوند که ممکن است به صورت محلی و یا از راه دور کنترل شود.
5) پردازش: دستگاه‌هایی که داده‌ها را در سیستم ذخیره، پردازش و تجزیه و تحلیل می‌کنند. همچنین ممکن است پیاده‌سازی کنترل برای پیکربندی دستگاه‌های محرک پیچیده باشد.

تمام دستگاه‌های موجود در یک پلت‌فرم مدیریت انرژی به‌عنوان گره‌های متصل در شبکه‌ی اینترنت اشیا در نظر گرفته می‌شوند. علاوه‌براین، دستگاه‌های متعدد و یا گره‌ها ممکن است به‌عنوان زیرسیستم به‌منظور انجام یک تابع تنها گروه‌بندی شوند. در یک پلت‌فرم HEM، دستگاه‌های هوشمند متعددی، به‌عنوان مثال، تهویه مطبوع، برای بررسی و کنترل به‌منظور کاهش کل مصرف انرژی دردسترس هستند. دستگاه محاسبات ضروری که تمام وظایف نظارت‌ و کنترل را به دست گرفته است کنترل پانل HEMنام دارد. کار اصلی آن کشف و نظارت بر دستگاه‌های مختلف در پلت‌فرم به‌صورت پویا، مسئولیت رسیدگی به درخواست‌های زمانی انعطاف‌پذیر بر اساس الگوریتم پیاده‌سازی شده، به‌منظور بهینه‌سازی یک متغیر است. برای مدیریت مصرف انرژی یک خانه، پلت‌فرم HEM ممکن است نیاز به بازیابی اطلاعات در محیط زیست خانه داشته باشد. شرایط فیزیکی جهان ممکن است توسط چندین سنسور (به‌عنوان مثال دما، رطوبت، نور و غیره) در مکان‌های مختلف از خانه نظارت شود. علاوه بر این، انواع مختلف سنسورها ممکن است در یک دستگاه واحد اجرا شود (به‌عنوان مثال ماژول TelosB). همچنین، یک دستگاه هوشمند ممکن است گره محاسباتی داشته باشد، که در داخل آن پیاده‌سازی شده است. این دستگاه محاسباتی، دستگاه کنترل پنل، کابران یا کنترل پنل HEMرا قادر به پیکربندی دستگاه و یا زیرسیستم در پایین‌تر سطح و با جزئیات بسیار بیشتر از کنترل پنل HEM می‌کند (به شکل 2 نگاه کنید). شکل 2 معماری سخت‌افزار مورد استفاده برای ارتباطات و محاسبات در پلت‌فرم محاسبات مه را نشان می‌دهد. همانطور که در شکل مشاهده می‌کنید، در صورتی که دستگاه و یا زیرسیستم قادر به برقراری ارتباط مستقیم با پلت‌فرم باشد دروازه ممکن است حذف شود.

B. معماری نرم‌افزار
گره‌های محاسباتی، کنترلرها را برای جمع‌آوری، ذخیره، پردازش و تجزیه و تحلیل داده‌ها و مدیریت دستگاه‌ها اجرا می‌کنند. روترهای منبع باز با قابلیت تنظیم توسط کاربر، یک توزیع لینوکس موجود در [50] در یک پردازنده MIPS را اجرا می‌کنند. با استفاده از این روترها به‌عنوان گره‌های محاسباتی ممکن است به توسعه‌دهندگان در کنترل راحت برنامه، تدوین و اجرای آنها بر روی روتر کمک کند.
دستگاه‌های سنسور، به‌عنوان مثال ماژول TelosB با TinyOS سازگار هستند [51] که یک سیستم عامل منبع باز (موجود در [52]) طراحی شده برای سنسورهای بی‌سیم کم قدرت هستند. بنابراین، الگوریتم اجرا شده برای نظارت، فرمان دادن به سنسورها و دریافت داده‌ها از آنها ممکن است به راحتی و به صورت پویا در سنسورها برنامه‌ریزی شود. این انعطاف‌پذیری ممکن است در برنامه‌ریزی سنسور براساس نیازهای خود به توسعه‌دهندگان کمک کند. به‌عبارت دیگر، الگوریتم‌های مسیریابی مختلف و کشف برای انواع مختلف سنسورها (به‌عنوان مثال دما، رطوبت، و نور) ممکن است در حالات مختلف اجرا شود.

کنترل پانل‌ها برای هر زیرسیستم، دستگاه‌های آنها را در شبکه آنها و از طریق یک پروتکل از پیش تعریف شده مدیریت می‌کند. بااین حال، همه زیرسیستم‌ها و دستگاه‌های متصل به شبکه اصلی باید به دنبال یک پروتکل تعریف شده منحصر‌به فرد توسط کنترل پنل HEM (به‌عنوان مثال ZigBee) باشند. بنابراین، ارتباطات بین دستگاه‌ها، اطراف مشخصات دستگاه برای سرویس‌های وب (DPWS) از سرویس‌های وب برای دستگاه‌ها (WS4D) ساخته شده است. همچنین، متکی بر SOAP برروی UDP، SOAP، WSDL و XML Schema است. این پشته پروتکل می‌تواند برای ارسال پیام‌های امن از یک دستگاه به دستگاه دیگر در پلت‌فرم ناهمگون استفاده شود. توسعه‌دهندگان ممکن است از ابزار دردسترس WS4D-gSOAP [53] برای اجرای سرویس مورد نیاز برای هر دستگاه استفاده کنند. دستگاه‌ها ممکن است میزبان خدمات مختلف DPWS سازگار با استفاده از موارد زیر باشند:
1) آردس‌دهی WS: یک مکانیزم آدرس‌دهی برای خدمات وب همانند پیام‌های منتقل شده فراهم می‌دهد.
2) کشف WS: روشی برای کشف خدمات با اعمال نفوذ در پروتکل مبتنی بر IP چندپخشی فراهم می‌کند.
3) WS-MetadataExchange: انواع داده‌های مختلف و عملیات برای دریافت ابرداده را تعریف می‌کند.
4) انتقال WS: برای انتقال ابرداده استفاده می‌شود و بسیار شبیه به HTTP است.
5) WS-Eventing: یک پروتکل تعریف می‌کند که اجازه عضویت خدمات وب یا قبول اشتراک برای پیام‌های اطلاع‌رسانی را فراهم می‌کند.
از آنجا که خدمات وب، پلت‌فرم اگنوستیک می‌باشند، با استفاده از معماری سرویس‌گرا (SOA)، پلت‌فرم انعطاف‌پذیری خود را با اضافه کردن دستگاه‌های جدید، کشف دستگاه‌ها و هماهنگی بین دستگاه‌ها و انتقال داده‌های ساخت یافته بین آنها حفظ می‌کند. همچنین، در پلت‌فرم HEM، دستگاه‌ها و یا کنترلرهای مورد نیاز یک کاربر ممکن است به‌عنوان یک سرویس اضافه و اداره شوند (کنترل به‌عنوان سرویس). علاوه براین، برای ایجاد قابلیت هماهنگ‌سازی و ایجاد قابلیت همکاری بین دستگاه‌ها در شبکه، به‌عنوان مثال، کنترل پنل HEM، دستگاه ممکن است، میزبان خدمات وب eventing باشد. بنابراین، دستگاه‌ها از هر گونه تغییر و حوادثی مربوط به دستگاه‌های دیگر مطلع خواهند شد اگر وقایع به اشتراک گذارده شوند. شکل 3 نشان می‌دهد که چگونه این خدمات در پلت‌فرم به‌منظور ارائه ارتباطات و ویژگی‌های خاص مورد نیاز برای دستگاه اجرا و پیکربندی می‌شود.