ANALÝZA SIGNÁLŮ SPOJITÉ AKUSTICKÉ EMISE Milan Chlada, Zdeněk Převorovský Ústav termomechaniky AV ČR, v. v. i., NDT laboratoř, Dolejškova 142/, 182 Praha 8 chlada@it.cas.cz, zp@it.cas.cz, tel.+42 2663144 KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i.
Examples of osciloscopic records of burst and continuous AE burst AE signals time continuous AE signal time Burst AE: plastic deformation of metals, crack growth, friction, material failure... Continuous AE: leakage of liquids under pressure, machining, welding, monitoring of technological processes and devices... KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i.
TIME-FREQUENCY ANALYSIS relative ampplitude RECORDED SIGNAL 7 frequency [khz] 6 SPECTROGRAM DISCONTINUITIES 4 3 2 1.2..7 time [s] KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i..1
TIME-FREQUENCY ANALYSIS Scheme of Wavelet decomposition ORIGINAL SIGNAL... low-pass filtration... high-pass filtration detail wavelet components approximation wavelet components KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i.
TIME-FREQUENCY ANALYSIS wavelet transform original signal time [ms] wavelet level coefficients of details time [ms] KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i.
x 1 4 N u m b e r o f c la s s ic a l c o u n ts 2 1 1 1 2 2 3 3 4 C R 2 [ s 1 ] C R 1 [ s 1 ] 4 N u m b e r o f c o u n t s - 4 t h a p p r o x i m a t io n l e v e l 4 1 W C R 4 [ s 1 ] x 1 2 2 x 1 1 1 4 2 t im e [ m in ] 2 3 3 4 4 N u m b e r o f c o u n t s - 4 t h d e t a il le v e l 2 1 W C R 1 [ s 1 ] 2 1 1 1 2 2 3 3 4 W C R 9 [ s 1 ] W C R [ s 1 ] t im e [ m in ] 4 4 4 x 1 N u m b e r o f c o u n ts - 3 r d d e ta il le v e l 2 1 1 2 2 3 3 4 W C R 8 [ s 1 ] W C R 3 [ s 1 ] t im e [ m in ] 4 Number of counts in each level of wavelet decomposition 4 4 x 1 4 N u m b e r o f c o u n ts - 2 n d d e ta il le v e l 4 2 2 1 1 2 2 3 3 4 W C R 7 [ s 1 ] W C R 2 [ s 1 ] t im e [ m in ] 4 2 x 1 N u m b e r o f c o u n ts - 1 s t d e ta il le v e l 4 1 2 1 1 2 2 3 3 4 W C R 6 [ s 1 ] W C R 1 [ s 1 ] t im e [ m in ] 4 t im e [ m in ] KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i. (whole record of channel 1)
Evaluation of Rolling Contact Fatigue (Pictures by Institute of Machine and Industrial Design, Brno University of Technology, Brno) KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i.
Evaluation of Rolling Contact Fatigue (Pictures by Institute of Machine and Industrial Design, Brno University of Technology, Brno) KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i.
Sledování poškození valivých ložisek (Picture by Institute of Machine and Industrial Design, Brno University of Technology, Brno) KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i.
MEASURING DEVICE Handyscope HS MHz, 14 bit USB oscilloscope 4 MHz Arbitrary Waveform Generator MATLAB COMPATIBLE KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i.
Sledování poškození valivých ložisek RMS 1 čas [h] 1 KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i. 2
Sledování poškození valivých ložisek Normovaný kombinovaný spektrogram 1 2 frekvence [khz] 3 4 6 7 8 9 1 1 čas [h] 1 KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i. 2
Sledování poškození valivých ložisek Normovaný kombinovaný countogram 2 perioda [us] 4 6 8 1 12 14 1 čas [h] 1 KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i. 2
MAPOVÁNÍ OBECNÝCH ZÁVISLOSTÍ POMOCÍ NEURONOVÝCH SÍTÍ Výběr vhodného parametrického prostoru je klíčovým krokem nejen z hlediska výsledných vlastností aplikovaného modelu. Cílem každé parametrizace by mělo být získání maxima informace skryté v datech za současné minimalizace redundance. redundance. Např. lineární závislosti mezi různými parametry lze snadno odhalit pomocí faktorové analýzy, která poskytuje předběžnou hypotézu ve formě korelačního schématu mezi parametry a latentními veličinami, zvanými faktory. Umožňuje eliminaci triviálních lineárních závislostí a soustředit tak pozornost jen na parametry vzájemně lineárně nezávislé. Další možností je oddělení z určitých hledisek podstatných charakteristik od nevýznamných. nevýznamných. V případě expertních systémů navržených na bázi umělých neuronových sítí (ANN) lze aplikovat citlivostní analýzu, analýzu, která eliminuje vstupní parametry, pro řešení konkrétního problému nevýznamné. Citlivostní analýzou speciálních sítí, sítí, naučených odhadovat jednotlivé parametry na základě zbývajících, lze mapovat i obecné vzájemné souvislosti v datech. Metoda byla úspěšně odzkoušena na jednoduchých simulovaných závislostech, přičemž širší uplatnění v praxi vyžaduje další výzkum, zejména studium obecných aproximačních vlastností ANN. Citlivostní analýza - Učení neuronové sítě se všemi parametry (vstupy) a P daty, které jsou k dispozici. Eliminace parametrů, jejichž citlivostní koeficienty sij mají nízké hodnoty: 1 s ij = P KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i. P N yp j yp i p=1
MAPOVÁNÍ OBECNÝCH ZÁVISLOSTÍ POMOCÍ NEURONOVÝCH SÍTÍ Testování metody na simulovaných datech Metoda byla testována na případech detekce funkčních závislostí na šumovém pozadí. Parametry x1, x3, x4, x byly voleny náhodně s rovnoměrným rozdělením v intervalu (-1,1). Hodnoty druhého parametru pak byly vypočítány podle vzorce x2=(x1)3. Druhá skrytá závislost je modelována složitějším funkčním vztahem, který je již vícerozměrný a není prostý (viz 3D řez x1, x3, x6), čímž se stává lineárními metodami nedetekovatelným. 2 2 x 6 = x 1 sin x 3 2 1-1 1. 1. -. -. -1-1 KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i.
DĚKUJI ZA POZORNOST... KM FJFI 27.4.216 - prezentace NDT lab. ÚT AVČR, v.v.i.