ИСПОЛЬЗОВАНИЕ НЕЙРОННОЙ СЕТИ ДЛЯ ОПРЕДЕЛЕНИЯ ГЛУБИНЫ И ЧАСТОТЫ МОДУЛЯЦИИ СИГНАЛА ПРИ УЛЬТРАЗВУКОВОМ ВИБРОКОНТРОЛЕ ЭЛЕКТРООБОРУДОВАНИЯ

А.В. Бычков, И.Ю. Бычкова, Н.Н. Суслова, К.К. Алимов

DOI: 10.47026/1810-1909-2021-3-21-30

Ключевые слова

искусственная нейронная сеть, виброконтроль, ультразвуковые импульсы, электрооборудование.

Аннотация

Аппарат искусственных нейронных сетей предлагается использовать для обработки сигналов при активном ультразвуковом (УЗ) виброконтроле электрооборудования. Особенностью применяемого нейросетевого алгоритма является то, что искомая информация о параметрах вибраций заложена в изменении фазы ультразвукового сигнала при его постоянной амплитуде. В этих условиях традиционный спектральный анализ сигналов требует высокой частоты оцифровки и значительной длительности записей. При использовании искусственных нейронных сетей прямого распространения с тремя скрытыми слоями показано, что для оценки нестационарной частоты и амплитуды вибрационного сигнала достаточно частоты оцифровки в 5-6 точек на период ультразвуковой волны с длительностью записи 4-5 периодов. Получены оценки погрешности при определении амплитуды, частоты и фазы вибраций. Среднеквадратичные ошибки нейросетевого алгоритма не превышают единиц процентов. Продемонстрированы возможности использования обученной нейронной сети при обработке сигналов в «скользящем окне». Обсуждаются точностные характеристики предлагаемого нейросетевого алгоритма обработки сигналов и возможности его оптимизации для виброконтроля электрооборудования.

Литература

1. Бычков А.В., Славутский Л.А. Возможности корреляционной обработки импульсных ультразвуковых сигналов при бесконтактном виброконтроле оборудования электроэнергетики // Вестник Чувашского университета. 2018. № 3. С. 24–32.
2. ДюкВ., Самойленко А. Data Mining. СПб.: Питер, 2001. 386 с.
3. Костюкова Н.И. Система принятия решений в области медицинской диагностики и выбора оптимальных решений по технологии Data Mining // Открытое образование. 2010. Прил. С. 145–146.
4. РусовВ.А. Диагностика дефектов вращающегося оборудования по вибрационным сигналам. Пермь: ДимРус, 2012. 200 с.
5. СлавутскийЛ.А., Костюков А.С. Статистическая погрешность ультразвукового цифрового уровнемера с частотно-фазовой модуляцией сигнала // Приборы и системы. Управление, контроль, диагностика. 2009. № 8. C. 35–37.
6. СлавутскаяЕ.В., Абруков В.С., Славутский Л.А. Простые нейросетевые алгоритмы для оценки латентных связей психологических характеристик младших подростков // Экспериментальная психология. 2019. Т. 12, № 2. С. 131–144.
7. Славутская Е.В., Славутский Л.А. О выборе структуры искусственных нейросетей и алгоритмов анализа психодиагностических данных // Казанский педагогический журнал. 2020. № 5(142). С. 202–211. DOI: 10.34772/KPJ.2020.142.5.026.
8. Финн В.К. Об интеллектуальном анализе данных // Новости искусственного интеллекта. 2004. № 3. С. 3–18.
9. Bychkov A., Bychkova I., Slavutskii L. Active Ultrasonic Vibration Control of Electrical Equipment: Correlation Signal Processing. In: 2019 International Ural Conference on Electrical Power Engineering (UralCon), 2019, pp. 244–248. DOI: 10.1109/URALCON.2019.8877666.
10. Bychkov A., Slavutskii L., Slavutskaya E. Neural network for pulsed ultrasonic vibration control of electrical equipment. In: 2020 International Ural Conference on Electrical Power Engineering (UralCon), 2020, pp. 24–28. DOI: 10.1109/UralCon49858.2020.9216248.
11. Dillon T.S., Niebur D. Neural Networks Application in Power Systems. London, CRL Ltd. Publishing, 1996.
12. Hinton G., Deng L., Yu D., Dahl G., Mohamed A., Jaitly N., Senior A., Vanhoucke V., Nguyen P., Sainath T., Kingsbury B. Deep Neural Networks for Acoustic Modeling in Speech Recognition – The shared views of four research groups. In: IEEE Signal Processing Magazine, iss. 29, no. 6, pp. 82–97. DOI: 10.1109/msp.2012.2205597.
13. Jambukia S.H., Dabhi V.K., Prajapati H.B. Classification of ECG signals using machine learning techniques: A survey. In: IEEE 2015 International Conference on Advances in Computer Engineering and Applications, 2015, pp. 714–721. DOI: 10.1109/ICACEA.2015.7164783.
14. Kakar S.A., Sheikh N., Naseem A., Iqbal S, Rehman A., Kakar A., Kakar B.A., Kakar H.A., Khan B. Artificial Neural Network based Weather Prediction using Back Propagation Technique. International Journal of Advanced Computer Science and Applications, 2018, iss. 9, no. 8, pp. 462–470. DOI: 10.14569/IJACSA.2018.090859.
15. Kezunovic M. A Survey of Neural Net Applications to Protective Relaying and Fault Analysis. Engineering Intelligent Systems, 1997, iss. 5, no. 4, pp. 185–192.
16. Kumar K., Thakur G.S.M. Advanced Applications of Neural Networks and Artificial Intelligence: A Review. International Journal of Information Technology and Computer Science, 2012, no. 6, pp. 57–68. DOI: 10.5815/ijitcs.2012.06.08.
17. LeCun Y., Bengio Y. Convolutional Networks for Images, Speech, and Time-Series. In: Arbib M.A., ed. The Handbook of Brain Theory and Neural Networks. Cambrige, MIT Press, 1995.
18. Matti D., Ekenel H.K., Thiran J.P. Combining LiDAR space clustering and convolutional neural networks for pedestrian detection. In: 14^th IEEE International Conference on Advanced Video and Signal Based Surveillance, 2017, pp. 1–6. DOI: 10.1109/AVSS.2017.8078512.
19. Petrushin V.A., Khan L. Multimedia Data Mining and Knowledge Discovery. New York, Springer-Verlag, 2006. 539 c.
20. Samarasinghe S. Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition. 1^st Boca Raton, Auerbach Publications, 2006, 570 c.
21. Schmidhuber J. Deep Learning in Neural Networks: An Overview. Neural Networks, 2014, no. 61, pp. 85–117. DOI: 10.1016/j.neunet.2014.09.003.
22. Su H., Li G., Yu D., Seide F. Error back propagation for sequence training of context-dependent deep networks for conversational speech transcription. In: Proceedings of International Conference on Acoustics Speech and Signal Processing (ICASSP), 2013, pp. 6664–6668.
23. Witten I.H., Frank E., Hall M.A., Kaufmann M. Data Mining: Practical Machine Learning Tools and Techniques. 3^rd Amsterdam, Elsevier, 2011, 629 p.

Сведения об авторах

Бычков Анатолий Владимирович – аспирант кафедры электрических и электронных аппаратов, Чувашский государственный университет, Россия, Чебоксары (bav.xlab@gmail.com; ORCID: https://orcid.org/0000-0003-2674-8626).

Бычкова Ирина Юрьевна – аспирантка кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары (biy.quint@gmail.com; ORCID: https://orcid.org/0000-0001-9852-3288).

Суслова Надежда Николаевна – магистрантка факультета радиоэлектроники и автоматики, Чувашский государственный университет, Россия, Чебоксары (suslova.nadeshda@yandex.ru).

Алимов Курбангали Камартдинович – кандидат физико-математических наук, доцент кафедры прикладной физики и нанотехнологий, Чувашский государственный университет, Россия, Чебоксары (alimkur55@mail.ru).

Формат цитирования

Бычков А.В., Бычкова И.Ю., Суслова Н.Н., Алимов К.К. Использование нейронной сети для определения глубины и частоты модуляции сигнала при ультразвуковом виброконтроле электрооборудования // Вестник Чувашского университета. – 2021. – № 3. – С. 21–30. DOI: 10.47026/1810-1909-2021-3-21-30.

Загрузить полный текст статьи