DOI: https://doi.org/10.30977/BUL.2219-5548.2019.87.0.31

Neural network system for identification of non-destructive testing signals

Andrii Koval

Анотація


In this article the technique of using neural network algorithms in non-destructive control systems is considered. The block diagram of the neural network system for identification of the safe state of fixed objects is presented. The topology of the radial basis and the recurrent Elman network for the initialization of neural structures is determined. Methods and criteria for training the neural network in the process of non-destructive testing of the object are presented

Ключові слова


non-destructive testing; neural network; training; uncertainty; defect; diagnostics

Повний текст:

PDF (English)

Посилання


Kuş J., Korbicz J. Artificial neural networks in fault diagnosis of dynamical // Diagnostics of Processes. – 2013. – P. 37–49.

Materassi D. Reconstruction of topologies for acyclic networks of dynamical systems // Proc. of the American Control Conference. – 2014. – P. 37–41.

Tan P.V., Millérioux G., Daafouz J. A contribution to the identification of switched dynamical systems over finite fields // Proc. 49th IEEE Conference on Decision and Control. – 2013. – P. 4429–4434.

Saggin B., Debei S., Zaccariotto M. Dynamic error correction of a thermometer for atmospheric measurements // Measurement. – 2015. 30. – P. 223–230.

Cessac B. Neural Networks as dynamical systems // International Journal of Bifurcations and Chaos. – 2014. – № 6. – P. 1585–1629.

Gonzalez C. Instance-based learning: integrating sampling and repeated decisions from experience // Psychol. Rev. – 2015. – № 118. – P. 523–551.

Jia F., Lei Y., Lin J., Zhou X., Lu N. (2016). Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data. Mechanical Systems and Signal Processing, 7273, 303–315. https://doi.org/10.1016/j.ymssp.2015.10.025

Aldrich C., Auret L. (2013). Unsupervised Process Monitoring and Fault Diagnosis with Machine Learning Methods. London: Springer London. https://doi.org/10.1007/978-1-4471-5185-2.

Kondratenko A., Boikov I., Marenko H., Tsebriuk I., Koval O., Koval A. Method of protecting specially important objects based on the application of the bistatic radiolocation technique. EUREKA: Physics and Engineering. 31 July 2019. Vol. 4. P. 63–75. DOI 10.21303/2461-4262.2019.00941.

Scardapane S., Panella M., Comminiello D., Uncini A. Learning from distributed data sources using random vector functional-link networks: Procedia Computer Science. Elsevier B.V., 2015. P. 468–477.

Umamaheswari R. Trends in non-stationary signal processing techniques applied to vibration analysis of wind turbine drive train – A contemporary survey. 2017. ISBN 0888-3270.

Maropoulos P. G., Guo Y., Jamshidi J. Cai B. Large volume metrology process models: A framework for integrating measurement with assembly planning. CIRP Annals Manufacturing Technology [online]. 2008. Vol. m, no. 1. P. 477–480. Available from: http://dx.doi.org/10.1016/j.cirp.2008.03.

Materka A., Mizushina S. Parametric signal restoration using artificial neural networks. IEEE Transactions on Biomedical Engineering. 1996. Vol. 43, no. 4. P. 357–372.

DOI 10.1109/10.486256.

Anzo A., Barajas-Ramírez J.G. A coevolution model for dynamical networks of discrete-time chaotic systems: IFAC Proceedings Volumes (IFAC-PapersOnline). 2012. ISBN 9783902823021.

Scardapane S., Panella M., Comminiello D., Uncini A. Learning from distributed data sources using random vector functional-link networks: Procedia Computer Science. Elsevier B.V., 2015. P. 468–477.

Sastry P.S., Santharam G., Unnikrishnan K.P. Memory neuron networks for identification and control of dynamical systems. IEEE Transactions on Neural Networks [online]. 1994. Vol. 5, no. 2. P. 306–319. DOI 10.1109/72.279193. Available from: http://www.ncbi.nlm.nih.gov/pubmed/18267799

Коваль А.О., Полярус О.В. Вплив «старіння» датчиків температури на їх динамічні характеристики. Системи обробки інформації. 2014. Вип. 6. С. 123–126.

Коваль А.О. Прогнозування метрологічної надійності датчиків тиску на техногенно-небезпечних об’єктах. I Всеукраїнська наук.-тех. конф. «Актуальні проблеми автоматики та приладобудування»: тези доп. ННЦ «Інститут метрології» (м. Харків, 23 березня 2014 р.). Харків: ННЦ «Інститут метрології», 2014. С. 79–83.

Полярус О.В., Коваль А.О. Використання методу шумів та online діагностики для вдосконалення метрологічного забезпечення на техногенно небезпечних об’єктах. Вісник НТУ «ХПІ». Харків, 2015. № 35. С. 152–156.

Коваль А.О., Коваль О.А. Просторово розподілені інтелектуальні вимірювальні інформаційні системи: монографія. Харків: Лідер, 2017. 146 с.

Коваль А.О., Чайка В.В. Прогнозування метрологічної надійності датчиків тиску. Всеукраїнська науково-практичної конференції здобувачів вищої освіти і молодих учених «Метрологічні аспекти прийняття рішень в умовах роботи на техногенно небезпечних об’єктах»: тези доп. ХНАДУ (м. Харків, 30 березня 2019 р.). Харків, С. 72–75.


Пристатейна бібліографія ГОСТ


1. Kuş J., Korbicz J. Artificial neural networks in fault diagnosis of dynamical // Diagnostics of Processes. – 2013. – P. 37–49.

2. Materassi D. Reconstruction of topologies for acyclic networks of dynamical systems // Proc. of the American Control Conference. – 2014. – P. 37–41.

3. Tan P.V., Millérioux G., Daafouz J. A contribution to the identification of switched dynamical systems over finite fields // Proc. 49th IEEE Conference on Decision and Control. – 2013. – P. 4429–4434.

4. Saggin B., Debei S., Zaccariotto M. Dynamic error correction of a thermometer for atmospheric measurements // Measurement. – 2015. 30. – P. 223–230.

5. Cessac B. Neural Networks as dynamical systems // International Journal of Bifurcations and Chaos. – 2014. – № 6. – P. 1585–1629.

6. Gonzalez C. Instance-based learning: integrating sampling and repeated decisions from experience // Psychol. Rev. – 2015. – № 118. – P. 523–551.

7. Jia F., Lei Y., Lin J., Zhou X., Lu N. (2016). Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data. Mechanical Systems and Signal Processing7273, 303–315. https://doi.org/10.1016/j.ymssp.2015.10.025

8. Aldrich C., Auret L. (2013). Unsupervised Process Monitoring and Fault Diagnosis with Machine Learning Methods. London: Springer London. https://doi.org/10.1007/978-1-4471-5185-2.

9. Kondratenko A., Boikov I., Marenko H., Tsebriuk I., Koval O., Koval A. Method of protecting specially important objects based on the application of the bistatic radiolocation technique. EUREKA: Physics and Engineering. 31 July 2019. Vol. 4. P. 63–75. DOI 10.21303/2461-4262.2019.00941.

10. Scardapane S., Panella M., Comminiello D., Uncini A. Learning from distributed data sources using random vector functional-link networks: Procedia Computer Science. Elsevier B.V., 2015. P. 468–477.

11. Umamaheswari R. Trends in non-stationary signal processing techniques applied to vibration analysis of wind turbine drive train – A contemporary survey. 2017. ISBN 0888-3270.

12. Maropoulos P. G., Guo Y., Jamshidi J. Cai B. Large volume metrology process models: A framework for integrating measurement with assembly planning. CIRP Annals Manufacturing Technology [online]. 2008. Vol. m, no. 1. P. 477–480. Available from: http://dx.doi.org/10.1016/j.cirp.2008.03.

13. Materka A., Mizushina S. Parametric signal restoration using artificial neural networks. IEEE Transactions on Biomedical Engineering. 1996. Vol. 43, no. 4. P. 357–372.

DOI 10.1109/10.486256.

14. Anzo A., Barajas-Ramírez J.G. A coevolution model for dynamical networks of discrete-time chaotic systems: IFAC Proceedings Volumes (IFAC-PapersOnline). 2012. ISBN 9783902823021.

15. Scardapane S., Panella M., Comminiello D., Uncini A. Learning from distributed data sources using random vector functional-link networks: Procedia Computer Science. Elsevier B.V., 2015. P. 468–477.

16. Sastry P.S., Santharam G., Unnikrishnan K.P. Memory neuron networks for identification and control of dynamical systems. IEEE Transactions on Neural Networks [online]. 1994. Vol. 5, no. 2. P. 306–319. DOI 10.1109/72.279193. Available from: http://www.ncbi.nlm.nih.gov/pubmed/18267799

17. Коваль А.О., Полярус О.В. Вплив «старіння» датчиків температури на їх динамічні характеристики. Системи обробки інформації. 2014. Вип. 6.  С. 123–126.

18. Коваль А.О. Прогнозування метрологічної надійності датчиків тиску на техногенно-небезпечних об’єктах. I Всеукраїнська наук.-тех. конф. «Актуальні проблеми автоматики та приладобудування»: тези  доп. ННЦ «Інститут метрології» (м. Харків, 23 березня 2014 р.). Харків:   ННЦ «Інститут метрології», 2014. С. 79–83.

19. Полярус О.В., Коваль А.О. Використання методу шумів та online діагностики для вдосконалення метрологічного забезпечення на техногенно небезпечних об’єктах. Вісник НТУ «ХПІ». Харків, 2015. № 35.  С. 152–156.

20. Коваль А.О., Коваль О.А. Просторово розподілені інтелектуальні вимірювальні інформаційні системи: монографія. Харків: Лідер, 2017. 146 с.

21. Коваль А.О., Чайка В.В. Прогнозування метрологічної надійності датчиків тиску.  Всеукраїнська науково-практичної конференції здобувачів вищої освіти і молодих учених «Метрологічні аспекти прийняття рішень в умовах роботи на техногенно небезпечних об’єктах»: тези доп. ХНАДУ (м. Харків, 30 березня 2019 р.). Харків, С. 72–75.