Прецедентный модуль для идентификации сигналов при акустико-эмиссионном мониторинге сложных технических объектов
Аннотация
Работа посвящена актуальным вопросам повышения эффективности работы модуля для идентификации сигналов, получаемых во время акустико-эмиссионного мониторинга сложных технических объектов, использующего рассуждения на основе прецедентов. Системы мониторинга обрабатывают большие объёмы информации, требующие затрат значительных временных ресурсов при ручной обработке человеком (экспертом, оператором), поэтому для помощи экспертам (операторам) предлагается использовать методы машинного обучения и средства интеллектуального анализа данных. К сожалению, в указанных задачах не всегда удаётся получить необходимый набор данных (обучающую выборку) для эффективного применения средств машинного обучения.
По этой причине предложено использовать перспективный и активно применяемый в системах искусственного интеллекта (интеллектуальных системах) подход на основе прецедентов, который способен работать при малых объёмах обучающей выборки и накапливать опыт решения подобных задач. Однако он имеет существенный недостаток — с ростом числа прецедентов растет и число операций сравнения для обработки новой ситуации (задачи). Указанную проблему возможно решить за счёт использования матрицы сходства прецедентов. Вместо периодического сокращения базы накопленных прецедентов, что является затратной по временным ресурсам процедурой, следует ограничить количество накопленных прецедентов и сохранить наиболее значимые (характерные) из них. Помимо этого, рекомендовано прецедентное представление спектра сигнала для снижения временных затрат на одну операцию сравнения двух прецедентов.
Описанный метод представления спектра сигнала не только позволяет сократить объемы обрабатываемой информации, но и позволяет упростить метрику для сравнения прецедентов. Данные модификации позволяют повысить эффективность (быстродействие) разработанного в среде MS Visual Studio на языке C# прецедентного модуля для идентификации сигналов акустической эмиссии. Результаты апробации на реальных данных акустико-эмиссионного мониторинга подтвердили обоснованность применения предложенных модификаций для разработанного прецедентного модуля.
Литература
2. Барат В.А., Алякритский А.Л. Автоматизированный метод анализа данных акустико-эмиссионного контроля // Контроль. Диагностика. 2009. № 12. С. 12—19.
3. Терентьев Д.А. Идентификация сигналов акустической эмиссии при помощи частотно-временного анализа // В мире неразрушающего контроля. 2013. № 2. С. 51—55.
4. Алешин Н.П., Григорьев М.В., Щипаков Н.А. Современное оборудование и технологии неразрушающего контроля ПКМ // Инженерный вестник. 2015. № 1. С. 533—538.
5. Bardakov V.V., Barat V.A, Sagaidak A.I., Eliza-rov S.V. Acoustic Emission Behaviour of Over-reinforced Concrete Beams // Intern. J. Civil Eng. and Techn. 2018. V. 9(8). Pp. 1583—1594.
6. Малозёмов В.Н., Просеков О.В. О быстром преобразовании Фурье малых порядков // Вестник СПбГУ. Серия «Математика. Механика. Астрономия». 2003. № 1. С. 36—45.
7. Черненький В.М., Гапанюк Ю.Е. Методика идентификации пассажира по установочным данным // Инженерный журнал: наука и инновации. 2012. № 3(3). С. 30—39.
8. Mastriani M. Quantum-сlassical Algorithm for an Instantaneous Spectral Analysis of Signals: a Complement to Fourier Theory // J. Quantum Information Sci. 2018. V. 8. Pp. 52—77.
9. Alekhin, R., Varshavsky, P., Eremeev, A., Kozhevnikov A. Application of the Case-based Reasoning Approach for Identification of Acoustic-emission Control Signals of Complex Technical Objects // Proc. III Russian-Pacific Conf. Computer Techn. and Appl. 2018. Pp. 28—31.
10. Aamodt A., Plaza E. Case-based Reasoning: Foundational Issues, Methodological Variations, and System Approaches // Artificial Intelligence Communications. 1994. V. 7. No. 1. Pp. 39—59.
11. Рассел С., Норвиг П. Искусственный интеллект: современный подход. М.: Вильямс, 2007.
12. Водопьянов С.К. Интегрирование по Риману. Новосибирск: Изд-во Новосибирского гос. ун-та, 2012.
13. Richter M., Weber R. Case-based Reasoning: a Textbook. Heidelberg: Springer-Verlag, 2013.
14. Perner P. Introduction to Case-based Reasoning for Signals and Images. Heidelberg: Springer-Verlag, 2008.
15. Montani S, Jain L. Successful Case-based Reasoning Applications. Heidelberg: Springer-Verlag, 2010.
16. Варшавский П.Р., Ар Кар Мьо, Шункевич Д.В. Применение методов классификации и кластеризации для повышения эффективности работы прецедентных систем // Программные продукты и системы. 2017. № 4. С. 625—631.
17. Khan M.J., Hayat H. Awan I. Hybrid Сase-base Maintenance Approach for Modeling Large Scale Case-based Reasoning Systems // Hum. Cent. Comput. Inf. Sci. 2019. V. 9. Pp. 1—25.
18. Park Y.J. Improving Real-time Efficiency of Case-based Reasoning for Medical Diagnosis // Studies in Health Technology and Informatics. 2014. Pp. 52—55.
19. Wess S., Althoff K.D., Derwand G. Using kd Trees to Improve the Retrieval Step in Case-based Reasoning. Heidelberg: Springer, 1993. Pp. 167—181.
20. Negny S., Riesco H., Lann J. Effective Retrieval and New Indexing Method for Case Based Reasoning: Application in Сhemical Process Design // Engineering Appl. of Artificial Intelligence. 2010. V. 23(6). Pp. 880—894.
---
Для цитирования: Варшавский П.Р., Барат В.А., Кожевников А.В. Прецедентный модуль для идентификации сигналов при акустикоэмиссионном мониторинге сложных технических объектов // Вестник МЭИ. 2020. № 4. С. 122—128. DOI: 10.24160/1993-6982-2020-4-122-128.
---
Работа выполнена при поддержке: РФФИ (гранты № 18-01-00459, № 18-29-03088)
#
1. Varshavskiy P.R., Alekhin R.V., Kozhevnikov A.V. Razrabotka Pretsedentnogo Modulya dlya Identifikatsii Signalov pri Akustiko-emissionnom Monitoringe Slozhnykh Tekhnicheskikh Obektov. Programmnye Produkty i Sistemy. 2019;2:207—213. (in Russian).
2. Barat V.A., Alyakritskiy A.L. Avtomatizirovannyy Metod Analiza Dannykh Akustiko-emissionnogo Kontrolya. Kontrol'. Diagnostika. 2009;12:12—19. (in Russian).
3. Terent'ev D.A. Identifikatsiya Signalov Akusticheskoy Emissii pri Pomoshchi Chastotno-vremennogo Analiza. V Mire Nerazrushayushchego Kontrolya. 2013;2: 51—55. (in Russian).
4. Aleshin N.P., Grigor'ev M.V., Shchipakov N.A. Sovremennoe Oborudovanie i Tekhnologii Nerazrushayuhchego Kontrolya PKM. Inzhenernyy Vestnik. 2015;1: 533—538. (in Russian).
5. Bardakov V.V., Barat V.A, Sagaidak A.I., Elizarov S.V. Acoustic Emission Behaviour of Over-reinforced Concrete Beams. Intern. J. Civil Eng. and Techn. 2018;9(8): 1583—1594.
6. Malozemov V.N., Prosekov O.V. O Bystrom Preobrazovanii Fur'e Malykh Poryadkov. Vestnik SPbGU. Seriya «Matematika. Mekhanika. Astronomiya». 2003;1: 36—45. (in Russian).
7. Chernen'kiy V.M., Gapanyuk Yu.E. Metodika Identifikatsii Passazhira po Ustanovochnym Dannym. Inzhenernyy Zhurnal: Nauka i Innovatsii. 2012;3(3):30—39. (in Russian).
8. Mastriani M. Quantum-classical Algorithm for an Instantaneous Spectral Analysis of Signals: a Complement to Fourier Theory. J. Quantum Information Sci. 2018;8:52—77.
9. Alekhin, R., Varshavsky, P., Eremeev, A., Kozhevnikov A. Application of the Case-based Reasoning Approach for Identification of Acoustic-emission Control Signals of Complex Technical Objects. Proc. III Russian-Pacific Conf. Computer Techn. and Appl. 2018:28—31.
10. Aamodt A., Plaza E. Case-based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. Artificial Intelligence Communications. 1994;7;1: 39—59.
11. Rassel S., Norvig P. Iskusstvennyy Intellekt: Sovremennyy Podkhod. M.: Vil'yams, 2007. (in Russian).
12. Vodop'yanov S.K. Integrirovanie po Rimanu. Novosibirsk: Izd-vo Novosibirskogo gos. un-ta, 2012. (in Russian).
13. Richter M., Weber R. Case-based Reasoning: a Textbook. Heidelberg: Springer-Verlag, 2013.
14. Perner P. Introduction to Case-based Reasoning for Signals and Images. Heidelberg: Springer-Verlag, 2008.
15. Montani S, Jain L. Successful Case-based Reasoning Applications. Heidelberg: Springer-Verlag, 2010.
16. Varshavskiy P.R., Ar Kar M'o, Shunkevich D.V. Primenenie Metodov Klassifikatsii i Klasterizatsii dlya Povysheniya Effektivnosti Raboty Pretsedentnykh Sistem. Programmnye Produkty i Sistemy. 2017;4:625—631. (in Russian).
17. Khan M.J., Hayat H. Awan I. Hybrid Sase-base Maintenance Approach for Modeling Large Scale Case-based Reasoning Systems. Hum. Cent. Comput. Inf. Sci. 2019;9:1—25.
18. Park Y.J. Improving Real-time Efficiency of Case-based Reasoning for Medical Diagnosis. Studies in Health Technology and Informatics. 2014:52—55.
19. Wess S., Althoff K.D., Derwand G. Using kd Trees to Improve the Retrieval Step in Case-based Reasoning. Heidelberg: Springer, 1993:167—181.
20. Negny S., Riesco H., Lann J. Effective Retrieval and New Indexing Method for Case Based Reasoning: Application in Сhemical Process Design. Engineering Appl. of Artificial Intelligence. 2010;23(6):880—894.
---
For citation: Varshavskiy P.R., Barat V.A., Kozhevnikov A.V. The Case-Based Module for Identifying the Signals Used in Acoustic- Emission Monitoring of Complex Technical Objects. Bulletin of MPEI. 2020;4:122—128. (in Russian). DOI: 10.24160/1993-6982-2020-4-122-128.
---
The work is executed at support: RFBR (Grantst No. 18-01-00459, No. 18-29-03088)
