AE SOURCE RECOGNITION BY NEURAL NETWORKS WITH OPTIMIZED SIGNAL PARAMETERS

Result code in IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61388998%3A_____%2F08%3A00316857" target="_blank" >RIV/61388998:_____/08:00316857 - isvavai.cz</a>

Result on the web

—

DOI - Digital Object Identifier

—

Result language

angličtina

Original language name

AE SOURCE RECOGNITION BY NEURAL NETWORKS WITH OPTIMIZED SIGNAL PARAMETERS

Original language description

AE source recognition procedures using artificial neural networks (ANN) were already applied successfully to AE data from numerical models and simple structures. One of the main problems in general data recognition is proper selection of extracted data features. Some of commonly used AE-signal parameters are redundant or lowly significant. Such parameters (data features) only complicate the recognition problem. Therefore, several modifications of the standard AE-signal parameterization are proposed in this paper to reduce data redundancy. The set of AE parameters is optimized by PCA (principle component analysis) and sensitivity analysis of trained neural networks used for pattern recognition. The optimization process is illustrated on recognition of various AE sources, detected during fatigue test of an aircraft structure part. Resulting optimized feature set of AE signals provides the maximal information with minimized number of selected parameters.

Czech name

Rozpoznávání zdrojů AE pomocí neuronových sítí s optimalizovanými signálovými parametry

Czech description

Procedury rozpoznávání zdrojů akustické emise (AE) využívající umělé neuronové sítě (ANN) byly s úspěchem aplikovány již v případech dat z numerických modelů a pocházejících z jednoduchých reálných konstrukcí. Jedním z největších problémů obecného rozpoznávání dat je vhodná volba extrahovaných parametrů. Standardní charakteristiky signálu AE jsou nezřídka redundantní a nebo málo významné. Za účelem redukce redundance dat jsou v příspěvku navrženy modifikace standardních emisních parametrů. Jejich výběrje dále optimalizován faktorovou analýzou a citlivostní analýzou identifikačních neuronových sítí. Tento optimalizační proces je ilustrován na rozpoznávání zdrojů AE vznikajících během únavových zkoušek prováděných na součástech letecké konstrukce. Optimalizované signálové charakteristiky zachovávají dostatečnou informaci při minimálním počtu extrahovaných parametrů.

Type

D - Article in proceedings

CEP classification

BI - Acoustics and oscillation

OECD FORD branch

—

Project

Result was created during the realization of more than one project. More information in the Projects tab.

Continuities

Z - Vyzkumny zamer (s odkazem do CEZ)

Publication year

2008

Confidentiality

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Article name in the collection

European Conference on Acoustic Emission Testing

ISBN

978-83-7242-478-5

ISSN

—

e-ISSN

—

Number of pages

6

Pages from-to

—

Publisher name

University of Technology Krakov

Place of publication

Krakow

Event location

Krakow

Event date

Sep 17, 2008

Type of event by nationality

EUR - Evropská akce

UT code for WoS article

—