Rozpoznávání zdrojů AE pomocí neuronových sítí s optimalizovanými signálovými parametry

Kód výsledku v 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>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

AE SOURCE RECOGNITION BY NEURAL NETWORKS WITH OPTIMIZED SIGNAL PARAMETERS

Popis výsledku v původním jazyce

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.

Název v anglickém jazyce

AE SOURCE RECOGNITION BY NEURAL NETWORKS WITH OPTIMIZED SIGNAL PARAMETERS

Popis výsledku anglicky

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.

Druh

D - Stať ve sborníku

CEP obor

BI - Akustika a kmity

OECD FORD obor

—

Projekt

Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.

Návaznosti

Z - Vyzkumny zamer (s odkazem do CEZ)

Rok uplatnění

2008

Kód důvěrnosti údajů

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

Název statě ve sborníku

European Conference on Acoustic Emission Testing

ISBN

978-83-7242-478-5

ISSN

—

e-ISSN

—

Počet stran výsledku

6

Strana od-do

—

Název nakladatele

University of Technology Krakov

Místo vydání

Krakow

Místo konání akce

Krakow

Datum konání akce

17. 9. 2008

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—