Strojové učení pro klasifikaci zdrojů spojité akustické emise

Abstract

Strojové učení je v současné době velmi populární oblastí umělé inteligence. Hluboké učení poté zpracovává vstupní data skrze vrstvy předávající datům smysluplnější reprezentace. Jedním z modelů, které hluboké učení k reprezentaci vrstev používá, jsou neuronové sítě. Konvoluční neuronové sítě (CNN) představují průlomovou architekturu pro rozpoznání obrazových dat, zároveň nabízejí 1D variantu pro časové řady. V práci jsou použity různé architektury CNN ke klasifikac dat ultrazvukového signálu akustické emise, který je generován odkrajováním materiálu v důsledku vyvrtání díry vrtačkou. Zároveň je zde vytvořen programovací základ k jejich implementaci. Na vykreslených datech se nakonec diskutuje správnost fungování modelů.

Machine learning is currently a very popular field of artificial intelligence. Deep learning then processes the input data through layers imparting more mea- ningful representations to the data. One of the models that deep learning uses to represent layers is neural networks. Convolutional neural networks (CNNs) represent a breakthrough architecture for image recognition, while offering a 1D variant for time series. In this paper, different CNN architectures are used to classify ultrasonic acoustic emission signal data that is generated by material removal due to drilling a hole by a drill. Simultaneously, a fundamental code for their implementation is developed. Finally, the correct functioning of the models is discussed on the plotted data.