Strojová klasifikace zdrojů akustické emise a stupeň poškození materiálu

Abstract

Hlavním cílem této práce je identifikace, implementace a porovnání metod hlubokého učení za účelem rozpoznávání signálů akustické emise. Pro získání relevantních dat sloužících k porovnání jednotlivých metod byly provedeny dva experimenty. V první části práce jsou shrnuty poznatky z teorie neuronových sítí a je představeno pět vybraných architektur pracujících přímo s 1D signály jako vstupními daty. Tyto modely jsou porovnány na klasifikační úloze nad daty z obou experimentů. Adaptovaná podoba nejúspěšnější sítě Pooled Inception Time je použita v regresní úloze při spojité predikci závislé proměnné. V druhé části práce je představena problematika odhadu tvaru rozdělení pravděpodobnosti na Preisach-Mayergoyzově prostoru podle výsledných hysterezních křivek. Neuronové sítě představené v první části práce jsou využity pro predikci tvaru distribuční směsi.

The main objective of this thesis is to identify, implement, and compare deep learning methods for the recognition of acoustic emission signals. Two experiments were conducted to obtain relevant data for comparing these methods. In the first part of the thesis, we summarize the findings from neural network theory and present five selected architectures designed to work directly with 1D signals as input data. These models are compared based on their performance in a classification task using the data from the experiments. Additionally, an adapted version of the best-performing Pooled Inception Time network is utilized in a regression task to predict continuous dependent variable. The second part of the thesis addresses the problem of estimating the shape of the probability distribution on the Preisach-Mayergoyz space from resulting hysteresis curves. We employ the neural networks introduced in the first part to predict the shape of the distribution mixture.