doi: 10.17586/2226-1494-2022-22-6-1205-1215


УДК 620.179.17

Статистическая оценка влияния величины сигнал/помеха на погрешность измерения параметров акустической эмиссии

Федоров А.В., Алтай Е., Степанова К.А., Кузиванов Д.О.


Читать статью полностью 
Язык статьи - русский

Ссылка для цитирования:
Федоров А.В., Алтай Е., Степанова К.А., Кузиванов Д.О. Статистическая оценка влияния величины сигнал/помеха на погрешность измерения параметров акустической эмиссии // Научно-технический вестник информационных технологий, механики и оптики. 2022. Т. 22, № 6. С. 1205–1215. doi:10.17586/2226-1494-2022-22-6-1205-1215


Аннотация
Предмет исследования. Современные акустико-эмиссионные диагностические системы и комплексы являются чувствительным инструментом обнаружения развивающихся дефектов при мониторинге технического состояния объектов в условиях эксплуатационных нагрузок на ранних стадиях. Существенное ограничение применения метода акустической эмиссии — сложность выделения сигналов на фоне акустических и электромагнитных помех. Влияние помех при регистрации акустической эмиссии существенно затрудняет интерпретацию ее параметров, характеризующих техническое состояние объекта контроля. Для повышения значения величины сигнал/помеха и достоверности полученных результатов контроля при количественной оценке параметров эмиссии используют методы фильтрации. Рассмотрено влияние величины сигнал/помеха на погрешность измерения параметров акустической эмиссии, выработанных при компенсации помех с помощью полиномиального метода фильтрации. Метод. В основу статистической модели определения влияния величины сигнал/помеха на погрешность измерения параметров акустической эмиссии положен метод машинного обучения — линейной регрессии. Зависимость погрешности измерения от величины сигнал/помеха аппроксимирована методом наименьших квадратов и визуализирована с помощью скатерограммы. Основные результаты. Выявлено, что при применении фильтра Баттерворта величина относительной погрешности измерений параметров акустической эмиссии не превышает 3 %, что на порядки ниже значений, полученных для фильтра Бесселя и вейвлет-фильтра на основе материнской функции Добеши 8-го порядка. Установлена высокая обратная не случайная корреляционная связь (r > 0,9), обусловленная снижением значений относительной погрешности измерений параметров эмиссии и повышением величины сигнал/помеха. Разработанная статистическая модель описывает влияние величины сигнал/помеха на значение относительной погрешности при оценке параметров акустической эмиссии. Функционирование предложенной модели подтверждено вычислением коэффициента детерминации и проверки его статистической значимости. Практическая значимость. Показано, что применение фильтра Баттерворта для компенсации помех существенно повышает информативность результатов измерений параметров акустической эмиссии. Разработанная статистическая модель может быть использована при создании новых или усовершенствовании существующих диагностических комплексов и систем обработки данных для повышения достоверности результатов акустического контроля.

Ключевые слова: статистическая обработка, повышение точности измерения, акустическая эмиссия, величина сигнал/помеха, акустический контроль, помехи, фильтр Баттерворта, вейвлет-фильтр, фильтр Бесселя

Список литературы
  1. He Y., Li M., Meng Z., Chen S., Huang S., Hu Y., Zou X. An overview of acoustic emission inspection and monitoring technology in the key components of renewable energy systems // Mechanical Systems and Signal Processing. 2021. V. 148. P. 107146. https://doi.org/10.1016/j.ymssp.2020.107146
  2. Kharrat M.А., Ramasso E., Placet V., Boubakar M.L. A signal processing approach for enhanced acoustic emission data analysis in high activity systems: Application to organic matrix composites // Mechanical Systems and Signal Processing. 2016. V. 70-71. P. 1038–1055. https://doi.org/10.1016/j.ymssp.2015.08.028
  3. Il K.K., Hwan R.U., Pil C.B. An appropriate thresholding method of wavelet denoising for dropping ambient noise // International Journal of Wavelets, Multiresolution and Information Processing. 2018. V. 16. N 3. P. 1850012.  
  4. Barat V., Borodin Y., Kuzmin A. Intelligent AE signal filtering methods // Journal of Acoustic Emission. 2010. V. 28. P. 109–119.
  5. Altay Y.A., Fedorov A.V., Stepanova K.A. Acoustic emission signal processing based on polynomial filtering method // Proc. of the 2022 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus). 2022. P. 1320–1326. https://doi.org/10.1109/ElConRus54750.2022.9755729
  6. Барат В.А. Развитие метода акустической эмиссии за счет автоматизации обработки данных, повышения помехоустойчивости и достоверности обнаружения трещиноподобных дефектов металлоконструкций: автореферат диссертации на соискание ученой степени доктора техническихнаук. М., 2019. 40 с.
  7. Алтай Е., Федоров А.В., Степанова К.А. Оценка взаимосвязи информационных составляющих и помех сигналов акустической эмиссии // Контроль. Диагностика. 2022. Т. 25. № 6. С. 38–47. https://doi.org/10.14489/td.2022.06.pp.038-047
  8. Алтай Е., Федоров А.В., Степанова К.А. Оценка влияния методов фильтрации на погрешность измерения параметров сигнала акустической эмиссии // Международная конференция по мягким вычислениям и измерениям. 2022. Т. 1. С. 24–27.
  9. PaarmanL.D. DesignandAnalysisofAnalogFilters: ASignalProcessingPerspective. NY: KluwerAcademicPublishers, 2001. 440 р.
  10. Somefun O., Akingbade K., Dahunsi F. Uniformly damped binomial filters: five-percent maximum overshoot optimal response design // Circuits, Systems, and Signal Processing. 2022. V. 41. N 6. P. 3282–3305. https://doi.org/10.1007/s00034-021-01931-2
  11. Быстров С.В., Вундер Н.А., Ушаков А.В. Решение проблемы сигнальной неопределенности при аналитическом конструировании последовательного компенсатора в задаче управления пьезоприводом // Научно-технический вестник информационных технологий, механики и оптики. 2016. № 3. С. 451–459. https://doi.org/10.17586/2226-1494-2016-16-3-451-459
  12. Быстров С.В., Вундер Н.А., Синетова М.М., Ушаков А.В. Аналитическое конструирование последовательного компенсатора для систем с запаздыванием на основе модификации типовых полиномиальных моделей// Труды СПИИРАН. 2017. № 3(52). С. 115–136. https://doi.org/10.15622/sp.52.6
  13. Серьезнов А.Н., Степанова Л.Н., Кабанов С.И., Чернова В.В. Диагностический модуль акустико-эмиссионной системы с автоматической фильтрацией помех // Датчики и системы. 2020. № 5. С. 3–14. https://doi.org/10.25728/datsys.2020.5.1
  14. Алтай Е., Федоров А.В., Степанова К.А., Кузиванов Д.О. Оценка эффективности методов обработки сигналов акустической эмиссии при реализации полиномиальных цифровых фильтров // Омский научный вестник. 2022. № 3. С. 128–134. https://doi.org/10.25206/1813-8225-2022-183-128-134
  15. Kharrat M., Ramasso E, Placet V., Baubakar M.L. A signal processing approach for enhanced Acoustic Emission data analysis in high activity systems: Application to organic matrix composites // Mechanical Systems and Signal Processing. 2016. V. 70-71. P. 1038–1055. https://doi.org/10.1016/j.ymssp.2015.08.028
  16. Левин Б.Р. Теоретические основы статистической радиотехники. М.: Советское радио, 1968. 504 с.
  17. Zakharov L.А., Martyushev D.А., Ponomareva I.N. Predicting dynamic formation pressure using artificial intelligence methods // Journal of Mining Institute. 2022. V. 253. N 1. P. 23–32. https://doi.org/10.31897/PMI.2022.11
  18. Бехер С.А., Бобров А.Л. Основы неразрушающего контроля методом акустической эмиссии. Новосибирск: СГУПС, 2013. 145 с.
  19. Салин В.Н., Чурилова Э.Ю. Практикум по курсу «Статистика» (в системе STATISTICA). М.: Перспектива, 2002. 188 с.
  20. Elforjani M., Shanbr S. Prognosis of bearing acoustic emission signals using supervised machine learning // IEEE Transactions on Industrial Electronics. 2018. V. 65. N 7. P. 5864–5871. https://doi.org/10.1109/TIE.2017.2767551
  21. Овчарук В.Н., Турисев Ю.А. Регистрация и обработка акусто-эмиссионной информации в многоканальных системах. Хабаровск: ТОГУ, 2017. 116 с.
  22. Rakshit M., Das S. An efficient ECG denoising methodology using empirical mode decomposition and adaptive switching mean filter // Biomedical Signal Processing and Control. 2018. V. 40. P. 140–148 
  23. Altay Y.A., Kremlev A.S. Signal-to-noise ratio and mean square error improving algorithms based on newton filters for measurement ECG data processing // Proc. of the 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus). 2021. P. 1590–1595. https://doi.org/10.1109/ElConRus51938.2021.9396391
  24. Altay Y.A., Kremlev A.S., Zimenko K.A., Margun A.A. The effect of filter parameters on the accuracy of ECG signal measurement // Biomedical Engineering. 2019. V. 53. N 3. P. 176–180. https://doi.org/10.1007/s10527-019-09903-2
  25. Avdeeva D.K., KazakovV.Y., Natalinova N.M., Ivanov M.L., Yuzhakova M.A., Turushev N.V. The simulation results of the high-pass and low-pass filter effect on the quality of micropotential recordings on the electrocardiogram // European Journal of Physical and Health Education. 2014. V. 6. P. 1–10.
  26. Malghan P.G., Hota M.K. A review on ECG filtering techniques for rhythm analysis // Research on Biomedical Engineering. 2020. V. 36. N 2. P. 171–186. https://doi.org/10.1007/s42600-020-00057-9


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2024 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика