Identyfikatory
Warianty tytułu
Filtering of the experimental data using the wavelet analysis and the artificial neural networks
Języki publikacji
Abstrakty
Niniejsza praca stanowi próbę analizy danych pomiarowych prób spęczania obarczoych różnego rodzaju szumami pomiarowymi. Do filtrowania wykorzystano nowoczesna narzędzia, do których zaliczyć można analizę falkową oraz sztuczne sieci neuronowe. Przedstawione na rysunkach 3-8 wyniki filtrowania dowodzą, że analiza falkową oraz sztuczne sieci neuronowe charakteryzują się dużą skutecznością filtrowania danych pomiarowych obarczonych sygnałem zakłócającym w postaci szumu pomiarowego. Analiza danych dotyczyła pomiarów przeprowadzonych w próbie spęczania dla różnych materiałów (stal austenityczna, stal do pracy w niskich temperaturach) i dla różnych wartości temperatury i prędkości odkształcenia. W każdym z rozważanych przypadków badane metody okazały się efektywnymi narzędziami filtrowania danych. Odfiltrowane w ten sposób dane mogą być użyteczne do wykorzystania w obliczeniach analizy odwrotnej, mającej na celu optymalne dopasowanie modelu matematycznego opisującego krzywą umocnienia odkształcanego metalu. Uzyskane wyniki potwierdzają przydatność obu technik do filtrowania danych pomiarowych i stanowią kolejny przykład możliwości wykorzystania sztucznych sieci neuronowych do rozwiązywania złożonych problemów z dziedziny inżynierii materiałowej. Filtrowanie danych pomiarowych z wykorzystaniem omówionych metod jest bardziej obiektywne w stosunku do klasycznych metod filtrowania, wymagających subiektywnego założenia wartości pewnych parametrów od których uzależniony jest efekt końcowy filtrowania. Kierunki dalszych badań winny być skierowane w stronę oceny błędów filtrowania. Odfiltrowane dane pomiarowe mogą być następnie wykorzystane w analizie odwrotnej, celem wyznaczenia optymalnych parametrów opisujących model odkształcanego materiału na podstawie wyników z prób plastometrycznych.
The analysis of experimental measurements is sometimes difficult, if the registered data are superimposed be noisy signals. The source of such noise is often the improper sensitivity calibration of measuring devices. Sometimes, such data are even useless for the further analysis. Therefore, the goal of the present paper is an attempt of application of two different filtering techniques, including the artificial intelligence methods (artificial neural networks) to the filtering of the noisy experimental data. Examples of filtering results using described techniques are presented.
Wydawca
Czasopismo
Rocznik
Tom
Strony
180--188
Opis fizyczny
Bibliogr. 9 poz., rys.
Bibliografia
- Białasiewicz, J. T., 2000, Falki i aproksymacje, WNT, Warszawa.
- He T. X., 1998, Short Time Fourier Transform, Integral Wavelet Transform, and Wavelet Functions Associated with Splines, Journal of Mathematical Analysis and Applications, 224,182¬200.
- Kusiak, J., Pietrzyk, M., Gawąd, J., Roberts, C.M., Wajda, W., 2001, Filtrowanie danych pomiarowych z wykorzystaniem sztucznych sieci neuronowych, Mat. Konf. Informatyka w Technologii Metali KomPlasTech' 2001, eds, Grosman F., Piela A., Kusiak J., Pietrzyk M., Korbielów, 65-70.
- Masters, T., 1996, Sieci neuronowe w praktyce, WNT, Warszawa.
- Mehrotra, K., Mohan, C.K., Ranka, S., 1997, Elements of Artificial Neural Networks, MIT Press, London.
- Montogmery, D.C.,. Johnson, L.A, 1976, Forecasting and Time Series Analysis. McGraw-Hill Book Company, New York.
- Osowski, S., 1996, Sieci neuronowe, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa.
- Tadeusiewicz, R., 1993, Sieci neuronowe, Akad. Ofic. Wyd. RM, Warszawa.
- Żurada, J., Barski, M., Jędruch, W., 1996, Sztuczne sieci neuronowe, PWN, Warszawa.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-article-BUJ5-0014-0106
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.