Process of Building Artificial Neural Network for Automatic Detection of Signals from Transverse Cracks in the Rail Head

• Autorzy: Nichoga V. , Prudyus I. , Vashchyshyn L.

Warianty tytułu

PL

Proces projektowania sztucznej sieci neuronowej do automatycznego wykrywania sygnałów z poprzecznych pęknięć w główce szyny kolejowej

• Języki publikacji: EN

Abstrakty

EN

In this article the process of building artificial neural network (ANN) for automatic detection signals from transverse cracks in the rail head is described. Selection details and real signal samples (for ANN training) are also presented.

PL

Artykuł opisuje proces projektowania sztucznej sieci neuronowej (ANN) do automatycznego wykrywania sygnałów z pęknięć poprzecznych w główce szyny kolejowej. Do celów szkoleniowych w zakresie ANN przedstawiono również szczegóły dotyczące wyboru próbki i rzeczywiste próbki sygnału.

Słowa kluczowe

EN

defect; transverse crack; artificial neural network

PL

uszkodzenie; pęknięcie poprzeczne; sztuczna sieć neuronowa

• Wydawca: Instytut Kolejnictwa
• Czasopismo: Problemy Kolejnictwa
• Rocznik: 2017
• Tom: Z. 175
• Strony: 59--62
• Opis fizyczny: Bibliogr. 10 poz., rys.

Twórcy

autor

Nichoga V.

• Lviv Politechnic National Uniwersity

autor

Prudyus I.

• Lviv Politechnic National Uniwersity

autor

Vashchyshyn L.

• Physico-Mechanical Institute of the National Academy of Sciences of Ukraine

Bibliografia

• 1. Golovko V.: Nejronnye seti: obučenie, organizacija i priminenie. IPRŽR, Moscow, 2001, p. 256 (in Russian).
• 2. Masters T.: Practical Neural Network Recipes in C++, Academic Press, London 1993, p. 504.
• 3. Nichoga V., Vashchyshyn L.: Wavelet-neural network for detection signals from transverse cracks in the rail head „16th International Conference on Computational Problems of Electrical Engineering (CPEE)” September 2-5, 2015, Lviv, pp. 132-134.
• 4. Nichoga V.O., Vashchyshyn L.V., Storozh I.V.: Stvorennja materyns’koї vejvlet funkciї ta analiz za її dopomogoju defektoskopičnogo sygnalu vid poperečnoї triščyny rejok, Informacijno-kerujuči systemy na zaliznyčnomy transporti, nr 3, Charkiv 2012, pp. 61-69 (in Ukrainian).
• 5. Nichoga V. et al. Doslidžennja sygnaliv magnitosdynamičnoji defektoskopiї na Lvivs’kij zaliznyci. Physical methods and means of control environments, materials and products, vyp. 13, Lviv 2008, pp. 8-19 (in Ukrainian).
• 6. Nichoga V. et al. Zastosuvannja vikonnogo peretvorennja Fur’je i vejvlet peretvorennja pry analizi sygnaliv magnitnoї diagnostyky zaliznyčnych rejok. Proceedings of the 16th International Conference LEOTEST’2011. February 21-26, 2011 р., Slavske, Ukraine, pp. 134–139 (in Ukrainian).
• 7. Swingler K. Applying Neural Networks: A Practical Guide. Morgan Kaufman Publishers, San Francisco 1996, p. 303.
• 8. Vashchyshyn L.V., Nichoga V.O.: Kryteriї vyjavlennja sygnalu vid poperečnoї triščyny rejky za dopomogoju neperervnogo vejvlet peretvorennja. Information extraction and processing, nr 38(114), Lviv 2013, pp. 69-74 (in Ukrainian).
• 9. Vashchyshyn L.V., Nichoga V.O. Storozh I.V.: Štučni nejronni mereži jak zasib dlja rozpiznavannja defektiv zaliznyčnych rejok. Informacijno-kerujuči systemy na zaliznyčnomy transporti, nr 5, Charkiv 2012, pp. 34-37 (in Ukrainian).
• 10. Wasserman P.: Neural Computing: Theory and Practice, Van Nostrand Reinhold, New York, 1990, p. 192.