Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2009

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: analiza skupień wad

Sortuj według:

Ogranicz wyniki do:

Cluster analysis of head checking flaws in railway rails subjected to ultrasound

Lesiak P., Migdal M.

Archives of Transport

2009

Vol. 21, iss. 3-4

51-65

Cluster analysis of head checking flaws with the help of parameters such as amplitude and number of sampies of ultrasound wave echoes is presented in this paper. Alternative classification algorithms, such as hierarchical agglomerative clustering procedure and K-means and K-medoid partitioning algorithms (Partitioning Around Medoids and Fuzzy Cluster Analysis), have been applied. These algorithms aimed at clusterisation of flaws into three categories: no flaw, monitored flaw, hazardous flaw. The analytical use of data acquired by mobile ultrasound system mounted at flaw detection measurement car running over 200 km of main line track with allowable speed V = 160 km/h. Comparative tests show that analysis is performed best by Fuzzy Cluster Analysis algorithm (2.2% flaws are improperly classified), and the worst results are obtained by using agglomerative algorithm (17% flaws are badly classified).

W pracy przedstawiono analizę skupień wad typu head checking, na podstawie ich parametrów takich jak amplituda i liczba próbek ech fali ultradźwiękowej. Wykorzystano alternatywne algorytmy klasyfikacyjne takie jak: hierarchiczny - aglomeracyjny i partycjonujące - K - means i K - medoids (Partitioning Around Medoids oraz Fuzzy Cluster Analysis). Zadaniem ich była klasteryzacja wad na: brak wady, wada do obserwacji i wada niebezpieczna. Do analizy zostały wykorzystane dane zebrane przez mobilny system ultradźwiękowy wagonu defektoskopowego na 200 kilometrowym fragmencie jednej z magistralnych linii kolejowych o dopuszczalnej prędkości V = 160 km/h. Z badań porównawczych wynika, że najlepiej to zadanie wykonuje algorytm Fuzzy Cluster Analysis - niewłaściwie klasyfikując tylko 2,2% wad, natomiast najgorzej algorytm aglomeracyjny klasyfikując z 17% błędem.