Вісник № 02. Системний аналіз, управління та інформаційні технології
Постійне посилання колекціїhttps://repository.kpi.kharkov.ua/handle/KhPI-Press/55880
Переглянути
2 результатів
Результати пошуку
Публікація Застосування методів штучного інтелекту для апроксимації механічної поведінки гумоподібних матеріалів(Національний технічний університет "Харківський політехнічний інститут", 2021) Погребняк, Сергій Віталійович; Водка, Олексій ОлександровичУ ХХІ сторіччі нейронні мережі широко використовуються в різних сферах, в тому числі в комп’ютерному моделюванні і в механіці. Така популярність через те, що вони дають високу точність, швидко працюють та мають дуже широкий спектр налаштувань. Мета роботи створення програмного продукту з використанням елементів штучного інтелекту, для інтерполяції та апроксимації експериментальних даних. Програмне забезпечення повинно коректно працювати, та давати результати з мінімальною похибкою. Недоліком використання математичних підходів до обчислення та прогнозування петель гістерезису є те шо вони досить погано описують розвантаження, таким чином отримуємо не коректні данні для розрахунків напружено-деформованого стану конструкції. Інструментом вирішення було використання елементів штучного інтелекту, а точніше нейронних мереж прямого поширення. В роботі збудована та навчена нейронна мережа прямого поширення. Вона була навчена вчителем (вчитель з використанням метода зворотного розповсюдження похибки) на основі навчаючої вибірки попередньо проведеного експерименту. Для тестування було побудовано декілька мереж різної структури, які отримували на вхід однаковий набір даних який не використовувався при навчанні, але був відомий з експерименту, таким чином була знайдена похибка мережі за кількістю виділеної енергії та за середньо-квадратичним відхиленням. У статті детально описується математична інтерпретація нейронних мереж, спосіб їх навчання, попередньо проведений експеримент, архітектура мережі та її топологія, метод навчання, підготовки навчаючої вибірки та вибірки тестування. В результаті проведеної роботи було збудоване та протестоване програмне забезпечення в якому використовувалась штучна нейронної мережа, було побудовано та протестоване декілька типів нейронних мереж з різними вхідними даними та внутрішніми структурами, визначені їх похибки, сформовані позитивні та негативні якості мереж які використовувались.Публікація Використання методів машинного навчання для бінарної класифікації робочого стану підшипників за сигналами їх віброприскорення(Національний технічний університет "Харківський політехнічний інститут", 2021) Бабуджан, Руслан Андрійович; Ісаєнков, Костянтин Олександрович; Красій, Данило Максимович; Водка, Олексій Олександрович; Задорожний, Іван В'ячеславович; Ющук, Михайло ВікторовичВ роботі досліджується зв’язок між віброприскоренням підшипників з їх робочим станом. Для визначення цих залежностей було побудовано випробувальний стенд та проведено 112 експериментів з різними підшипниками: 100 підшипників, у яких під час експлуатації розвинувся внутрішній дефект та 12 підшипників без дефекту. З отриманих записів було сформовано набір даних, який використовувався для побудови класифікатору та знаходиться у вільному доступі. Був запропонований метод для класифікації нових та використаних підшипників, що полягає у пошуку залежностей та закономірностей сигналу за допомогою описових функцій: статистичних, ентропій, фрактальних розмірностей та інших. Окрім обробки самого сигналу, також використовувалося частотне представлення сигналу роботи підшипників для доповнення простору ознак. У роботі було перевірено можливість узагальнення класифікації для її застосування на тих сигналах, які не були отримані під час лабораторних експериментів. Сторонній набір даних було знайдено у вільному доступі. Цей набір даних був використаний для того, щоб визначити, наскільки точним буде класифікатор, який навчався та тестувався на істотно різних сигналах. Навчання та валідація проводилась методом бутсрапування для викорінення ефекту випадковості з огляду на малий об’єм наявних даних для навчання. Для оцінки якості класифікаторів було використано F1-міру, як основну метрику, через незбалансованість наборів даних. В якості моделей класифікатору були обрані наступні алгоритми машинного навчання з вчителем: логістична регресія, метод опорних векторів, випадковий ліс та метод найближчих сусідів. Результати представлені в вигляді графіків густини розподілу та діаграм.