Galagan, R.Momot, A.2019-11-222019-11-222019Galagan R. Statistical analysis of thermal nondestructive testing data / R. Galagan, A. Momot // Сучасні інформаційні системи = Advanced Information Systems. – 2019. – Т. 3, № 1. – С. 58-62.https://repository.kpi.kharkov.ua/handle/KhPI-Press/42942The features of processing of active thermal nondestructive testing results are considered. Proved the necessity of search and introduction of new informative parameters in evaluation ofthermograms in order to improve the reliability of control. Task of detecting and estimating the relationships between defect parameters and optimal testingtime and the maximum value of temperature signal is set. Computer simulation of active thermal testingof two samples with artificial defects with known characteristics was performed. Also obtainedthe sequences of thermogramsand formed the sets of initial data during simulationfor correlation, regression and dispersion analysis of testingresults. The method of dynamic thermal tomography was used to determine the levels of maximum differential temperature signal and optimal testing time. The estimates of correlation coefficient for various informational parameters of thermal control obtained. There is a high level of relations between the optimal control time and depth of defects. A high correlation also observed between the maximum value of temperature signal and depth of defects. The nature of relationships between various informative parameters of active thermal control establishedby the regression analysis. A one-factor dispersion analysis of the influence of defect parameters on optimal testing time and maximum value of the temperature signal was performed. High degree of mutual influence of all informative parameters is established. The conclusion made on the necessity ofdeveloping new modern methods for analysis thedata of thermal testing. Revealed patterns in relationships between data show low efficiency of traditional statistical methods in tasksof active thermal testing. Alternatively, proposed to use theartificial intelligence technologies, in particular, neural networks.Розглянуто особливості обробки результатів активного теплового неруйнівного контролю. Доведено необхідність пошуку та введення нових інформативних параметрів при оцінці термограм з метою покращення достовірності контролю. Поставлена задача виявлення та оцінки взаємозв’язків між параметрами дефектів та оптимальним часом контролю і максимальним значенням температурного сигналу. Проведено комп’ютерне моделювання процесу активного теплового контролю двох зразків зі штучними дефектами з відомими характеристиками. Отримано послідовності термограм та сформовано набори початкових даних для проведення кореляційного, регресійного та дисперсійного аналізів результатів контролю. Для визначення рівнів максимального диференціального температурного сигналу та оптимального часу спостереження використовувався метод динамічної теплової томографії. Отримано оцінки коефіцієнта кореляції для різних інформативних параметрів теплового контролю. Встановлена наявність високого рівня зв’язку між оптимальним часом контролю та глибиною залягання дефектів. Висока кореляція також спостерігається між максимальним значенням температурного сигналу та глибиною залягання дефектів. В результаті проведення регресійного аналізу встановлено характер взаємозв’язків між різними інформативними параметрами активного теплового контролю. Проведено однофакторний дисперсійний аналіз впливу параметрів дефектів на оптимальний час контролю та максимальне значення температурного сигналу. Встановлено високий ступінь взаємовпливу всіх інформативних параметрів. Зроблено висновки про необхідність розробки нових сучасних методів аналізу даних теплового контролю. Виявлені закономірності у взаємозв ’язках між даними свідчать про низьку ефективність традиційних статистичних методів в задачах активного теплового контролю. В якості альтернативи пропонується застосування технологій штучного інтелекту, зокрема, нейронних мереж.encorrelation analysisregressiondispersion analysisthermograms processingкореляційний аналізрегресіядисперсійний аналізобробка термограмArticledoi.org/10.20998/2522-9052.2019.1.10