Акустические методы
УДК 620.179.17:620.179.143
ПОВЫШЕНИЕ ВЕРОЯТНОСТИ ВЫЯВЛЕНИЯ ИСТОЧНИКОВ
АКУСТИЧЕСКОЙ ЭМИССИИ С ПОМОЩЬЮ ИСКУССТВЕННЫХ
НЕЙРОННЫХ СЕТЕЙ
© 2022 г. Ю.Г. Матвиенко1, И.Е. Васильев1,*, Д.В. Чернов1, А.В. Кожевников2,
И.В. Мищенко1
1Институт машиноведения имени А.А. Благонравова РАН (ИМАШ РАН), Россия 101990 Москва,
Малый Харитоновский пер., 4
2Национальный исследовательский университет «МЭИ», Россия 111250 Москва, Красноказарменная, 14
Поступила в редакцию 10.03.2022; после доработки 21.03.2022
Принято к публикации 25.03.2022
Изучены возможности снижения погрешности локации источников акустической эмиссии (АЭ) для случаев,
когда источники АЭ расположены вблизи от приемных преобразователей АЭ (ПАЭ). С целью уменьшения погреш-
ности локации и повышения вероятности выявления таких источников при обработке данных диагностики АЭ
использованы искусственные нейронные сети (ИНС). Обучение ИНС выполнялось по параметрам локационных
импульсов, регистрируемых с применением генератора импульсов на поверхности стальной полосы. Для генерации
импульсов использовался широкополосный преобразователь, устанавливаемый на разном расстоянии от приемных
ПАЭ. После обучения ИНС была использована для обработки результатов локации источников АЭ, зарегистриро-
ванных при испытаниях на разрыв стальной полосы с концентраторами в виде отверстий диаметром 5 мм, распо-
ложенными на расстоянии 40 мм от приемных ПАЭ. Вероятность выявления источников АЭ, выполненная с при-
менением ИНС по параметрам локационных импульсов в зонах расположения концентраторов, составляла р = 0,72,
т.е. практически в 12 раз превышала полученное значение вероятности р = 0,061 в случае использования стандарт-
ного алгоритма.
Ключевые слова: акустическая эмиссия, генератор импульсов, преобразователи акустической эмиссии, стальная
полоса, линейная локация, вероятность выявления источника акустических сигналов, искусственные нейронные сети.
DOI: 10.31857/S0130308222050013; EDN: BLOXAX
ВВЕДЕНИЕ
Точное определение местоположения источников АЭ, генерируемых в процессе образова-
ния и развития дефектов, является одной из актуальных задач АЭ диагностики изделий. При
этом, как правило, используют стандартную методику координатной локации источников АЭ,
основанную на расчетных значениях групповой скорости распространения импульсов (Vg) в
стенке изделия и регистрируемых значениях разности времен прихода (Δt) импульсов АЭ на
преобразователи антенной решетки [1]. Стандартная методика не учитывает особенностей
акустического тракта, в том числе дисперсионных свойств материала, влияющих на параме-
тры сигналов, что приводит к снижению достоверности результатов локации источников АЭ
[2―5]. Одним из возможных способов снижения погрешности локации источников АЭ явля-
ется применение алгоритма «Δt-mapping», основанного на построении атласа значений Δt
[6―9]. Однако эффективность этой методики заметно снижается по мере увеличения базы
локационной решетки (В) свыше 0,5 м вследствие затухания импульсов, регистрируемых уда-
ленными преобразователями [10]. Целью данных исследований является изучение возможно-
сти снижения погрешности координатной локации и повышения вероятности выявления
источников АЭ с применением ИНС [11].
Одним из основных факторов, влияющих на точность локации источников АЭ в ближней
зоне от ПАЭ при пороговом способе регистрации импульсов, является крутизна их переднего
фронта. Для установления корреляционных зависимостей между групповой скоростью импуль-
сов и параметрами регистрируемых сигналов по мере удаления источника АЭ от ПАЭ были
проведены исследования, рассмотренные в публикациях [12—15]. В качестве основных параме-
тров, характеризующих форму импульса, использовали максимальную амплитуду (um), время
нарастание (tф), число выбросов (Nи), длительность импульса АЭ (tи), усредненную частоту
выбросов (Nи /tи). Как отмечалось в публикации [15], формы импульса АЭ, в том числе крутизна
переднего фронта сигнала в процессе его распространения в диспергирующей среде, заметно
изменяются по мере удаления от источника. При этом скорость затухания импульса зависит
4
Ю.Г. Матвиенко, И.Е. Васильев, Д.В. Чернов и др.
не только от уровня его амплитуды, но и парциальной доли энергии высокочастотных составля-
ющих в спектре сигнала. Исходя из анализа рассмотренных в [12―16] зависимостей, влияния
мультипликативных и аддитивных составляющих погрешности вычисления скорости распро-
странения волнового пакета при пороговом методе регистрации импульсов, была разработан
алгоритм и методика локации источников АЭ с применением ИНС.
МЕТОДИКА ПРОВЕДЕНИЯ ТЕСТОВЫХ ЭКСПЕРИМЕНТОВ
На этапе сбора данных, используемых для обучения ИНС, эксперименты проводили на полосе
из стали Ст3 с размерами 500×50×3 мм. На рис. 1 показана стальная полоса, по поверхности кото-
рой между приемными преобразователями R15α-SMA фирмы Mistras (США) устанавливали излу-
чатель импульсов АЭ ― широкополосный преобразователь UT-1000, последовательно удаляя его
на 30 мм от ПАЭ № 1 на шагах регистрации параметров локационных импульсов в координатах
Xi = 30, 60, …, 330 мм.
ПАЭ № 1
Источник АЭ
ПАЭ № 2
360
Рис. 1. Стальная полоса c излучателем импульсов и приемными ПАЭ.
В ходе экспериментов источник АЭ (преобразователь UT-1000) подключался к каналу воз-
буждения генератора MFG-72120MA (КНР). Для имитации широкополосных сигналов АЭ раз-
личной амплитуды на возбуждающий канал генератора подавался прямоугольный импульс,
максимальная амплитуда которого изменялась в диапазоне 10 мВ — 10 В, что позволяло варьи-
ровать амплитуду регистрируемых ПАЭ импульсов в диапазоне um = 40—85 дБ. Перед исследо-
ваниями определяли оптимальные настройки измерительной аппаратуры и вычисляли скорость
распространения импульсов АЭ (Vg) в стальном образце, среднее значение которой составляло
Vg = 3500 м/с при максимальном размере антенной решетки B = 360 мм. Порог дискриминации
сигналов АЭ выбирали из условия uth ≥ un+ 6 дБ (un ― максимальная амплитуда сигналов помех)
и составлял uth = 40 дБ при полосе пропускания цифровых фильтров Δf = 30―500 кГц.
РЕЗУЛЬТАТЫ ПРИМЕНЕНИЯ СТАНДАРТНОГО АЛГОРИТМА ЛИНЕЙНОЙ ЛОКАЦИИ
На основании результатов, зарегистрированных в ходе линейной локации источников АЭ на
стальной полосе, определяли вероятность (p) их выявления [16]. При использовании стандартного
алгоритма локации отмечался значительный разброс расчетных значений координат источников
АЭ относительно их истинного положения. К тому же максимум регистрируемых событий АЭ мог
быть смещен на 5―30 мм относительно фактического положения источника АЭ.
В качестве примера на рис. 2 представлена гистограмма распределения событий АЭ в масштабе
ΔB = 5 мм области локации В = 360 мм при положении источника АЭ в координатах Xi = 90, 180 и
270 мм.
Как видно из рис. 2, при размещении источника АЭ в координате X = 90 мм диапазон разброса
расчетных значений событий АЭ достигал ΔX = ±30 мм, а максимум их локации был смещен отно-
сительно истинного положения излучателя на 15 мм. Подобные отклонения максимумов расчетной
локации событий АЭ от фактического положения источника отмечались во всех местах установки
преобразователя UT-1000 за исключением центрального положения при X = 180 мм, где расчет
координаты источника не зависит от скорости распространения импульса АЭ. Следовательно, сред-
ний уровень приведенной погрешности зависит от удаления источника АЭ относительно ПАЭ. Так,
например, при установке излучателя на расстояниях Xi = 30, 300 мм от приемных ПАЭ уровень
погрешности превышал 15 %. Приближение источника АЭ к центру области локации заметно сни-
жает уровень приведенной погрешности, которая при Xi = 180 мм составляла менее 2 %.
Как показали результаты выполненных исследований [14, 16], на точность результатов
применения стандартного алгоритма линейной локации существенное влияние оказывают
Дефектоскопия
№ 5
2022
Повышение вероятности выявления источников акустической эмиссии...
5
Nл, ед.
110
100
90
80
70
60
50
40
30
20
10
ПАЭ № 1
ПАЭ № 2
0
0
20
40
60
80 100 120
140 160 180
200 220 240
260 280
300 320 340
X, мм
X = 90 мм
X = 180 мм
X = 270 мм
Рис. 2. Гистограмма распределения АЭ событий (Nл), зарегистрированных в интервалах ∆В = 5 мм, при локации источ-
ника АЭ в координатах Xi.
параметры регистрируемых импульсов АЭ и удаленность источника акустических сигналов от
приемных преобразователей. Разброс локации координат Xi коррелирует с уровнем флуктуа-
ций групповой скорости импульса Vg при пороговом методе регистрации импульсов. Численная
оценка уровня флуктуаций скорости осуществляется с помощью нормировочного коэффици-
ента γ = V/Vg, где V ― фактическое значение скорости распространения импульсов при поро-
говой регистрации импульсов, а Vg ― значение скорости, рассчитанное по результатам пред-
варительных испытаний, когда источник АЭ находился вне зоны локации. Смещение максиму-
ма распределения Nл(X) относительно фактического положения источника АЭ зависит от
аддитивной составляющей погрешности Δ (Δt), возникающей при пороговом методе регистра-
ции импульсов АЭ [10, 12―15]. На рис. 3 представлена зависимость параметра γ от уровня
максимальной амплитуды um регистрируемых импульсов ПАЭ №1.
γ
0,9
0,85
0,8
0,75
0,7
0,65
0,6
0,55
0,5
0,45
0,4
50
55
60
65
70
75
um, дБ
Рис. 3. Зависимость нормировочного коэффициента γ от максимальной амплитуды (um) регистрируемых импульсов.
Дефектоскопия
№ 5
2022
6
Ю.Г. Матвиенко, И.Е. Васильев, Д.В. Чернов и др.
Маркерами показаны результаты экспериментальных исследований, полученные при генерации
импульсов АЭ с применением преобразователя UT-1000. Штриховой линией представлен результат
аппроксимации экспериментальных данных полиномом второго порядка γ(um) = -0,0007 ×
× um2 + 0,1059 × um - 3,0825, для которого коэффициент детерминации составил R2 = 0,957. Как
следует из рис. 3, если амплитуда um не превышала 55 дБ, то значение нормировочного коэффици-
ента снижалось до γ = 0,47, а, следовательно, возрастала погрешность стандартного алгоритма
линейной локации. При уровне максимальной амплитуда импульсов um ≥ 75 дБ нормировочный
коэффициент γ ≥ 0,9 и расчетное значение скорости Vg приближались к фактическому V. Как уже
отмечалось, на результат линейной локации существенное влияние оказывает аддитивная состав-
ляющая погрешности (Δ) расчета параметра Δt, возникающая при пороговом методе регистрации
импульсов АЭ [12, 15, 16]. На рис. 4 показан результат расчета параметра Δ в зависимости от
местоположения источника АЭ.
∆, мкс
30
25
20
15
10
5
0
0
50
100
150
200
250
300
X, мм
Рис. 4. Зависимость аддитивной составляющей погрешности (Δ) от положения источника АЭ (Xi).
Как следует из рис. 4, наибольший уровень аддитивной погрешности, достигающий Δ = 31 мкс,
регистрируется, когда источник АЭ находится вблизи от приемных ПАЭ. При приближении источ-
ника АЭ к центру локационной области аддитивная составляющая погрешности снижается до
Δ = 10 мкс. Показанный на рис. 4 график корреляционной зависимости может быть описан поли-
номом второго порядка Δ(X) = 0,0007562 · X2 - 0,2397 · X + 24,9.
Рассмотренные на рис. 3 и рис. 4 зависимости нормировочного коэффициента и аддитивной
составляющей погрешности локации источников АЭ от параметров регистрируемых импульсов
АЭ были использованы при разработке алгоритма локации по данным диагностики АЭ с примене-
нием ИНС.
ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ПОСТРОЕНИЯ
ДОСТОВЕРНОЙ ЛОКАЦИИ ИСТОЧНИКОВ АКУСТИЧЕСКОЙ ЭМИССИИ
Методы машинного обучения ― отдельный класс алгоритмов интеллектуального анализа дан-
ных, которые выполняют решение новой задачи, путем сравнения и выбора используемых опти-
мальных алгоритмов [11]. Среди методов машинного обучения особую популярность обрели
интеллектуальные нейронные сети ― широкий класс разнообразных систем, представляющих
собой иерархические сетевые структуры, состоящие из множества элементов, называемых нейро-
нами, передающих и анализирующих поступающую информацию. При этом, для эффективной
работы ИНС требуется решить задачу оптимизации структурных связей сети (обучения ИНС),
рационально используя вычислительные ресурсы компьютера [17―21], т.е. подбора оптимальных
значений весовых коэффициентов связей.
Дефектоскопия
№ 5
2022
Повышение вероятности выявления источников акустической эмиссии...
7
Задача разработки ИНС, способной снизить погрешность локации источников АЭ, включает
следующие этапы: определение структуры ИНС, ее обучение, оптимизацию выбранной структуры
ИНС и оценку вероятной погрешности работы ИНС. Существуют две основные структуры ней-
ронных сетей: ациклические сети (с прямым распространением) и циклические (рекуррентные)
сети [20]. Сеть с прямым распространением представляет собой определенную функцию текущих
входных данных. Рекуррентная сеть обладает обратной связью, т. е. передает свои выходные дан-
ные обратно на входные нейроны.
В данной работе использовали структуру ациклических сетей, поскольку входные данные
задачи определения местоположения источника АЭ обрабатывали изолированно из-за неодно-
родности входных параметров. При обучении ИНС прибегали к таким параметрам локацион-
ных импульсов, как разность времени прихода сигналов на ПАЭ локационной группы, макси-
мальную амплитуду, их длительность, время нарастания, количество выбросов, аддитивную
погрешность и нормировочный коэффициент γ. Для обучения была использована базовая струк-
тура ациклической сети ― многослойный персептрон, состоящий из набора связанных между
собой искусственных нейронов. Перед началом процесса синтеза нейронной сети, способной
корректно определять локацию, необходимо предварительно: сформировать обучающую выбор-
ку с данными и локацией X зарегистрированных с имитатора импульсов, нормализовать и раз-
делить ее на k = 10 частей, а также отобрать множество различных структур ИНС (с различными
количествами слоев, нейронов на них и функциями активации), которые будут участвовать в
синтезе эффективной ИНС (рис. 5).
Рис. 5. Схема предварительной подготовки и синтеза эффективной ИНС.
Дефектоскопия
№ 5
2022
8
Ю.Г. Матвиенко, И.Е. Васильев, Д.В. Чернов и др.
В качестве реализации алгоритмов обучения ИНС применяли нейросетевой пакет
TensorFlow [21] ― библиотеку с открытым исходным кодом, реализованную на языке Python.
Для обучения ИНС (см. рис. 5) был использован алгоритм стохастического градиентного спу-
ска (SGD), направленный на постепенное снижение значения функции ошибки (потерь), а в
качестве функции потерь была выбран средний квадрат ошибки (MSE), который вычисляется
как MSE(Inputi) = (NN(Inputi) - Xi), где Inputi
― входные данные одного зарегистрированного
импульса, NN(Inputi) ― выходное значение нейронной сети для этого импульса, а Xi ― его
локация.
Для оценки каждой отдельной структуры ИНС использовалась перекрестная проверка (cross-
validation) — метод оценки аналитической модели и ее поведения на независимых данных [11].
При оценке модели имеющиеся в наличии данные разбиваются на k частей (см. рис. 5). Затем на
k -1 частях проводили обучение модели, а оставшуюся часть данных использовали для тестиро-
вания. Процедура повторяли k раз, вследствие чего каждую из k частей данных применяемой
выборки использовали для тестирования. Это позволяло оценить эффективность выбранной
модели при наиболее рациональном использовании имеющихся данных.
ВЫБОР НАИБОЛЕЕ ИНФОРМАТИВНЫХ ПАРАМЕТРОВ РЕГИСТРИРУЕМЫХ СИГНАЛОВ
ДЛЯ ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ
Так как комплексное применение параметров регистрируемых импульсов АЭ позволяет с боль-
шей точностью определить местоположение развивающихся повреждений по сравнению со стан-
дартным алгоритмом локации, то обучение результирующей ИНС необходимо проводить с боль-
шим количеством входных нейронов. С целью оптимизации набора наиболее информативных
параметров выполнен многократный эксперимент по обучению ИНС и исключению наименее
значимых из них. В качестве информативных параметров при обучении ИНС использовали следу-
ющие: разность времен прихода импульсов на преобразователи антенной решетки (Δt), макси-
мальная амплитуда (um), длительность (tи), время нарастания (tφ), число выбросов в импульсах (Nи),
усредненная их частота (Nи/tи), относительное изменение амплитуды (um1/um2), отношение времени
нарастания (tφ1/tφ2), нормировочный коэффициент γ и значение аддитивной погрешности (Δ) ―
задержки регистрации импульсов системой АЭ. Необходимо отметить, что применение комплекс-
ных параметров может не только повысить, но и снизить эффективность ИНС при обработке
результатов диагностики АЭ. В табл. 1 показаны девять вариантов группировки, которые приме-
няли при обучении ИНС параметров.
Таблица
1
Группы информативных параметров сигналов АЭ, использованных при обучении ИНС
Номер группы (n)
Параметр
1
2
3
4
5
6
7
8
9
Δt
+
+
+
+
+
+
+
+
+
um
+
+
+
+
+
+
+
+
+
tφ
+
+
+
+
+
+
+
+
tи
+
+
+
+
+
+
+
N
+
+
+
+
+
+
um1 / um2
+
+
+
+
+
N/tu
+
+
+
+
tφ1 / tφ2
+
+
+
γ
+
+
Δ
+
Для каждой из групп параметров было проведено многократное обучение ИНС (900 вариантов)
по данным АЭ, зарегистрированным при тестовых испытаниях на стальной полосе. С помощью
процедуры кросс-валидации (см. рис. 5) проводился отбор наилучших кандидатов при обучении
Дефектоскопия
№ 5
2022
Повышение вероятности выявления источников акустической эмиссии...
9
p
0,9
0,8
0,7
0,6
0,5
0,4
0
1
2
3
4
5
6
7
8
9
10
Номер группы
Рис. 6. График вероятности выявления источников АЭ, построенный для различных групп информативных параметров
(см. табл. 1).
ИНС, в котором оценивалось среднее значение погрешности для всей обучающей выборке за 10
прогонов. По результатам проведенного отбора было определено оптимальное количество вход-
ных нейронов (рис. 6), позволяющих получить максимальную вероятность выявления источников
АЭ в ближней зоне от ПАЭ.
По результатам проведенного отбора наилучший результат (p = 0,98) при обучении ИНС был
зарегистрирован для четвертой группы с параметрами Δt, um, tφ, tи, N, состоящей из семи слоев и
352 весовых коэффициентов.
АПРОБАЦИЯ ИНС ПРИ ОПРЕДЕЛЕНИИ МЕСТОПОЛОЖЕНИЯ РАЗВИВАЮЩИХСЯ
ПОВРЕЖДЕНИЙ В ОБЛАСТИ КОНЦЕНТРАТОРОВ НАПРЯЖЕНИЙ
Разработанный алгоритм был апробирован на данных, полученных в ходе диагностики АЭ
испытания на разрыв стальной полосы с двумя концентраторами напряжений в виде отверстий
диаметром 5 мм, расположенных симметрично на расстоянии 140 мм относительно центра. При
проведении диагностики АЭ приемные ПАЭ устанавливались на расстоянии 40 мм от концен-
траторов так, что размер линейной локации составлял В = 360 мм. На рис. 7 показан общий вид
испытаний стальной полосы, установленной в захваты нагружающего стенда Instron-5982.
Рис. 7. Общий вид проведения экспериментальных исследований:
1 — стальной образец; 2 — захваты испытательной установки; 3 — преобразователи акустической эмиссии; 4 — струбцины.
Дефектоскопия
№ 5
2022
10
Ю.Г. Матвиенко, И.Е. Васильев, Д.В. Чернов и др.
В ходе диагностики АЭ, проводимой с применением системы «Vallen AMSY-6» (ФРГ), в
области концентраторов наблюдалось неравномерное накопление повреждений, вследствие
чего интенсивность накопления повреждений в зонах верхнего и нижнего отверстия заметно
отличалась.
В зонах концентраторов, где происходили наиболее интенсивные локальные разрушения
структуры материала, должна регистрироваться и максимальная плотность индикаций источников
АЭ. Разрушение стального образца произошло в области верхнего концентратора на расстоянии
35 мм от ПАЭ № 1. Однако однозначное определение максимальной плотности распределения
событий АЭ, зарегистрированных с применением стандартного алгоритма линейной локации, не
представляется возможным. На рис. 8 представлен результатов применения стандартной методики
линейной локации источников АЭ.
Nл, ед.
600
500
400
ПАЭ № 1
ПАЭ № 2
300
200
100
0
X, мм
Рис. 8. Результат применения стандартного алгоритма линейной локации источников АЭ.
Как следует из рис. 8, максимум распределения АЭ событий, достигающий значения 230 ед.,
был зарегистрирован в координате X = 5 мм, т. е. на удалении 35 мм от места разрушения стально-
го образца (верхнего отверстия, отмеченного чертой на рисунке слева). При использовании стан-
дартного алгоритма средний уровень плотности индикаций источников АЭ в зоне локации не
превышал 72 ед., что составляло 30 % от максимального значения. Статистическая обработка
полученных результатов показала, что вероятность выявления дефекта в зоне верхнего концентра-
тора (X = 40 мм) не превышала p = 0,061.
На рис. 9 показано распределение плотности индикаций источников АЭ, зарегистрированных
в области локации стальной полосы по результатам обработки данных диагностики АЭ с приме-
нения ИНС.
Nл, ед.
1800
1600
1400
1200
1000
800
600
400
200
0
X, мм
0
50
100
150
200
250
300
350
Рис. 9. Результат апробации алгоритма линейной локации источников АЭ по данным диагностики АЭ с применением
ИНС.
Дефектоскопия
№ 5
2022
Повышение вероятности выявления источников акустической эмиссии...
11
Как следует из рис. 9, максимальный уровень локации источников АЭ, достигающий
Nл = 1918 ед., получен в интервале Х = 45―50 мм на расстоянии 5―10 мм от места разруше-
ния полосы, что в 8,34 раза превышало плотность индикаций источников, зарегистрированных
в соответствующем интервале с применением стандартного алгоритма (см. рис. 8). При этом
вероятность выявления источников АЭ в зоне распространения трещины в стальной полосе
достигала p = 0,72, что в 11,8 раз превышало уровень p = 0,061, полученный при использова-
нии стандартного алгоритма.
ЗАКЛЮЧЕНИЕ
Для решения рассмотренной в работе задачи проведена серия экспериментальных исследо-
ваний по оценке погрешности стандартного алгоритма линейной локации источников АЭ. В
результате обработки параметров локационных импульсов, зарегистрированных в процессе
генерации импульсов АЭ с помощью электронного имитатора, была определена погрешность
их локации. Средний уровень вероятности выявления источников АЭ, определенный с помо-
щью стандартного алгоритма в процессе тестовых экспериментов, составлял p=0,26. При этом
вероятность выявления концентраторов, расположенных на расстоянии 40 мм от приемных
преобразователей, с помощью стандартного алгоритма линейной локации не превышала p =
0,061. В процессе обработки экспериментальных данных установлены наиболее информатив-
ные параметры импульсов АЭ, коррелирующие со значениями нормировочного коэффициента
γ и аддитивной составляющей погрешности Δ локационного алгоритма. Данные параметров
локационных импульсов были использованы в процессе обучения нейронных сетей с целью
повышения вероятности выявления источников АЭ.
Апробация ИНС проведена по результатам локации источников АЭ, полученных при испы-
таниях на разрыв стальной полосы с концентраторами в виде сквозных отверстий диаметром
5 мм, расположенных на расстоянии 40 мм от приемных преобразователей. Применение пред-
варительно обученных ИНС позволило существенно повысить вероятность выявления до
p = 0,72, тогда как вероятность их выявления с помощью стандартного алгоритма линейной
локации не превышала p = 0,061. При этом существенно снизилась снизить максимальная
погрешность локации источников АЭ в зонах концентраторов, составляющая не более чем на
10 мм от центров отверстий.
Дальнейшим шагом развиваемой методики является применение ИНС для снижения погреш-
ности определения координат источников АЭ при планарной локации.
Работа выполнена при финансовой поддержке Российского научного фонда (проект № 18-19-
00351).
СПИСОК ЛИТЕРАТУРЫ
1. Иванов В.И., Барат В.А. Акустико-эмиссионная диагностика. М.: Спектр, 2017. 368 с.
2. Georgiou G.A. Probability of Detection (PoD) Curves Derivation, applications and limitations. Jacobi
Consulting Limited, London. 2006.
3. Sause M.G.R., Linscheid F.F., Wiehler M. An Experimentally Accessible Probability of Detection Model
for Acoustic Emission Measurements // J. Nondestruct. Eval. 2018. V. 37. P. 17.
4. Diakhate M., Bastidas-Arteaga E., Pitti R.M., Schoefs F. Probabilistic Improvement of Crack
Propagation Monitoring by Using Acoustic Emission / In: Zehnder A. et al. (eds) Fracture, Fatigue, Failure and
Damage Evolution. 2017. V. 8. Conference Proceedings of the Society for Experimental Mechanics Series.
Springer, Cham.
5. Gagar D., Irving P., Jennions I., Foote P., Read I., McFeat J. Development of Probability of Detection
Data for Structural Health Monitoring Damage Detection Techniques Based on Acoustic Emission /
Proceedings of the 8th International Workshop on Structural Heath Monitoring, Stanford, United States of
America, 13―15 September, 2011. P. 1391―1398.
6. Eaton M. J., Pullin R., Holford K. M. Acoustic emission source location in composite materials using Delta
T Mapping // Composites Part A: Applied Science and Manufacturing. 2012. V. 43 No. 6. P. 856―863.
7. Baxter M.G., Pullin R., Holford K.M., Evans S.L. Delta T source location for acoustic emission //
Mechanical Systems and Signal Processing. 2007. V. 21. No. 3. P. 1512―1520.
8. Al-Jumaili S.K., Pearson M.R., Holford K.M., Eaton M.J., Pullin R. Acoustic emission source location
in complex structures using full automatic delta T mapping technique // Mechanical Systems and Signal
Processing. 2016. V. 72―73. P. 513―524.
9. Pullin R., Baxter M., Eaton M.J., Holford K.M., Evans S.L. Novel acoustic emission source detection //
J. Acoust. Emiss. 2007. V. 25. P. 215―223.
Дефектоскопия
№ 5
2022
12
Ю.Г. Матвиенко, И.Е. Васильев, Д.В. Чернов и др.
10. Matvienko Y.G., Vasil’ev I.E., Chernov D.V., Ivanov V.I., Mishchenko I.V. Error reduction in determining
the wave-packet speed in composite materials // Instruments and Experimental Techniques. 2020. V. 63. No.
1. P. 106―111.
11. Рассел С., Норвиг П. Искусственный интеллект: современный подход / 2-е издание. Пер. с англ.
М.: Вильямс, 2007. 1408 с.
12. Matvienko Y.G., Vasil’ev I.E., Bubnov M.A., Chernov D.V. Influence of dimensions and shape of
process cutouts on the accuracy of locating acoustic emission sources // Russian Journal of Nondestructive
Testing. 2020. V. 56. No. 2. P. 101―109.
13. Серьезнов А.Н., Степанова Л.Н., Кабанов С.И., Кареев А.Е., Лебедев Е.Ю., Кожемякин В.Л.,
Рамазанов И.С., Харламов Б.М. Акустико-эмиссионный контроль авиационных конструкций / Под ред.
Л.Н. Степановой, А.Н. Серьезнова. М.: Машиностроение. Полет, 2008. 440 с.
14. Agletdinov E., Merson D., Vinogradov A. A new method of low amplitude signal detection and its
application in acoustic emission // Applied Sciences (Switzerland). 2020. V. 10. No. 1. P. 73.
15. Matvienko Y.G., Vasil’ev I.E., Chernov D.V., Ivanov V.I., Elizarov S.V. Problems of locating acoustic
emission sources // Russian Journal of Nondestructive Testing. 2021. V. 57. No. 9. P. 769―778.
16. Чернов Д.В., Васильев И.Е., Марченков А.Ю., Ковалева Т.Ю., Куликова Е.А., Мищенко И.В.,
Горячкина М.В. Влияние амплитуды акустических сигналов на вероятность выявления источников
акустической эмиссии // Вестник МЭИ. 2022. № 1. C. 130―136.
17. LeCun Yann A., Bottou Leon, Orr Genevieve B., Muller Klaus-Robert. Efficient backprop / Neural
networks: Tricks of the trade / Grégoire Montavon, Geneviève B. Orr, Klaus-Robert Müller (Eds.). Berlin
Heidelberg: Springer, 2012. Т. 7700.
18. Crivelli Davide, Guagliano Mario, Monici Alberto. Development of an artificial neural network
processing technique for the analysis of damage evolution in pultruded composites with acoustic emission //
19. Mahil C., Loo Ch., Sasikumar T., Suresh S. Analysis of failure mode and fracture behavior by using
acoustic parameter and artificial neural network // Engineering Research Express. 2019. P. 1―15.
20. Ech-Choudany Y., Assarar M., Scida D., Morain-Nicolier F., Bellach B. Unsupervised clustering for
building a learning database of acoustic emission signals to identify damage mechanisms in unidirectional
21. Abadi Martín, Agarwal Ashish, Barham Paul, Brevdo Eugene, Chen Zhifeng, Citro Craig, Corrado
Greg S., Davis Andy, Dean Jeffrey, Devin Matthieu, Ghemawat Sanjay, Goodfellow Ian, Harp Andrew, Irving
Geoffrey, Isard Michael, Jia Yangqing, Jozefowicz Rafal, Kaiser Lukasz, Kudlur Manjunath, Levenberg Josh,
Mane Dan, Monga Rajat, Moore Sherry, Murray Derek, Olah Chris, Schuster Mike, Shlens Jonathon, Steiner
Benoit, Sutskever Ilya, Talwar Kunal, Tucker Paul, Vanhoucke Vincent, Vasudevan Vijay, Viegas Fernanda,
Vinyals Oriol, Warden Pete, Wattenberg Martin, Wicke Martin, Yu Yuan, Zheng Xiaoqiang. Tensorflow: Large-
scale machine learning on heterogeneous distributed systems. 2016. P. 19.
Дефектоскопия
№ 5
2022
